Kemerosotan produktivitas: Proyek AI tidak memberikan hasil yang terukur bagi 95% perusahaan dan bagaimana mereka (harus) menghindarinya

Penting untuk diketahui! Paradoks kecerdasan buatan: Mengapa miliaran investasi di perusahaan terbuang sia-sia

Meskipun investasi yang belum pernah terjadi sebelumnya sebesar $30 hingga $40 miliar dalam kecerdasan buatan generatif, 95 persen perusahaan tidak melihat pengembalian investasi yang terukur. Penilaian yang suram ini, yang diungkapkan oleh studi komprehensif MIT dari tahun 2025, menyoroti kesenjangan dramatis antara harapan dan kenyataan. Sementara teknologi ini menjadi berita utama setiap hari dan dipuji sebagai kunci keberlanjutan di masa depan, sebagian besar perusahaan gagal menghasilkan nilai nyata dari inisiatif AI mereka.

Kesenjangan GenAI: Jurang pemisah tak terlihat dalam perekonomian

Massachusetts Institute of Technology menciptakan istilah "kesenjangan GenAI" untuk fenomena ini – jurang pemisah yang dalam antara beberapa perusahaan yang mendapat manfaat dari kecerdasan buatan dan sebagian besar perusahaan yang tetap terjebak dalam fase uji coba yang tak berujung. Kesenjangan ini tidak muncul sebagai masalah teknis, tetapi sebagai kegagalan organisasi dengan konsekuensi yang luas.

Angka-angka berbicara sendiri: Hanya lima persen dari proyek percontohan AI terintegrasi yang saat ini menghasilkan nilai terukur, sementara 95 persen sisanya tidak menunjukkan dampak pada laporan laba rugi. Perbedaan ini semakin mencolok mengingat alat-alat konsumen seperti ChatGPT dan Microsoft Copilot menikmati tingkat adopsi yang tinggi. Sekitar 80 persen organisasi sedang menguji platform ini, dan hampir 40 persen telah mengimplementasikannya.

Temuan penelitian ini didasarkan pada analisis sistematis terhadap lebih dari 300 implementasi AI publik dan wawancara terstruktur dengan 153 eksekutif dari berbagai industri. Studi yang dilakukan antara Januari dan Juni 2025 ini mengungkapkan empat pola karakteristik kesenjangan GenAI: disrupsi terbatas hanya di dua dari delapan sektor utama, paradoks perusahaan dengan aktivitas percontohan yang tinggi tetapi penskalaan yang rendah, bias investasi yang mendukung fitur yang terlihat, dan keuntungan implementasi untuk kemitraan eksternal dibandingkan pengembangan internal.

Workslop: Racun tersembunyi dari produktivitas AI

Salah satu fenomena yang sangat berbahaya yang diidentifikasi oleh penelitian ini disebut "Workslop"—gabungan dari kata "work" (kerja) dan "slop" (sampah)—yang menggambarkan konten kerja yang dihasilkan AI yang, di permukaan, tampak profesional tetapi, setelah diperiksa lebih dekat, tidak lengkap dan tidak dapat digunakan. Pekerjaan yang tampaknya rapi tetapi tidak substansial ini mengalihkan beban dari pencipta ke penerima, sehingga meningkatkan beban kerja secara keseluruhan alih-alih menguranginya.

Dampak Workslop sangat besar: 40 persen dari lebih dari 1.150 karyawan tetap AS yang disurvei melaporkan menerima konten semacam itu dalam sebulan terakhir. Karyawan memperkirakan bahwa rata-rata 15,4 persen dokumen kerja yang mereka terima termasuk dalam kategori ini. Sektor jasa profesional dan teknologi sangat terpengaruh, dengan fenomena ini terjadi lebih sering daripada rata-rata di industri-industri tersebut.

