Lauri Kien Kotcher, CEO dan Co-Founder Different Day – Seri Wawancara

Lauri Kien Kotcher, CEO dan Co-Founder Different Day, adalah pemimpin bisnis berpengalaman, pembangun merek, direktur dewan, dan penasihat strategis yang kariernya meliputi kecerdasan buatan, produk konsumen, ritel, layanan kesehatan, layanan keuangan, dan ekuitas swasta. Sebelum mendirikan Different Day, ia menjabat sebagai CEO dan anggota dewan quip, di mana ia memimpin pergeseran lebih luas dari perawatan mulut ke kesejahteraan mulut, memperkenalkan produk baru, merombak model langganan langsung ke konsumen perusahaan, dan mengurangi biaya operasional. Sebelumnya ia memimpin The Shade Store dan Hello Products, membimbing yang terakhir melalui pertumbuhan signifikan dan akuisisinya oleh Colgate pada 2020. Posisi kepemimpinan awalnya mencakup peran senior di L Catterton, Godiva Chocolatier, Lehman Brothers, dan Pfizer Consumer Healthcare, serta 15 tahun di McKinsey & Company, di mana ia menjadi mitra dan bersama memimpin praktik barang konsumen Amerika Utara firma tersebut. Kotcher juga menjabat di dewan direksi Freshpet, membawa pengalaman luas dalam strategi pertumbuhan, inovasi, pemasaran, merger dan akuisisi, serta transformasi organisasi.

Different Day membantu organisasi pasar menengah mengubah tantangan operasional menjadi aplikasi kecerdasan buatan yang praktis dan disesuaikan, yang terintegrasi dengan lingkungan teknologi mereka yang sudah ada. Alih-alih berfokus pada proyek AI eksperimental atau perangkat lunak tujuan umum, perusahaan mengembangkan solusi end-to-end yang dirancang untuk mengurangi pekerjaan manual, meningkatkan visibilitas, mempercepat pertumbuhan pendapatan, memperkuat margin, dan mengungkap wawasan bisnis yang berguna. Kegiatannya mencakup area seperti peramalan permintaan, perencanaan pasokan dan persediaan, intelijen penjualan, rekonsiliasi bantuan keuangan, kepatuhan, analisis kontrak, manajemen hubungan pelanggan, dan pelaporan kinerja. Different Day menempatkan timnya sebagai mitra sejak penemuan masalah awal hingga penerapan dan transfer pengetahuan, memungkinkan klien mengoperasikan dan terus meningkatkan aplikasi secara internal.

Anda menghabiskan puluhan tahun memimpin transformasi di McKinsey, Godiva, hello products, The Shade Store, dan quip sebelum mendirikan Different Day. Apa yang meyakinkan Anda bahwa perusahaan pasar menengah membutuhkan mitra AI baru, dan masalah operasional apa yang Anda rasa vendor teknologi dan firma konsultan yang ada gagal selesaikan?

Secara mengejutkan, para pemimpin bisnis sering berada dalam kegelapan. Sebagai CEO dan CMO yang mengelola merek konsumen dan peritel pasar menengah dengan pertumbuhan tinggi, saya tidak pernah mendapatkan gambaran jelas tentang seluruh lingkup semua bagian yang bergerak dalam bisnis. Data kami sering berada dalam silo terpisah berdasarkan saluran, wilayah, dan pemilik fungsional. Insting saya adalah bahwa AI akhirnya dapat menghubungkan titik‑titik itu dan membantu menemukan apa yang kami lewatkan, namun saya tidak tahu harus menghubungi siapa atau memulai dari mana. Different Day menjadi jawaban atas pertanyaan itu.

Perusahaan pasar menengah memiliki sumber daya lebih sedikit dibandingkan perusahaan besar, namun mereka juga mungkin memiliki birokrasi dan hutang teknis yang lebih sedikit. Bagaimana pendekatan mereka terhadap implementasi AI seharusnya berbeda dari pedoman perusahaan besar?

