Perusahaan Membangun Ulang Segalanya untuk AI. Kecuali Cara Mereka Membuat Keputusan.

Tanya para pemimpin bisnis apa yang memberi perusahaan mereka keunggulan kompetitif, dan mereka kemungkinan akan menyebut data, teknologi, atau bakat. Jarang mereka akan mengatakan bahwa itu adalah keputusan.

Namun setiap bisnis membuat ribuan keputusan setiap hari, mulai dari berapa harga yang harus ditetapkan, siapa yang harus dihubungi, apa yang harus disimpan, atau ke mana harus berinvestasi, dan kebanyakan tetap lambat, tersebar, dan bergantung pada orang yang tepat berada di ruangan. Organisasi telah menghabiskan bertahun‑tahun berinvestasi dalam platform data, program analitik, dan inisiatif AI untuk memperbaiki keputusan tersebut, tetapi hasilnya tidak merata. McKinsey’s 2025 State of AI survey menemukan bahwa 88% responden mengatakan organisasi mereka secara rutin menggunakan AI dalam setidaknya satu fungsi bisnis, namun hanya 39% yang melaporkan adanya dampak terukur pada tingkat perusahaan terhadap laba sebelum bunga dan pajak (EBIT), ukuran umum profit operasional. Temuan ini tidak mencakup setiap bentuk nilai AI, namun menggambarkan kesulitan yang lebih luas dalam mengubah adopsi luas menjadi hasil bisnis yang terukur.

Decision Intelligence adalah tentang menutup kesenjangan itu: mengubah proses pengambilan keputusan menjadi sebuah kapabilitas. Ia mengambil data, analitik, dan AI yang sudah dimiliki organisasi serta menghubungkannya, sehingga keputusan menjadi lebih cerdas, lebih cepat, dan lebih konsisten di seluruh bisnis. Alih‑alih berfokus pada menghasilkan lebih banyak wawasan, ia berfokus pada memastikan wawasan yang tepat sampai ke keputusan yang tepat pada waktu yang tepat.

Lebih dari satu dekade kerja saya di program pelanggan, data, dan transformasi mengungkap pola yang sama di berbagai industri dan lingkungan operasional: organisasi yang menciptakan nilai paling besar dari AI tidak selalu yang menghasilkan wawasan paling banyak. Mereka yang menghubungkan wawasan tersebut langsung ke keputusan dan tindakan. Sama pentingnya, setiap keputusan mengajarkan sesuatu kepada sistem. Hasil menjadi umpan balik, keputusan berikutnya menjadi lebih tajam, dan seiring waktu organisasi mengembangkan memori institusional yang berakumulasi alih‑alih terreset ketika pertemuan berakhir.

Wawasan Hanya Awal

Bagi banyak perusahaan, menghasilkan wawasan bukanlah bagian tersulit. Tugas yang lebih sulit adalah membangun jalur yang jelas dari wawasan ke tindakan.

Pemimpin mungkin melihat di mana peluang mulai terbentuk dan risiko muncul, namun proses keputusan sering tetap tidak berubah karena informasi berada di satu bagian organisasi sementara otoritas dan pelaksanaan berada di tempat lain.

Perusahaan yang memutuskan pola ini menerapkan tes praktis pada setiap model, metrik, dan rekomendasi: keputusan apa yang akan berubah, siapa yang akan menindaklanjutinya, dan kapan? Tanpa jawaban yang jelas, output tetap berupa laporan bukan alat untuk memajukan bisnis.

Tes tersebut mengalihkan fokus dari meningkatkan visibilitas ke meningkatkan apa yang terjadi selanjutnya.

Ketika Orang Paling Pintar di Ruangan Menjadi Titik Kemacetan

Ketika keputusan penetapan harga bergantung pada satu merchandiser berpengalaman yang tersedia, setiap keputusan menunggu di belakang undangan kalender, seperti jalan raya sepuluh lajur yang menyatu menjadi satu lajur. Setiap organisasi memiliki orang yang penilaiannya secara konsisten lebih baik daripada rata‑rata, baik itu mengetahui kapan markdown terlalu dalam, pelanggan mana yang paling mungkin merespon tawaran, atau kapan pengecualian harus dibuat. Keahlian itu menciptakan nilai nyata, namun juga menjadi titik kemacetan ketika terlalu banyak keputusan bergantung pada orang yang sama.

Decision Intelligence membuat keahlian itu lebih luas tersedia dengan menyematkan model, aturan bisnis, dan penilaian organisasi langsung ke dalam alat yang sudah dipakai orang. Alih‑alih mengharuskan spesialis berpartisipasi secara pribadi dalam setiap keputusan, organisasi menangkap pola, batasan, dan logika di balik keputusan tersebut sehingga pemikiran terbaik dapat membimbing transaksi sehari‑hari secara skala, bukan hanya situasi yang di‑escalate.

