Menghindari Kegiatan Gen AI yang Melelahkan: Memimpin dengan Tujuan

Kita telah melihat cerita ini sebelumnya: teknologi yang mengganggu mengambil imajinasi pemimpin bisnis di seluruh industri, menjanjikan transformasi skala besar. Pada awal 2010-an, itu adalah otomatisasi proses robot (RPA). Segera setelah itu, komputasi awan mengambil gilirannya. Hari ini, gen AI (Gen AI) memegang sorotan – dan organisasi melompat ke dalam pilot tanpa jalur yang jelas ke depan.

Hasilnya? Gelombang kelelahan yang meningkat dari apa yang dapat disebut Gen AI Pilot Fatigue. Ini adalah keadaan kelelahan, frustrasi, dan momentum yang menurun yang terjadi ketika terlalu banyak inisiatif AI diluncurkan tanpa struktur, tujuan, atau tujuan yang terukur. Perusahaan menjalankan puluhan pilot secara bersamaan, sering dengan niat yang tumpang tindih tetapi tidak ada kriteria keberhasilan yang jelas. Mereka mengejar potensi di seluruh departemen, tetapi bukannya mengunci efisiensi atau ROI, mereka menciptakan kebingungan, redundansi, dan inovasi yang terhambat.

Mengidentifikasi Gen AI Pilot Fatigue

Kegiatan Gen AI pilot fatigue mencerminkan tantangan organisasi yang lebih luas: ambisi tak terbatas tanpa struktur yang terbatas. Penyebab akar adalah familiar bagi siapa saja yang telah menyaksikan gelombang teknologi sebelumnya:

• Kemungkinan tak terbatas: Gen AI dapat diterapkan di seluruh fungsi – pemasaran, operasi, SDM, keuangan – yang membuatnya menggoda untuk meluncurkan beberapa kasus penggunaan tanpa batasan yang jelas.
• Kemudahan penerapan: Alat seperti model GPT OpenAI dan Gemini Google memungkinkan tim untuk memulai pilot dengan cepat tanpa ketergantungan teknik – terkadang dalam hitungan jam.
• Tidak ada rencana pemeliharaan: Gen AI memerlukan data berkualitas baik untuk efektif. Dalam banyak kasus, data dapat menjadi usang tanpa menerapkan proses untuk memastikan data tetap benar dan mutakhir.
• Kurangnya kemampuan pengukuran: Tidak seperti penerapan IT tradisional, sulit untuk menentukan kapan alat Gen AI “cukup baik” untuk pindah dari pilot ke produksi. ROI sering kabur atau tertunda.
• Hambatan integrasi: Banyak organisasi bergelut untuk memasang alat Gen AI ke dalam sistem yang ada, pipa data, atau alur kerja, menambah waktu, kompleksitas, dan frustrasi.
• Tuntutan sumber daya yang tinggi: Pilot sering memerlukan waktu, uang, dan investasi manusia yang signifikan – terutama sekitar pelatihan dan memelihara set data yang bersih dan dapat digunakan.

Dalam singkat, kelelahan Gen AI muncul ketika eksperimen melampaui strategi.

Mengapa ini terus terjadi?

Dalam banyak kasus, itu karena organisasi melewatkan pekerjaan dasar. Sebelum menerapkan teknologi canggih, Anda harus terlebih dahulu mengoptimalkan proses yang Anda coba perbaiki. Di Accruent, kami telah melihat bahwa hanya dengan menyederhanakan alur kerja dan memastikan kualitas data, perusahaan dapat menghasilkan hingga 50% peningkatan efisiensi sebelum memperkenalkan AI sama sekali. Lapisan Gen AI di atas sistem yang teroptimalkan, dan perbaikan dapat dua kali lipat. Tapi tanpa fondasi itu, bahkan model AI yang paling mengesankan tidak akan menghasilkan nilai yang berarti.

