Memutus Siklus: Bagaimana Organisasi Dapat Menghindari Ramalan Buruk dan Meraih Kesuksesan

Sejak konsep teoritisnya pada tahun 1950-an, kecerdasan buatan (AI) telah membuka jalan bagi bisnis untuk merasakan peningkatan peluang dan produktivitas melalui berbagai teknik, terutama sistem pembelajaran mesin. Alat/teknologi ini meningkatkan peramalan dan pengambilan keputusan, meletakkan dasar bagi kemajuan teknologi di masa depan. Belakangan ini, AI Generatif telah menjanjikan untuk mengubah semua yang kita ketahui tentang bekerja dan telah mendemokratisasi pengalaman AI. Pengguna sekarang berinteraksi dengan model AI seperti ChatGPT, melalui "prompting", di mana seseorang berinteraksi bolak-balik dengan model AI. Namun, manfaat ini juga disertai dengan tantangan baru: Doomprompting. Ini setara dengan doom scrolling pada konten online, tanpa tujuan yang jelas, menjebak pengguna dalam lubang kelinci. Namun dengan AI, lubang kelinci tersebut dapat berbicara balik. Tindakan penyempurnaan prompt AI yang berkelanjutan untuk model generatif dan agenik, yang didorong oleh ambisi untuk memperoleh output yang sempurna (dan terkadang dengan memberikan prompt tanpa tujuan spesifik), menyebabkan peningkatan biaya dan penurunan keuntungan. Hal ini menciptakan hambatan besar bagi kesuksesan dan menggagalkan tujuan penggunaan teknologi AI itu sendiri.

Seiring meningkatnya anggaran terkait AI di berbagai bisnis, para pengambil keputusan perlu memahami jalur menuju pengembalian investasi yang nyata dan nilai apa yang dihasilkannya. Sebuah laporan tahun 2025 dari IEEE, 'Biaya Tersembunyi AI: Bagaimana Ketidakefisienan Kecil Menumpuk'Hal ini menunjukkan bagaimana penyesuaian kecil dapat terakumulasi menjadi beban ekonomi yang signifikan. Untuk menghindari menjadi bagian dari perjuangan yang mahal ini, organisasi harus menyempurnakan pelatihan karyawan mereka menggunakan LLM untuk mencapai potensi penuh dari investasi AI mereka.

AI generatif menjanjikan optimasi dan efisiensi. Namun, ketika tim terjebak dalam siklus penyempurnaan tanpa akhir (atau pengembaraan tanpa arah), inefisiensi akan merusak fondasi ini.

Membersihkan “Limbah Pekerjaan”

Salah satu alasan tim terus-menerus menyempurnakan hasil untuk menghasilkan respons yang sempurna adalah adanya workslop. Pertama kali dijelaskan dalam Harvard Business Review, workslop mencakup 'konten pekerjaan yang dihasilkan AI yang menyamar sebagai pekerjaan yang baik tetapi kurang substansi untuk secara berarti memajukan tugas tertentu.'

'Konten sampah' yang dihasilkan AI ini adalah domino pertama dalam rangkaian panjang yang menciptakan siklus pemicu malapetaka. Meskipun memodifikasi konten yang kurang berkualitas melalui iterasi atau pengeditan itu penting, seseorang perlu memahami kapan harus berhenti, sebelum mencapai titik penurunan hasil. Organisasi harus mendekati investasi waktu mereka dalam pelatihan AI dengan keseimbangan yang cermat. Di satu sisi, tim harus menyadari kualitas yang dibutuhkan; di sisi lain, mereka harus tahu kapan itu sudah berlebihan. Pelatihan karyawan dalam penggunaan model AI yang lebih cerdas melalui pemicu optimal dan tujuan yang jelas juga akan sangat membantu.

Memanfaatkan AI Agen untuk Menghindari Ramalan Malapetaka

Dalam beberapa tahun terakhir, bisnis secara signifikan meningkatkan minat dan investasi mereka pada AI berbasis agen, yang dikenal karena kemampuannya untuk meningkatkan efektivitas operasional. AI berbasis agen dapat menangani tugas-tugas kompleks, berkoordinasi dengan banyak agen (termasuk RAG dan agen aksi) untuk menentukan tindakan yang akan diambil, dan mengeksekusi tugas-tugas tersebut untuk menyelesaikan keseluruhan tugas secara otonom.

Kualitas-kualitas ini dapat membantu AI mengurangi kecenderungan menimbulkan masalah, atau bahkan menghindarinya sama sekali. Hal ini dapat menghilangkan kebutuhan untuk menginstruksikan antarmuka GenAI melalui beberapa perintah untuk menyelesaikan tugas. Contohnya dapat ditemukan dalam operasi TI berbasis AI, atau AIOps, yang memodernisasi TI dengan mengintegrasikan AI ke dalam tugas-tugas sehari-hari. Secara tradisional, tim menghabiskan waktu mereka untuk menyesuaikan sistem secara manual. Departemen abad ke-21 adalah departemen yang memanfaatkan AI untuk menangani fungsi-fungsi penting secara otomatis seperti pemecahan masalah, respons insiden, dan alokasi sumber daya.

