Cara Menghentikan Kerugian pada Pilot AI: Tiga Kesalahan dan Apa yang Harus Dilakukan Sebagai Gantinya

Selama beberapa tahun terakhir, industri keuangan telah berlomba-lomba mengimplementasikan kecerdasan buatan. Perusahaan semakin banyak membeli model dan menandatangani kontrak dengan vendor, namun hal itu menghasilkan sedikit atau hasil yang menakutkan. Menurut sebuah studi MIT yang diterbitkan tahun lalu, 95% pilot AI korporasi tidak memberikan dampak yang dapat diukur pada keuntungan perusahaan.

Pada saat yang sama, pengeluaran melambung tinggi, diperkirakan tahun lalu dunia menghabiskan 1,76 triliun dolar untuk AI, dan pada tahun 2026 angka ini diproyeksikan naik menjadi 2,59 triliun. Jadi uang yang dikeluarkan dan uang yang kembali tampak sangat berbeda, dan biaya pada dasarnya meningkat tanpa hasil.

Namun, masalahnya bukan karena teknologinya lemah. Model AI menjadi semakin cerdas setiap tahun, hingga OpenAI memutuskan menunda pengembangannya agar tidak terlalu maju. Jadi, dalam kasus ini, kelemahan sebenarnya adalah kurangnya model operasional yang dapat secara efektif memanfaatkan teknologi ini.

Ilusi Memiliki Pilot

Skala integrasi AI begitu besar sehingga hampir setiap perusahaan fintech atau keuangan tradisional baru-baru ini meluncurkan setidaknya satu pilot AI, misalnya chatbot untuk klien. Namun apa pun yang mereka luncurkan, semua cerita ini pada akhirnya berakhir dengan cukup tidak menyenangkan.

Semua dimulai dengan tim tertentu yang membangun bukti konsep yang berkinerja baik dalam kondisi uji terkontrol. Kemudian, setelah demo, manajemen terkesan dan mengizinkan mereka menerapkannya, namun pada suatu titik proyek tersebut mengalami kegagalan atau terbukti tidak efektif. Tapi mengapa?

Tentu saja, tidak setiap proyek AI internal gagal, karena jika begitu tidak akan ada insinyur ML yang tersisa, dan teknologi tersebut akan menjadi tidak berguna. Namun saya telah menyaksikan siklus kegagalan ini begitu sering sehingga saya sudah sangat memahami akarnya. Singkatnya, masalahnya ada pada pilot itu sendiri, yang meskipun dapat dilakukan dengan baik, tidak dirancang untuk sesuai dengan cara kerja bisnis yang sesungguhnya dan berfungsi dari hari ke hari.

Akibatnya, model yang berfungsi sangat baik secara terpisah akan menemui sirkuit operasional dan berhadapan dengan infrastruktur warisan atau karyawan yang bahkan tidak tahu cara bekerja dengan teknologi tersebut. Namun tidak ada satu pun hambatan ini yang dapat diselesaikan oleh algoritma yang lebih pintar. Semua itu hanya dapat diperbaiki melalui keputusan manajemen, dan ini bukan area tanggung jawab ilmuwan data.

Beberapa Kesalahan yang Lebih Baik Dihindari

Sebelum kita melihat cara mengintegrasikan AI secara lebih efektif dalam sebuah perusahaan, mari pertimbangkan kesalahan lain yang dapat terjadi di sepanjang proses.

Kesalahan pertama dan paling penting, seperti yang telah kami sebutkan secara tidak langsung, adalah memperlakukan AI sebagai tambahan tanpa membangun kembali prosesnya. Faktanya, banyak perusahaan mengambil alur kerja yang ada dan sekadar menyematkan alat AI pada satu langkah, tanpa mempertimbangkan apakah AI masuk akal dalam proses tersebut.

Jadi, sebagai manajer, saya akan bertanya pada diri sendiri terlebih dahulu: apakah proses ini bahkan diperlukan di perusahaan Anda? Jika alur kerja tidak efisien sebelum otomatisasi, ia akan tetap tidak efisien setelahnya. Bahkan bisa menjadi lebih buruk, karena AI dapat mengingat pola negatif dan mengulanginya.

Kesalahan berikutnya terjadi ketika manajer meremehkan beban kepatuhan dan tata kelola. Layanan keuangan menghadapi beberapa tekanan regulasi paling ketat di antara semua industri, dan, misalnya, Anda tidak dapat mengotomatiskan seluruh departemen kepatuhan dengan AI. Hal yang sama berlaku untuk penyediaan layanan langsung dan manajemen portofolio. Ini tampak seperti kebenaran universal, namun Anda akan terkejut melihat berapa banyak pendiri yang melakukan kesalahan.

Dan terakhir namun tidak kalah penting, banyak perusahaan lupa melatih karyawan mereka untuk implementasi AI. Ketika teknologi mengambil alih rutinitas karyawan, insting pertama sering kali adalah mengurangi staf, karena banyak tugas dapat diselesaikan lebih cepat dengan lebih sedikit orang. Meskipun hal ini akan mengurangi pengeluaran Anda dalam jangka pendek, itu sangat pendek pandang.

Jika Anda menginginkan nilai nyata, tanyakan pada diri Anda pertanyaan yang berbeda. Pekerjaan tingkat lebih tinggi apa yang dapat dilakukan orang kami sekarang setelah mereka terbebas dari rutinitas? Apakah mereka siap melakukannya dengan keterampilan dan motivasi mereka saat ini?

Apa yang Harus Dimulai pada Senin untuk Efisiensi Lebih Tinggi

Sebagai langkah pertama, audit pilot AI yang ditangguhkan. Artinya, jangan memperkenalkan ide baru sampai Anda menangani yang lama dengan tepat. Dalam 90% kasus, masalahnya adalah kurangnya tanggung jawab, fakta bahwa tidak ada yang jelas bertanggung jawab untuk memperbesarnya. Jadi, tetapkan kepemilikan.

Jika seseorang sudah mengendalikan AI, langkah selanjutnya adalah meninjau proses tersebut dan membangunnya kembali sepenuhnya. Jangan sekadar menambahkan AI ke alur kerja yang ada. Saran saya adalah menanyakan seperti apa proses ini jika kami merancangnya hari ini dari nol, dengan mengetahui AI dapat melakukan analisis utama. Seringkali jawabannya jauh lebih sederhana daripada yang terlihat.

Juga, jangan lupa menghitung angka nyata yang dibawa oleh model AI. Jika, enam bulan setelah peluncuran, Anda tidak dapat menyebutkan angka mengenai efektivitas model Anda (misalnya, jam yang dihemat atau peningkatan keuntungan), maka model tersebut tidak berfungsi sebagaimana mestinya, sehingga lebih baik mempertimbangkan kembali nilainya.

Dan, mungkin yang paling penting, jangan memecat orang, terutama mereka yang bertanggung jawab dan yang selalu melakukan pekerjaan mereka dengan jujur. Jika orang membawa lebih banyak uang ke perusahaan daripada yang mereka hasilkan dalam setahun, pemecatan akan menjadi masalah bagi Anda sangat cepat. Dan perusahaan yang tidak memahami hal ini kehilangan pengetahuan institusional dan kepercayaan tim, yang kemudian biayanya jauh lebih besar.

Jika digabungkan, 95% pilot tidak mencapai hasil, bukan karena teknologinya gagal. Mereka tidak berhasil karena organisasi di sekitarnya tetap sama dan usang. Inilah satu-satunya variabel yang harus diubah terlebih dahulu.