Tujuan AI Jerman hingga tahun 2030: Delapan belas langkah tidak akan menciptakan satu pun pasar AI yang menguntungkan – Apa yang sebenarnya dibutuhkan perusahaan

Lebih banyak AI, tetapi dampaknya terlalu kecil? Apa yang terpenting sekarang bagi perekonomian Jerman?

Inisiatif AI pemerintah Jerman: Bagaimana pendanaan akan menjadi pasar yang nyata

Jerman bertujuan untuk menjadi negara terkemuka dalam bidang AI pada tahun 2030. Pemerintah Jerman telah merumuskan 18 langkah kunci dan tujuan ambisius untuk mencapai hal ini: AI harus digunakan secara signifikan lebih sering di perusahaan dan lembaga publik serta memberikan kontribusi yang lebih besar terhadap output ekonomi. Namun, keputusan politik, program pendanaan, dan pusat data tambahan saja tidak menjamin keberhasilan ekonomi. Faktor krusialnya adalah apakah perusahaan menjadi lebih produktif secara terukur dengan AI, apakah lembaga publik dapat menjalankan tugas mereka dengan lebih baik, dan apakah penyedia teknologi dapat mengembangkan model bisnis berkelanjutan dari proyek percontohan.

Di sinilah letak tantangannya. Penggunaan AI semakin meningkat, tetapi seringkali terdapat kesenjangan antara eksperimen awal dan integrasi mendalam ke dalam alur kerja. Usaha kecil dan menengah (UKM) khususnya menghadapi biaya tinggi, sumber daya manusia yang terbatas, dan masalah kompleks seputar data, keamanan, dan integrasi teknis. Pada saat yang sama, pemerintah harus memperjelas di mana ia dapat bertindak sebagai pelanggan dan pendukung yang dapat diandalkan – dan di mana program-program baru hanya menduplikasi penawaran yang sudah ada atau menciptakan ketergantungan.

Artikel ini mengkaji strategi AI Jerman dari perspektif ekonomi: Apa yang menghambat transisi dari aplikasi ke penciptaan nilai? Apa peran permintaan publik, pemasok Eropa, dan kolaborasi industri? Dan bagaimana kita dapat menentukan apakah langkah-langkah pendanaan benar-benar efektif? Tesis utamanya: Keberhasilan tidak bergantung pada jumlah langkah-langkah, tetapi pada apakah langkah-langkah tersebut menghilangkan hambatan spesifik dan memungkinkan hasil yang terukur dan berkelanjutan.

Strategi AI Jerman diuji secara ekonomi: Bagaimana langkah-langkah politik menciptakan pasar yang kompetitif

Jerman tidak membutuhkan koleksi program AI terlengkap yang mungkin ada. Yang dibutuhkan adalah perusahaan yang menjadi lebih produktif dengan kecerdasan buatan, lembaga publik yang menjalankan tugasnya lebih efektif, dan penyedia teknologi yang mengembangkan model bisnis yang layak dari solusi yang dapat diulang. Justru inilah yang akan menentukan apakah strategi AI nasional akan berhasil secara ekonomi. Jumlah langkah-langkah politik bukanlah ukuran yang lebih dapat diandalkan daripada jumlah proyek yang didanai atau ukuran pusat data yang diumumkan.

Dengan visinya untuk menjadi negara yang digerakkan oleh AI pada tahun 2030, pemerintah Jerman telah mengkonsolidasikan 18 langkah lintas departemen utama. Di antara tujuan yang dinyatakan secara publik adalah penggunaan AI oleh setidaknya 80 persen perusahaan besar dan 55 persen usaha kecil dan menengah (UKM). Lebih lanjut, 90 persen lembaga federal harus menggunakan setidaknya satu aplikasi AI untuk tugas inti mereka. Lebih dari sepuluh persen output ekonomi harus dihasilkan menggunakan AI. Tujuan-tujuan ini ambisius. Namun, apakah tujuan-tujuan tersebut benar-benar menggambarkan transformasi ekonomi sangat bergantung pada bagaimana penggunaan, penciptaan nilai, dan keberhasilan didefinisikan.

Suatu perusahaan dapat menerapkan asisten teks dan dengan demikian dianggap sebagai pengguna AI. Ini tidak secara otomatis berarti bahwa biaya produksinya akan menurun, penjualannya akan lebih sukses, atau tingkat inovasinya akan meningkat. Suatu lembaga pemerintah dapat mendukung satu proses dengan AI sementara sebagian besar prosesnya tetap tidak berubah. Dan kinerja ekonomi berbasis AI hanya dapat diukur secara bermakna jika dibedakan antara pendapatan penyedia AI, aktivitas yang didukung AI, dan nilai tambah aktual yang diciptakan.

