Michael Majster, Mitra di Arthur D. Little – Seri Wawancara

Michael Majster, Mitra di Arthur D. Little, adalah seorang konsultan strategi dan teknologi yang berpengalaman dengan keahlian mendalam dalam transformasi digital, strategi IT, dan pertumbuhan yang dipimpin oleh inovasi. Berbasis di Brussels dan bekerja di seluruh wilayah Benelux, ia membawa lebih dari dua dekade pengalaman dalam memberikan saran kepada CIO dan eksekutif senior tentang mengarahkan perubahan besar dan menghasilkan hasil bisnis yang terukur. Sebelum bergabung dengan Arthur D. Little, ia menghabiskan 16 tahun di Accenture, di mana ia memegang peran kepemimpinan senior, termasuk Managing Director untuk Sumber Daya Teknologi di Prancis dan Benelux, dan mengembangkan keahlian sektor yang kuat di seluruh energi, utilitas, kimia, dan sumber daya alam.

Arthur D. Little adalah salah satu firma konsultasi manajemen tertua di dunia, didirikan lebih dari 135 tahun yang lalu dan secara luas diakui karena fokusnya pada inovasi, strategi, dan transformasi yang dipimpin oleh teknologi. Firma ini bekerja dengan organisasi global untuk memecahkan tantangan bisnis yang kompleks, menggabungkan wawasan strategis dengan keahlian industri yang mendalam untuk mendukung area seperti transformasi digital, manajemen inovasi, dan perbaikan operasional. Dengan penekanan kuat pada menghubungkan strategi, teknologi, dan eksekusi, Arthur D. Little telah membangun reputasi untuk membantu klien mengembangkan inovasi yang memecahkan dan beradaptasi dengan dinamika pasar yang berkembang pesat.

Anda menghabiskan lebih dari 16 tahun di Accenture, akhirnya memimpin teknologi dan sumber daya di seluruh BeNeLux dan Prancis, sebelum menjadi Mitra di Arthur D. Little. Bagaimana perjalanan itu membentuk perspektif Anda tentang apa yang benar-benar dibutuhkan oleh organisasi untuk berpindah dari eksperimen AI ke transformasi operasional skala besar?

Selama waktu saya di Accenture, saya melihat perusahaan berkembang dari 30.000 menjadi lebih dari 500.000 karyawan. Saya mengalami langsung bagaimana pengiriman IT dapat diindustrikan hingga tingkat yang ekstrem untuk mendukung transformasi skala besar untuk CIO.

Namun, selama beberapa tahun, IT telah semakin menjadi bagian inti dari bisnis, memicu kebutuhan organisasi untuk berpindah dari memperlakukan IT sebagai komoditas.

Ketika bergabung dengan Arthur D. Little, saya ingin mengeksplorasi bagaimana transformasi strategis bisnis inti dapat ditangani dari dalam, bagaimana solusi khusus daripada platform standar akan lebih memungkinkan diferensiasi, dan bagaimana akuntabilitas bersama dari seluruh ExCo dapat membantu organisasi membuat perubahan besar dalam penciptaan nilai.

Dalam pandangan terbaru Anda, It’s not the agents, it’s the system, Anda berargumen bahwa AI multi-agents kurang tentang teknologi dan lebih tentang perubahan model operasional. Mengapa Anda pikir banyak organisasi masih mendekati AI terutama sebagai masalah tooling?

Organisasi cenderung mendekati AI sebagai masalah tooling karena itu sesuai dengan struktur, anggaran, dan kepemilikan yang ada, menghindari kompleksitas perubahan fungsional. Ini memungkinkan pilot yang cepat dan kemajuan yang terlihat, tetapi sering kali menghasilkan inisiatif yang gagal untuk berkembang atau menghasilkan ROI yang signifikan. Banyak pemimpin juga bergantung pada model mental perangkat lunak warisan, menganggap AI dapat diterapkan seperti sistem IT tradisional daripada memerlukan desain ulang alur kerja dan keputusan. Pada saat yang sama, akuntabilitas untuk perubahan model operasional bersifat difus dan lebih sulit untuk dikelola, membuat inisiatif yang dipimpin oleh teknologi lebih menarik. Sebagai hasilnya, perusahaan default ke alat karena lebih mudah dan aman daripada menghadapi transformasi yang lebih dalam yang diperlukan untuk membuka nilai penuh AI.

