Tidak ada lagi "pembuktian konsep": Mengapa model AI berbasis hasil merevolusi lanskap TI

Akhir dari kenaifan: Mengapa kita perlu menghitung ulang sepenuhnya kelayakan ekonomi kecerdasan buatan

Sementara Silicon Valley mengalami demam emas dan miliaran modal ventura mengalir ke AI generatif, kekecewaan menyebar di ruang rapat perusahaan-perusahaan Eropa. Perbedaan ini mengkhawatirkan: di satu sisi, ada janji revolusioner dari teknologi tersebut; di sisi lain, neraca keuangan yang sulit dibenarkan menggunakan metode konvensional. Banyak perusahaan mendapati bahwa inisiatif AI mereka yang mahal, meskipun secara teknis mengesankan, secara ekonomi mengecewakan.

Namun, masalahnya bukan terletak pada teknologi itu sendiri, melainkan pada bagaimana kita mengukur dan mengelola nilainya. Selama beberapa dekade, para eksekutif telah belajar menghitung investasi TI seperti implementasi SAP atau sistem CRM—proyek deterministik dengan awal, akhir, dan manfaat yang jelas. Tetapi AI mengikuti aturan yang berbeda: ia mudah berubah, probabilistik, dan berkembang secara dinamis. Siapa pun yang mencoba menavigasi dunia baru ini dengan peta lama pengadaan TI tradisional berisiko menghabiskan anggaran besar ke dalam "perangkap biaya hangus" tanpa pernah melihat pengembalian yang terukur.

Situasi ini sangat kritis bagi UKM Jerman dan perusahaan-perusahaan Eropa. Terjepit di antara kekuatan kapitalis yang didorong inovasi dari AS dan ekspansi yang diarahkan negara dari Tiongkok, Eropa berisiko tertinggal. Namun, jawabannya bukanlah dengan secara membabi buta menginvestasikan lebih banyak uang. Sebaliknya, diperlukan pergeseran paradigma radikal: menjauh dari membayar infrastruktur dan lisensi, dan menuju penghargaan atas hasil nyata.

Artikel berikut menganalisis kekurangan struktural model investasi tradisional, mengungkap pendorong biaya tersembunyi dari proyek AI, dan menguraikan jalan keluar yang meminimalkan risiko dan menjamin penciptaan nilai sejak hari pertama. Ini adalah panduan bagi para pengambil keputusan yang ingin memahami AI bukan sebagai mainan teknologi, tetapi sebagai keunggulan kompetitif yang menguntungkan.

Cocok untuk:

• Unframe.AI: ROI AI Perusahaan: Mengapa Sebagian Besar Perhitungan Salah

Mengapa model investasi tradisional di Eropa ditakdirkan untuk gagal dan bagaimana penyesuaian radikal dapat menjamin akses ke pasar global

Kesenjangan saat ini antara investasi besar-besaran dalam kecerdasan buatan dan pengembalian nyata yang dihasilkannya merupakan salah satu masalah paling mendesak bagi para pemimpin bisnis di seluruh dunia. Sementara perusahaan ekuitas swasta dan modal ventura AS menginvestasikan lebih dari $100 miliar ke sektor ini hanya pada tahun 2024, perusahaan-perusahaan Eropa—khususnya UKM Jerman—menghadapi kenyataan yang suram. Sebagian besar perhitungan ROI untuk AI perusahaan terbukti cacat. Ini bukan karena kurangnya ketelitian matematis, tetapi lebih karena asumsi yang pada dasarnya salah. Infrastruktur teknologi dan model keuangan yang dibangun di atasnya, yang dikembangkan selama beberapa dekade untuk sistem TI deterministik seperti ERP atau CRM, runtuh di bawah volatilitas dan sifat probabilistik sistem AI modern. Siapa pun yang masih mencoba mengelola AI generatif dengan KPI yang sama seperti implementasi SAP pada dasarnya sedang mengarungi lautan dengan peta jalan.

Ketidaksesuaian struktural metrik TI klasik

Masalah utama dengan perhitungan investasi tradisional terletak pada kesalahpahaman tentang sifat proyek AI. Empat dinamika mendasar membedakan investasi ini dari implementasi perangkat lunak konvensional, yang menyebabkan model ROI standar secara sistematis menghasilkan perkiraan yang tidak akurat.