Keuntungan Kompaun dari Organisasi yang Belajar

Keputusan komite dapat menguap ketika pertemuan berakhir, sementara lingkar keputusan yang dirancang dengan baik mengingat apa yang diputuskan, melacak apa yang terjadi selanjutnya, dan memasukkan hasil itu kembali ke dalam model dan proses. Setiap promosi, tawaran retensi, alokasi, dan intervensi menjadi bukti yang memperbaiki keputusan berikutnya, memungkinkan penilaian organisasi menjadi lebih konsisten seiring waktu.

Sebagian besar organisasi baik dalam merekam hasil, namun jauh lebih sedikit yang secara sistematis belajar darinya. Perdebatan yang sama diulang, pengecualian yang sama dikaji kembali, dan pelajaran yang sama ditemukan kembali, sementara organisasi yang maju menanamkan pembelajaran langsung ke dalam proses keputusan sehingga perbaikan menjadi berkelanjutan bukan episodik.

Membiarkan AI Bertindak Sambil Menjaga Manusia Mengendalikan

Garis depan berikutnya adalah beralih dari rekomendasi ke eksekusi. Model prediktif dapat menunjukkan apa yang kemungkinan terjadi, sementara sistem agen dapat bertindak atas prediksi tersebut dengan memicu outreach, menyesuaikan markdown, menyeimbangkan alokasi, atau memulai aksi terbaik berikutnya dalam batasan yang ditetapkan oleh manusia.

Menurut Gartner, pada tahun 2027, 50% keputusan bisnis akan ditambah atau diotomatisasi oleh agen AI sebagai bagian dari inisiatif Decision Intelligence, namun perusahaan juga menekankan bahwa sistem ini memerlukan tata kelola yang efektif, manajemen risiko, dan pengawasan manusia. Nuansa ini penting karena organisasi perlu menentukan keputusan mana yang mendapat manfaat dari otomasi, mana yang memerlukan persetujuan, dan mana yang harus tetap dipimpin manusia.

Peran tim semakin beralih menjadi menetapkan niat, mendefinisikan batasan, menetapkan jalur eskalasi, dan mengawasi hasil, memungkinkan orang menghabiskan lebih sedikit waktu menyetujui tindakan individu dan lebih banyak waktu mendefinisikan batasan di mana AI beroperasi.

Dari Program AI Big-Bang ke Pendekatan Fokus dan Bertahap

Pengadopsi paling sukses jarang memulai dengan transformasi menyeluruh di seluruh perusahaan. Mereka memulai dengan dua atau tiga keputusan di mana panggilan yang lebih baik dan lebih cepat dapat secara jelas menggerakkan jarum, kemudian menyesuaikan tingkat otonomi dengan tingkat risiko.

Keputusan berisiko tinggi biasanya dimulai dalam mode augment, dengan AI memberikan rekomendasi, orang membuat keputusan, dan setiap hasil membangun catatan kinerja. Keputusan berisiko rendah dan dapat dibalik sering menjadi yang pertama beralih ke otomasi karena konsekuensi kesalahan lebih mudah ditampung dan dipelajari, yang memungkinkan otonomi diperoleh keputusan demi keputusan.

Penelitian dari PwC’s 2026 AI Performance Study memperkuat pendekatan ini. Organisasi yang menghasilkan hasil AI‑driven paling kuat 2,8 kali lebih mungkin meningkatkan jumlah keputusan yang dibuat tanpa intervensi manusia, sekaligus jauh lebih mungkin memiliki kerangka Responsible AI dan struktur tata kelola lintas fungsi, menunjukkan bagaimana tata kelola yang kuat dapat mendukung otomasi yang bertanggung jawab pada skala.

Decision Intelligence ke Aksi

Decision Intelligence menjadi lebih mudah dipahami ketika dilihat melalui lensa keputusan bisnis spesifik.

Di retail, uang biasanya berada pada promosi dan markdown: produk mana yang dipromosikan, kapan dipromosikan, dan seberapa dalam diskon. Model optimasi AI yang terhubung dengan sinyal permintaan, posisi persediaan, dan target margin dapat merekomendasikan atau menyesuaikan promosi dalam batasan yang telah ditetapkan. Bain memperkirakan bahwa perubahan berbasis AI di seluruh merchandising, termasuk optimasi promosi, dapat meningkatkan profitabilitas retailer sebesar satu hingga dua poin persentase pada biaya barang terjual dan operasi merchandising. Nilainya bukan hanya berasal dari analitik yang lebih baik, melainkan dari mengubah analitik tersebut menjadi ribuan keputusan konsisten yang terjadi pada waktu yang tepat.