Banyak perusahaan saat ini bereksperimen dengan AI agenik tetapi mengalami kesulitan untuk berkembang. Apa yang menjadi hambatan struktural paling umum yang mencegah organisasi berpindah dari pilot ke produksi?

Organisasi mengalami kesulitan untuk berkembang AI agenik karena mereka fokus pada kasus penggunaan yang terisolasi daripada merancang ulang proses akhir-ke-akhir dengan kepemilikan yang jelas. Model operasional sering tidak disesuaikan, dengan peran, hak keputusan, dan integrasi kolaborasi manusia-agents yang tidak jelas ke dalam alur kerja sehari-hari. Banyak inisiatif juga kekurangan hubungan yang kuat dengan hasil bisnis yang terukur, menyebabkan mereka terjebak dalam fase pilot tanpa menunjukkan ROI. Selain itu, data yang terfragmentasi dan sistem warisan membatasi kemampuan agen untuk beroperasi dengan lancar di seluruh fungsi. Akhirnya, manajemen perubahan yang lemah dan kekhawatiran tata kelola yang tidak terpecahkan seputar risiko dan keandalan lebih lanjut memperlambat adopsi dan mencegah berkembang.

Anda menekankan bahwa orkestrasi, bukan agen individual, adalah tempat nilai sebenarnya berada. Apa yang sebenarnya terlihat seperti orkestrasi yang efektif dalam lingkungan perusahaan nyata?

Orkestrasi yang efektif berarti merancang AI di sekitar proses bisnis akhir-ke-akhir, bukan alat individual, dengan agen yang ditugaskan peran yang jelas di seluruh alur kerja. Beberapa agen berkolaborasi seperti tim yang menangani intake, pengambilan keputusan, eksekusi, dan pengawasan – koordinasi melalui lapisan orkestrasi pusat. Agen-agen ini terintegrasi erat dengan sistem perusahaan melalui API dan sumber data, memungkinkan tindakan nyata daripada hanya wawasan. Lapisan orkestrasi juga mengelola urutan tugas, pengecualian, dan eskalasi ke manusia, memastikan eksekusi yang lancar dan terkendali. Akhirnya, tata kelola yang kuat, mekanisme validasi, dan umpan balik yang tertanam memastikan keandalan dan perbaikan terus-menerus.

Ketika organisasi merancang ulang alur kerja di sekitar AI, bagaimana hak keputusan harus berkembang antara manusia dan sistem otonom untuk menghindari baik over-otomatisasi dan bottleneck?

Hak keputusan harus berkembang menjadi model berbasis risiko di mana keputusan dengan risiko rendah dan volume tinggi diotomatisasi, sedangkan kasus dengan dampak tinggi atau tidak pasti tetap berada di bawah kendali manusia. Agen harus menangani persepsi, analisis, dan eksekusi, sedangkan manusia fokus pada penilaian, pengecualian, dan mendefinisikan hasil yang benar. Jalur eskalasi yang jelas diperlukan sehingga agen tahu kapan harus mengalihkan keputusan daripada melangkah lebih jauh dari wewenang mereka. Untuk menghindari bottleneck, keterlibatan manusia harus selektif dan fokus pada pengecualian daripada pengawasan penuh setiap langkah. Pada saat yang sama, guardrails yang kuat, mekanisme validasi, dan pemantauan memastikan kontrol dan mencegah over-otomatisasi.

Salah satu poin kunci Anda adalah bahwa keandalan harus direkayasa dari ujung ke ujung. Apa yang menjadi mode kegagalan terbesar yang Anda lihat saat ini ketika perusahaan mengirimkan sistem multi-agents tanpa pengaman yang cukup?

Mode kegagalan kunci adalah propagasi kesalahan, di mana kesalahan kecil oleh satu agen berkembang melalui sistem dan menjadi diperbesar. Masalah lainnya adalah halusinasi dan kepercayaan diri yang salah, karena AI dapat menghasilkan output yang masuk akal tetapi salah tanpa menandakan ketidakpastian. Organisasi juga berjuang ketika terlalu banyak otonomi diberikan kepada agen dalam keputusan yang berdampak tinggi tanpa gerbang persetujuan atau validasi yang tepat. Penanganan pengecualian yang lemah lebih lanjut memperburuk masalah, dengan agen gagal untuk mengalihkan kasus yang samar atau tepi ke manusia. Secara keseluruhan, kegagalan terjadi karena keandalan tidak direkayasa di seluruh sistem koordinasi, verifikasi, dan pengawasan.

