Adopsi AI Meningkat. Namun, Apakah Kinerja Bisnis Ikut Meningkat?

Perusahaan kesulitan mengubah investasi AI menjadi hasil yang berarti. Penggunaan AI terus meningkat, tetapi hanya 13% organisasi yang melaporkan bahwa AI memberikan nilai transformasional yang signifikan. Kesenjangan ini seharusnya mendorong para pemimpin untuk berhenti sejenak dan bertanya apakah yang mereka ukur adalah aktivitas atau perubahan yang bermakna.

Di tengah tekanan untuk menunjukkan ROI AI yang jelas, organisasi sering mengandalkan metrik yang mudah dilaporkan, seperti penggunaan alat, jumlah pengguna aktif, atau tingkat adopsi. Ukuran ini menunjukkan apakah karyawan menggunakan AI. Namun, ukuran tersebut hanya sedikit memberi tahu kita tentang apakah pekerjaan menjadi lebih baik atau investasi yang dilakukan menghasilkan nilai.

Sebagai contoh, PwC menemukan bahwa 64% pekerja yang disurvei menggunakan AI di tempat kerja dalam 12 bulan terakhir, naik 10 poin persentase dibandingkan tahun sebelumnya. Sekilas, ini merupakan tanda pertumbuhan yang menjanjikan, tetapi tidak membuktikan adanya dampak terhadap laba perusahaan. Adopsi AI menjadi metrik semu ketika para pemimpin menganggapnya sebagai bukti transformasi. Ukuran yang lebih kuat adalah sejauh mana AI membantu mengubah wawasan dari proyek-proyek sebelumnya menjadi kerangka kerja, alat, dan solusi akselerator yang meningkatkan kemampuan tim dalam mencapai hasil.

Masalah Tersembunyi: AI Dapat Mempercepat Pekerjaan yang Perlu Diubah

Sebelum menambahkan AI, organisasi perlu memahami tujuan alur kerja, mengidentifikasi langkah-langkah yang tidak perlu, dan mempertimbangkan kembali bagaimana pekerjaan seharusnya dilakukan. Hal ini penting karena penerapan AI dapat mempercepat proses yang tidak efisien, menggeser hambatan ke tahap berikutnya, serta menambah pekerjaan peninjauan atau pengerjaan ulang.

Pemahaman yang sama seharusnya menjadi panduan bagi organisasi dalam menentukan apa yang perlu diukur. Dengan meninjau keseluruhan alur kerja, tim dapat melihat bagaimana perubahan pada satu tugas memengaruhi semua tahap berikutnya, serta mengetahui apakah peningkatan yang tampak benar-benar mengurangi beban kerja atau sekadar memindahkannya kepada orang lain.

AI dapat mempercepat tugas-tugas tertentu, seperti menyusun konten, merangkum informasi, atau menganalisis data dengan lebih cepat, tanpa memperbaiki proses. Misalnya, pembuatan konten yang lebih cepat dapat menambah pekerjaan bagi peninjau dan pemberi persetujuan di tahap selanjutnya. Hambatannya hanya berpindah, meskipun setiap karyawan melaporkan penghematan waktu.

Di sinilah metrik produktivitas dapat menjadi metrik semu. Waktu penyelesaian satu tugas yang lebih singkat mungkin tampak sebagai keberhasilan cepat, tetapi hal itu bisa mengabaikan upaya yang diperlukan untuk mengubah hasilnya menjadi sesuatu yang berguna di tahap selanjutnya. Perancangan ulang alur kerja seharusnya dimulai dari hasil yang ingin dicapai, lalu menentukan di mana AI dapat memberikan nilai dan langkah mana yang perlu diubah.

Produktivitas tugas dan produktivitas alur kerja sama-sama penting. Untuk mengukur keduanya secara bersamaan, tim perlu melihat lebih dari sekadar penghematan waktu setiap individu dan menilai kualitas, pengerjaan ulang, serta total upaya manusia yang diperlukan untuk mencapai hasil.