Biaya finansialnya sangat besar: Setiap insiden Workslop merugikan perusahaan rata-rata $186 per bulan per karyawan. Untuk organisasi dengan 10.000 karyawan, ini berarti kerugian produktivitas lebih dari $9 juta per tahun. Namun, biaya sosial dan emosionalnya berpotensi jauh lebih besar. 53 persen penerima melaporkan merasa jengkel, 38 persen merasa bingung, dan 22 persen menganggap konten tersebut menyinggung.

Kepercayaan antar kolega sangat terganggu: Kira-kira setengah dari penerima memandang kolega yang mengirim Workslop sebagai kurang kreatif, cakap, dan dapat diandalkan. 42 persen menganggap mereka kurang dapat dipercaya, dan 37 persen kurang cerdas. Sepertiga dari mereka yang terdampak lebih memilih untuk mengurangi kerja sama dengan kolega seperti itu di masa mendatang. Erosi hubungan kerja ini mengancam elemen-elemen penting kolaborasi yang sangat penting untuk keberhasilan adopsi AI dan manajemen perubahan.

Kesenjangan pembelajaran struktural: Mengapa perusahaan gagal

Masalah utamanya bukan terletak pada teknologi itu sendiri, tetapi pada kesenjangan pembelajaran mendasar yang memengaruhi baik sistem AI maupun organisasi. Sistem AI generatif saat ini tidak dapat menyimpan umpan balik secara permanen, beradaptasi dengan konteks organisasi, atau terus meningkatkan kinerjanya. Keterbatasan ini menyebabkan bahkan para profesional yang menggunakan ChatGPT setiap hari dalam kehidupan pribadi mereka menolak implementasi AI internal perusahaan mereka.

Contoh yang sangat mencolok datang dari seorang pengacara yang melaporkan bahwa alat analisis kontrak senilai $50.000 milik firma hukumnya secara konsisten berkinerja lebih buruk daripada langganan ChatGPT-nya yang seharga $20. Perbedaan ini menyoroti paradoks bahwa alat untuk konsumen seringkali memberikan hasil yang lebih baik daripada solusi perusahaan yang mahal, meskipun keduanya didasarkan pada model yang serupa.

Kelemahan AI perusahaan yang diremehkan – dan bagaimana alat-alat untuk konsumen mengunggulinya

Keunggulan mencolok dari alat AI konsumen yang murah seperti ChatGPT dibandingkan solusi perusahaan yang mahal dapat dikaitkan dengan beberapa penyebab spesifik. Masalah utamanya adalah, meskipun sistem AI perusahaan sangat terspesialisasi dan mahal, sistem tersebut sering dikembangkan tanpa mempertimbangkan kebutuhan penting pengguna atau evolusi dinamis model. Alat konsumen seringkali lebih fleksibel, intuitif, dan lebih optimal melalui jutaan interaksi pengguna. Sistem perusahaan, di sisi lain, dibatasi oleh integrasi yang kompleks, silo data, dan alur kerja yang kaku, dan seringkali gagal menyimpan umpan balik secara permanen.

Salah satu masalah utama adalah kurangnya kemampuan beradaptasi: Solusi perusahaan diimplementasikan sekali dan kemudian hanya dikembangkan lebih lanjut secara lambat, sementara alat AI konsumen terus dilatih berdasarkan umpan balik pengguna dan pengetahuan terkini. Dengan ChatGPT, pengguna dapat mengajukan pertanyaan langsung dalam dialog, memvariasikan masukan mereka, dan langsung menerima hasil yang dioptimalkan. Di sisi lain, banyak solusi perusahaan sangat berbasis formulir dan menggunakan modul teks yang telah ditentukan sebelumnya, yang seringkali sudah usang – sehingga sangat tidak fleksibel dan kurang responsif.

