Andrej Jonovic, CEO XBP Global – Seri Wawancara

Andrej Jonovic adalah CEO XBP Global, perusahaan teknologi dan layanan multinasional yang berfokus pada alur kerja perusahaan yang sangat penting bagi operasional. XBP Global menerapkan AI agentik di berbagai lingkungan yang diatur, termasuk layanan kesehatan, sektor publik, dan jasa keuangan, yang menuntut presisi, keamanan, kedaulatan data, serta kemampuan audit. Dalam wawancara ini, Jonovic membahas orkestrasi proses adaptif, model berbobot terbuka, pemrosesan dokumen cerdas, penilaian oleh manusia, serta hal-hal yang diperlukan untuk mengubah AI dari kemampuan teknis menjadi hasil operasional yang terukur.

Anda memulai karier sebagai pengacara yang menangani transaksi, lalu beralih ke merger dan akuisisi serta transformasi perusahaan, hingga akhirnya memimpin XBP Global. Bagaimana latar belakang tersebut membentuk cara Anda menilai tata kelola, risiko komersial, dan dampak organisasi dari penerapan kecerdasan buatan dalam alur kerja yang sangat penting bagi operasional?

Saya cenderung terlebih dahulu melihat AI dari sudut pandang model operasional. Pengalaman di bidang transaksi dan transformasi membiasakan Anda untuk bertanya apakah strukturnya benar-benar kokoh setelah melewati tahap presentasi dan mulai diterapkan.

Hal itu menjadi sangat penting dalam penerapan AI karena sebuah model dapat bekerja dengan sangat baik secara terpisah, tetapi tetap menghasilkan kinerja operasional yang buruk. Di sektor layanan kesehatan, sektor publik, dan perbankan, presisi pemrosesan, kepatuhan terhadap peraturan, serta kemampuan audit tidak bisa ditawar. Anda harus memahami di mana data disimpan, apa yang boleh dilakukan sistem, bagaimana keputusan dikendalikan, dan seperti apa struktur biayanya saat alur kerja dijalankan dalam skala besar.

Tata kelola harus dirancang sebagai bagian dari arsitektur tersebut. Saya ingin tahu di mana model dijalankan, informasi apa yang melintasi batas perusahaan, apa yang dicatat dalam jejak audit, dan apa yang terjadi ketika alur kerja mencapai keputusan yang membutuhkan tingkat pengendalian berbeda.

Mungkin di situlah latar belakang saya paling berpengaruh. Secara umum, saya tidak terlalu tertarik pada hal yang bisa dilakukan teknologi dalam demonstrasi yang terkendali. Saya ingin tahu apakah teknologi itu dapat diterapkan dalam proses yang sangat penting bagi operasional dan benar-benar diandalkan.

XBP Global menyebut AI agentik sebagai perkembangan lebih lanjut dari otomatisasi konvensional berbasis aturan dan otomatisasi proses robotik. Apa yang berubah secara teknis ketika alur kerja beralih dari mengikuti instruksi yang telah ditentukan menjadi menggunakan agen AI yang mampu melakukan inferensi, mengambil keputusan, dan mengoordinasikan berbagai tugas?

Arsitekturnya menjadi jauh lebih adaptif.

Otomatisasi alur kerja tradisional bersifat deterministik. Ada aturan yang menentukan langkah berikutnya, dan semakin kompleks prosesnya, semakin banyak logika yang harus ditanamkan ke dalam sistem. Pendekatan ini sangat efektif untuk pekerjaan yang dapat diprediksi. Tantangan muncul ketika jumlah aturan menjadi sangat besar atau proses berubah lebih cepat daripada kemampuan sistem untuk dibangun ulang.

Yang kami lakukan sekarang adalah orkestrasi proses adaptif. Mesin aturan deterministik dapat tetap digunakan ketika presisi dan kepatuhan mengharuskannya, lalu model cerdas diterapkan pada bagian alur kerja yang dapat memperoleh manfaat dari inferensi. Agen dapat mengoordinasikan tugas, mengakses informasi, dan memilih tindakan berikutnya tanpa seseorang harus menuliskan kode untuk setiap kemungkinan jalur dalam proses.

