Mengaktifkan Data untuk Menutup Celah ROI AI: 4 Langkah untuk Merealisisasikan Nilai Bisnis Melalui AI Agentik

Ketika kita memasuki tahun keempat “tahun AI” yang berturut-turut, banyak pemimpin organisasi mempertimbangkan dua pertanyaan yang tampaknya berlawanan. Pertama, apakah AI generatif merupakan teknologi paling transformatif di abad ke-21? Dan kedua, apakah AI terlalu dibesar-besarkan? Saya akan menjawab paradoxically ya untuk kedua pertanyaan tersebut. Namun, saya pikir itu adalah pertanyaan yang salah. Sebaliknya, saya percaya para pemimpin tersebut harus bertanya pada diri mereka sendiri pertanyaan yang berbeda: bagaimana organisasi saya dapat mendapatkan nilai bisnis dari AI sekarang?

Kenyataannya adalah banyak perusahaan telah menghabiskan tiga tahun terakhir untuk berinvestasi pada teknologi AI baru dan bereksperimen dengan alat AI baru, tetapi mereka belum menikmati hasil yang diharapkan. Meskipun tekanan CEO untuk “menggunakan AI untuk semua hal”, organisasi tidak melihat pengembalian investasi yang diinginkan. Ini tidak boleh mengejutkan. Sejarah mengajarkan kita bahwa inovasi teknis yang paling mendalam membutuhkan waktu sebelum mereka membayar. Ada lag antara penemuan teknis dan inovasi bisnis.

Thomas Edison menunjukkan kekuatan listrik di Manhattan pada tahun 1882, tetapi tidak sampai Ford memperkenalkan jalur perakitan yang ditenagai listrik pada tahun 1913 bahwa listrik sepenuhnya mengalahkan tenaga uap dalam manufaktur. Bisakah Anda membayangkan seorang pemimpin bisnis pada tahun 1885 meminta pekerja pabriknya untuk mulai bereksperimen dengan tenaga listrik? Namun, tenaga listrik tetap dominan dan membuka jalan bagi banyak inovasi revolusioner di abad ke-20, dari transmisi radio ke komputasi digital.

Sebagai contoh yang lebih baru, World Wide Web menjadi mainstream pada awal tahun 1990-an. Penggunaan konsumen meledak seketika, tetapi adopsi bisnis tertinggal. Butuh setengah dekade sebelum sebagian besar perusahaan mapan mulai mendapatkan manfaat dari web melalui e-commerce. Namun, web membuka jalan bagi media sosial, keterlibatan mobile, komputasi awan, dan akhirnya AI. Nilai bisnis dihasilkan secara inkremental dari teknologi baru.

Jika usia listrik bisnis dimulai dengan jalur perakitan, dan usia web dimulai dengan e-commerce, apa yang akan menjadi aplikasi pembunuh untuk usia bisnis AI? Peluncuran ChatGPT pada akhir 2022 memperkenalkan kekuatan model bahasa besar kepada masyarakat umum. Karena popularitasnya, “chatbot yang memahami saya dan terdengar seperti manusia” menjadi arketipe untuk bagaimana AI dapat diterapkan. Sebagai hasilnya, banyak bisnis memulai dengan AI dengan memperkenalkan asisten serupa yang disesuaikan untuk menjadi versi ChatGPT perusahaan mereka. Dalam banyak kasus, hasilnya diterima dengan baik oleh pengguna, tetapi pengembalian produktivitas bisnis sulit diukur.

Salah satu aplikasi paling maju dari LLM untuk bisnis adalah di bidang asisten pengkodean. Claude Code, Cursor, dan alat lainnya telah mendapatkan popularitas luas, menunjukkan hasil yang hampir ajaib. Namun, studi menunjukkan bahwa peningkatan produktivitas pengembang individual belum diterjemahkan menjadi produktivitas organisasi secara keseluruhan. Di atas itu, mempercepat pengembangan tidak membantu kinerja bisnis organisasi jika apa yang dihasilkan tidak membawa nilai bisnis. Asisten pengkodean akan membantu meningkatkan adopsi AI dari waktu ke waktu, tetapi mereka bukanlah aplikasi pembunuh.

