Strategi Implementasi AI: Dari Pilot yang Mengutamakan Teknologi hingga Eksekusi yang Mengutamakan Strategi

Sebagian besar inisiatif AI gagal bukan karena teknologinya tidak berfungsi, melainkan karena organisasi tidak mengetahui masalah apa yang sebenarnya sedang mereka coba selesaikan.

Menurut studi MIT State of AI in Business 2025¹ sebagian besar organisasi telah menerapkan setidaknya beberapa pilot AI, tetapi banyak yang masih menyebutkan dampak yang rendah dan tidak ada pengembalian yang terukur atas inisiatif AI.

Dengan segala janji revolusi AI, kita tetap memerlukan pendekatan berbasis nilai yang baik dan klasik untuk memastikan bahwa apa yang kita lakukan mendorong hasil bagi pemangku kepentingan.

Pandangan Ahli Strategi tentang Inisiatif AI

Seperti yang biasanya terjadi ketika teknologi baru yang mengilap muncul, para ahli lahir hanya dengan mengubah tagline pada profil LinkedIn mereka. AI bukan pengecualian. Dengan begitu banyak ahli dan begitu banyak konten generik yang dihasilkan AI, mengapa Anda harus mempertimbangkan perspektif saya?

Saya mulai bereksperimen dengan AI sejak tahun 2000, pada masa pra-universitas, ketika mencoba memecahkan masalah pengenalan tulisan tangan menggunakan jaringan saraf. Memenangkan beberapa kompetisi junior memang sangat menyenangkan, tetapi pengembangan jaringan saraf pada waktu itu dibatasi oleh kapasitas komputasi. Bidang minat saya kemudian beralih ke ilmu TI, matematika terapan, fisika, lalu ke disiplin yang lebih berorientasi bisnis, seperti pengukuran kinerja dan perencanaan strategis. AI tidak pernah menjadi keahlian inti saya (meskipun demikian, saya suka membuat beberapa paralel antara fungsi rantai, gradien, backpropagation AI, dan kemampuan organisasi untuk belajar).

Saat ini, saya memandang AI dari sudut pandang seorang ahli strategi, dengan latar belakang tertentu dalam matematika terapan. LLM sangat menakjubkan sebagai teknologi, tetapi dari sudut pandang perencanaan strategis, saya menganggapnya lebih seperti proyek transformasi digital yang kompleks daripada Inisiatif pembuat keajaiban.

Saya memang membantu organisasi dengan Inisiatif AI mereka, tetapi saya melakukannya dengan pendekatan yang mengutamakan strategi, bukan yang mengutamakan teknologi. Kami biasanya banyak membahas pemangku kepentingan, kebutuhan mereka, maksud strategis mereka, bagaimana visi organisasi diterjemahkan menjadi tujuan jangka panjang, bagaimana tujuan tersebut diuraikan menjadi sasaran yang spesifik, dan bagaimana kami membuatnya menjadi lebih spesifik dan tidak ambigu dengan KPI.

AI hanyalah bagian dari teka-teki yang mungkin cocok atau mungkin tidak dengan cara strategi ini akan dieksekusi.

Entah bagaimana, apa yang saya lakukan selaras dengan kebutuhan umum untuk menghadirkan kejelasan dalam ranah AI, sehingga saya juga membagikan perspektif saya melalui presentasi konferensi. Pada tahun 2026, topiknya adalah “Strategi implementasi AI” di Munich, dan kemudian pada bulan Mei “Mengukur kepercayaan pada AI” di Wina.

Sebelum Menerapkan AI – Lakukan Pekerjaan Rumah Strategi Anda Terlebih Dahulu

Laporan MIT yang disebutkan di atas menegaskan sebuah kebenaran sederhana:

Menerapkan AI itu mudah – menciptakan nilai dengan AI itu sulit.

Perspektif para ahli strategi mengenai hal ini jelas: sebelum mempertimbangkan Inisiatif perubahan apa pun, pastikan Anda telah melakukan Penurunan strategi dengan tepat dan memantau strategi tersebut. Tanpa dasar-dasar ini, menurut saya tidak layak untuk melanjutkan Inisiatif transformasi apa pun.