Oleh karena itu, pertanyaan ekonomi yang krusial bukanlah apakah Jerman telah mengambil langkah-langkah yang cukup, melainkan apakah langkah-langkah tersebut mengatasi hambatan yang tepat. Hambatan-hambatan tersebut meliputi kurangnya permintaan, data yang belum diproses secara memadai, biaya integrasi yang tinggi, model bisnis yang tidak pasti, dan transisi yang terlalu lambat dari hasil penelitian ke produk yang dapat dipasarkan.

Kebijakan AI yang efektif harus mengatasi masalah-masalah ini secara berbeda. Kebijakan tersebut tidak boleh menyatakan setiap kesulitan kewirausahaan sebagai alasan untuk mendapatkan pendanaan, dan juga tidak boleh bergantung pada asumsi bahwa pasar tanpa infrastruktur yang memadai dan kondisi kerangka kerja yang andal akan secara otomatis menghasilkan penyedia yang kompetitif secara internasional.

Kesenjangan sebenarnya terletak antara penggunaan awal dan penetrasi ekonomi

Data bisnis yang tersedia mengungkapkan perkembangan penting: AI bukan lagi sekadar topik eksperimental di Jerman. Pada tahun 2025, 26 persen perusahaan yang disurvei menggunakan kecerdasan buatan. Untuk usaha kecil dengan 10 hingga 49 karyawan, angkanya adalah 23 persen, untuk usaha menengah dengan 50 hingga 249 karyawan adalah 36 persen, dan untuk usaha besar dengan 250 karyawan atau lebih adalah 57 persen. Angka-angka ini merujuk pada kategori ukuran yang tercatat secara statistik dan tidak dapat langsung diekstrapolasi ke semua usaha mikro dan individu yang bekerja sendiri.

Hal ini menghasilkan kesenjangan sebesar 34 poin persentase antara perusahaan kecil dan besar. Ini lebih signifikan secara ekonomi daripada sekadar melihat tingkat penggunaan rata-rata. Perusahaan besar dapat menyebarkan biaya persiapan data, integrasi teknis, peninjauan hukum, dan pelatihan karyawan ke lebih banyak karyawan dan proses bisnis. Mereka juga lebih sering memiliki departemen TI sendiri dan cadangan keuangan yang cukup untuk menguji berbagai kasus penggunaan.

Bagi perusahaan yang lebih kecil, penerapan AI yang sama dapat menghadirkan beban organisasi yang jauh lebih besar. Manajemen tidak hanya harus menilai teknologi, tetapi juga memilih penyedia, memperjelas akses data, dan memastikan keamanan proses yang sedang berjalan. Bahkan jika aplikasi AI berfungsi secara teknis, implementasinya dapat gagal karena kurangnya waktu dan tanggung jawab yang tidak jelas.

Jenis penggunaan juga sangat penting. Di antara perusahaan yang menggunakan AI, 27 persen menggunakan teknologi tersebut untuk otomatisasi alur kerja atau pengambilan keputusan pada tahun 2025. Enam persen menggunakannya untuk pergerakan mesin secara otonom. Angka-angka ini secara eksplisit merujuk pada perusahaan yang sudah menggunakan AI, bukan pada seluruh populasi bisnis. Hal ini menunjukkan bahwa tingkat penggunaan umum dan integrasi mendalam ke dalam proses operasional adalah konsep yang berbeda.

Hal ini memperjelas perlunya tindakan kebijakan ekonomi: Jerman tidak hanya harus memperkenalkan lebih banyak perusahaan pada AI. Jerman juga harus memfasilitasi transisi dari penggunaan sesekali ke aplikasi yang kuat, dapat diulang, dan relevan secara ekonomi.

Alat berbasis teks dapat menjadi titik awal yang berguna. Namun, peningkatan produktivitas yang lebih besar seringkali hanya terjadi ketika aliran informasi, tanggung jawab, dan proses operasional juga diubah. Langkah kedua inilah yang justru lebih menuntut, mahal, dan kurang nyaman untuk statistik keberhasilan politik.

Mengapa anggaran awal yang kecil tidak membiayai implementasi industri?

Diskusi tentang proyek AI dengan pendanaan rendah menyentuh masalah penghematan biaya yang nyata. Terdapat perbedaan signifikan antara alat orientasi singkat dan aplikasi yang siap produksi. Anggaran sebesar, misalnya, €2.000 mungkin cukup untuk lokakarya yang terdefinisi dengan jelas, analisis potensi awal, atau pengaturan alat standar sederhana. Namun, itu bukanlah kerangka pendanaan yang realistis untuk solusi terintegrasi yang disesuaikan dengan persyaratan keamanan yang ketat.

