Jason Wojahn, CEO KMS Technology – Seri Wawancara

Jason Wojahn adalah CEO KMS Technology, dengan pengalaman sekitar tiga dekade dalam membangun dan mengembangkan perusahaan layanan teknologi untuk bisnis besar. Ia ikut mendirikan dan memimpin Thirdera sebelum perusahaan itu diakuisisi Cognizant, sebelumnya memimpin bisnis global ServiceNow di Accenture, serta pernah menduduki posisi kepemimpinan di Cloud Sherpas dan IBM Global Services. Fokus pekerjaannya mencakup transformasi perusahaan, model operasi, serta upaya mengubah kemajuan AI menjadi hasil bisnis yang terukur.

KMS Technology adalah perusahaan rekayasa digital, data, dan AI yang membantu organisasi membangun perangkat lunak, memodernisasi aplikasi, memperkuat fondasi data, serta menerapkan AI di lingkungan produksi. Layanannya mencakup konsultasi teknis, rekayasa produk, rekayasa data, dan otomatisasi alur kerja cerdas. Dalam wawancara ini, Wojahn membahas “Ekonomi Eksekusi”, kesenjangan antara proyek percontohan AI dan penerapannya di lingkungan produksi, kewenangan pengambilan keputusan bagi agen, serta cara perusahaan mengukur kemajuan berdasarkan hasil menyeluruh dari awal hingga akhir.

Anda telah menghabiskan tiga dekade membangun dan mengembangkan organisasi teknologi perusahaan, mulai dari mengembangkan Navigis dan memimpin bisnis global ServiceNow di Accenture hingga membangun Thirdera dan kini menjabat sebagai CEO KMS Technology. Bagaimana pengalaman-pengalaman ini membentuk pandangan Anda tentang transformasi perusahaan, dan apa yang menarik Anda pada tantangan membantu organisasi menjadi perusahaan yang mengutamakan AI?

Saya memulai karier di IBM Global Services, mengelola pelaksanaan proyek untuk klien-klien perusahaan besar. Setelah itu, saya bekerja di Navigis, Cloud Sherpas, Accenture, Thirdera, dan Cognizant; hampir seluruhnya di ekosistem ServiceNow.

Inilah pola yang terus saya lihat. Setiap gelombang platform menjanjikan transformasi, tetapi teknologi jarang menjadi faktor penentu siapa yang menang. Pemenangnya adalah perusahaan yang mengubah cara pekerjaan benar-benar mengalir di dalam organisasi.

Pengalaman saya selama bertahun-tahun di ServiceNow mengajarkan bahwa nilai terletak pada alur kerja, bukan dasbor. Selama tiga puluh tahun, perangkat lunak perusahaan menjadi sangat baik dalam memberi tahu kita apa yang sedang terjadi. Namun, perangkat lunak itu jauh kurang mampu melakukan sesuatu untuk mengatasinya. Orang-orang mengisi kesenjangan tersebut. Mereka menjadi tim integrasi tanpa bayaran yang mengalihkan pekerjaan dari satu sistem ke sistem berikutnya.

AI mengubah keadaan itu. Kecerdasan kini semakin melimpah. Yang kini langka adalah kemampuan untuk mengubahnya menjadi tindakan terkoordinasi. Itulah yang membawa saya ke KMS: kedalaman keahlian rekayasa untuk membangun sistem yang benar-benar mengerjakan tugas, bukan sekadar melacaknya, serta kesempatan untuk menjadi perusahaan yang mengutamakan AI, bukan hanya perusahaan yang didukung AI.

Banyak perusahaan berhasil menunjukkan potensi AI melalui proyek percontohan, tetapi kesulitan mengubah keberhasilan awal tersebut menjadi nilai pada skala produksi. Apa kendala paling umum yang dihadapi organisasi saat beralih dari tahap eksperimen, dan mengapa tantangan ini sering kali baru muncul setelah teknologinya terbukti berhasil?