Penerapan AI adalah alasan yang baik untuk kembali ke dasar (kebutuhan Pemangku kepentingan) dan untuk merenungkan berbagai kemungkinan yang dapat ditawarkan AI.

Berpikirlah dalam kerangka kondisi batas: seperti apa organisasi Anda jika semua hambatan yang mungkin terhadap penerapan AI (teknologi, arsitektur, kepatuhan, legal, orang, dan sebagainya) telah teratasi?!

Salah satu definisi eksekusi strategi adalah memvalidasi hipotesis dalam praktik. Sebagai bagian dari pekerjaan rumah AI, merupakan ide yang baik untuk merumuskan hipotesis-hipotesis tersebut. Cobalah teknologinya sedikit, buat beberapa prototipe untuk mendapatkan gambaran di mana potensi jebakan dapat muncul dalam hal implementasi, kesenjangan kapabilitas, dan ekspektasi pengguna.

Mari kita bahas beberapa prinsip tertentu agar penerapan AI lebih berhasil dalam hal menciptakan nilai nyata bagi Pemangku kepentingan.

Prinsip 1. Atasi Tantangan Nyata – Ketahui Kebutuhan Pemangku kepentingan Anda

Apa perbedaan antara implementasi yang mengutamakan teknologi dan implementasi yang mengutamakan strategi? Dengan implementasi yang mengutamakan strategi, Anda selalu memulai dari konteks bisnis. Anda mengenal pemangku kepentingan Anda, kebutuhan mereka, tujuan tingkat tinggi dan sasaran spesifik Anda, serta Anda berupaya memahami bagaimana teknologi baru akan membantu Anda mengeksekusi sasaran tersebut dengan lebih efektif – khususnya, bagaimana hal itu akan berdampak pada metrik yang Anda lacak.

Hal ini menciptakan fokus pada hal yang penting, alih-alih sekadar bermain-main dengan teknologi.

Kandidat target yang baik untuk implementasi AI adalah:

• Metrik biaya
• Metrik waktu
• Metrik kompleksitas sebagai turunan dari biaya, waktu, dan kompleksitas siklomatik
• Metrik kualitas (tingkat kesalahan, persentase masalah yang berulang)
• Metrik talenta (area dengan tingkat pergantian yang tinggi)

Untuk menegaskan kembali pentingnya dekomposisi strategi awal: seharusnya bukan “kita akan bertransformasi menjadi organisasi yang mengutamakan AI.” Harus ada tantangan spesifik yang ingin Anda atasi, dengan pemangku kepentingan terkait di belakangnya serta kepemilikan yang jelas dalam hal pelaksanaan. Pendekatan ini sangat selaras dengan prinsip-prinsip agile yang kami gunakan dalam pengembangan perangkat lunak.

Jika Anda bersikeras untuk menciptakan ulang organisasi Anda dan menjadi organisasi yang mengutamakan AI, pastikan untuk memulai dari strategi, pemangku kepentingan, dan kebutuhan mereka!

Prinsip 2. Bersiap untuk jangka panjang – Pikirkan tentang arsitektur sejak awal

Saya menyebutkan bahwa saya melihat AI sebagai transformasi digital lainnya, sebuah Inisiatif perubahan. Namun, Inisiatif perubahan ini jelas lebih kompleks daripada, katakanlah, menerapkan CRM.

Dalam hal ini, perencanaan arsitektur untuk AI sangat penting. Pertimbangkan:

• Bagaimana konteks dan prompt akan dipertahankan;
• Bagaimana Anda akan menghubungkan AI ke lingkungan bisnis yang sudah ada;
• Bersiap untuk mengorkestrasi beberapa alat AI;
• Bersiap untuk mendesain ulang alur kerja tertentu dari awal.

Bayangkan, misalnya, Anda menggunakan AI untuk menanggapi pertanyaan pengguna melalui chatbot. Arsitektur yang Anda pilih akan ditentukan oleh pertanyaan seperti:

• Apa yang akan menjadi siklus pembelajaran?
• Apakah akan ada pengawasan manusia? Bagaimana penerapannya?
• Bagaimana tindakan korektif akan diperkenalkan?
• Apakah AI akan memiliki akses ke dialog sebelumnya dengan pengguna yang sama?
• Apakah AI akan dapat mengambil data langsung dari CRM?
• Mekanisme keamanan apa yang akan diterapkan?