Contoh perhitungan ini mengilustrasikan besarnya biaya. Dengan asumsi tarif harian eksternal sebesar €1.000, anggaran tersebut mencakup dua hari kerja. Dari jumlah tersebut, harus dibayarkan biaya persiapan, koordinasi, pelaksanaan, dan dokumentasi. Hal ini menyisakan sedikit ruang untuk analisis proses yang menyeluruh, integrasi berbagai sistem, fase pengujian yang kuat, dan pelatihan untuk berbagai kelompok pengguna. Perhitungan ini hanya untuk tujuan ilustrasi dan tidak mewakili harga pasar umum.

Oleh karena itu, masalahnya tidak selalu terletak pada adanya anggaran awal yang kecil. Masalah muncul ketika alat orientasi disalahartikan sebagai alat implementasi. Siapa pun yang mengharapkan transformasi komprehensif dengan sedikit uang akan menciptakan kekecewaan di kedua belah pihak: pelanggan tidak menerima solusi yang produktif, dan penyedia tidak dapat memberikan layanan yang layak.

Model dukungan yang dirancang dengan baik perlu mempertimbangkan berbagai tingkat kematangan. Pertanyaan pertama yang perlu dijawab adalah kasus penggunaan mana yang masuk akal secara ekonomi. Ini diikuti oleh uji coba terbatas dengan kriteria keberhasilan yang jelas. Barulah kemudian integrasi ke dalam operasi yang sedang berjalan dapat dibiayai. Perluasan ke lokasi, departemen, atau pelanggan tambahan adalah tugas yang sama sekali berbeda.

Yang terpenting, apa yang terjadi setelah pendanaan awal sangatlah krusial. Konsultasi sekali saja tidak menciptakan pasar yang berkelanjutan dalam jangka panjang. Hanya ketika perusahaan bersedia terus mendanai solusi dengan sumber daya mereka sendiri, barulah akan ada indikasi yang dapat diandalkan tentang manfaat ekonominya.

Oleh karena itu, dukungan publik seharusnya tidak bertujuan untuk menghasilkan sebanyak mungkin kontak awal yang tidak mengikat, tetapi lebih untuk memfasilitasi transisi ke investasi lanjutan yang dibiayai sendiri. Keberhasilan program tingkat awal kemudian tidak akan diukur dari jumlah voucher yang dikeluarkan, tetapi dari aplikasi yang produktif, penggunaan berkelanjutan, dan kontribusi yang dapat dibuktikan terhadap laba perusahaan.

Bagi perusahaan AI muda, permintaan seringkali lebih berharga daripada pendanaan proyek tambahan

Bagi penyedia teknologi, pendanaan dan pendapatan pelanggan pada dasarnya berbeda. Pendanaan membiayai pekerjaan pengembangan tertentu. Di sisi lain, pelanggan yang membayar mengkonfirmasi bahwa layanan konkret memberikan manfaat yang cukup dalam kondisi dunia nyata.

Perbedaan ini berdampak pada seluruh model bisnis. Pendapatan berulang memungkinkan perencanaan tenaga kerja, meningkatkan posisi tawar dengan investor, dan memberikan wawasan tentang fitur apa yang sebenarnya dibutuhkan pelanggan. Proyek pengembangan yang berhasil diselesaikan memang bermanfaat, tetapi produk yang digunakan secara konsisten merupakan fondasi yang lebih kuat untuk pertumbuhan.

Khususnya di pasar AI, ada risiko bahwa perusahaan melakukan terlalu banyak proyek demonstrasi individual tanpa membangun penawaran yang dapat diskalakan. Setiap pelanggan baru kemudian menerima solusi khusus. Pendapatan mungkin tumbuh, tetapi biaya personel meningkat pada tingkat yang sama. Perusahaan tetap secara ekonomi sebagai penyedia layanan berbasis proyek, meskipun secara eksternal menampilkan diri sebagai penyedia perangkat lunak yang dapat diskalakan.

Ini bukan berarti buruk. Konsultasi dan integrasi khusus juga dapat menjadi model bisnis yang berharga. Namun, dari perspektif kebijakan ekonomi, harus dibuat perbedaan yang jelas antara program yang membiayai jasa, menciptakan produk standar, atau mendukung pengembangan teknologi fundamental.