Proyek percontohan membuktikan bahwa modelnya berfungsi. Penerapan di lingkungan produksi membuktikan bahwa organisasinya mampu berfungsi.

Keduanya merupakan ujian yang sangat berbeda. Proyek percontohan menggunakan data bersih yang dipilih secara khusus, didukung sponsor yang bersemangat, dan dijalankan oleh tim kecil yang mengatasi setiap kendala dengan cara mereka sendiri. Proyek ini dirancang untuk menghindari bagian-bagian tersulit.

Penerapan di lingkungan produksi tidak bisa menghindarinya. Kini agen harus mengakses lima sistem, bukan satu. Seseorang harus bertanggung jawab atas hasilnya ketika agen melakukan kesalahan, menentukan keputusan apa yang boleh disetujuinya, dan menanggung biaya operasional hariannya.

Itulah sebabnya tantangan ini muncul setelah teknologinya terbukti berhasil. Sejak awal, masalahnya bukanlah masalah teknologi. Masalahnya berkaitan dengan data, integrasi, kepemilikan tanggung jawab, dan kewenangan; proyek percontohan dirancang untuk menghindari semuanya.

Solusinya adalah berhenti memperlakukan proyek percontohan sebagai demo. Jadikan proyek percontohan tahap pertama penerapan di lingkungan produksi. Pilih alur kerja yang penting, hubungkan dengan sistem yang benar-benar digunakan, tetapkan penanggung jawab, dan tentukan keputusan apa yang boleh dibuat agen sejak hari pertama. Memulainya memang lebih lambat, tetapi memperluasnya akan jauh lebih cepat.

Anda menggambarkan pergeseran menuju “Ekonomi Eksekusi”, ketika keunggulan kompetitif semakin bergantung pada kemampuan organisasi untuk mengubah kecerdasan menjadi tindakan terkoordinasi. Apa arti konsep ini dalam praktik, dan bagaimana konsep ini mengubah pendekatan perusahaan terhadap investasi AI?

Setiap pekerjaan mengikuti rangkaian yang sama: Informasi, Wawasan, Keputusan, dan Eksekusi.

Selama puluhan tahun, perangkat lunak perusahaan berfokus pada dua tahap pertama, sementara AI dengan cepat meningkatkan kemampuan pada tiga tahap pertama. Sebagian besar organisasi masih terhambat pada tahap eksekusi, dan di situlah keunggulan kini beralih.

Dalam praktiknya, Ekonomi Eksekusi berarti kecerdasan bukan lagi sumber daya yang langka. Yang langka adalah kemampuan menyelesaikan pekerjaan. Dua perusahaan bisa memiliki model, data, dan wawasan yang sama. Pemenangnya adalah perusahaan yang mengubah wawasan tersebut menjadi tindakan terkoordinasi, dengan kewenangan yang jelas dan jejak audit.

Hal itu mengubah cara perusahaan berinvestasi. Saat ini, sebagian besar anggaran AI digunakan untuk membeli alat: kopilot, asisten, dan fitur pencarian yang lebih baik. Alat-alat ini membuat pekerjaan individu lebih cepat. Namun, proposal yang disusun AI dalam sepuluh menit tetap bisa menunggu persetujuan selama tiga hari. Tugas yang diselesaikan lebih cepat tidak berarti hasilnya diperoleh lebih cepat.

Karena itu, danai alur kerja, bukan alat, dan mulailah dengan pertanyaan yang berbeda. Bukan, “Bagaimana kita meningkatkan produktivitas karyawan ini sebesar 20%?” Melainkan, “Pekerjaan apa yang seharusnya tidak lagi memerlukan koordinasi manusia?”

Seiring AI berkembang dari sekadar membantu karyawan mengerjakan tugas-tugas individual menjadi menjalankan seluruh alur kerja secara mandiri, bagaimana organisasi harus memikirkan ulang proses yang ada, struktur pengambilan keputusan, dan model akuntabilitas mereka?