Tata kelola sering diperlakukan sebagai lapisan kepatuhan daripada prinsip desain. Bagaimana perusahaan harus memikirkan kembali tata kelola ketika membangun model operasional yang asli AI?

Tata kelola harus bergeser dari lapisan kepatuhan pasca-fakta menjadi prinsip desain inti yang tertanam langsung ke dalam alur kerja AI. Ini berarti mengintegrasikan guardrails, langkah validasi, dan gerbang persetujuan pada titik keputusan kunci daripada menambahkan kontrol setelah penerapan. Perusahaan harus mengadopsi pendekatan berbasis risiko, menyesuaikan tingkat otonomi dan pengawasan manusia tergantung pada dampak dan ketidakpastian keputusan. Akuntabilitas yang jelas dan hak keputusan harus didefinisikan, memastikan agen tahu kapan harus bertindak dan kapan harus mengalihkan. Akhirnya, pemantauan terus-menerus, umpan balik, dan mekanisme keandalan yang direkayasa sangat penting untuk mempertahankan kepercayaan, kinerja, dan kontrol pada skala.

Dari pekerjaan Anda sebagai penasihat CIO dan CDO, apa yang membedakan organisasi yang mencapai ROI yang terukur dari AI daripada mereka yang tetap terjebak dalam eksperimen yang berkelanjutan?

Organisasi yang mencapai ROI fokus pada transformasi proses akhir-ke-akhir daripada kasus penggunaan AI yang terisolasi. Mereka menghubungkan inisiatif dengan KPI keuangan yang jelas dan mengintegrasikan AI ke dalam alur kerja, peran, dan struktur keputusan. Mereka juga berinvestasi dalam manajemen perubahan, adopsi, dan tata kelola untuk memastikan solusi berkembang secara efektif. Sebaliknya, organisasi yang terjebak dalam eksperimen menjalankan pilot yang tidak terkait, fokus pada alat daripada proses, dan kekurangan kepemilikan dan akuntabilitas yang jelas. Sebagai hasilnya, mereka gagal menerjemahkan AI menjadi nilai bisnis yang terukur dan tetap terjebak dalam fase pilot.

Ketika sistem multi-agents menjadi lebih kompleks, bagaimana organisasi harus memikirkan tentang kemampuan pengamatan, pemantauan, dan eskalasi untuk mempertahankan kepercayaan dalam keputusan yang dipimpin oleh AI?

Organisasi harus memperlakukan kemampuan pengamatan, pemantauan, dan eskalasi sebagai elemen desain sistem inti, bukan sebagai pemikiran lanjutan. Ini termasuk memastikan jejak yang penuh melalui logging, jejak audit, dan titik periksa validasi sehingga keputusan dapat dipahami dan diverifikasi. Pemantauan harus fokus tidak hanya pada kinerja tetapi juga pada kualitas hasil, kesalahan, dan bagaimana masalah berkembang melalui agen. Aturan eskalasi yang jelas diperlukan sehingga agen dapat mengalihkan ke manusia dalam situasi yang berisiko tinggi atau samar tanpa menciptakan bottleneck. Akhirnya, kepercayaan datang dari sistem yang transparan, terukur, dan dirancang untuk pengawasan manusia secara default.

Menghadap ke depan, bagaimana Anda melihat model operasional perusahaan berkembang selama 3 hingga 5 tahun ke depan ketika sistem AI multi-agents menjadi lebih dalam tertanam dalam proses bisnis inti?

Model operasional perusahaan akan berkembang menuju tenaga kerja hibrida manusia-AI, di mana agen bertindak sebagai karyawan digital yang tertanam dalam proses inti. Organisasi akan bergeser dari silo fungsional ke struktur yang berfokus pada proses dengan kepemilikan akhir-ke-akhir dan orkestrasi di seluruh alur kerja. Pengambilan keputusan akan menjadi lebih dinamis, dengan tugas rutin yang diotomatisasi dan manusia yang fokus pada pengecualian dan pengawasan. Mekanisme tata kelola dan keandalan akan dibangun ke dalam operasi sehari-hari daripada diperlakukan sebagai lapisan terpisah. Akhirnya, keunggulan kompetitif akan bergantung pada seberapa baik perusahaan merancang ulang model operasional mereka di sekitar AI, bukan hanya pada teknologi itu sendiri.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Arthur D. Little.