- L.E.A.D by Belajarlagi merupakan kerangka empat langkah yang membantu manajer menerapkan AI di timnya secara terukur.
- Kerangka ini terdiri dari empat tahap: Look Beyond AI, Explore What Matters, Architect, dan Deliver Impact.
- Tidak semua masalah perlu diselesaikan dengan AI. Selalu bandingkan dengan satu alternatif tanpa AI sebelum memilih solusi.
- Dampak penerapan AI dibuktikan lewat ukuran yang ditetapkan sejak awal, bukan sekadar kesan.
L.E.A.D by Belajarlagi merupakan kerangka empat langkah yang membantu manajer menerapkan AI di timnya secara terukur. L.E.A.D itu sendiri kepanjangan dari Look Beyond AI, Explore What Matters, Architect, serta Deliver Impact. Kerangka tersebut dapat menjawab masalah para manajer yang sudah menggunakan tools AI, tetapi justru berhenti di tahap percobaan tanpa implementasi berikutnya yang jelas.
Masalah ini bukan kasus langka. Survei McKinsey tahun 2025 mencatat 88% organisasi sudah rutin memakai AI di setidaknya satu fungsi bisnis, tetapi hampir dua pertiganya belum mulai men-scale AI ke seluruh organisasi. Pola inilah yang membuat banyak adopsi AI berhenti di pilot project.
Akar masalahnya sebenarnya ada pada tidak adanya urutan kerja jelas dalam pemakaian AI. Kerangka L.E.A.D tadi diperlukan untuk mendorong pembuatan keputusan yang lebih tertata. Artikel ini akan membahas kerangka tersebut secara lebih mendalam, apa saja yang dikerjakan di tiap tahapnya, serta seperti apa hasilnya.
Apa Itu L.E.A.D by Belajarlagi?
L.E.A.D by Belajarlagi adalah framework empat fase yang diperkenalkan pada program Belajarlagi for Executive untuk membantu middle manager menyelesaikan masalah bisnis dengan pendekatan business dan AI, mulai dari melihat masalah, mengevaluasi solusi, menyelaraskan tim, hingga mengimplementasikan dan men-scale solusi.
Kerangka L.E.A.D terdiri dari empat tahap penting:
- Look Beyond AI: Melihat masalah melalui perspektif bisnis dan AI.
- Explore What Matters: Menganalisis, membandingkan, dan menentukan prioritas solusi dari peluang yang ada.
- Architect: Merancang transformasi berbasis AI.
- Deliver Impact: Mengimplementasikan, mengukur, dan men-scale solusi.
Empat Tahap L.E.A.D
Mengapa Kerangka L.E.A.D Penting bagi Manajer?
Anda mungkin mulai bertanya, mengapa kerangka L.E.A.D ini menjadi begitu penting bagi manajer? Alasannya, Anda harus ingat bahwa menggunakan AI tidak sama dengan menerapkan AI secara menyeluruh ke dalam tim. Sekadar menggunakan AI biasanya hanya berhenti pada pemakaian pribadi, sementara menerapkan AI berarti mengintegrasikannya ke dalam cara tim bekerja agar menjadi lebih efektif. Di level organisasi, pergeseran dari sekadar memakai menjadi benar-benar menerapkan inilah inti dari AI transformation.
Ketiadaan kerangka yang jelas berisiko membuat manajer asal mencoba berbagai perangkat AI tanpa paham mana yang betul-betul relevan bagi bisnis. Riset BCG pada 2024 terhadap lebih dari 1.000 perusahaan juga menemukan 74% perusahaan belum menunjukkan nilai nyata dari penggunaan AI. Dalam program Belajarlagi for Executive, L.E.A.D menjadi pendekatan nyata yang menghubungkan bisnis dengan pemanfaatan AI. Kerangka ini akan membantu Anda melihat AI lebih dari sekadar teknologi, yaitu seperti apa kapabilitasnya hingga berdampak pada bisnis.