Perubahan lainnya adalah model yang mendasarinya menjadi lebih mudah diganti. Kami melihat model berbobot terbuka kelas perusahaan berkembang dengan sangat cepat. Jika alur pemrosesan dirancang dengan baik, Anda dapat mengintegrasikan model yang lebih kuat seiring perkembangan ekosistem tanpa harus membangun ulang seluruh proses operasional di sekitarnya.

Jadi, menurut saya, aset teknis yang semakin penting adalah alur kerja itu sendiri: orkestrasi, pengetahuan khusus bidang, kontrol, dan data di sekitar model.

Banyak perusahaan bereksperimen dengan AI, tetapi kesulitan beralih dari proyek percontohan ke penerapan produksi. Apa hambatan arsitektural atau organisasional yang paling umum sehingga perusahaan tidak dapat menerapkan alur kerja agentik dalam skala besar? 

Klien mulai melampaui tahap eksperimen. Mereka telah melihat demonstrasi dan mendengar janji ROI yang sangat ambisius. Pada akhirnya, seseorang harus menerapkan teknologi itu dalam proses nyata dan membuatnya berfungsi.

Di situlah arsitekturnya menjadi rumit. Alur kerja produksi harus terhubung dengan lingkungan yang sudah dimiliki perusahaan. Informasi sensitif mungkin harus tetap berada di cloud privat atau di lokasi perusahaan. Sistem yang sudah ada tetap harus dapat diakses. Persyaratan peraturan harus dipenuhi. Aspek ekonominya juga harus tetap layak pada volume tingkat perusahaan.

Baru-baru ini, kami memenangkan proyek terkait siklus pemeliharaan armada sebuah maskapai penerbangan global. Setiap item pemeliharaan akan diubah menjadi vektor dan disimpan dalam basis data vektor privat di dalam cloud privat klien. Infrastruktur agentik mengelola akses ke informasi tersebut dan mendukung pembuatan ulang catatan ketika pesawat berhenti disewa atau dijual.

Masalah itu sangat berbeda dari sekadar membuktikan bahwa sebuah model dapat menjawab pertanyaan tentang catatan pesawat. Yang dihadapi adalah seluruh lingkungan operasional, dengan kontrol data dan proses yang harus berjalan secara konsisten.

Secara organisasi, kesenjangan yang biasanya terjadi terletak pada kepemilikan proses. Seseorang harus memahami proses secara mendalam agar dapat menetapkan apa yang sebenarnya dimaksud dengan penerapan dalam produksi. Tanpa disiplin operasional tersebut, uji coba bisa terus tampak mengesankan untuk waktu yang sangat lama tanpa menjadi berguna.

XBP Global memadukan otomatisasi dengan pengawasan manusia di dalam proses, terutama untuk keputusan yang berdampak besar. Bagaimana Anda menentukan keputusan mana yang dapat dijalankan secara otonom oleh sistem AI dan kapan penilaian manusia harus tetap menjadi bagian dari proses? 

Kami merancang peran manusia untuk menangani adjudikasi.

Dalam alur kerja yang berdampak besar, biasanya banyak pekerjaan dapat berjalan melalui alur proses dengan tingkat keyakinan tinggi. Namun, ada juga kasus-kasus khusus ketika informasinya tidak lengkap, kondisinya tidak biasa, atau konsekuensi dari jawaban yang keliru terlalu besar.

Ketika alur proses mencapai salah satu kasus tersebut, transaksi akan dialihkan kepada pakar bidang terkait. Pakar itu menyelesaikannya, lalu penilaiannya dapat dimasukkan kembali ke sistem agar model terus meningkat.

Menurut saya, putaran umpan balik itu penting. Pengawasan manusia akan lebih bermanfaat jika meningkatkan alur kerja seiring waktu. Pakar tersebut menerapkan pengetahuan bidangnya pada kasus-kasus yang masih memerlukan bantuan model.