Bagi penyedia AI yang skalabel, sangat relevan apakah solusi tersebut dapat diterapkan kepada pelanggan lain dengan upaya tambahan yang jauh lebih sedikit. Antarmuka yang dapat digunakan kembali, fitur keamanan yang terstandarisasi, dan model operasional yang jelas seringkali lebih penting dalam hal ini daripada demonstrasi spektakuler lainnya.

Oleh karena itu, kebijakan AI yang berorientasi ekonomi tidak hanya harus mendorong kegiatan pengembangan. Kebijakan tersebut juga harus meningkatkan kondisi agar pelanggan uji coba menjadi pelanggan tetap. Ini termasuk persyaratan yang jelas, ketentuan pembayaran yang dapat diandalkan, standar teknis yang dapat ditransfer, dan permintaan yang tidak hilang ketika suatu program berakhir.

Sebagai pelanggan utama, negara harus dapat diandalkan tanpa menciptakan ketergantungan baru

Pemerintah Jerman secara eksplisit menggambarkan negara sebagai pelanggan utama potensial untuk model dan aplikasi AI. Hal ini didasarkan pada mekanisme ekonomi yang logis: Lembaga publik membutuhkan perangkat digital berkinerja tinggi, sementara penyedia muda membutuhkan permintaan yang kuat, pengalaman praktis, dan referensi. Jika kedua pihak disatukan secara efektif, pasar yang saling memperkuat dapat muncul.

Namun, sekadar menyatakan negara sebagai pelanggan utama saja tidak cukup. Permintaan negara harus dapat diprediksi dan dapat dikelola secara ekonomis bagi pemasok. Jika setiap lembaga mengejar solusi teknis miliknya sendiri, biaya adaptasi akan berlipat ganda. Pemasok mungkin mendapatkan pelanggan individual, tetapi tidak dapat membangun fondasi yang dapat diskalakan.

Antarmuka umum dan komponen yang dapat digunakan kembali dapat mengurangi masalah ini. Solusi untuk mendukung pemrosesan dokumen seharusnya tidak perlu dirancang ulang sepenuhnya untuk setiap instansi. Pada saat yang sama, persyaratan profesional yang berbeda harus diperhitungkan. Oleh karena itu, standardisasi bukan berarti membuat semua proses administratif sama, tetapi lebih kepada menciptakan fondasi teknis yang umum.

Negara harus menyeimbangkan dua kepentingan. Di satu sisi, akan bermanfaat untuk mengembangkan pemasok Eropa secara strategis sebagai pelaku pasar yang serius. Di sisi lain, hal ini tidak boleh mengarah pada jaminan pembelian permanen untuk produk yang secara ekonomi atau teknis tidak memadai. Keputusan mengenai asal produk tidak menggantikan evaluasi kinerja.

Bahkan penyedia layanan asal Eropa pun dapat menciptakan ketergantungan yang kuat di antara pelanggannya. Format data tertutup, kustomisasi yang sulit ditransfer, dan opsi peralihan yang tidak jelas tetap menjadi masalah, terlepas dari lokasi perusahaan. Oleh karena itu, penggunaan publik AI yang berdaulat tidak hanya membutuhkan asal geografis tertentu, tetapi juga kemampuan untuk dipertukarkan dan dikendalikan.

Pemerintah akan menjadi pelanggan utama yang baik jika menetapkan persyaratan yang menuntut dan realistis, secara andal menggunakan solusi yang berhasil, dan sekaligus memastikan bahwa peralihan penyedia layanan secara teknis dimungkinkan di kemudian hari. Hal ini menciptakan permintaan tanpa mengorbankan persaingan dan tekanan untuk berinovasi.

Mistral adalah mercusuar harapan bagi Eropa, tetapi bukan strategi kedaulatan yang lengkap

Mistral menjadi contoh nyata dari pertanyaan apakah Eropa mampu membangun penyedia AI berkinerja tinggi sendiri. Perusahaan ini mengembangkan model dan semakin menggabungkannya dengan penawaran untuk penggunaan perusahaan. Bersama dengan SAP, mereka sedang mengerjakan platform AI mandiri untuk pelanggan bisnis Eropa. Tujuannya adalah untuk mengkonsolidasikan pengembangan model, perangkat lunak perusahaan, dan lingkungan operasi yang dapat dikendalikan.

Dari perspektif ekonomi, hubungan ini masuk akal. Model yang canggih saja tidak cukup untuk menyelesaikan masalah bisnis. Diperlukan akses ke data yang relevan, integrasi dengan perangkat lunak yang ada, dan aturan yang jelas untuk izin, pencatatan, dan tanggung jawab. Penyedia perangkat lunak perusahaan yang mapan dapat menawarkan akses pasar yang jauh lebih baik dalam hal ini daripada penyedia model yang terisolasi.