Ditambah lagi dengan upaya integrasi dan administrasi yang tinggi: Solusi mahal harus disesuaikan dengan proses perusahaan, pedoman perlindungan data, dan antarmuka, dan karena terlalu banyak batasan sistematis, solusi tersebut tidak lagi dapat mengimbangi kecepatan inovasi penawaran konsumen. Terutama untuk tugas-tugas spesifik seperti analisis kontrak, model generik seringkali bahkan lebih efisien, karena mencakup pengetahuan yang lebih luas dan dapat dikontrol langsung oleh pengguna melalui petunjuk yang lebih baik. AI perusahaan kustom seringkali kekurangan fondasi data yang berarti dan tidak dapat secara mandiri memperluas konteksnya dan belajar.

Akibatnya, semua aspek ini mengarah pada situasi paradoks: Meskipun sejumlah besar uang dihabiskan untuk AI perusahaan yang tampaknya dirancang khusus, hasilnya seringkali kurang relevan, praktis, atau akurat dibandingkan dengan solusi konsumen yang lebih murah dan fleksibel yang dapat diadaptasi secara langsung dan tanpa jalan memutar sesuai kebutuhan spesifik pengguna.

Batasan tak terlihat dari alat AI arus utama

Alat AI konsumen umumnya dioptimalkan untuk topik-topik umum dan tugas-tugas umum. Data pelatihan yang menjadi dasarnya biasanya berasal dari sumber yang tersedia untuk umum seperti internet, teks publik, dan contoh-contoh sehari-hari yang umum. Hal ini membuat alat-alat tersebut sangat efektif untuk pertanyaan umum, teks umum, atau proses standar—misalnya, membuat salinan pemasaran, menjawab email, atau mengotomatiskan tugas-tugas rutin sederhana.

Namun, semakin khusus persyaratannya, semakin parah pula keterbatasan AI konsumen umum. Begitu tugas-tugas yang spesifik untuk industri atau bisnis penting terlibat, alat-alat ini biasanya kekurangan informasi detail yang diperlukan, data spesifik subjek, atau pelatihan khusus. Tugas-tugas seperti analisis kontrak dengan terminologi hukum yang kompleks, laporan teknis, atau proses yang sangat individual di sektor B2B seringkali tidak dapat diotomatisasi secara bermakna karena AI tidak mengetahui konteks yang relevan atau tidak dapat menafsirkannya dengan andal.

Hal ini paling jelas terlihat di industri yang sangat terspesialisasi dan dengan persyaratan individual yang spesifik untuk setiap perusahaan. Semakin sedikit informasi yang tersedia secara bebas—misalnya, tentang produk inti perusahaan atau proses internal yang bersifat rahasia—semakin tinggi tingkat kesalahan AI konsumen. Akibatnya, sistem tersebut berisiko memberikan rekomendasi yang salah atau tidak lengkap dan, dalam kasus terburuk, bahkan dapat menghambat proses bisnis yang penting atau menyebabkan kesalahan penilaian.

Dalam praktiknya, ini berarti bahwa alat AI konsumen biasanya cukup untuk tugas-tugas umum; namun, tingkat kegagalan alat-alat ini meningkat secara signifikan seiring dengan meningkatnya spesialisasi. Oleh karena itu, perusahaan yang mengandalkan pengetahuan khusus industri, validasi proses yang tepat, atau kustomisasi yang ekstensif akan mendapatkan manfaat dalam jangka panjang dari solusi perusahaan mereka sendiri dengan basis data khusus dan pelatihan yang disesuaikan.

Kendala sebenarnya dalam penskalaan AI bukanlah pada kecerdasannya: melainkan ketika ekspektasi tinggi terhadap fleksibilitas menghambatnya

Hambatan untuk keberhasilan penskalaan AI sangat beragam: Pertama dan terpenting adalah keengganan untuk mengadopsi alat-alat baru, diikuti oleh kekhawatiran tentang kualitas model. Yang menarik adalah bahwa kekhawatiran tentang kualitas ini bukan disebabkan oleh kekurangan kinerja objektif, melainkan oleh kebiasaan pengguna terhadap fleksibilitas dan responsivitas alat-alat konsumen, yang membuat mereka menganggap alat-alat perusahaan yang statis sebagai tidak memadai.