Sebagian besar proses perusahaan dirancang dengan mempertimbangkan keterbatasan manusia. Informasi bergerak lambat, sehingga kita membuat rapat. Keputusan perlu diawasi, sehingga kita membuat rangkaian persetujuan. Banyak hal yang kita sebut proses sebenarnya hanyalah serah terima pekerjaan antarorang.

Jika proses itu diotomatisasi begitu saja, yang diotomatisasi adalah bagan organisasi. Serah terima pekerjaan menjadi lebih cepat, tetapi jumlahnya tidak berkurang.

Memikirkan ulang proses harus dimulai dari keputusan, bukan tugas. Untuk setiap alur kerja, petakan keputusan-keputusan di dalamnya. Apa yang dapat direkomendasikan agen? Apa yang dapat diputuskan agen? Apa yang dapat dijalankan agen sendiri? Kapan seseorang harus turun tangan?

Kewenangan melekat pada keputusan, bukan pada keseluruhan alur kerja. Agen mungkin dipercaya sepenuhnya untuk merekonsiliasi faktur, tetapi tetap memerlukan persetujuan seseorang untuk setiap pembayaran yang melampaui batas yang ditetapkan.

Akuntabilitas tidak hilang. Justru menjadi lebih jelas. Manusia dan agen sama-sama bertanggung jawab atas pelaksanaan: agen menangani pekerjaan, sementara manusia menetapkan kewenangan, menangani pengecualian, dan bertanggung jawab atas hasilnya. Setiap agen harus memiliki penanggung jawab yang ditetapkan, dan setiap tindakan harus dapat ditelusuri serta, jika memungkinkan, dibatalkan.

Peran kepemimpinan bergeser dari mengoordinasikan pekerjaan menjadi merancang sistem yang menjalankannya.

Di KMS Technology, Anda berfokus mentransformasi rekayasa digital tradisional menjadi pelaksanaan kerja perusahaan yang sejak awal dirancang berbasis AI. Seperti apa transformasi ini di dalam perusahaan, dan bagaimana KMS mengintegrasikan AI, platform data, dan orkestrasi alur kerja cerdas untuk menghasilkan dampak bisnis yang terukur?

Kami terlebih dahulu menerapkan pola pikir yang sama pada diri sendiri. KMS tumbuh sebagai perusahaan rekayasa digital. Babak berikutnya bagi kami adalah pelaksanaan kerja perusahaan yang sejak awal dirancang berbasis AI: membangun, memodernisasi, dan mengoperasikan, dengan manusia dan agen sama-sama bertanggung jawab atas pelaksanaannya. Hasilnya terlihat dari waktu dan upaya yang dibutuhkan:

Bangun. Evergreen Telehealth menginginkan platform telehealth yang dibangun dengan AI berbasis agen dan standar data kesehatan FHIR, tetapi belum ada produk serupa di pasaran. Dengan menerapkan pendekatan yang sejak awal berbasis AI dan menyematkan Claude di seluruh tahap—mulai dari perumusan kebutuhan, desain, pembangunan, hingga pengujian—tim kami bersama para insinyur Evergreen membawa platform inti dari konsep hingga produksi dalam 75 hari kerja. Cakupannya meliputi tiga aplikasi (web, iOS, dan Android), empat integrasi aktif (EHR, verifikasi identitas, pembayaran, dan farmasi), serta dua agen produksi. Model kerjanya dipimpin manusia dan dipercepat dengan AI. Agen menyusun cerita pengguna, menghasilkan kode, dan menjalankan pengujian. Para insinyur bertanggung jawab atas arsitektur, pemetaan data klinis, dan setiap keputusan penting.