Contoh lain yang relevan adalah bagaimana sistem AI berbasis agen dapat menangani insiden kompleks secara otonom. Agen-agen ini, bersama dengan ITOps, mampu memahami masalah secara kontekstual, berkoordinasi dengan agen penalaran untuk menentukan tindakan yang akan diambil, menggunakan agen aksi untuk melakukan perbaikan tahap akhir pada sistem TI, dan akhirnya, menggunakan agen pembelajaran untuk memahami solusi dan menerapkannya secara lebih efektif pada insiden di masa mendatang.

Otomatisasi cerdas Agentic AI membantu mengurangi interaksi manusia dan melakukan tugas secara otonom. Untuk memenuhi tuntutan bisnis yang terus berkembang, tugas dan operasi yang berulang harus diserahkan kepada AI otonom. Delegasi ini menghilangkan siklus pengulangan perintah dan penyempurnaan berulang yang seringkali memicu pemikiran negatif. Operasi otonom memungkinkan model AI untuk terus mengoptimalkan dan merespons variabel yang berubah tanpa input manual, sehingga menghasilkan hasil yang lebih cepat dengan intervensi manusia minimal.

Meskipun para profesional terlatih tetap akan memainkan peran penting dalam operasional sehari-hari melalui pendekatan "manusia dalam lingkaran", waktu mereka akan lebih baik dimanfaatkan untuk memindai dan memverifikasi hasilnya. Pendekatan ini meminimalkan risiko terjadinya kesalahan atau penyesuaian yang berlebihan.

Peran Tata Kelola dalam Mencegah Ramalan Malapetaka

Dalam terakhir Survei McKinseySebanyak 88% responden melaporkan memanfaatkan AI dalam setidaknya satu fungsi bisnis. Ini merupakan peningkatan 10% dari tahun 2024 dan peningkatan yang luar biasa sebesar 33% sejak tahun 2023. Bagi Agentic AI, peningkatan ini bahkan lebih signifikan. Dari hanya 33% pada tahun 2023 menjadi hampir 80% pada tahun 2025.

Adopsi yang meluas ini mendorong bisnis untuk menemukan solusi baru untuk mengatasi masalah prediksi yang pesimistis. Salah satu alat tersebut adalah kerangka kerja tata kelola yang kuat. Kerangka kerja ini harus dirancang dengan cermat untuk memastikan proyek AI tetap selaras dengan tujuan bisnis dan tidak menjadi korban dari upaya optimasi yang tak berujung. Ketika tim mengembangkan kerangka kerja ini, mereka harus mempertimbangkan:

• Pembentukan pedomanAliran data ke dan dari model AI semakin kompleks. Untuk menyederhanakannya, pedoman AI harus menciptakan kerangka kerja bagi tim untuk menangani data, membuat keputusan, dan mengelola keluaran AI secara bertanggung jawab.
• Melatih pengguna: Pelatihan yang tepat mengenai penggunaan yang benar dapat membantu mencapai produktivitas optimal.
• Penggunaan model khusus: Model AI yang spesifik untuk industri dan tujuan tertentu cenderung memberikan keluaran yang kontekstual dan bermakna dengan lebih cepat.
• Melatih model AI: Melatih model AI dengan data spesifik industri/tugas/organisasi (sedapat mungkin) dapat mengurangi waktu kerja dan menghasilkan output yang lebih sesuai dengan lebih cepat.
• Pengembangan aturanMenyusun dan menerapkan seperangkat aturan yang jelas sangat penting untuk memandu pengembangan dan penerapan AI. Ketika tim menetapkan batasan operasional, mereka memastikan bahwa sistem yang diadopsi selaras dengan tujuan organisasi, standar etika, dan persyaratan peraturan.

Meskipun tingkat adopsi solusi AI meningkat, tata kelolanya belum. Menurut Laporan Industri PEX 2025kurang dari setengah Sebagian besar perusahaan memiliki kebijakan tata kelola AI. Sementara itu, hanya 25% yang sedang dalam proses mengimplementasikannya, dan hampir sepertiga tidak memiliki kebijakan tata kelola AI sama sekali. Kerangka kerja ini dapat menjadi faktor penentu dalam membantu bisnis menetapkan batasan yang jelas tentang apa yang dianggap sebagai kinerja yang dapat diterima.

Keluar dari lingkaran Doomprompting

Untuk menghindari terjebak dalam siklus pemberian petunjuk yang pesimistis, bisnis harus menerapkan strategi AI yang memprioritaskan hasil daripada kesempurnaan. Penggunaan pelatihan yang cepat, model AI yang spesifik untuk tujuan tertentu, dan model yang dilatih berdasarkan data perusahaan kontekstual dapat mengurangi kebutuhan akan pemberian petunjuk ulang yang ekstensif. Bisnis yang memanfaatkan AI yang berorientasi pada tindakan, operasi TI otonom, dan kerangka kerja tata kelola yang kuat dapat mengalokasikan kembali sumber daya penting untuk mencapai tujuan bisnis mereka tanpa terjebak dalam siklus optimasi yang tak berujung. Kesuksesan akan datang ketika tim menggeser pola pikir mereka dari penyempurnaan terus-menerus ke pola pikir eksekusi yang terfokus dan hasil yang terukur.