Untuk tugas-tugas yang sangat penting bagi bisnis, kesenjangan tersebut bahkan lebih nyata: Sementara 70 persen pengguna lebih memilih AI untuk tugas-tugas sederhana seperti menulis email atau analisis dasar, 90 persen lebih memilih karyawan manusia untuk proyek-proyek kompleks atau dukungan pelanggan. Garis pemisah tersebut bukanlah pada kecerdasan, tetapi pada kemampuan mengingat, beradaptasi, dan kemampuan belajar berkelanjutan.

Ekonomi AI Bayangan: Revolusi AI Rahasia di Tempat Kerja

Di samping inisiatif AI resmi yang mengecewakan, "ekonomi AI bayangan" berkembang pesat, di mana karyawan menggunakan alat AI pribadi untuk tugas pekerjaan, seringkali tanpa sepengetahuan atau persetujuan departemen TI. Skalanya sangat mencengangkan: Meskipun hanya 40 persen perusahaan yang melaporkan telah membeli langganan LLM resmi, karyawan dari lebih dari 90 persen perusahaan yang disurvei melaporkan secara teratur menggunakan alat AI pribadi untuk tujuan profesional.

Ekonomi paralel ini mengungkapkan poin penting: individu dapat berhasil menjembatani kesenjangan GenAI jika mereka memiliki akses ke alat yang fleksibel dan responsif. Organisasi yang mengenali dan membangun pola ini mewakili masa depan adopsi AI perusahaan. Perusahaan-perusahaan progresif sudah mulai menjembatani kesenjangan ini dengan belajar dari penggunaan bayangan dan menganalisis alat pribadi mana yang memberikan nilai sebelum memperoleh alternatif perusahaan.

Dimensi baru transformasi digital dengan 'Managed AI' (Kecerdasan Buatan) – Platform & Solusi B2B | Xpert Consulting - Gambar: Xpert.Digital

Di sini Anda akan mempelajari bagaimana perusahaan Anda dapat menerapkan solusi AI yang disesuaikan dengan cepat, aman, dan tanpa hambatan masuk yang tinggi.

Platform AI Terkelola adalah paket lengkap dan bebas repot untuk kecerdasan buatan. Alih-alih berurusan dengan teknologi yang rumit, infrastruktur yang mahal, dan proses pengembangan yang panjang, Anda akan mendapatkan solusi siap pakai yang disesuaikan dengan kebutuhan Anda dari mitra spesialis – seringkali dalam beberapa hari.

Manfaat utama sekilas:

⚡ Implementasi cepat: Dari ide hingga aplikasi operasional dalam hitungan hari, bukan bulan. Kami memberikan solusi praktis yang menciptakan nilai langsung.

Keamanan data maksimal: Data sensitif Anda tetap menjadi milik Anda. Kami menjamin pemrosesan yang aman dan sesuai aturan tanpa membagikan data dengan pihak ketiga.

💸 Tanpa risiko finansial: Anda hanya membayar untuk hasil. Investasi awal yang tinggi untuk perangkat keras, perangkat lunak, atau personel sepenuhnya dihilangkan.

🎯 Fokus pada bisnis inti Anda: Fokuslah pada keahlian Anda. Kami menangani seluruh implementasi teknis, operasional, dan pemeliharaan solusi AI Anda.

📈 Tahan Masa Depan & Skalabel: AI Anda tumbuh bersama Anda. Kami memastikan pengoptimalan dan skalabilitas berkelanjutan, serta menyesuaikan model secara fleksibel dengan kebutuhan baru.

Lebih lanjut tentang itu di sini:

• Solusi AI Terkelola - Layanan AI Industri: Kunci daya saing di sektor jasa, industri, dan teknik mesin

Salah alokasi investasi: kemewahan dan gemerlap, bukan substansi

Aspek penting lain dari kesenjangan GenAI terlihat jelas dalam pola investasi: Sekitar 50 persen anggaran GenAI dialokasikan untuk fungsi penjualan dan pemasaran, meskipun otomatisasi back-office seringkali memberikan ROI yang lebih baik. Bias ini tidak mencerminkan nilai sebenarnya, melainkan lebih kepada alokasi metrik yang lebih mudah ke area yang lebih terlihat.

