Saat AI Perusahaan Memasuki Era Memaksimalkan Nilai: Apa yang Dapat Dipelajari Tim Pengembangan dari Aksesibilitas Digital

Ekonomi integrasi AI telah berubah secara dramatis seiring dengan kenyataan biaya token yang mulai terasa. Tokenmaxxing mungkin menyenangkan selama berlangsung, tetapi inovasi tanpa ROI tidak berkelanjutan. Sekarang kita telah melewati era token murah, AI harus membuktikan dirinya dengan hasil bisnis yang nyata dan terukur di seluruh perusahaan. Itu berarti tidak lagi melempar AI ke setiap tantangan. Organisasi perlu menjadi jauh lebih strategis, menggunakan AI untuk apa yang memang baik, dan menerapkan pendekatan lain ketika ada solusi yang lebih baik.

Biaya Tersembunyi dari Kecepatan AI

Peningkatan kecepatan pengembangan dari alat AI patut dirayakan. Namun jika kode dipenuhi masalah, kemajuan nyata menjadi hampir tidak ada. Konsekuensinya berat: kehilangan waktu dan uang, risiko hukum, serta pengalaman pelanggan yang buruk.

Bidang aksesibilitas digital dapat mengajarkan kita banyak hal tentang cara menggunakan AI secara strategis. Ini adalah arena di mana standar yang terkodifikasi dan persyaratan kepatuhan yang ketat menjadi realitas sehari-hari, dan tidak ada ruang untuk ketidakakuratan atau ketidakefisienan. Dengan aksesibilitas digital, tujuannya bukan menjadi lebih baik dalam memperbaiki masalah; melainkan mencegah masalah tersebut muncul sejak awal. Tujuan itu seharusnya sama untuk setiap penerapan AI. Jika tidak, utang teknis akan terakumulasi dengan cepat.

Menurut IBM, mengabaikan utang teknis dapat mengakibatkan penurunan ROI sebesar 18 – 29%. Hasil seperti itu dapat menghapus semua peningkatan kecepatan dari AI. Dalam survei Deque tahun 2026 terhadap 200 pemimpin teknik perusahaan, 64% menyebut aksesibilitas sebagai faktor utama pengerjaan ulang pasca-produksi, meskipun tim-tim tersebut secara eksplisit meminta agen AI mereka menulis kode yang dapat diakses.

Utang aksesibilitas, seperti halnya utang teknis, adalah akumulasi masalah aksesibilitas yang belum terselesaikan di seluruh properti digital organisasi. Itu adalah utang yang bertambah seiring waktu—masalah yang tidak ditangani dalam desain dan pengembangan menjadi lebih mahal untuk diperbaiki nanti. Penelitian terbaru menunjukkan bahwa memperbaiki masalah aksesibilitas yang terdeteksi di produksi biaya 30 kali lebih tinggi dibandingkan pada tahap desain. Hal ini memberikan insentif finansial nyata bagi organisasi untuk menangkap masalah lebih awal, terutama dengan volume produksi kode saat ini.

AI Strategis vs. Alat Deterministik

AI tidak selalu menjadi jawabannya. Dalam banyak kasus, alat berbasis aturan dan deterministik memberikan hasil yang lebih konsisten, lebih cepat, dan lebih murah. Untuk membuat keputusan yang tepat tentang apa yang harus digunakan dan kapan, tim harus mulai dengan memecah alur kerja menjadi subtugas dan menilai cara terbaik menangani setiap tantangan. Misalnya, tugas yang memerlukan verifikasi konsisten—memeriksa setiap elemen terhadap standar yang ditetapkan—adalah kandidat ideal untuk alat deterministik berbasis aturan.

AI cocok untuk penilaian, sintesis, dan menghasilkan opsi. AI tidak cocok untuk validasi: memeriksa segala sesuatu dengan cara yang sama, setiap saat.