Pelajaran dari Menjadi Klien AI bagi Diri Sendiri

Di Arionkoder, kami membuat Socrates, program transformasi internal kami, untuk membantu kami menjadi organisasi yang menjadikan AI sebagai inti operasinya. Menguji AI pada diri sendiri sebagai “kasus nol” menunjukkan bahwa peningkatan produktivitas tugas individu dapat menyamarkan masalah di seluruh alur kerja. Misalnya, dalam alur kerja manajemen proyek, awalnya kami berasumsi bahwa penggunaan AI untuk membuat ringkasan rapat, daftar tindakan, dan pembaruan proyek akan membuat tugas-tugas tersebut lebih efisien. Namun, banyaknya informasi yang dihasilkan tetap memerlukan peninjauan manual, penentuan prioritas, dan koordinasi antartim. Beban kerja pun bergeser ke tahap berikutnya, bukannya berkurang. Kami menyadari bahwa mempercepat tugas individu tidak serta-merta membuat keseluruhan alur kerja lebih efisien. Tujuan Socrates tetap relevan, tetapi program tersebut perlu membantu tim beralih dari mempercepat tugas-tugas yang terpisah ke merancang ulang alur kerja dari awal hingga akhir.

Kemunduran ini menjadi pelajaran berharga setelah kami menelaah apa yang terjadi dan menerapkan temuan tersebut pada upaya berikutnya. Hal ini menegaskan bahwa transformasi AI tidak cukup hanya dengan memperkenalkan teknologi. Transformasi ini menuntut perubahan dalam cara orang belajar dari eksperimen, mengambil keputusan, dan bekerja sama. Socrates perlu membantu karyawan menghubungkan apa yang mereka bangun secara individu dengan cara kerja yang berlangsung.

Pendekatan yang diperbarui memberikan tahapan yang jelas untuk eksperimen tersebut. Seorang karyawan dapat mulai menggunakan AI untuk menyelesaikan satu masalah nyata yang sederhana. Langkah berikutnya adalah menguji apakah orang lain dapat menggunakan apa yang telah ia buat. Setelah itu, perusahaan dapat meninjau alur kerja yang lebih luas, mengidentifikasi hambatan, dan menghubungkan pekerjaan dengan kapabilitas yang dikembangkan tim lain. Pembelajaran bersama antarkaryawan membantu menilai apakah suatu peningkatan tetap berguna di luar tugas yang semula dirancang untuk didukungnya.

Perbedaan ini penting. Membangun sesuatu yang berfungsi bagi satu orang merupakan titik awal. Untuk menciptakan nilai bagi organisasi, kita perlu memahami bagaimana orang lain menggunakannya dan apa yang berubah ketika hal itu menjadi bagian dari proses yang lebih besar.

Karena itu, langkah pembenahan kami dimulai dari hasil yang ingin dicapai. Apa yang perlu dicapai tim? Langkah mana yang berkontribusi pada hasil tersebut, dan langkah mana yang masih dilakukan hanya karena sudah menjadi bagian dari proses yang tidak lagi sesuai dengan tujuannya? Pertanyaan-pertanyaan itu membantu mengalihkan fokus dari menambahkan AI ke tugas-tugas individu ke merancang ulang alur kerja berdasarkan tujuan yang lebih jelas.

Selanjutnya, kami menetapkan tolok ukur awal dan kriteria yang sesuai untuk setiap alur kerja. Kami meninjau kualitas, pengerjaan ulang, dan upaya karyawan, selain waktu penyelesaian. Ukuran-ukuran ini membantu kami menilai peningkatan di seluruh proses.

Di seluruh Socrates, kami merancang ulang lebih dari 20 alur kerja, mengubah eksperimen yang berangkat dari masalah bisnis nyata menjadi kapabilitas yang dapat dimanfaatkan pihak lain. Waktu penyusunan laporan keuangan turun dari empat jam menjadi 20 menit, sementara tim TI melaporkan 40% lebih sedikit tugas berulang dan pengurangan waktu respons sebesar 60%. Hasil tersebut menunjukkan kemajuan operasional. Untuk memahami bagaimana metrik ini menghasilkan nilai bisnis, perlu dinilai apakah beban kerja berkurang di seluruh alur kerja dan bagaimana tim memanfaatkan kapasitas yang mereka peroleh.

Bagi kami, pelajarannya adalah menelusuri peningkatan hingga tuntas. Penghematan waktu secara individual memang penting, tetapi baru menjadi nilai bagi organisasi ketika membantu orang berikutnya bekerja lebih baik dan membawa tim lebih dekat ke hasil yang diharapkan.