Penjualan dan pemasaran mendominasi alokasi anggaran bukan hanya karena visibilitasnya, tetapi juga karena hasil seperti volume demo atau waktu respons email secara langsung selaras dengan metrik tingkat dewan direksi. Di sisi lain, fungsi hukum, pengadaan, dan keuangan menawarkan peningkatan efisiensi yang lebih halus seperti berkurangnya pelanggaran kepatuhan, alur kerja yang dioptimalkan, atau percepatan penutupan akhir bulan—peningkatan penting tetapi sulit untuk dikomunikasikan.

Bias investasi ini melanggengkan kesenjangan GenAI dengan mengarahkan sumber daya ke kasus penggunaan yang terlihat tetapi seringkali kurang transformatif, sementara peluang ROI tertinggi dalam fungsi back-office tetap kekurangan dana. Lebih jauh lagi, pencarian validasi sosial memengaruhi keputusan pembelian lebih dari kualitas produk: rekomendasi, hubungan yang sudah ada, dan pendanaan modal ventura tetap menjadi prediktor adopsi perusahaan yang lebih kuat daripada fungsionalitas atau fitur.

Perbedaan struktural: AI Perusahaan versus AI Konsumen

Perbedaan mendasar antara AI perusahaan dan AI konsumen menjelaskan banyak masalah yang diamati. AI konsumen berfokus pada peningkatan pengalaman pelanggan dan personalisasi untuk pengguna individu, sementara AI perusahaan dirancang untuk mengoptimalkan proses organisasi, memastikan kepatuhan, dan menyediakan solusi yang dapat diskalakan untuk kebutuhan bisnis yang kompleks.

AI untuk perusahaan membutuhkan keahlian domain yang mendalam dan sering menggunakan teknik pembelajaran terawasi untuk mencapai hasil yang didorong oleh KPI. AI ini harus terintegrasi ke dalam lanskap TI yang kompleks, memenuhi persyaratan peraturan, dan menerapkan langkah-langkah keamanan data yang kuat. Di sisi lain, AI untuk konsumen memprioritaskan kemudahan penggunaan dan kepuasan instan, seringkali dengan mengorbankan keamanan dan kepatuhan.

Perbedaan struktural ini menjelaskan mengapa model dasar yang sama bekerja sangat baik dalam aplikasi konsumen tetapi gagal di lingkungan perusahaan. AI perusahaan tidak hanya harus berfungsi secara teknis, tetapi juga terintegrasi dengan proses bisnis yang ada, memenuhi persyaratan tata kelola, dan menunjukkan penciptaan nilai jangka panjang.

Strategi sukses: Bagaimana lima persen menjembatani kesenjangan

Beberapa perusahaan yang berhasil menjembatani kesenjangan GenAI mengikuti pola yang mudah dikenali. Mereka memperlakukan startup AI bukan seperti vendor perangkat lunak, melainkan lebih seperti penyedia layanan bisnis, mirip dengan perusahaan konsultan atau mitra alih daya proses bisnis. Organisasi-organisasi ini menuntut adaptasi mendalam terhadap proses dan data internal, mengevaluasi alat berdasarkan hasil operasional daripada tolok ukur model, dan memperlakukan implementasi sebagai ko-evolusi melalui kegagalan awal.

Patut dicatat bahwa kemitraan eksternal memiliki tingkat keberhasilan sekitar dua kali lipat dibandingkan upaya pengembangan internal. Sementara 67 persen kemitraan strategis menghasilkan implementasi yang sukses, hanya 33 persen dari upaya pengembangan internal yang mencapai tujuan ini. Kemitraan ini sering kali menawarkan waktu yang lebih cepat untuk mencapai nilai, biaya total yang lebih rendah, dan keselarasan yang lebih baik dengan alur kerja operasional.