Pertama, ada masalah serius terkait jangka waktu. ROI klasik mengasumsikan fase implementasi yang terdefinisi dengan baik diikuti oleh fase pengembalian yang terukur. Namun, proyek AI jarang berperilaku linier. Sebuah proyek yang direncanakan sebagai uji coba enam bulan seringkali berkembang menjadi fase eksperimental selama empat belas bulan. Kesiapan produksi, yang seharusnya hanya beberapa minggu lagi, tetap menjadi tujuan teoretis bahkan setahun kemudian. Sementara penyebut dalam persamaan ROI terus meningkat karena biaya yang berkelanjutan, pembilangnya – pengembalian – tetap nol.

Kedua, proyek AI memiliki variabilitas ruang lingkup yang ekstrem. Sementara proyek TI tradisional sering mengikuti spesifikasi yang kaku, kasus penggunaan AI berkembang secara dinamis. Sistem pemrosesan dokumen mungkin berubah menjadi platform pencarian pengetahuan selama pengembangan, hanya untuk digantikan oleh solusi alur kerja berbasis agen sesaat sebelum peluncuran. Karena fondasi teknologi—model, kerangka kerja, dan alat—berubah dengan masa pakai hanya beberapa bulan, solusi harus terus diadaptasi untuk menghindari menjadi usang saat diterapkan.

Ketiga, masalah atribusi menghadirkan tantangan yang tampaknya tak teratasi bagi departemen keuangan. Bahkan jika sistem AI menghasilkan nilai, mengisolasi nilai tersebut sangat kompleks. Apakah peningkatan pendapatan disebabkan oleh mesin rekomendasi AI baru, tim penjualan yang diperbarui, atau hanya karena kondisi ekonomi yang menguntungkan? Tidak seperti perangkat lunak deterministik, di mana kausalitas seringkali jelas, dengan AI, seseorang seringkali hanya mengukur kontribusi terhadap suatu hasil, bukan satu-satunya penyebabnya.

Keempat, jebakan biaya hangus seringkali menyebabkan keputusan yang tidak rasional. Sebagian besar proyek AI perusahaan membutuhkan investasi awal yang signifikan: penyediaan infrastruktur, pembersihan data, pelatihan model, dan integrasi. Ditambah lagi dengan biaya manajemen untuk pengamatan AI, karena model, tidak seperti perangkat lunak statis, rentan terhadap penurunan kinerja, yang dikenal sebagai pergeseran (drift), dan harus terus dipantau. Titik di mana dapat divalidasi apakah investasi tersebut bermanfaat seringkali sudah sangat terlambat dalam proyek sehingga sebagian besar anggaran telah terbuang secara permanen.

Konteks global dan kerugian lokasi spesifik Eropa

Risiko-risiko bawaan ini berhadapan dengan ekosistem yang sangat rapuh di Eropa. Sementara perusahaan-perusahaan AS sering didukung oleh modal ventura yang toleran terhadap risiko dan menumbuhkan budaya "gagal cepat", pasar Eropa beroperasi dalam lingkungan yang sangat menghindari risiko dan memiliki regulasi yang ketat. Meskipun Undang-Undang AI Uni Eropa memberikan kepastian hukum, undang-undang ini membebankan biaya kepatuhan yang signifikan pada usaha kecil dan menengah (UKM). Perkiraan menunjukkan bahwa pengujian kepatuhan untuk satu sistem AI berisiko tinggi dapat menelan biaya hingga €400.000 jika tidak ada sistem manajemen mutu yang mapan.