Ambang otonomi juga sangat bergantung pada lingkungannya. Adjudikasi layanan kesehatan, arsip sektor publik, dan proses keuangan yang diatur memiliki persyaratan berbeda dari tugas internal yang berdampak kecil. Tingkat keyakinan yang dapat diterima harus mencerminkan dampak nyata keputusan tersebut ketika sistem menjalankannya.

Klien Anda beroperasi di industri yang diatur dan sektor publik, tempat kedaulatan data, keamanan, dan kemampuan audit sangat penting. Bagaimana organisasi dapat menerapkan model bahasa besar di lingkungan terlindungi tanpa mengorbankan kemampuan yang membuat sistem ini berguna? 

Model dengan bobot terbuka mengubah jawaban atas pertanyaan itu secara signifikan.

Dulu, ada anggapan bahwa untuk mendapatkan kinerja model terbaik, informasi harus dikirim ke lingkungan milik pihak lain. Hal ini jelas menjadi masalah ketika data harus tetap berada di dalam batas perusahaan.

Kini, kami dapat menggunakan model berbobot terbuka berstandar perusahaan dan mengintegrasikannya ke dalam alur kerja agen yang diterapkan, sambil menjaga agar data tetap berada di lingkungan klien. Bergantung pada kebutuhan, infrastrukturnya dapat berupa awan privat atau sistem lokal. Anda tetap dapat memanfaatkan kemajuan ekosistem model yang lebih luas sekaligus mempertahankan kendali yang diperlukan organisasi terkait kedaulatan data.

Arsitekturnya juga harus dapat berubah. Tidak ada alasan untuk berasumsi bahwa model yang terbaik saat ini akan tetap menjadi yang terbaik untuk tugas tertentu. Protokol pelatihan kami dirancang agar kami dapat dengan cepat mengintegrasikan model baru ke dalam alur kerja yang sudah ada.

Bagi klien yang berada di industri yang diatur, fleksibilitas ini sangat bernilai karena alur kerja dapat terus ditingkatkan sementara batas data tetap terjaga. Inilah juga cara untuk mulai memenuhi persyaratan seperti EU AI Act tanpa memperlakukan kepatuhan sebagai sesuatu yang baru ditambahkan setelah teknologi diterapkan.

Sejumlah besar informasi perusahaan masih tersimpan dalam dokumen, gambar, sistem lama, dan arsip fisik. Bagaimana pemrosesan dokumen cerdas berkembang, dan apa perannya dalam mengubah data yang terpencar menjadi informasi yang dapat digunakan agen AI secara andal?

Menurut saya, pemrosesan dokumen cerdas kini menjadi bagian dari infrastruktur alur kerja agen.

Secara historis, banyak pemrosesan dokumen mengandalkan templat. Anda mengetahui tampilan dokumennya, mengetahui bidang yang diinginkan, lalu sistem mengekstrak informasi tersebut. Informasi perusahaan jarang sesederhana itu. Di sektor kesehatan saja, dokumennya dapat mencakup EOB, korespondensi yang kompleks, informasi klaim, dan arsip yang datang dalam berbagai format.

Pendekatan yang lebih baru jauh lebih peka terhadap konteks. Anda dapat mengambil informasi tidak terstruktur, memahami mana yang relevan, lalu mengubahnya menjadi keluaran terstruktur yang benar-benar dapat digunakan oleh sistem berikutnya. Hal ini penting karena agen tidak dapat mengatur pekerjaan secara andal jika informasi yang mendasarinya tidak lengkap atau ditafsirkan secara keliru.

Skala juga mengubah persoalannya. Kami mengoperasikan lingkungan yang memproses sangat banyak gambar, klaim, transaksi pembayaran, dan dokumen lainnya. Pada skala seperti itu, sedikit perbedaan dalam kualitas ekstraksi dapat menjadi masalah operasional yang sangat besar.

Karena itu, pemrosesan dokumen cerdas (IDP) semakin menjadi bagian awal dari alur kerja cerdas. IDP mengubah informasi yang terpencar menjadi data yang dapat digunakan, menyediakan landasan yang andal bagi tahap proses berikutnya, dan membuka jalan bagi lebih banyak otomatisasi di tahap-tahap selanjutnya.