Penyebab lainnya adalah kurangnya pagar pengaman yang jelas. Pilot Gen AI tidak boleh dianggap sebagai eksperimen tak terbatas. Keberhasilan harus diukur dalam hasil yang ditentukan – waktu yang diselamatkan, biaya yang dikurangi, atau kemampuan yang diperluas. Harus ada gerbang di tempat untuk melanjutkan, memutar, atau mengakhiri proyek berdasarkan evaluasi yang didorong oleh data. Setengah dari semua ide Gen AI mungkin pada akhirnya terbukti lebih sesuai untuk teknologi lain seperti RPA atau alat tanpa kode – dan itu tidak apa-apa. Tujuannya bukan untuk menerapkan AI demi menerapkan AI, tetapi untuk memecahkan masalah bisnis secara efektif.

Pelajaran dari RPA dan Migrasi Awan

Ini bukan pertama kalinya organisasi terbawa oleh antusiasme teknologi. RPA berjanji untuk menghilangkan tugas berulang; migrasi awan berjanji fleksibilitas dan skala. Keduanya menghasilkan – akhirnya – tetapi hanya bagi mereka yang menerapkan disiplin pada penerapan.

Satu pelajaran utama? Jangan melewatkan fondasi. Kami telah melihat secara langsung bahwa organisasi dapat menghasilkan hingga 50% peningkatan efisiensi hanya dengan menyederhanakan alur kerja yang ada dan memperbaiki kebersihan data sebelum memperkenalkan AI. Ketika AI diterapkan pada sistem yang teroptimalkan, perbaikan dapat dua kali lipat. Tapi ketika AI dilapiskan di atas proses yang rusak, dampaknya tidak signifikan.

Hal yang sama berlaku untuk data. Model Gen AI hanya sebaik data yang mereka konsumsi. Data yang kotor, usang, atau tidak konsisten akan menghasilkan hasil yang buruk – atau lebih buruk, hasil yang bias dan menyesatkan. Itulah mengapa perusahaan harus berinvestasi dalam kerangka kerja tata kelola data yang kuat, sebuah pandangan yang didukung oleh ahli industri dan ditekankan dalam laporan oleh McKinsey.

Godaan “AI yang Mudah”

Salah satu pedang bermata dua dari Gen AI adalah hambatan masuk yang rendah. Dengan model yang sudah dibangun dan antarmuka yang ramah pengguna, siapa saja dalam sebuah organisasi dapat memulai pilot dalam beberapa hari – terkadang jam atau bahkan menit. Sementara aksesibilitas ini kuat, itu juga membuka pintu air. Tiba-tiba, Anda memiliki tim di seluruh departemen bereksperimen dalam silo, dengan sedikit pengawasan atau koordinasi. Ini tidak biasa untuk melihat puluhan inisiatif Gen AI berjalan secara bersamaan, masing-masing dengan pemangku kepentingan, set data, dan definisi keberhasilan atau kegagalan yang berbeda.

Pendekatan yang terfragmentasi ini menyebabkan kelelahan – tidak hanya dari sudut sumber daya, tetapi dari frustrasi yang meningkat karena tidak melihat pengembalian yang nyata. Tanpa tata kelola yang terpusat dan visi yang jelas, bahkan kasus penggunaan yang paling menjanjikan dapat terjebak dalam loop tak terhingga dari iterasi, penyempurnaan, dan evaluasi ulang.