Empat Tahap L.E.A.D dan Penerapannya
Empat tahap L.E.A.D dijalankan berurutan: memetakan masalah, memilih solusi, merancang perubahan alur kerja, lalu menerapkan dan mengukur hasilnya. Keluaran setiap tahap menjadi bahan untuk tahap berikutnya. Contoh di bawah memakai satu kasus ilustrasi yang sama dari awal sampai akhir.
1. Look Beyond AI
Pada tahap ini, manajer mulai mengidentifikasi sekaligus memetakan masalah yang ada melalui kacamata bisnis dan AI. Tahap ini penting, bahkan sangat penting, dan harus dilakukan sebelum manajer memilih atau memutuskan mau memakai tools AI yang mana.
Beberapa hal yang manajer lakukan pada tahap Look Beyond AI antara lain:
- Apa yang diamati dan dipetakan? Manajer butuh melihat keseluruhan proses kerja secara utuh agar bisa menemukan hambatan, kebutuhan, hingga peluang perbaikannya. Pemetaan dapat dilakukan dengan mengumpulkan berbagai data, baik itu dari laporan kerja, evaluasi operasional, alur kerja, hingga masukan dari pihak terkait. Salah satu cara yang paling praktis adalah business process mapping, yaitu menggambar alur kerja dari awal sampai akhir untuk melihat di titik mana pekerjaan tertahan.
- Siapa saja yang perlu dilibatkan? Anggota tim yang melakukan proses kerja jelas harus dilibatkan. Selanjutnya, stakeholder dari departemen lain perlu dilibatkan juga jika ada masalah terkait lintas fungsi. Dari sini Anda bisa lihat, proses identifikasi masalah bukan sekadar dari sudut pandang manajer semata.
- Seperti apa keluaran nyata dari tahap ini? Hasil akhir tahap ini adalah peta masalah bisnis. Peta ini menjelaskan apa masalah utamanya, akarnya apa, proses kerja mana yang terdampak, serta peluang perbaikan apa yang bisa dibantu AI.
- Kesalahan apa yang sering terjadi jika melewatkan tahap ini? Saat tidak melakukan tahap ini, manajer hanya akan menghabiskan waktu serta energi untuk mencoba banyak tools AI hingga “memaksakan” penggunaan teknologi yang tidak relevan untuk bisnis.
Contoh Penerapan Look Beyond AI
Sebagai ilustrasi, seorang manajer finance di perusahaan distribusi merasa persetujuan tagihan pemasok terlalu lama, dan menduga penyebabnya adalah input data manual. Sebelum mencari perangkat AI, ia memetakan dulu seluruh alurnya bersama tim procurement dan gudang. Hasilnya, dari rata-rata sembilan hari total proses, input data hanya memakan setengah hari, sementara enam hari habis di tahap menunggu persetujuan karena pemberi persetujuan harus membuka beberapa dokumen terpisah lebih dulu.
Peta masalah itu memindahkan peluang AI-nya: bukan membaca dokumen tagihan, melainkan menyusun ringkasan verifikasi untuk pemberi persetujuan. Tanpa tahap ini, perusahaan tetap bisa menerapkan AI pembaca dokumen, tetapi hanya memperbaiki setengah hari dari sembilan hari.
2. Explore What Matters
Tahap berikutnya ini mendorong manajer menganalisis peluang solusi dengan membandingkan berbagai alternatif yang tersedia untuk selanjutnya menentukan mana yang paling relevan. Di tahap ini manajer juga mulai menyadari bahwa tidak semua masalah mesti diselesaikan dengan AI. Intinya, solusi yang dipilih harus benar-benar memberikan nilai bagi bisnis.
Hal-hal yang manajer kerjakan di tahap Explore What Matters:
- Apa yang dinilai? Manajer akan menilai beberapa alternatif solusi yang mencakup penggunaan AI, perbaikan proses kerja yang sudah ada, ataupun kombinasi dari keduanya.
- Dengan kriteria apa solusi dibandingkan? Kriteria yang dapat manajer gunakan untuk mengevaluasi berbagai pilihan solusi: seperti apa dampak bagi bisnis, seberapa realistis diterapkan, berapa biaya maupun waktu yang diperlukan, kemampuan solusi dapat dikembangkan, hingga risiko apa saja yang bisa muncul.