Hal ini menyebabkan kesenjangan investasi yang berbahaya. Investasi AS dalam AI jauh melebihi investasi Eropa. China, pada gilirannya, menggunakan integrasi yang diarahkan negara untuk memaksakan skala ekonomi dalam industri. Jerman dan Eropa berisiko terjebak dalam posisi sandwich: secara teknologi bergantung pada model AS dan berada di bawah tekanan harga dari efisiensi China. Bagi para eksekutif tingkat C di Eropa, ini berarti bahwa proyek AI tidak hanya harus menguntungkan tetapi juga vital secara strategis. Namun justru Mittelstand Jerman, tulang punggung ekonomi Eropa, yang ragu-ragu. Hanya sekitar sepertiga perusahaan besar dan sebagian kecil UKM yang menggunakan AI secara produktif. Ketakutan akan biaya yang tak terhitung dan manfaat yang tidak jelas menghambat inovasi.

Platform AI Terkelola - 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:

• Platform AI Terkelola

Dari janji abstrak menjadi realitas yang terukur

Untuk memecahkan kebuntuan ini, alasan bisnis untuk AI perlu dipikirkan ulang secara radikal. Organisasi yang sukses tidak memulai dengan bertanya tentang teknologi, tetapi tentang hasilnya. Pertanyaan pertama haruslah: Hasil bisnis spesifik apa yang akan dimungkinkan oleh AI ini? Tujuan yang samar seperti "peningkatan efisiensi" atau "mendorong inovasi" tidak ada gunanya dalam konteks ini. Alasan bisnis yang kuat membutuhkan metrik yang tepat yang dapat dilacak setiap minggu pada dasbor.

Contoh yang baik dari hal ini bersifat konkret dan dapat diverifikasi: mengurangi waktu peninjauan kontrak dari empat jam menjadi dua puluh menit, meningkatkan tingkat penyelesaian masalah pada kontak pertama dalam layanan pelanggan dari 62 persen menjadi 78 persen, atau mengurangi entri data manual untuk aplikasi pinjaman sebesar 80 persen. Jika suatu tujuan tidak dapat dirumuskan dalam bahasa kepala departemen, maka tidak ada dasar bisnis yang kuat.

Pertanyaan penting kedua berkaitan dengan validasi: Bagaimana kita tahu apakah proyek ini berhasil? Model tradisional menjawab pertanyaan ini di akhir proyek—seringkali setelah delapan belas bulan. Namun, proyek AI membutuhkan validasi berkelanjutan. Apa yang perlu kita lihat di minggu kedua untuk mengkonfirmasi jalannya proyek? Titik keputusan apa yang ada di bulan ketiga di mana proyek dapat dihentikan jika indikatornya kurang memadai? Investasi terbaik disusun untuk segera membuktikan nilainya atau gagal sebelum modal yang signifikan hancur.

Para perusak modal tak terlihat dalam struktur biaya

Sekalipun tujuannya baik, banyak perhitungan gagal karena biaya tersembunyi yang sering diabaikan pada tahap awal. Persiapan data menghabiskan sekitar 60 persen waktu dan anggaran di sebagian besar proyek. Ini tidak hanya melibatkan pembersihan teknis, tetapi juga tata kelola, normalisasi, dan persetujuan hukum yang sangat kompleks untuk kumpulan data di Eropa.

Faktor lain yang sering diremehkan adalah kompleksitas integrasi. AI yang berfungsi dalam lingkungan demo terisolasi memiliki sedikit kesamaan dengan sistem yang tertanam dalam arsitektur dan alur kerja keamanan yang ada. "Langkah terakhir" integrasi ini seringkali lebih mahal daripada komponen AI itu sendiri dan merupakan titik di mana sebagian besar proyek terhenti. Ditambah lagi dengan biaya operasional yang berkelanjutan. Model memerlukan pemantauan konstan untuk mendeteksi penyimpangan dan pelatihan ulang secara berkala ketika pola data berubah.

Terakhir, biaya peluang waktu hampir tidak pernah dihitung. Setiap bulan yang dibutuhkan proyek AI untuk menghasilkan nilai adalah bulan hilangnya penciptaan nilai. Sebuah proyek dengan durasi 18 bulan dan ROI 200 persen secara ekonomi bisa lebih buruk daripada proyek dengan durasi enam minggu dan ROI 80 persen, karena yang terakhir menghasilkan arus kas positif selama 16 bulan lebih lama. Organisasi dengan ROI terbaik belum tentu organisasi dengan pengembalian tertinggi, tetapi lebih kepada organisasi yang mencapai nilai terukur paling cepat dengan investasi modal paling sedikit.