XBP Global pernah membahas migrasi proses lama berbasis aturan ke dalam alur kerja AI agen dan pencapaian tingkat penyelesaian pada upaya pertama yang lebih tinggi. Apa yang harus dipahami sistem AI tentang proses, pengecualian, dan pengetahuan institusional suatu organisasi sebelum dapat menghasilkan keluaran yang andal?

Banyak pengetahuan institusional tidak pernah dituangkan ke dalam dokumen proses yang jelas.

Pengetahuan itu tertanam dalam sistem lama, rangkaian aturan, dan pertimbangan orang-orang yang telah bertahun-tahun menjalankan proses tersebut. Mereka tahu informasi mana yang penting, aturan mana yang berlaku dalam situasi tertentu, dan apa dampak lanjutannya jika keputusan yang salah diambil.

Saat memigrasikan pekerjaan tersebut, kita harus mempertahankan pengetahuan operasional itu. Dalam konteks kami, hal ini sering berarti menggabungkan logika deterministik dengan AI, alih-alih berasumsi bahwa setiap aturan harus segera dihapus. Dalam alur kerja yang diatur oleh regulasi, ada bagian-bagian yang sangat terbantu oleh mesin aturan karena persyaratannya spesifik. Di bagian lain, model cerdas dapat menangani variasi dengan jauh lebih efektif.

Keahlian di bidang terkait membantu menentukan di bagian mana masing-masing paling tepat digunakan.

Itulah sebabnya penyelesaian pada upaya pertama juga tidak bisa dinilai hanya berdasarkan skor model. Alur kerja harus menghasilkan keluaran yang tetap efektif pada tahap berikutnya dalam proses. Jika masalah itu justru memicu eskalasi lain di tahap selanjutnya, berarti kita hanya memindahkan masalah, bukan menyelesaikannya.

Sistem harus memahami proses dengan cukup baik agar tahu seperti apa transaksi yang berhasil dari awal hingga akhir.

XBP Global menerapkan otomatisasi bukan hanya pada operasional klien, tetapi juga dalam peralihannya sendiri menuju model operasi yang mengutamakan AI. Apa yang Anda pelajari dari menjadikan perusahaan sebagai tempat uji coba internal, dan bagaimana Anda menyeimbangkan peningkatan produktivitas dengan pengembangan tenaga kerja serta manajemen perubahan?

Kami cukup agresif menerapkan pendekatan ini secara internal karena saya yakin kita akan cepat belajar ketika hasilnya berdampak langsung pada kondisi keuangan sendiri.

Upaya otomatisasi yang mengutamakan AI kini diperkirakan menghasilkan efisiensi operasional tahunan sebesar $65 juta hingga $75 juta, dengan manfaat sekitar $35 juta yang diperkirakan tercapai selama 2026. Pendapatan per karyawan mencapai sekitar $89.000 pada kuartal kedua, naik dari sekitar $82.000 pada kuartal sebelumnya, dan kami memperkirakan angkanya akan mendekati $100.000 pada akhir tahun.

Ukuran tersebut berguna karena menunjukkan apakah model operasi benar-benar menjadi lebih produktif.

Dampaknya terhadap tenaga kerja nyata. Kami memperkirakan jumlah karyawan global akan berkurang sekitar 20% pada akhir 2026 seiring peralihan menuju model operasi dengan produktivitas lebih tinggi. Manajemen perubahan harus mengakui bahwa peningkatan produktivitas mengubah kebutuhan tenaga kerja.

Pada saat yang sama, orang-orang yang tetap terlibat dalam alur kerja ini harus meningkatkan kemampuan mereka. Kami membutuhkan pakar bidang terkait, arsitek, dan operator yang mampu menyusun pekerjaan, mengevaluasi hasil, serta bertanggung jawab atas keputusan yang bernilai lebih tinggi.