Pembeli yang sukses mengidentifikasi inisiatif AI yang berasal dari manajer lini depan, bukan dari laboratorium terpusat, sehingga memberdayakan pemegang anggaran dan manajer bidang untuk mengidentifikasi masalah, mengevaluasi alat, dan memimpin peluncuran. Pengadaan dari bawah ke atas ini, ditambah dengan akuntabilitas eksekutif, mempercepat adopsi dan menjaga kesesuaian operasional.

Disrupsi spesifik industri: Teknologi memimpin, yang lain mengikuti dengan ragu-ragu

Kesenjangan GenAI terlihat jelas di tingkat industri. Terlepas dari investasi yang tinggi dan aktivitas percontohan yang luas, hanya dua dari sembilan sektor utama – teknologi dan media/telekomunikasi – yang menunjukkan tanda-tanda jelas adanya disrupsi struktural. Semua industri lainnya tetap terjebak di sisi yang salah dari transformasi ini.

Sektor teknologi menyaksikan munculnya penantang baru yang merebut pangsa pasar dan pergeseran alur kerja. Media dan telekomunikasi mengalami peningkatan konten berbasis AI dan perubahan dinamika periklanan, meskipun perusahaan-perusahaan mapan terus berkembang. Layanan profesional menunjukkan peningkatan efisiensi, tetapi layanan pelanggan sebagian besar tetap tidak berubah.

Situasinya sangat dramatis di industri tradisional: energi dan material hampir tidak menunjukkan adopsi dan hanya sedikit eksperimen. Industri maju membatasi diri pada proyek percontohan pemeliharaan tanpa perubahan besar dalam rantai pasokan. Kesenjangan antara investasi dan disrupsi ini menunjukkan kesenjangan GenAI pada tingkat makro – eksperimen yang meluas tanpa transformasi.

Perspektif Jerman: Tantangan dan peluang khusus

Perusahaan-perusahaan Jerman menghadapi tantangan khusus dalam mengimplementasikan AI. Hanya enam persen perusahaan Jerman yang siap secara optimal untuk kecerdasan buatan, sebuah penurunan dibandingkan tahun sebelumnya. Dalam perbandingan internasional, Jerman hanya menempati peringkat keenam di Eropa dalam hal perusahaan yang sepenuhnya siap untuk AI.

Salah satu aspek yang sangat bermasalah adalah 84 persen eksekutif Jerman khawatir akan konsekuensi negatif jika mereka tidak dapat menerapkan strategi AI mereka dalam 18 bulan ke depan. Pada saat yang sama, tiga perempat perusahaan Jerman belum menerapkan pedoman AI apa pun. Hanya 40 persen yang memiliki spesialis yang cukup untuk memenuhi persyaratan AI.

Kendala utama bagi perusahaan-perusahaan Jerman meliputi kekurangan tenaga kerja terampil (34 persen dibandingkan dengan 28 persen secara global), tantangan keamanan siber dan kepatuhan (33 persen), dan tantangan skalabilitas infrastruktur data (25 persen). Ketidakpastian regulasi, keberatan budaya, dan tingkat skeptisisme tertentu terhadap teknologi memperburuk masalah-masalah ini.

Meskipun demikian, peluang-peluang baru muncul: perusahaan-perusahaan Jerman dapat menggabungkan kekuatan mereka dalam hal presisi dan kualitas dengan inovasi AI. Di sektor-sektor seperti teknik mesin dan industri otomotif, AI dapat membantu mengoptimalkan proses dan lebih meningkatkan kualitas produk. AI yang terspesialisasi tidak akan lelah bahkan setelah ribuan iterasi dan dapat mengekstrak beberapa poin persentase terakhir untuk mencapai kesempurnaan.