Kemampuan AI untuk belajar, mengingat konteks, dan meningkatkan diri akan menjadi faktor terkemuka dari tingkat adopsi dari waktu ke waktu. Pastikan arsitektur yang Anda pilih untuk penerapan AI mendukung kebutuhan pembelajaran ini.

Prinsip 3. Jadikan Kualitas dan Kepatuhan Bermakna bagi Pemangku kepentingan

AI menyentuh terlalu banyak titik sensitif dalam organisasi – akses ke data pelanggan, bekerja dengan alat pihak ketiga, mendukung pengambilan keputusan, berkomunikasi dengan pengguna, dan menyimpan data untuk kemungkinan audit.

Dalam skala tertentu dari penerapan AI, kontrol kualitas dan kepatuhan wajib ada.

Kita sedang bergerak ke ranah GRC, tetapi sekali lagi, ini bukan tentang AI. Ini tentang strategi Anda, risiko apa yang ditimbulkan AI terhadapnya, serta bagaimana kita dapat mencegah dan memitigasinya.

Kita sering mendengar bahwa untuk penerapan AI seharusnya ada:

• Manusia dalam loop,
• Jejak audit,
• Keterjelasan,
• …

Apa yang dalam praktiknya kurang adalah keterkaitan antara gagasan-gagasan ini dan apa yang benar-benar dipedulikan oleh pemangku kepentingan.

Saya menilai metode analisis risiko bowtie sangat sesuai untuk peran ini. Lakukan untuk suatu peristiwa risiko sentral, dengan mendefinisikan ancaman beserta kontrol pencegahan yang sesuai, serta konsekuensi dari peristiwa risiko beserta kontrol mitigasi yang sesuai.

Kami membahas contoh analisis semacam itu dalam kasus “Penerapan AI dalam kontrol kualitas medis”² yang dipresentasikan di OOP. Dalam kasus tersebut, peristiwa risiko sentral dirumuskan sebagai “Hasil yang divalidasi AI disetujui tanpa tinjauan manusia yang memadai.”

Dengan menggunakan kontrol pencegahan risiko dan kontrol mitigasi risiko, kami menyelaraskan penerapan AI dengan kekhawatiran kualitas dan kepatuhan dari para pemangku kepentingan. Jika gagasan ini diskalakan, kontrol yang sama akan membantu membangun kerangka tata kelola AI yang komprehensif. Ketika pendekatan ini diskalakan di seluruh organisasi, kontrol yang sama dapat digunakan untuk menetapkan kerangka tata kelola AI yang komprehensif.

Ringkasan Eksekutif: Menggeser AI dari Teknologi menjadi Strategi

Ikuti prinsip-prinsip berikut untuk implementasi AI yang mengutamakan strategi:

• Fokuskan implementasi pada kebutuhan spesifik pemangku kepentingan; idealnya, kuantifikasi atas hasil aktual vs. hasil yang diharapkan harus ditetapkan.
• Implementasi AI adalah sistem pembelajaran yang kompleks, bukan koneksi satu kali ke API dari sebuah LLM – rencanakan arsitektur-nya dengan tepat.
• Tetapkan kontrol kualitas dan kepatuhan serta komunikasikan kepada pemangku kepentingan; hal ini akan menentukan penerimaan implementasi AI di masa depan. Metode bowtie telah terbukti menjadi alat yang sangat baik untuk tujuan ini.

Pendekatan yang mengutamakan strategi juga memerlukan pengawasan berkelanjutan setelah peluncuran. Pelajari prinsip-prinsip pengawasan implementasi AI untuk menghubungkan maksud strategis dengan tata kelola, kontrol kualitas, dan hasil yang terukur.

Alexis Savkín

Alexis Savkin adalah seorang Arsitek Strategi dan pendiri BSC Designer, sebuah platform perangkat lunak pelaksanaan strategi dengan Kartu Skor Berimbang sebagai inti utamanya. Ia membantu organisasi menerjemahkan strategi menjadi tujuan yang terukur, KPI, dan inisiatif. Alexis adalah pencipta Kanvas Pelaksanaan Strategi, penulis lebih dari 100 artikel tentang strategi dan pengukuran kinerja, serta pembicara tetap.