Menjalankan transformasi ini di dalam perusahaan sendiri membuat pembahasannya jauh lebih praktis. Dengan cepat, kita bisa melihat otomatisasi mana yang menghasilkan efisiensi berkelanjutan dan aktivitas mana yang sekadar membuat seseorang lebih sering menggunakan AI.

Proyek AI perusahaan sering dipromosikan lewat demonstrasi, bukan hasil bisnis yang terukur. Metrik apa yang sebaiknya digunakan para pemimpin untuk mengevaluasi alur kerja cerdas, dan bagaimana mereka seharusnya memperhitungkan akurasi, tingkat pengecualian, waktu pemrosesan, biaya operasional, dan pengurangan risiko?

Saya akan mengukur alur kerja pada dua tingkat.

Pada tingkat operasional, saya ingin mengetahui akurasi, tingkat penyelesaian pada upaya pertama, waktu pemrosesan, jumlah pengecualian, dan biaya pemrosesan pekerjaan. Dalam lingkungan yang diatur oleh regulasi, saya juga memperhatikan apakah transaksi dapat diaudit dan apakah kontrol tetap berjalan konsisten saat diterapkan dalam skala besar.

Lalu, saya ingin melihat apakah peningkatan tersebut berdampak pada kinerja keuangan bisnis.

Di XBP, margin kotor yang disesuaikan mencapai 24,9% pada kuartal kedua, tertinggi sejauh ini, sementara pendapatan per karyawan meningkat menjadi sekitar $89.000. Target efisiensi operasional tahunan kami juga naik menjadi $65 juta hingga $75 juta setelah kami mengidentifikasi peluang otomatisasi tambahan.

Ukuran tersebut memberi gambaran yang berbeda dari skor tolok ukur. Ukuran itu menunjukkan apakah teknologi mengubah struktur biaya operasional.

Alur kerja bisa memiliki akurasi model yang sangat baik, tetapi penerapannya tetap buruk jika biaya operasionalnya terlalu tinggi atau menimbulkan terlalu banyak pekerjaan ulang secara manual. Saya rasa para pemimpin perlu menelusuri hasilnya sampai tuntas. Teknologi harus menghasilkan manfaat operasional yang dapat diamati dan diukur.

Ke depan, apakah menurut Anda AI agenik akan tetap menjadi lapisan tambahan pada sistem perusahaan yang sudah ada, atau akan menjadi lapisan orkestrasi utama yang menghubungkan interaksi antara manusia, perangkat lunak, data, dan proses bisnis?

Saya rasa semakin banyak alur kerja yang akan beralih menjadi berbasis agen.

Perusahaan akan tetap memiliki sistem, repositori data, dan aplikasi yang menjalankan fungsi tertentu. Yang berubah adalah cara pekerjaan berpindah di antara semuanya. Alur kerja berbasis agen dapat mengambil informasi, mengoordinasikan perangkat, memicu tindakan, dan menentukan kapan suatu transaksi memerlukan jenis intervensi lain.

Contoh di industri penerbangan sudah menunjukkan hal itu. Catatan pemeliharaan tersimpan dalam basis data vektor privat di lingkungan klien, sementara lapisan berbasis agen mengatur cara informasi tersebut diakses dan digunakan sepanjang siklus pemeliharaan.

Saya memperkirakan jenis orkestrasi seperti itu akan menjadi jauh lebih umum.

Model-model yang mendasarinya akan terus berubah. Model berbobot terbuka berkembang pesat, dan akan ada generasi berikutnya setelah model-model yang kita gunakan saat ini. Karena itu, lapisan orkestrasi menjadi semakin penting, sebab perusahaan membutuhkan sesuatu yang tahan lama untuk menopang model-model tersebut.

Jika Anda membangun alur kerja berdasarkan proses, pengetahuan domain, persyaratan keamanan, dan kontrol perusahaan, Anda dapat terus memanfaatkan model-model yang lebih baik saat tersedia. Menurut saya, di situlah sebagian besar nilai jangka panjang akan berada.

Terima kasih atas wawancara yang luar biasa. Pembaca yang ingin mengetahui lebih lanjut dapat mengunjungi XBP Global.