- Siapa yang menetapkan prioritas solusi? Peran manajer di sini adalah mengoordinasi proses evaluasi sekaligus menentukan prioritas bersama stakeholder. Anggota tim bisa memberi masukan terkait penerapan. Tim IT membantu menilai aspek teknologinya. Keputusan akhir butuh mempertimbangkan kebutuhan dan kesiapan perusahaan.
- Apa keluaran dari tahap ini? Hasil akhir dari tahap ini adalah daftar prioritas solusi yang juga mencakup alasan pemilihan serta gambaran manfaat yang diberikan.
Kriteria Menilai Solusi
Beri nilai 1 sampai 5 per kriteria, lalu bandingkan totalnya. Dua catatan penting: beri bobot lebih besar pada dampak bisnis dan kelayakan penerapan, serta selalu sertakan satu alternatif tanpa AI. Bila opsi perbaikan proses biasa tidak pernah masuk daftar, Anda bukan sedang membandingkan solusi, melainkan mencari pembenaran.
Untuk kriteria kelayakan penerapan, ukur juga AI readiness perusahaan Anda, mulai dari kesiapan data, sistem, hingga orangnya. Sering kali, alternatif tanpa AI berupa perbaikan efisiensi operasional sudah cukup menyelesaikan sebagian masalah.
Contoh Penerapan Explore What Matters
Manajer finance tadi membandingkan tiga opsi, yaitu AI pembaca dokumen, AI penyusun ringkasan verifikasi, dan menyederhanakan tahap persetujuan tanpa AI. Opsi ringkasan verifikasi menang karena menyentuh hambatan enam hari, bukan hambatan setengah hari, dan bisa dijalankan tanpa mengubah sistem yang ada.
3. Architect
Tahap ini merancang bagaimana solusi AI diterapkan ke alur kerja yang pastinya memperhatikan penyelarasan tujuan bisnis, strategi penerapan, sampai kapasitas orang-orang di dalamnya. Architect berfokus pada penerjemahan solusi menjadi rancangan kerja yang tepat guna. Hasil akhirnya adalah rancangan AI workflow yang jelas: tugas mana yang dikerjakan AI, mana yang tetap dipegang manusia, dan bagaimana target bisnisnya diukur.
Perhatikan dua aspek penting yang perlu diselaraskan di tahap Architect:
- Tujuan tim dan target bisnis. Manajer harus memastikan penerapan AI benar-benar mendukung sasaran bisnis yang hendak dicapai. Jika tujuannya menaikkan produktivitas, penggunaan AI pada tugas repetitif haruslah mempercepat durasi kerja, bukan sekadar asal menambah teknologi saja. Contoh tugas yang biasanya paling cepat terasa dampaknya bisa Anda lihat di panduan cara otomasi tugas berulang dengan AI.
- Kapasitas dan kesiapan. Bagaimana kemampuan anggota tim dalam memakai AI juga mesti jadi perhatian manajer. Perlukah pelatihan, seperti apa pembagian tanggung jawabnya, serta kemungkinan adanya perubahan peran. Kapasitas dan kesiapan tiap orang pasti berbeda-beda. Untuk memetakannya, mulailah dari tingkat AI literacy karyawan di tim Anda.
Jika bicara soal pelatihan AI, Architect merupakan tahap yang berbeda dari dua tahap sebelumnya. Inilah yang nantinya membedakan pelatihan manajerial dengan pelatihan staf. Pelatihan staf biasanya menekankan keterampilan individu dalam memakai perangkat AI. Di sisi lain, pelatihan manajerial menyajikan gambaran lebih luas: bagaimana AI mengubah alur kerja, bagaimana pembagian tanggung jawabnya, bagaimana kesiapan perubahan, dan lain-lain.
Penekanan pada orang dan proses ini sejalan dengan pendekatan 10-20-70 dari BCG: 10% upaya untuk algoritma, 20% untuk teknologi dan data, dan 70% untuk orang serta proses. Jadi, rancangan di tahap Architect juga perlu menjawab siapa mengerjakan apa, termasuk cara membagi tugas manusia dan AI dalam alur kerja yang baru.