Modernisasi. Sebagai contoh lain, sebuah perusahaan perangkat lunak maritim perlu mengganti platform yang telah dijalankannya di server lokal selama lebih dari 20 tahun. Perusahaan itu tidak dapat membenarkan pembangunan ulang tradisional yang memakan waktu lama sebelum para investor melihat kemajuan. Karena itu, kami menjalankan proyek pembangunan berbasis agen dengan batas waktu enam minggu. Persyaratan klien dimuat sebagai konteks agar agen membangun sesuai spesifikasi, bukan sekadar menghasilkan kode. Dalam sekitar 800 jam kerja tim, tim tersebut menyelesaikan 35 hingga 45 persen dari cakupan MVP, dibandingkan dengan perkiraan awal sebesar 6.000 hingga 8.000. Agen menulis kode dan lebih dari 5.000 pengujian unit. Para insinyur menetapkan batasan dan menilai kualitasnya.

Operasikan. Sejak itu, Evergreen telah memperluas arsitektur agennya ke seluruh bisnis, dengan agen pengawas yang memantau sistem serta manusia yang tetap terlibat untuk mengevaluasi dan melakukan perbaikan.

Kami bukan sekadar menulis kode dengan lebih cepat. Kami mengubah seberapa banyak pekerjaan yang dapat diselesaikan sebuah tim.

Dalam ketiga hal tersebut, manusia dan agen sama-sama bertanggung jawab atas pelaksanaan. Agen menangani pekerjaan yang berulang. Para insinyur kami dan tim klien bertanggung jawab atas keputusan, pengecualian, dan hasilnya.

Perubahan yang sama memungkinkan kami meningkatkan daya ungkit dalam pelaksanaan. Itulah perbedaan antara pelaksanaan yang sejak awal berbasis AI dan pelaksanaan yang didukung AI.

Sistem AI perusahaan semakin bergantung pada akses ke informasi di berbagai aplikasi lama yang terpisah-pisah, platform cloud, dan lingkungan data. Seberapa besar tantangan untuk menghubungkan sistem-sistem ini, dan fondasi arsitektur apa yang perlu dibangun organisasi sebelum mencoba menerapkan alur kerja berbasis AI dalam skala besar?

Inilah tantangan utamanya. Sebagian besar perusahaan tidak memiliki masalah AI. Mereka menghadapi masalah fragmentasi yang kini mustahil diabaikan berkat AI.

Perhatikan bagaimana pekerjaan dilakukan saat ini. Seseorang mencari informasi di satu aplikasi, menindaklanjuti persetujuan di aplikasi lain, lalu menyalin hasilnya ke aplikasi ketiga. Manusialah lapisan integrasinya. Agen tidak dapat melakukan pekerjaan itu kecuali bisa mengakses sistem-sistem tersebut, memahami konteks, dan bertindak dengan izin yang tepat.

Karena itu, fondasinya lebih penting daripada modelnya. Ada empat hal yang perlu didahulukan:

• arsitektur data modern yang menyediakan konteks tepercaya bagi agen
• lapisan integrasi yang memungkinkan agen bertindak di berbagai sistem, bukan sekadar membaca data darinya
• identitas dan izin yang dirancang untuk agen, bukan hanya untuk manusia
• pemantauan agar Anda dapat melihat apa yang dilakukan setiap agen dan alasannya

Tumpukan teknologi juga semakin ringkas. Platform data semakin berorientasi pada operasional, platform alur kerja semakin cerdas, dan aplikasi semakin beralih ke arsitektur tanpa antarmuka. Jika alur kerja dapat melintasi seluruh tumpukan teknologi, mengapa pengguna harus melakukannya?

Jangan menunggu arsitektur yang sempurna. Pilih satu alur kerja yang penting, lalu modernisasikan semua yang terkait dengannya. Setelah itu, lanjutkan ke alur kerja berikutnya.

Ketika agen AI mulai mengambil keputusan dan menjalankan tindakan di berbagai operasi bisnis, pertanyaan tentang tata kelola, akuntabilitas, dan pengawasan manusia menjadi semakin penting. Bagaimana perusahaan sebaiknya menentukan keputusan mana yang dapat didelegasikan kepada AI dan mana yang harus tetap berada di bawah kendali manusia?