Perusahaan pasar menengah memiliki keunggulan luar biasa yang harus mereka manfaatkan. Mereka harus berusaha melampaui pesaing yang lebih besar karena kecepatan adalah keunggulan sejati mereka. Pandangan kami adalah bahwa kami dapat mengubah sebagian besar bisnis pasar menengah menjadi organisasi AI‑native, seolah‑olah mereka diluncurkan pada 2026 dari nol. Perusahaan besar diam‑diam takut bahwa AI akan memungkinkan pesaing lebih kecil menyamakan kondisi, menggunakan rekan AI untuk bergerak lebih cepat tanpa menambah jumlah karyawan. Lebih sedikit orang berarti lebih sedikit orang yang memutuskan apa yang harus dilakukan, bagaimana melakukannya, dan apa tujuan mereka, sehingga bagan organisasi yang lebih kecil menjadi aset, bukan batasan.

Saat mengevaluasi operasi perusahaan, bagaimana Anda membedakan alur kerja yang benar‑benar mendapat manfaat dari AI dengan yang lebih baik ditangani melalui otomatisasi konvensional, perangkat lunak yang ditingkatkan, atau perancangan ulang proses?

Saya percaya pada pendekatan telanjang: mengurangi alur kerja Anda hingga ke dasar. Penyederhanaan proses harus terjadi sebelum AI. Mulailah dengan lembar kosong – apa yang akan Anda lakukan di sini jika perangkat lunak warisan dan solusi sementara tidak ada? Sebagian besar proses yang ada dibangun untuk menghindari alat yang canggung, bukan karena itu cara kerja yang tepat. Saat kontrak akan diperpanjang, tanyakan fitur apa yang Anda gunakan, dan dengan sedikit pengecualian, AI dapat membangun sesuatu yang lebih disesuaikan daripada yang Anda miliki saat ini. Meskipun selalu ada sistem yang layak dipertahankan, seperti ERP atau CRM Anda, kami merancang tambahan tepat yang Anda butuhkan dan tidak lebih.

Different Day mengatakan dapat memulai dengan prototipe 72 jam dan beralih ke penyerahan siap produksi dalam beberapa minggu. Apa yang membuat kecepatan itu memungkinkan, dan kondisi teknis, keamanan, atau organisasi apa yang dapat memperlambat implementasi?

Terlihat seperti janji berlebih, namun itu mencerminkan keunggulan unik kami sebagai perusahaan yang didirikan oleh orang‑orang yang memahami bisnis DAN teknologi. Tim kami AI‑native, sehingga pembangunan sendiri bergerak jauh lebih cepat dibandingkan pengembangan perangkat lunak tradisional. Yang tidak berubah adalah penemuan: siapa yang memiliki proses, siapa lagi yang perlu mendukung, hasil apa yang Anda targetkan dan berapa banyak, apa yang pernah gagal sebelumnya. Melewatkan pekerjaan itu di awal, akan muncul kembali nanti; dalam integrasi, dalam implementasi, dengan biaya jauh lebih tinggi. Kecepatan ini hanya mungkin karena kami memuat pemahaman di depan alih‑alih mengkode.

Banyak bisnis pasar menengah beroperasi melalui spreadsheet terpisah, sistem warisan, dan sumber data yang tidak konsisten. Berapa banyak persiapan data yang biasanya diperlukan sebelum AI dapat menghasilkan hasil operasional yang dapat diandalkan?

Data terpisah yang dialami sebagian besar perusahaan pasar menengah sebenarnya merupakan peluang, bukan hambatan. Alat kami menampilkan dengan tepat di mana celahnya, dan perusahaan memutuskan apakah dan bagaimana mengisinya. Sebelum AI, celah‑celah itu tidak terlihat; seseorang hanya memaksa spreadsheet menjadi keputusan atau memutuskan dengan data tidak lengkap tanpa menyadarinya. Sekarang tim dapat melihat celah tersebut dan menimbang keputusan mereka secara tepat alih‑alih mengasumsikan data sudah solid.

Metrik apa yang harus ditetapkan eksekutif sebelum memulai proyek AI, dan seberapa cepat mereka harus mengharapkan bukti bahwa implementasi menghasilkan pengembalian investasi yang berarti?

AI mungkin baru, namun disiplin bisnis klasik tetap berlaku. Masalah muncul ketika orang berpikir semua aturan lama telah hilang. Setiap proyek AI memerlukan satu tujuan jelas di awal, apakah itu penjualan, visibilitas merek, margin, kecepatan keputusan, atau output lebih banyak tanpa menambah jumlah karyawan, bersama dengan jadwal realistis untuk mencapainya. Jadwal bervariasi tergantung pada jumlah koneksi data, sistem internal dan eksternal yang terlibat, serta seberapa banyak alat harus belajar sebelum outputnya solid. Anda seharusnya melihat bentuk hasil pada tiga bulan pertama; proyek yang lebih kompleks membutuhkan waktu lebih lama. Kuncinya adalah merancang proyek secara bertahap, sehingga Anda tidak menunggu hasil satu kali besar.