Contoh Penerapan Architect
Rancangannya ditulis sebagai perubahan alur kerja, bukan sebagai pengadaan tools: ringkasan verifikasi dibuat otomatis saat tagihan masuk, staf finance memeriksa ringkasan sebelum diteruskan, dan pemberi persetujuan tetap memegang keputusan akhir. Target bisnisnya ditetapkan di awal, yaitu memotong total waktu proses dari sembilan hari menjadi empat hari.
Titik kontrol seperti ini penting karena AI decision making tetap membutuhkan manusia yang bertanggung jawab atas keputusan akhirnya.
Dari sisi kesiapan, yang dilatih bukan cara memakai perangkatnya, melainkan cara memeriksa ringkasan yang keliru. Di sinilah pelatihan manajerial berbeda dari pelatihan staf, karena yang dirancang adalah pembagian tanggung jawab dan titik kontrolnya.
4. Deliver Impact
Di tahap ini, manajer akan mulai mengimplementasikan rancangan solusi dengan AI ke dalam alur kerja tim. Tidak hanya itu, manajer juga bertugas mengukur hasilnya berdasarkan indikator kesuksesan bisnis sekaligus mengembangkan solusi agar lebih berdampak. Manajer bakal rutin memantau penggunaan AI agar tidak hanya berhenti sebagai tools, tetapi benar-benar dikembangkan.
Tahap Deliver Impact berfokus pada dua hal:
- Bagaimana penerapan AI dijalankan? Misalnya dengan menguji penggunaan AI di tim kecil, memastikan anggota memahami alur kerja yang baru, mengawasi jalannya implementasi, sampai mengembangkan solusi lebih efektif berdasarkan evaluasi.
- Bagaimana hasilnya bisa dibuktikan? Indikator yang bisa dilihat antara lain apakah AI berhasil mempercepat proses kerja, apakah tim menjadi bisa menghasilkan output lebih banyak, bagaimana tingkat kesalahannya, apakah biaya operasional turun, sampai apakah tujuan bisnis mampu tercapai. Untuk memantau sejauh mana tim benar-benar memakai alur kerja baru, Anda bisa memakai panduan cara mengukur AI adoption.
Contoh Penerapan Deliver Impact
Penerapannya dimulai pada satu kategori pemasok lebih dulu, bukan seluruh tagihan, agar kesalahan masih mudah ditangani. Setelah satu bulan, total waktu proses turun dari sembilan hari menjadi lima hari, dan ringkasan yang perlu dikoreksi staf tinggal sekitar satu dari sepuluh. Hasil ini memang belum menyentuh target empat hari, tetapi arahnya sudah terbukti, dan selisih satu hari itu menjadi bahan evaluasi berikutnya.
Angka itulah yang dipakai manajer untuk mengajukan perluasan ke kategori pemasok lain. Tanpa ukuran yang ditetapkan sejak tahap Architect, perbaikannya hanya akan terasa sebagai kesan, bukan bukti.
Sederhananya, Deliver Impact haruslah mampu menjawab pertanyaan: Bagaimana Anda membuktikan AI punya dampak ke bisnis dan bagaimana Anda mengembangkannya ke skala lebih besar?
Belajar Menerapkan L.E.A.D bersama Manajer Lain
Secara umum, kerangka L.E.A.D ini sebenarnya dapat Anda pelajari dan terapkan secara mandiri. Namun, penerapannya memang akan jauh lebih mudah jika Anda kerjakan bersama manajer lain yang memiliki masalah serupa. Apalagi, peran manajer dalam organisasi kini bergeser: bukan hanya membagi tugas ke tim, tetapi juga memutuskan bagian kerja mana yang dibantu AI.

Framework L.E.A.D dipakai sebagai kerangka kerja di program Strategic AI for Managers dari Belajarlagi for Executive. Di program ini, para manajer mengerjakan langkah-langkah penggunaan AI langsung pada konteks timnya masing-masing. Untuk informasi lebih lengkap, silakan kunjungi halaman Strategic AI for Managers: Business Transformation.
.avif)