Di luar CapEx: Pergeseran paradigma menuju model pembiayaan yang berorientasi pada hasil

Mengingat risiko-risiko ini dan keengganan Eropa, model penetapan harga dan bisnis baru yang mengalihkan risiko dari pembeli ke pemasok semakin populer. Penyedia seperti Unframe dan pemain progresif lainnya di pasar menetapkan prinsip-prinsip berdasarkan validasi pra-komitmen. Pendekatan penetapan harga berbasis hasil ini bisa menjadi kunci untuk mengatasi pembekuan investasi di Eropa.

Alih-alih membeli infrastruktur di muka (CapEx) atau membayar lisensi per pengguna (harga berbasis kursi) yang seringkali tidak digunakan, perusahaan di sini membayar berdasarkan hasil yang dicapai. Biaya meningkat seiring dengan nilai yang diperoleh, bukan dengan sumber daya yang dikonsumsi. Hal ini secara langsung mengatasi masalah atribusi dan memaksa vendor untuk hanya menjual solusi yang benar-benar berfungsi.

Dalam model ini, setiap keterlibatan dimulai dengan kasus penggunaan yang terdefinisi dan hasil yang terukur. Pelanggan melihat AI bekerja pada data mereka sendiri dan di lingkungan mereka sebelum melakukan investasi yang signifikan. Tidak ada durasi proyek 18 bulan dengan harapan pengembalian investasi di akhir. Penciptaan nilai diprioritaskan. Lebih lanjut, biaya awal yang besar untuk infrastruktur sering dihilangkan, karena platform modern menangani beban persiapan data dan penerapan model. Ini menghilangkan biaya tersembunyi yang dapat menghabiskan hingga 80 persen dari anggaran.

Keunggulan lain dari model ini adalah pergeseran dari model lisensi berbasis pengguna, yang di masa lalu menghambat adopsi secara luas. Jika setiap pengguna tambahan menimbulkan biaya, penggunaan teknologi tersebut secara artifisial dibatasi. Model yang berorientasi pada hasil, di sisi lain, mendorong penggunaan yang luas, karena semakin banyak pengguna umumnya menghasilkan lebih banyak hasil dan dengan demikian nilai tambah yang lebih besar.

Implikasi strategis bagi kepemimpinan Eropa

Bagi para pengambil keputusan di Eropa, ini berarti bahwa era "uji coba konsep" eksperimental tanpa jalur yang jelas menuju penciptaan nilai telah berakhir. Realitas ekonomi menuntut pergeseran dari daya tarik teknologi menuju ketelitian yang hampir sempurna dalam mendefinisikan hasil bisnis. Perusahaan seharusnya tidak menggunakan lokakarya dan fase percontohan untuk mempelajari apa yang dapat dilakukan AI, tetapi lebih untuk mengisolasi kasus penggunaan yang paling berharga dan memvalidasi dampak ekonominya.

Sebaiknya menjalin kemitraan dengan penyedia yang bersedia mengambil risiko dan dinilai berdasarkan hasil. Namun, ini juga membutuhkan perubahan pola pikir dari sisi pelanggan: menjauh dari pembelian "jam kerja IT" atau "lisensi," dan beralih ke kemitraan penciptaan nilai. Di dunia di mana AS dan Tiongkok mendominasi melalui alokasi modal besar-besaran, efisiensi dalam penyebaran modal adalah satu-satunya peluang Eropa. Kuncinya bukanlah menghabiskan lebih banyak uang, tetapi menginvestasikan uang tersebut dalam model yang menghasilkan keuntungan sebelum tagihan jatuh tempo. Siapa pun yang masih mengandalkan perkiraan 18 bulan sudah kalah dalam permainan ini. Daya saing sejati muncul ketika penciptaan nilai tidak dijanjikan, tetapi dibuktikan sejak hari pertama.

Konrad Wolfenstein

Saya akan dengan senang hati menjadi penasihat pribadi Anda.

menghubungi saya di bawah Wolfenstein ∂ xpert.digital

Hubungi saya di bawah +49 89 674 804 (Munich)

LinkedIn
 

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