Saya akan mulai dengan mengubah pertanyaannya. Bukan, “Bisakah AI melakukan ini?” Jawabannya semakin sering adalah ya. Pertanyaan yang lebih tepat ialah, “Siapa yang memberinya wewenang untuk bertindak?”

Kemampuan dan akses bukanlah wewenang. Ketika sebuah agen dapat menyetujui pengembalian dana, mengubah jadwal produksi, atau mengalokasikan anggaran, seseorang harus menetapkan batas-batasnya.

Salah satu tolok ukur praktis adalah biaya dan kemudahan untuk membatalkan keputusan. Keputusan yang sering diambil, berbasis aturan, dan mudah dibatalkan sangat cocok untuk didelegasikan. Keputusan yang berdampak besar, tidak dapat dibatalkan, atau menentukan hubungan dengan pelanggan sebaiknya tetap ditangani manusia.

Pendelegasian juga harus diperoleh secara bertahap. Mulailah dengan agen yang memberikan rekomendasi dan manusia yang menyetujuinya. Seiring bertambahnya bukti, alihkan peran manusia dari menyetujui setiap tindakan menjadi mengawasi sistem dan menangani pengecualian.

Tujuannya bukan menempatkan manusia dalam setiap proses. Tujuannya adalah melibatkan manusia dalam proses yang tepat. Data memberikan konteks. Model melakukan penalaran. Agen menjalankan tindakan. Manusia menetapkan wewenang dan bertanggung jawab atas konsekuensinya.

Anda pernah memimpin bisnis platform perusahaan berskala besar di Accenture dan Cognizant, ketika perluasan operasi menuntut penyelarasan teknologi, manusia, dan proses di berbagai organisasi global. Pelajaran apa dari pengalaman tersebut yang relevan bagi upaya transformasi AI saat ini, khususnya ketika resistansi organisasi atau model operasional yang usang menjadi hambatan yang lebih besar daripada teknologinya?

Integrasi mengajarkan saya lebih banyak daripada hal lain. Di Cloud Sherpas, kemudian Accenture, dan selanjutnya Cognizant, saya menghabiskan waktu bertahun-tahun menyatukan berbagai organisasi. Budaya, model penyampaian layanan, insentif, dan wilayah yang berbeda harus beroperasi sebagai satu bisnis platform.

Teknologi jarang menjadi kendala. Model operasionallah yang menjadi kendala.

Ada tiga pelajaran yang langsung relevan dengan transformasi AI.

Pertama, resistansi biasanya punya alasan yang masuk akal. Orang berusaha melindungi hal-hal yang menjadi tolok ukur kinerja mereka. Jika agen diperkenalkan sementara tim masih dinilai berdasarkan jam kerja, jumlah pegawai, dan aktivitas, hasilnya adalah kepatuhan, bukan perubahan. Ubah tolok ukurnya, maka perilaku pun akan mengikuti.

Kedua, hak pengambilan keputusan harus ditetapkan secara eksplisit. Dalam setiap integrasi, percakapan tersulit selalu berkaitan dengan siapa yang memutuskan apa. AI membuat pertanyaan itu tak terhindarkan, karena sebagian pengambil keputusan bukan lagi manusia.

Ketiga, jelaskan dengan tegas apa yang tidak berubah. Orang lebih mudah menerima perubahan jika memahami alasannya dan mengetahui hal-hal yang tetap sama.

Transformasi AI adalah pergeseran model operasional yang kebetulan melibatkan teknologi. Para pemimpin yang menganggapnya sekadar peluncuran perangkat lunak akan kecewa.

Metrik keberhasilan AI tradisional sering menekankan tingkat adopsi, peningkatan produktivitas, dan penghematan waktu. Metrik apa yang sebaiknya diprioritaskan para eksekutif untuk mengetahui apakah AI benar-benar meningkatkan pelaksanaan bisnis, dan bagaimana organisasi dapat membedakan peningkatan efisiensi bertahap dari transformasi operasional yang bermakna?