Apa yang Sebaiknya Diukur CIO

Menelusuri peningkatan hingga dampaknya terhadap bisnis membutuhkan lebih dari sekadar melacak penggunaan AI atau waktu yang dihemat. Para pemimpin perlu mengaitkan adopsi dengan peningkatan cara kerja dan hasil yang dicapai. Kemajuan perlu diukur pada tiga tingkat yang berbeda:

1. Adopsi: Apakah karyawan menggunakan AI?

   Adopsi tetap berguna sebagai ukuran diagnostik. Data penggunaan, partisipasi dalam eksperimen, dan masukan karyawan dapat menunjukkan di bagian mana mereka mulai percaya diri dan di bagian mana mereka membutuhkan dukungan.

   Indikator ini membantu para pemimpin memahami kesiapan organisasi, tetapi tidak membuktikan ROI. Tingginya penggunaan merupakan titik awal untuk penyelidikan, bukan bukti transformasi.

2. Kinerja alur kerja: Apakah pekerjaan benar-benar membaik?

   Kriteria keberhasilan harus mencerminkan tujuan alur kerja. Bergantung pada kasus penggunaannya, peningkatan dapat berarti informasi yang lebih akurat, lebih sedikit kesalahan, atau penyelesaian yang lebih cepat.

   Bandingkan kinerja dengan kondisi awal di seluruh proses. Lacak penghapusan langkah yang tidak perlu, pengerjaan ulang, kualitas, dan total upaya karyawan. Sertakan orang-orang yang menerima dan menindaklanjuti hasil yang dihasilkan AI. Suatu tugas belum tentu menjadi lebih efisien jika menimbulkan pekerjaan tambahan untuk meninjau atau memperbaiki hasil di bagian lain.

3. Dampak bisnis: Apakah alur kerja berbantuan AI meningkatkan hasil bisnis?

   Hubungkan peningkatan alur kerja dengan hasil yang sudah menjadi perhatian pimpinan, seperti retensi pelanggan, pendapatan, kualitas layanan, atau biaya per masalah yang diselesaikan. Misalnya, menghasilkan lebih banyak konten menunjukkan peningkatan jumlah keluaran. Nilai bisnisnya bergantung pada konten yang dihasilkan.

   Telusuri pemanfaatan waktu yang dihemat. Apakah kapasitas tambahan meningkatkan layanan, mendukung pertumbuhan, atau mengurangi biaya operasional? Nilai manfaatnya dengan mempertimbangkan seluruh biaya untuk mewujudkannya, termasuk upaya manusia, penggunaan AI, integrasi, pengawasan, pelatihan, dan pemeliharaan.

Secara keseluruhan, ukuran-ukuran ini membantu para pemimpin menelusuri adopsi AI hingga terwujudnya alur kerja yang lebih baik dan hasil bisnis yang lebih baik. Jika penggunaan AI meningkat tanpa mengurangi upaya manusia, meningkatkan kualitas, atau menghasilkan nilai bisnis, para pemimpin perlu mengevaluasi kembali pendekatannya sebelum memperluas penerapan.

Para Pemimpin Perlu Mendefinisikan Ulang Kemajuan AI

Data adopsi membantu perusahaan mengetahui siapa yang menggunakan AI dan di mana dukungan tambahan dibutuhkan. Untuk memahami nilainya, perusahaan perlu mendengarkan orang-orang yang melakukan pekerjaan tersebut dan menilai apakah peningkatan yang dicapai memperbaiki alur kerja secara keseluruhan. Para pemimpin perlu memberi karyawan kepercayaan diri untuk menyampaikan pendekatan yang menambah beban kerja tanpa memberikan hasil yang lebih baik, lalu menindaklanjuti temuan tersebut. Mengubah atau menghentikan pendekatan yang tidak efektif merupakan kemajuan jika pembelajaran yang diperoleh membantu pengambilan keputusan berikutnya.

Transformasi yang bermakna terlihat dari dihapuskannya pekerjaan yang tidak perlu, tercapainya hasil yang lebih baik, dan tersedianya kapasitas yang lebih besar untuk pekerjaan yang penting. Hasil-hasil inilah yang seharusnya digunakan para pemimpin untuk menilai kemajuan AI dan mengarahkan investasi selanjutnya.