Untuk menemukan aplikasi AI yang paling berdampak, organisasi harus fokus pada roda gigi yang menggerakkan model bisnis mereka sendiri. Dalam buku kami Unbundling the Enterprise, Stephen Fishman dan saya memeriksa konsep “dinamika nilai”, metode untuk memecah model bisnis menjadi serangkaian pertukaran nilai yang saling terkait. Pertukaran nilai melibatkan beberapa “mata uang”, termasuk biaya, penghematan waktu, jangkauan, dan kualitas yang ditingkatkan. Mata uang yang paling unik adalah data. Dalam buku itu, kami menunjukkan bagaimana perusahaan seperti Google dan Meta mengubah akumulasi data menjadi dominasi digital. Kesuksesan mereka datang dengan menyediakan tautan otomatis dan waktu nyata dalam pertukaran nilai mereka. Mereka menghubungkan pengumpulan data dengan generasi pendapatan dalam lingkaran yang bermanfaat. Kedua perusahaan tersebut mengkontekstualisasikan data pelanggan dalam bentuk penargetan iklan, kemudian menggunakan ini untuk menggerakkan pendapatan inti mereka dan mengumpulkan lebih banyak data melalui keterlibatan pengguna.

Sementara banyak organisasi telah menghabiskan beberapa dekade terakhir untuk mengumpulkan dan memperhalus data, mereka belum sepenuhnya memanfaatkan potensi hasil data melalui roda gigi seperti itu. Pada intinya, model bahasa besar hanya merupakan data yang diterapkan. Ini memiliki potensi untuk menjadi mesin yang menggerakkan roda gigi nilai seperti itu untuk organisasi, tetapi mesin itu membutuhkan bahan bakar dalam bentuk data yang dikontekstualisasikan, dan perlu dihubungkan dengan roda gigi model bisnis organisasi. Proses “aktivasi data” ini membuat data dapat dipercaya dan tersedia dalam skala besar, sehingga menjadi dasar untuk otomatisasi dinamis yang lebih dalam perusahaan, dan akhirnya menemukan aplikasi AI pembunuh untuk organisasi tersebut.

Apa yang akan terlihat seperti organisasi yang telah mengaktifkan data mereka untuk usia AI? Pertimbangkan skenario berikut:

• Perusahaan farmasi yang saat ini harus membuat taruhan sebesar jutaan dolar, tahun-panjang pada obat baru untuk perusahaan yang lebih gesit dengan siklus uji klinis yang lebih singkat dan paralel yang diperkuat melalui otomatisasi dinamis yang ditenagai AI
• Bank ritel yang saat ini mengirimkan penawaran produk “berharap dan berdoa” kepada semua pelanggannya dengan sedikit penerimaan dan pemenuhan manual yang dipersonalisasi dengan penawaran yang diperkuat dengan otomatisasi dinamis, mengarah pada adopsi yang lebih tinggi dari produk pinjaman yang menguntungkan
• Penjual yang saat ini memiliki sistem manajemen inventaris yang penuh dengan kelebihan stok dan kekurangan stok untuk perusahaan yang memahami posisi inventaris mereka dalam waktu nyata, berkat koneksi langsung ke outlet, gudang, dan supplier yang dianalisis melalui agen AI yang selalu aktif

Jalan menuju ROI yang diuraikan dalam skenario ini mengikuti bentuk otomatisasi dinamis ini, dan didorong oleh aktivasi data.

Jadi, bagaimana organisasi dapat memulai perjalanan ini? Berikut adalah empat langkah untuk memulai…

Langkah 1: Pahami Dinamika Nilai Organisasi Anda

Menguraikan model bisnis organisasi menjadi pertukaran nilai yang mendasarinya sangat berharga untuk beberapa alasan. Peta pertukaran nilai yang dihasilkan menunjukkan kemampuan apa yang menggerakkan bisnis, fungsi bisnis mana yang paling kritis, dan bagaimana setiap elemen dalam organisasi menyumbang pada penciptaan, penangkapan, dan distribusi nilai. Untuk tujuan kami, peta pertukaran nilai dapat digunakan untuk memvisualisasikan proses bisnis inti yang akan menjadi kandidat untuk otomatisasi dinamis. Sebagai lapisan berikutnya, Anda dapat memetakan setiap pertukaran nilai dan komponen ke cara mereka dioperasikan dalam organisasi. Ini bisa dalam bentuk aplikasi perangkat lunak, toko data, atau bahkan tugas karyawan. Kesempatan otomatisasi dapat diukur dengan dampak dan kompleksitas implementasi untuk memfokuskan pada tempat terbaik untuk menerapkan AI dan aktivasi data.