Adopsi dan penghematan waktu adalah metrik masukan. Keduanya menunjukkan bahwa orang menggunakan alat tersebut, bukan bahwa bisnis bergerak lebih cepat.

Jika seorang teknisi menghemat dua jam, tetapi rilisnya tetap harus menunggu seminggu untuk ditinjau, tidak ada yang berubah bagi pelanggan. Tugas yang selesai lebih cepat tidak berarti hasil yang dicapai lebih cepat.

Saya akan memprioritaskan tiga jenis metrik:

• Waktu dari kebutuhan hingga hasil: berapa lama waktu yang dibutuhkan sejak sebuah permintaan diajukan hingga menghasilkan sesuatu, dari awal sampai akhir.
• Di mana pekerjaan tertahan: berapa lama pengambilan keputusan, proses serah terima, dan antrean di antara tim.
• Pekerjaan tanpa koordinasi: seberapa banyak alur kerja yang berlangsung tanpa koordinasi manusia, sementara orang tetap berfokus pada penilaian dan pengecualian.

Kemudian, kaitkan metrik tersebut dengan bisnis: biaya layanan, kualitas, dan pendapatan.

Tolok ukur transformasi sederhana saja. Apakah tugasnya menjadi lebih cepat, atau bentuk alur kerjanya berubah? Peningkatan bertahap mempercepat proses yang sama. Transformasi meniadakan tahapan, serah terima, dan persetujuan yang tidak lagi diperlukan.

Ukur waktu dari kebutuhan hingga hasil. Cari tahu di mana pekerjaan tertahan. Ubah hal-hal yang membuatnya tertahan.

Dalam tiga hingga lima tahun ke depan, bagaimana Anda memperkirakan hubungan antara AI, perangkat lunak perusahaan, dan pekerja manusia akan berkembang? Apakah Anda membayangkan masa depan ketika sistem yang dirancang dengan AI sebagai fondasinya benar-benar menggantikan alur kerja perusahaan tradisional, dan apa yang sebaiknya dilakukan para pemimpin bisnis saat ini untuk mempersiapkan transisi tersebut?

Selama tiga puluh tahun, perangkat lunak perusahaan memberi tahu kita apa yang sedang terjadi. Dalam tiga hingga lima tahun ke depan, perangkat lunak itu akan semakin banyak melakukan pekerjaan tersebut.

AI akan menggantikan koordinasi: mengejar-ngejar, menyalin, menyerahkan pekerjaan, dan menindaklanjuti—hal-hal yang menyita sebagian besar waktu orang setiap hari. Orang akan beralih ke pengambilan keputusan, penanganan pengecualian, membangun hubungan, dan bertanggung jawab atas hasil. Ini adalah pemanfaatan keahlian manusia yang lebih baik, tetapi membutuhkan kemampuan baru yang harus dibangun secara sengaja oleh para pemimpin.

Apa yang sebaiknya dilakukan para pemimpin saat ini? Pilih satu alur kerja yang berdampak besar dan petakan keputusan-keputusan di dalamnya. Benahi data yang mendasarinya. Tentukan keputusan apa yang boleh diambil oleh agen, lalu tunjuk orang yang bertanggung jawab atas hasilnya. Setelah itu, lanjutkan ke alur kerja berikutnya.

Perusahaan yang memperlakukan AI sebagai alat akan memperoleh efisiensi. Perusahaan yang menata ulang organisasi di sekitarnya akan memperoleh daya ungkit. AI bukanlah strateginya. Eksekusilah yang menentukan.

Terima kasih atas wawancara yang luar biasa ini. Pembaca yang ingin mendalami eksekusi perusahaan yang berlandaskan AI, alur kerja cerdas, dan peralihan dari uji coba AI ke penerapan produksi dapat mengunjungi KMS Technology.