Lima Alasan Mengapa Algoritma AI Dapat Sulit Diterapkan dalam Manajemen Operasional

Oleh: Evgeniya Malina, Kepala Strategi Bisnis dan Operasi di Food Rocket.

Menurut penelitian terbaru oleh McKinsey Global Institute, AI dapat meningkatkan output ekonomi global sebesar $13 triliun pada tahun 2030.

Namun, ini datang dengan tantangan dan konsekuensi yang tidak diinginkan. Beberapa risiko dan tantangan penerapan AI yang paling umum diidentifikasi termasuk kekhawatiran privasi, ketidakmampuan untuk menggeneralisasi, dan kurangnya kepercayaan.

Berikut adalah tiga tantangan AI yang secara khusus mempengaruhi manajemen operasional bisnis.

1. Kualitas Data yang Buruk

Hal pertama yang dibutuhkan oleh algoritma AI yang kuat adalah data. Untuk melatih algoritma dengan benar, Anda harus memberinya sejumlah besar data yang akurat dan berkualitas tinggi. Sayangnya, tidak selalu mudah untuk mendapatkan data tersebut, dan laporan Gartner 2020 mencatat bahwa kualitas data yang buruk dapat menghabiskan biaya sekitar $13 juta setiap tahunnya.

Misalnya, beberapa proses mungkin tidak memiliki jejak digital sama sekali ketika Anda pertama kali memulai. Tidak ada data untuk Anda masukkan ke dalam algoritma dalam kasus ini. Semua yang Anda berikan hanyalah hipotesis dan tebakan yang terdidik, yang menimbulkan dua masalah.

Pertama, ini memperkenalkan bias manusia yang signifikan ke dalam proses Anda langsung dari awal. Kedua, ini berarti bahwa hasil dari algoritma hanya merupakan perpanjangan dari tebakan terbaik Anda. Pada akhirnya, ini meninggalkan Anda dengan lanskap data yang tidak pasti dan proses pengambilan keputusan yang tidak stabil.

2. Navigasi “Cold Start” dan Keterlibatan Karyawan

Otomatisasi sangat baik untuk mempermudah proses yang ada, tetapi konsekuensinya adalah “cold start”. Ini terjadi ketika Anda harus memulai proses tanpa data historis yang dapat digunakan AI sebagai acuan. Dalam setiap kasus, AI akan kesulitan mengatasi hambatan ini.

Menurut Harvard Business Review, 80 persen atau lebih dari waktu tim IT sering dihabiskan untuk memperbaiki dan memperhalus data yang tidak konsisten untuk algoritma AI

Seringkali membutuhkan investasi besar dari upaya manusia untuk membantu AI melewati “cold start” dan melanjutkan operasi yang lancar.

Dalam pengalaman saya, ini dapat menyebabkan gangguan serius dalam manajemen pasokan, dan dapat menghabiskan biaya yang cukup besar bagi perusahaan. Kami semua tahu bahwa AI belum cukup berkembang untuk menangani semua aspek sistem manajemen operasional. Ini berarti bahwa setiap solusi AI yang digunakan perusahaan akan tumpang tindih dengan proses pengambilan keputusan manusia.

Sementara ini dapat menjadi hal yang baik, ini juga dapat menyebabkan keterlibatan karyawan yang berkurang. Dalam beberapa kasus, karyawan merasa seperti mereka dapat memisahkan diri dari keputusan karena “AI melakukannya.”

Selain itu, umum untuk pengenalan algoritma baru bertepatan dengan penurunan signifikan dalam metrik kualitas. Dalam pengalaman saya, ini adalah hasil dari seseorang yang sebelumnya bertanggung jawab atas metrik merasa seperti mereka hanya merupakan tautan yang tidak penting dalam rantai pengambilan keputusan yang otomatis.

Ini sangat penting untuk mengelola aspek ini dari otomatisasi karena mudahnya dapat menyebabkan tim Anda kehilangan minat dan komitmen. Ini juga dapat menyebabkan kerusakan pada merek Anda. Jika AI dibiarkan sendiri untuk membuat keputusan, mungkin tanpa sengaja mulai membedakan pelanggan dalam beberapa kategori usia, jenis kelamin, atau geografis.

3. Tantangan dengan Transparansi dan Implementasi yang Efisien

Seperti yang diketahui oleh setiap pemilik bisnis, hal-hal dapat berubah dalam sekejap. Perusahaan tidak selalu memiliki waktu untuk membangun solusi AI yang kompleks untuk operasi baru.

Faktanya, lebih umum bagi perusahaan untuk berada dalam tekanan waktu dan terpaksa memecahkan masalah tanpa bantuan otomatisasi karena membangun proses baru hanya membutuhkan waktu terlalu lama. Karena tidak ada waktu untuk menulis model yang kompleks, salah satu dari dua hal ini terjadi.

Pertama, bisnis mungkin memilih untuk mengimplementasikan proses yang hampir lengkap tetapi memasukkan langkah intermediate manual sampai proses dapat diperhalus. Dalam kasus ini, bisnis kehilangan sekitar 80 persen dari efisiensi proses yang dihitung.

Alternatifnya, bisnis mungkin mengimplementasikan SaaS untuk mempercepat proses implementasi. Sementara biaya waktu dan uang akan lebih rendah, masalah kehilangan efisiensi tetap ada. Dalam kasus ini, mengimplementasikan algoritma SaaS yang tidak disesuaikan dengan kebutuhan perusahaan dapat membuat proses kurang efisien daripada jika dilakukan secara manual.

Selain masalah ini, penting untuk memahami bahwa transparansi dalam proses AI sangat sulit untuk dikomunikasikan kepada manajemen, bahkan oleh ahli. Ini disebabkan oleh kompleksitas algoritma, tetapi dapat membuat tim Anda merasa keraguan tentang transisi ke operasi yang otomatis.

Ke Mana Kita Harus Pergi dari Sini?

Beberapa peneliti menyarankan bahwa tantangan yang kita hadapi saat ini akan mengarah pada peran manusia baru dalam perusahaan: Pelatih, Penjelas, dan Pemelihara.

Pelatih akan membantu mengoptimalkan kinerja AI; Penjelas akan bertugas untuk memecahkan keputusan AI untuk non-ahli, dan Pemelihara akan bekerja pada membuat proses AI yang berkelanjutan untuk jangka panjang.

Namun, sampai saat itu, bisnis dan pendiri harus mempertimbangkan lebih dari keuntungan kompetitif yang signifikan yang dapat diberikan AI. Keuntungan harus diimbangkan dengan ketidakjelasan, biaya waktu, dan hambatan pertumbuhan yang datang dengan AI operasional.

Kecerdasan buatan masih memiliki jalan panjang untuk tumbuh, berkembang, dan diimplementasikan. Ini dapat membuat perbedaan besar dalam manajemen operasional, tetapi kita belum dapat sepenuhnya mengandalkannya sebagai pilihan terbaik.