Di telecommunications, keputusan sering berkaitan dengan churn. Sebuah model dapat menandai pelanggan lama yang tagihannya naik setelah perubahan paket, yang menghubungi dukungan dua kali karena layanan terputus, dan penggunaan aplikasinya menurun dalam sebulan terakhir. Pertanyaan operasional lebih spesifik daripada apakah pelanggan tersebut berisiko: apakah perusahaan harus menyelesaikan masalah layanan terlebih dahulu, menawarkan kredit tagihan, merekomendasikan paket yang lebih cocok, atau mengarahkan kasus ke spesialis retensi? Decision Intelligence menggabungkan sinyal risiko dengan nilai pelanggan, kelayakan tawaran, riwayat kontak, dan aturan saluran untuk memilih intervensi, timing, dan tingkat keterlibatan manusia yang paling mungkin mempertahankan pelanggan tanpa harus memberikan diskon yang tidak perlu.

Di healthcare, keputusan inti adalah jalur perawatan: intervensi apa yang harus diterima pasien dan kapan. Catatan historis, sinyal waktu nyata, model prediktif, dan pelacakan hasil bekerja bersama untuk mendukung keputusan yang lebih konsisten mengenai perawatan, outreach, dan manajemen perawatan. Di antara industri yang sangat berbeda ini, teknologi mungkin serupa, tetapi keputusan yang didukungnya menentukan di mana dampak bisnis muncul.

Membangun Fondasi dengan Benar

Tidak ada yang berfungsi tanpa fondasi yang tepat, yang sekaligus bersifat organisasi maupun teknis. Lima kapabilitas sangat penting ketika organisasi mulai menerapkan Decision Intelligence.

Konsep organisasi dan keahlian. Masukan paling berharga bagi Decision Intelligence sering kali adalah pengetahuan institusional: penilaian, pengalaman, dan aturan tidak tertulis yang membimbing orang‑orang terbaik organisasi. Misalnya, model retailer dapat merekomendasikan markdown yang lebih dalam berdasarkan persediaan dan permintaan, sementara merchandiser berpengalaman tahu untuk tidak mendiskon barang unggulan tepat sebelum kampanye besar atau menyesuaikan dengan pesaing yang stoknya sementara. Menangkap pengecualian tersebut dalam logika keputusan dan batasan membantu sistem mencerminkan cara bisnis sebenarnya beroperasi, bukan sekadar apa yang data tunjukkan secara terpisah.

Data yang terhubung dan dapat ditindaklanjuti. Penelitian Bain 2026 menemukan bahwa 60% eksekutif mengatakan fondasi data mereka tidak cukup kuat dan/atau teknologi mereka belum siap menskalakan AI secara efektif. Fondasi data yang terpercaya, dapat diakses, berkualitas tinggi, dan cukup terhubung menjadi prasyarat kritis. Decision Intelligence menghubungkan data itu ke momen keputusan sehingga organisasi dapat bertindak secara real‑time.

Integrasi ke alur kerja yang ada. Keputusan perlu masuk ke dalam sistem tempat orang sudah bekerja atau memicu aksi secara otomatis. API dan integrasi agenik menyediakan koneksi akhir antara model dan nilai bisnis.

Batasan untuk otonomi yang bertanggung jawab. Batasan seperti margin minimum, persyaratan kepatuhan, standar merek, dan jalur eskalasi memungkinkan keputusan berbasis AI bergerak cepat tanpa mengorbankan kontrol.

Kepercayaan & tata kelola. Akuntabilitas yang jelas, dapat dijelaskan, pengawasan, dan tata kelola membangun kepercayaan pada keputusan berbasis AI serta menyediakan kontrol yang diperlukan untuk menskalakan secara bertanggung jawab. 

Pengukuran dan pembelajaran. Decision Intelligence memerlukan cara yang jelas untuk mengukur apakah keputusan menghasilkan hasil yang diharapkan. Menghubungkan aksi dengan hasil menciptakan lingkar umpan balik yang memungkinkan model, aturan, dan logika keputusan berkembang seiring waktu.

Jadi, Apa Selanjutnya?

Organisasi yang melaju di depan dalam beberapa tahun ke depan akan memperlakukan proses pengambilan keputusan sebagai kapabilitas yang dapat dirancang, diukur, didukung AI, dan terus ditingkatkan seperti fungsi bisnis lainnya. Model semakin cepat berkembang, dan banyak organisasi sudah memiliki data yang mereka butuhkan. Tantangan berikutnya adalah menghubungkan data dan intelijen itu ke keputusan secara konsisten dan pada skala.

Langkah awal yang baik adalah mengidentifikasi keputusan yang paling penting dan meneliti bagaimana keputusan tersebut dibuat saat ini. Jika jawabannya bergantung pada siapa yang berada di ruangan, itulah titik di mana pekerjaan harus dimulai.