Langkah 2: Sebarkan Opsi melalui Lapisan Aktivasi Data

Kemampuan organisasi untuk mengaktifkan data bergantung pada opsi digital lanskapnya. Opsi melimpah ketika aset digital – fungsi perangkat lunak, sumber data, layanan pihak ketiga – dapat diakses dalam waktu nyata. Dalam konteks AI, ini berarti dua hal. Pertama, organisasi harus dapat mensintesis data dari sumber yang berbeda untuk menyediakan konteks yang tepat untuk LLM yang mengarah pada penalaran yang akurat dan menghindari halusinasi. Kedua, komponen perangkat lunak yang menjalankan fungsi bisnis inti – seperti layanan penilaian pinjaman bank atau sistem inventaris ritel yang hidup – harus dapat dipanggil oleh aplikasi berbasis LLM untuk memenuhi otomatisasi. Dalam kedua kasus, API adalah mekanisme terbaik untuk membuat data dan fungsi yang sesuai dapat diakses. Protokol Konteks Model (MCP) mendapatkan popularitas sebagai protokol API pilihan untuk aktivasi data. Set ini dapat diubah menjadi platform kontekstual untuk organisasi Anda. Mengubah lanskap digital dari sekumpulan aplikasi dan data yang terisolasi menjadi lapisan API yang sesuai dengan bisnis sangat penting untuk mencapai ROI melalui aktivasi data.

Langkah 3: Terima Paradigma Agentik dari Solusi Digital

Arsitektur perangkat lunak yang mendominasi usia AI mulai muncul. Solusi perangkat lunak yang dioptimalkan membutuhkan keseimbangan antara komponen yang diperkuat AI dan non-AI. Agen AI – komponen yang diperkuat AI dalam arsitektur yang muncul – menggunakan penalaran berbasis LLM yang ditanam dalam kesadaran kontekstual untuk menjalankan tugas melalui alat yang tersedia. Mereka adalah instrumen aktivasi data dan otomatisasi dinamis. Lanskap digital yang dioptimalkan melalui API (termasuk alat MCP) adalah tanah yang paling subur untuk agen tersebut untuk berkembang. Arsitektur agenik memungkinkan pola yang beragam yang menggabungkan komponen perangkat lunak deterministik dalam infrastruktur yang ada dengan agen AI tersebut. Pola ini mulai dari chatbot sederhana dan agen pekerja hingga alur kerja agenik hingga sistem multi-agen otonom. Organisasi yang mengadopsi pendekatan arsitektur ini akan dapat memanen nilai terbesar dari aset digital yang ada sambil mengadopsi AI dengan kecepatan yang memungkinkan mereka untuk mengelola kompleksitas solusi yang membawa nilai yang lebih besar.

Langkah 4: Gunakan AI sebagai Alat Produktivitas untuk Membangun Otomatisasi Agentik

Menerapkan AI untuk produktivitas pekerja mungkin tidak menghasilkan pengembalian tertinggi untuk bisnis. Menggunakan keuntungan produktivitas AI untuk mengaktifkan data organisasi dan menyediakan otomatisasi agenik, bagaimanapun, dapat mempercepat pengembalian nyata. Ini tidak hanya berarti menggunakan AI untuk mempercepat pekerjaan pengembang. Bahkan sebelum ledakan AI, salah satu hambatan terbesar untuk pengiriman adalah kesenjangan organisasi antara ahli domain bisnis yang memahami penerapan teknologi dan tim IT yang membangun solusi. Tren organisasi seperti DevOps telah membantu menjembatani kesenjangan itu, tetapi AI dapat membantu dengan cara yang lebih nyata. Sebagai teknologi berbasis bahasa, LLM dapat menerjemahkan antara persyaratan dan solusi dengan cara yang belum pernah terjadi sebelumnya. AI multimodal memungkinkan penangkapan sketsa bisnis yang dapat menghasilkan artefak yang dapat digunakan untuk pengembangan hilir. Transkrip dapat diubah menjadi prototipe. Ini adalah jenis aktivasi data baru: mengubah pengetahuan domain bisnis menjadi scaffolding solusi dalam waktu nyata.

Dengan mengikuti empat langkah ini, organisasi dapat mengaktifkan data mereka dan mulai melihat pengembalian investasi AI mereka. Selain itu, mereka akan lebih siap untuk ekosistem, pekerjaan, dan peluang baru yang diciptakan oleh ekonomi AI. Dengan memahami dinamika nilai bisnis Anda, mengubah aset digital Anda menjadi opsi yang dapat dijalankan, dan mengorientasikan diri pada arsitektur agenik, Anda akan mempersiapkan organisasi Anda untuk masa depan AI dengan menciptakannya sendiri.