AI Agen: Tahap evolusi selanjutnya

Solusi untuk kesenjangan pembelajaran terletak pada apa yang disebut AI agenik – sebuah kelas sistem yang mengintegrasikan memori persisten dan pembelajaran iteratif dari awal. Tidak seperti sistem saat ini, yang membutuhkan konteks lengkap setiap kali, sistem agenik mempertahankan memori persisten, belajar dari interaksi, dan dapat secara mandiri mengatur alur kerja yang kompleks.

Eksperimen awal di tingkat perusahaan dengan agen layanan pelanggan yang menangani seluruh pertanyaan dari awal hingga akhir, agen pemrosesan keuangan yang memantau dan menyetujui transaksi rutin, dan agen saluran penjualan yang melacak keterlibatan di berbagai saluran menunjukkan bagaimana otonomi dan memori mengatasi kesenjangan inti yang telah diidentifikasi.

Infrastruktur untuk mendukung transisi ini diciptakan melalui kerangka kerja seperti Model Context Protocol (MCP), Agent-to-Agent (A2A), dan NANDA, yang memungkinkan interoperabilitas dan koordinasi agen. Protokol-protokol ini mendorong persaingan pasar dan efisiensi biaya dengan memungkinkan agen-agen khusus untuk berkolaborasi alih-alih membutuhkan sistem monolitik.

Solusi praktis untuk perusahaan

Perusahaan yang berupaya menjembatani kesenjangan GenAI harus mengejar berbagai strategi. Pertama, sangat penting untuk menghindari mandat yang sembarangan: ketika para eksekutif menganjurkan AI di mana-mana dan setiap saat, mereka menunjukkan kurangnya pertimbangan dalam penerapan teknologi tersebut. GenAI tidak cocok untuk semua tugas dan tidak dapat membaca pikiran.

Pola pikir karyawan memainkan peran penting: Penelitian menunjukkan bahwa karyawan dengan kombinasi pemberdayaan tinggi dan optimisme tinggi – yang disebut "pilot" – menggunakan GenAI 75 persen lebih sering di tempat kerja daripada "penumpang" dengan pemberdayaan rendah dan optimisme rendah. Pilot menggunakan AI dengan tujuan untuk mencapai tujuan mereka dan meningkatkan kreativitas mereka, sementara penumpang lebih cenderung menggunakan AI untuk menghindari pekerjaan.

Perhatian khusus harus diberikan pada peninjauan kembali kolaborasi. Banyak tugas yang dibutuhkan untuk keberhasilan kerja AI—memberikan petunjuk, menawarkan umpan balik, menjelaskan konteks—bersifat kolaboratif. Pekerjaan saat ini semakin menuntut kolaborasi, tidak hanya dengan manusia tetapi juga dengan AI. Workslop adalah contoh yang sangat baik dari dinamika kolaborasi baru yang diperkenalkan oleh AI yang justru menghambat, bukan meningkatkan, produktivitas.

Faktor-faktor keberhasilan organisasi dan manajemen perubahan

Implementasi AI yang sukses membutuhkan desain organisasi yang spesifik. Perusahaan yang paling sukses mendesentralisasikan wewenang implementasi sambil tetap mempertahankan akuntabilitas. Mereka memberdayakan manajer lini depan dan pakar bidang untuk mengidentifikasi kasus penggunaan dan mengevaluasi alat, daripada hanya mengandalkan fungsi AI yang terpusat.

Sangat penting untuk belajar dari ekonomi AI bayangan. Banyak implementasi perusahaan yang paling kuat dimulai dengan pengguna ahli – karyawan yang telah bereksperimen dengan alat seperti ChatGPT atau Claude untuk produktivitas pribadi. Para "prosumer" ini secara intuitif memahami kemampuan dan keterbatasan GenAI dan menjadi pendukung awal solusi yang disetujui secara internal.