Beberapa tim teknik menangani ini dengan menjalankan tinjauan yang sama berulang kali dan membandingkan hasilnya. Metode ini berhasil, tetapi tidak gratis. Dalam eksperimen Deque sendiri, satu putaran tinjauan kode menghabiskan sekitar 60% token yang digunakan untuk sebuah tugas. Penulisan kode sendiri memakan sekitar 13%. Menulis tes memakan porsi yang sebanding. Dan satu putaran jarang cukup. Tinjauan yang sama sering harus dijalankan tiga hingga 10 kali pada basis kode yang sama sebelum mencapai daftar lengkap masalah nyata. Setiap putaran adalah pencarian baru, bukan akumulatif, sehingga tidak ada yang dibawa dari run sebelumnya.

Apakah itu layak tergantung pada toleransi biaya. Sebuah organisasi dapat menghasilkan cukup agen, membiarkan mereka beriterasi dan memeriksa pekerjaan satu sama lain, serta mencapai jawaban yang baik. Namun melakukan hal itu berarti membayar dengan token dan waktu siklus. Alternatifnya lebih sederhana: pemeriksaan deterministik memberikan hasil yang sama setiap kali, tanpa putaran berulang.

Memanfaatkan Konteks dan Manusia dalam Loop

Pendekatan lain yang dijelaskan dalam studi kasus terbaru melibatkan penggabungan otomatisasi dan AI agen dengan tinjauan manusia. Dalam alur kerja baru organisasi, temuan aksesibilitas diberikan kepada agen AI, yang menggunakan alat remediasi untuk menerapkan perbaikan HTML yang diharapkan langsung ke kode sumber dan kemudian secara otomatis membuat serta mendokumentasikan pull request. Insinyur kemudian meninjau perubahan yang dihasilkan AI, menyetujui pull request, dan menjaga tata kelola kualitas serta hasil. Hasilnya: 253 jam teknik dikembalikan, dengan remediasi 98% lebih cepat secara keseluruhan. Alur kerja diperkirakan menghemat lebih dari $25,000 dalam biaya teknik.

Mendapatkan hasil yang baik dari agen AI tergantung pada cara pengaturannya, bukan hanya pada prompt yang baik. Insinyur menyebut ini harness engineering dan context engineering: membangun alat, pemeriksaan, dan informasi yang tersedia secara spesifik yang memungkinkan agen bekerja dengan baik dalam lingkungan tertentu, alih-alih membiarkan model mencari solusinya sendiri. Agen yang meninjau kode tidak memerlukan seluruh basis kode dimuat ke dalam jendela konteksnya. Biarkan ia mencari file yang relevan dan hanya mengambil kode di sekitarnya yang dibutuhkan, dan biasanya ia akan menghasilkan pekerjaan yang lebih baik dengan biaya lebih rendah dibandingkan yang diberikan semua sekaligus. Logika yang sama berlaku untuk menggunakan kembali konteks antar panggilan daripada membangunnya dari awal setiap kali.

Melangkah mundur, ingat bahwa alasan mengapa semua ini penting adalah karena volume kode yang dihasilkan AI terus tumbuh dengan kecepatan yang benar‑benar frenetik. Dalam konteks itu, kenaikan biaya tampak tak terelakkan: baik karena harus memperbaiki semua masalah yang dihasilkan kode AI yang belum tervalidasi, maupun karena harus memeriksa jumlah kode yang terus meningkat sebelum masuk ke produksi.

Namun kenaikan biaya tidaklah tak terelakkan. Dan aksesibilitas digital menawarkan solusi—yang melibatkan beberapa aksi penyeimbangan, antara AI dan alat berbasis aturan yang deterministik; antara otomatisasi berbasis AI dan validasi manusia; serta antara skalabilitas dan efisiensi biaya. Menyeimbangkan hal‑hal ini dengan tepat berkaitan dengan disiplin organisasi. Semakin cepat organisasi mengembangkan disiplin untuk menggunakan AI secara sengaja, efisien, dan tepat, semakin cepat mereka dapat mengharapkan hasil yang positif dan terukur dari investasi AI mereka.