Different Day menyoroti aplikasi mulai dari peramalan permintaan, perencanaan pasokan, intelijen kontrak, rekonsiliasi bantuan keuangan, dan sinyal penjualan real‑time. Kasus penggunaan mana yang menghasilkan hasil paling dapat diulang saat ini, dan mana yang masih sangat bergantung pada industri serta model operasi perusahaan?

Jangan meremehkan faktor keterulangan AI. Dalam banyak hal, bisnis secara struktural lebih mirip daripada yang kita sadari, mulai dari kontrak universal hingga mencocokkan kebutuhan pelanggan dengan kemampuan internal. Intelijen kontrak dan rekonsiliasi bantuan keuangan adalah yang paling dapat diulang saat ini; keduanya memiliki parameter dan output yang jelas, sehingga alat tahu persis apa yang harus diselesaikannya. Peramalan permintaan dan perencanaan pasokan lebih sulit: lebih banyak set data, lebih banyak saluran, dan variasi yang jauh lebih besar antara model operasi satu perusahaan dengan yang lain. Sesuatu seperti notifikasi pelanggan real‑time berada di tengah, tergantung pada tumpukan teknologi dan saluran perusahaan saat ini.

Bagaimana sebuah bisnis memutuskan apakah harus membeli produk AI siap pakai, membangun secara internal, atau mengembangkan aplikasi khusus dengan mitra eksternal? Pertanyaan apa yang membantu mengungkap kompleksitas yang tidak perlu atau ketergantungan pada vendor?

Hindari clickbait AI dan bersikap skeptis terhadap posting LinkedIn yang membuat pembangunan alat canggih secara internal terdengar mudah. Bangun secara internal hanya ketika alat tersebut benar‑benar sederhana, misalnya dasbor yang menarik beberapa spreadsheet menjadi satu tampilan bersih untuk beberapa rekan. Begitu Anda membutuhkan penarikan data real‑time dari sistem internal dan eksternal, hal itu berada di luar jangkauan tim non‑teknis dengan alat DIY. AI siap pakai memiliki batas yang sama seperti SaaS siap pakai selama ini. Ia akan memberi Anda gambaran data generik, namun tidak memberikan nuansa khusus untuk bisnis Anda dan pesaing Anda.

Kesalahan paling umum apa yang Anda lihat perusahaan lakukan ketika beralih dari demonstrasi AI yang mengesankan ke sistem yang harus dipercaya dan digunakan karyawan setiap hari?

Saya melihat epidemi “prototype-itis”: perusahaan terjebak pada 10 persen yang terlihat dari gunung es. Prototipe tampak mengesankan, namun pekerjaan nyata terjadi di bawah permukaan: pengujian data dan back‑testing, menguji setiap tautan sistem, serta mengamankan data. Selanjutnya datang manajemen perubahan: mengajarkan orang cara menggunakannya, batasannya, kapan manusia harus tetap terlibat, dan pertanyaan apa yang harus diajukan pada outputnya. AI harus sesuai untuk tujuan tertentu, bukan pengganti penilaian manusia, terutama di perusahaan pasar menengah di mana penilaian itu dibangun selama bertahun‑tahun.

Seiring AI terintegrasi dalam operasi inti, bagaimana Anda memperkirakan peran manajer dan karyawan lini depan akan berubah, dan apa yang harus dilakukan pemimpin pasar menengah sekarang untuk memastikan AI meningkatkan tim mereka bukan sekadar menambah lapisan teknologi?

“Manajer” dulu berarti mengarahkan orang. Secara cepat, peran itu beralih menjadi pengelolaan agen dan sistem. Mulailah dengan memetakan titik sakit terbesar tim dan mengisolasi pekerjaan manual yang berulang; di situlah AI pertama kali berperan, sebelum Anda memberikannya keputusan yang lebih kompleks. Langkah pertama sebelum berlari, terutama di perusahaan pasar menengah di mana kepercayaan harus diperoleh satu kemenangan pada satu waktu.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin belajar lebih lanjut sebaiknya mengunjungi Different Day.