Mengukur dan mengkomunikasikan keberhasilan membutuhkan pendekatan baru. Sementara metrik perangkat lunak tradisional berfokus pada fungsionalitas dan adopsi pengguna, AI perusahaan harus dievaluasi berdasarkan hasil bisnis dan peningkatan proses. Perusahaan perlu belajar untuk mengukur dan mengkomunikasikan peningkatan yang halus namun penting, seperti berkurangnya pelanggaran kepatuhan atau percepatan alur kerja.

Kesempatan yang semakin sempit

Peluang untuk menjembatani kesenjangan GenAI semakin sempit. Bisnis semakin menuntut sistem yang mampu beradaptasi dari waktu ke waktu. Microsoft 365 Copilot dan Dynamics 365 sudah mengintegrasikan memori persisten dan umpan balik. Versi beta memori ChatGPT dari OpenAI menandakan harapan serupa untuk alat-alat serbaguna.

Startup yang bertindak cepat untuk menutup kesenjangan ini dengan mengembangkan agen adaptif yang belajar dari umpan balik, penggunaan, dan hasil dapat membangun solusi produk yang berkelanjutan melalui data dan kedalaman integrasi. Peluangnya sangat terbatas: proyek percontohan sudah berjalan di banyak industri. Dalam beberapa kuartal mendatang, beberapa perusahaan akan menjalin hubungan dengan vendor yang hampir tidak mungkin untuk dipisahkan.

Organisasi yang berinvestasi dalam sistem AI yang belajar dari data, alur kerja, dan umpan balik mereka akan menghadapi biaya peralihan yang meningkat setiap bulannya. Seorang CIO dari perusahaan jasa keuangan senilai $5 miliar menyatakannya secara singkat: “Saat ini kami sedang mengevaluasi lima solusi GenAI yang berbeda, tetapi sistem mana pun yang belajar paling baik dan beradaptasi paling baik dengan proses spesifik kami pada akhirnya akan memenangkan bisnis kami. Setelah kami menginvestasikan waktu untuk melatih sistem agar memahami alur kerja kami, biaya peralihan menjadi sangat mahal.”.

Kesenjangan GenAI itu nyata dan mendalam, tetapi bukan tidak dapat diatasi. Perusahaan yang memahami penyebab mendasarnya—kesenjangan pembelajaran, tantangan desain organisasi, dan bias investasi—dan bertindak sesuai dengan itu memang dapat memanfaatkan kekuatan transformatif kecerdasan buatan. Namun, waktu untuk bertindak terbatas, dan biaya penundaan meningkat secara eksponensial.

☑️ Bahasa bisnis kami adalah Inggris atau Jerman

☑️ BARU: Korespondensi dalam bahasa nasional Anda!

Konrad Wolfenstein

Saya akan dengan senang hati melayani Anda dan tim saya sebagai penasihat pribadi.

Anda dapat menghubungi saya dengan mengisi formulir kontak atau cukup hubungi saya di +49 89 89 674 804 (Munich) . Alamat email saya adalah: wolfenstein ∂ xpert.digital

Saya menantikan proyek bersama kita.

☑️ Dukungan UKM dalam strategi, konsultasi, perencanaan dan implementasi

☑️ Penciptaan atau penataan kembali strategi AI

☑️ Pelopor Pengembangan Bisnis

Keahlian industri dan bisnis global kami dalam pengembangan bisnis, penjualan, dan pemasaran - Gambar: Xpert.Digital

Fokus industri: B2B, digitalisasi (dari AI ke XR), teknik mesin, logistik, energi terbarukan, dan industri

Lebih lanjut tentang itu di sini:

• Pusat Bisnis Xpert

Pusat topik dengan wawasan dan keahlian:

• Platform pengetahuan tentang ekonomi global dan regional, inovasi dan tren khusus industri
• Kumpulan analisis, impuls dan informasi latar belakang dari area fokus kami
• Tempat untuk keahlian dan informasi tentang perkembangan terkini dalam bisnis dan teknologi
• Pusat topik bagi perusahaan yang ingin mempelajari tentang pasar, digitalisasi, dan inovasi industri