Putus Siklus: Bangun dengan Niat

Mulailah dengan mengobati Gen AI seperti investasi teknologi perusahaan lainnya – didasarkan pada strategi, tata kelola, dan optimasi proses. Berikut beberapa prinsip yang saya temukan kritis:

1. Mulailah dengan masalah, bukan teknologi. Terlalu sering, organisasi mengejar kasus penggunaan Gen AI karena mereka menarik – bukan karena mereka memecahkan tantangan bisnis yang ditentukan. Mulailah dengan mengidentifikasi titik gesekan atau ketidakefisienan dalam alur kerja Anda, dan kemudian tanyakan: apakah Gen AI adalah alat terbaik untuk pekerjaan itu?
2. Optimalkan sebelum Anda inovasi. Sebelum melapiskan AI pada proses yang rusak, perbaiki proses. Menyederhanakan operasi dapat mengunci perbaikan besar pada mereka sendiri – dan membuatnya jauh lebih mudah untuk mengukur dampak tambahan dari AI. Seperti yang diperhatikan oleh Bain & Company dalam laporan terbaru, bisnis yang fokus pada kesiapan dasar melihat waktu yang lebih cepat untuk mendapatkan nilai dari Gen AI.
3. Validasi data Anda. Pastikan model Anda dilatih pada data yang akurat, relevan, dan bersumber etis. Kualitas data yang buruk adalah salah satu alasan utama pilot gagal untuk skala, menurut Gartner.
4. Tentukan apa yang “baik” terlihat seperti. Setiap pilot harus memiliki KPI yang jelas yang terkait dengan tujuan bisnis. Apakah itu mengurangi waktu yang dihabiskan pada tugas rutin atau mengurangi biaya operasional, keberhasilan harus dapat diukur – dan pilot harus memiliki gerbang keputusan untuk melanjutkan, memutar, atau mengakhiri.
5. Jaga alat yang luas. Gen AI bukanlah jawaban untuk setiap masalah. Dalam beberapa kasus, otomatisasi melalui RPA, aplikasi kode rendah, atau pembelajaran mesin mungkin lebih cepat, lebih murah, atau lebih berkelanjutan. Bersedia untuk mengatakan tidak pada AI jika ROI tidak menghitung.

Melihat ke Depan: Apa yang Akan Membantu vs Apa yang Mungkin Merugikan

Dalam beberapa tahun mendatang, kelelahan pilot mungkin semakin parah sebelum membaik. Tingkat inovasi hanya mempercepat, terutama dengan teknologi yang muncul seperti Agentic AI. Tekanan untuk “melakukan sesuatu dengan AI” sangat besar – dan tanpa pagar pengaman yang tepat, organisasi berisiko terhanyut oleh volume kemungkinan yang sangat besar.

Namun, ada alasan untuk optimis. Praktik pengembangan matang. Tim mulai mengobati Gen AI dengan ketat yang sama yang mereka terapkan pada proyek perangkat lunak tradisional. Kami juga melihat perbaikan dalam alat. Kemajuan dalam platform integrasi AI dan orkestrasi API membuatnya lebih mudah untuk memasang Gen AI ke dalam tumpukan teknologi yang ada. Model pra-dilatih dari penyedia seperti OpenAI, Meta, dan Mistral mengurangi beban pada tim internal. Dan kerangka kerja sekitar AI etis dan bertanggung jawab, seperti yang didukung oleh AI Now Institute, membantu mengurangi ketidakpastian dan risiko. Mungkin yang paling penting, kami melihat peningkatan literasi AI lintas fungsional – pemahaman yang tumbuh di antara pemimpin bisnis dan teknis tentang apa yang dapat (dan tidak dapat) dilakukan AI.

Pemikiran Terakhir: Ini Tentang Tujuan, Bukan Pilot

Pada akhir hari, keberhasilan AI bergantung pada niat. Gen AI memiliki potensi untuk menghasilkan peningkatan efisiensi yang besar, mengunci kemampuan baru, dan mengubah industri – tetapi hanya jika itu dipandu oleh strategi, didukung oleh data yang bersih, dan diukur oleh hasil.

Tanpa jangkar itu, itu hanya mod teknologi lain yang ditakdirkan untuk melelahkan tim Anda dan kecewakan dewan Anda.

Jika Anda ingin menghindari kelelahan pilot Gen AI, jangan mulai dengan teknologi. Mulailah dengan tujuan. Dan bangun dari sana.