Meskipun demikian, akan berisiko untuk menyamakan kedaulatan AI Eropa dengan keberhasilan satu perusahaan saja. Penyedia yang diunggulkan secara nasional atau Eropa mungkin penting secara strategis, tetapi tetaplah sebuah perusahaan dengan kepentingan ekonomi, keterbatasan teknologi, dan risiko keuangan sendiri.

Selain itu, sistem AI terdiri dari banyak lapisan. Bahkan model Eropa pun dapat dilatih pada perangkat keras non-Eropa, bergantung pada chip akselerator tertentu, atau beroperasi melalui infrastruktur yang komponen-komponen pentingnya dikendalikan di luar Eropa. Oleh karena itu, kedaulatan bukanlah sifat biner.

Sebaliknya, hal itu harus diukur berdasarkan ketergantungan yang ada, mana yang dapat diterima secara ekonomi, dan untuk fungsi-fungsi penting mana alternatif masih tersedia. Model Eropa meningkatkan pilihan. Namun, hal itu tidak secara otomatis menghilangkan semua ketergantungan lainnya.

Oleh karena itu, posisi yang dapat dibenarkan secara objektif adalah: Eropa harus mengembangkan dan menerapkan penyedia berkinerja tinggi seperti Mistral sebagai pilihan kompetitif yang nyata. Pada saat yang sama, diperlukan banyak penyedia, opsi operasi yang terbuka, dan kemungkinan peralihan teknis. Kepentingan kebijakan industri yang sah seharusnya tidak mengarah pada strategi penyedia tunggal yang baru.

AI industri semakin populer di tempat-tempat di mana ia mampu memecahkan masalah proses yang konkret

Basis industri Jerman menawarkan titik awal yang penting untuk AI yang relevan secara ekonomi. Namun, keunggulannya tidak hanya terletak pada banyaknya mesin. Keunggulannya terletak pada interaksi antara keahlian, pemahaman proses, hubungan pelanggan, data teknis, dan pengalaman bertahun-tahun dengan sistem yang kompleks.

Kolaborasi antara Airbus dan Mistral menggambarkan logika ini. Area aplikasi yang diidentifikasi meliputi proses industri, dokumentasi teknis, rekayasa, desain, dan bantuan berbasis AI selama fase pengembangan, pengujian, dan sertifikasi. Ini bukan aplikasi tunggal dan umum, melainkan serangkaian tugas berbeda, masing-masing dengan persyaratan kualitas dan keselamatan spesifiknya sendiri.

Yang sangat menarik adalah tugas-tugas di mana para spesialis menghabiskan banyak waktu untuk mencari, mengumpulkan, dan memverifikasi informasi. Meskipun evaluasi dokumen teknis yang lebih cepat tidak secara otomatis menghasilkan produk baru, hal itu dapat mempercepat pekerjaan pengembangan dan membebaskan kapasitas ahli yang langka untuk tugas-tugas yang lebih menuntut.

Hal yang sama berlaku untuk intralogistik. Aplikasi AI dapat menyusun laporan kerusakan, mengkonsolidasikan informasi pemeliharaan, atau mendukung analisis masalah pabrik yang berulang. Manfaatnya kemudian bergantung kurang pada kemampuan pemrosesan suara yang mengesankan daripada pada kualitas koneksi ke data pabrik dan proses yang sebenarnya.

Tugas-tugas teknis yang berbeda harus dipisahkan. Model bahasa dapat membantu dalam dokumentasi dan akses pengetahuan. Untuk kontrol langsung mesin atau keputusan yang kritis terhadap keselamatan, persyaratan yang berbeda harus dipenuhi. Tidak setiap aplikasi AI industri merupakan sistem bahasa generatif.

Oleh karena itu, kemitraan yang sudah ada antara perusahaan industri, penyedia perangkat lunak, dan pengembang model dapat lebih berharga daripada program pendanaan tambahan yang abstrak. Namun, efektivitasnya harus diukur dengan hasil konkret. Sebuah grup perusahaan terkenal bukanlah bukti keberhasilan suatu solusi.

Selain itu, ekosistem industri yang sukses tidak hanya mencakup perusahaan besar. Bisnis menengah yang terspesialisasi, integrator, dan perusahaan perangkat lunak kecil harus memiliki akses ke antarmuka dan pasar. Jika tidak, platform tertutup akan muncul, yang manfaatnya hanya akan menjangkau sebagian kecil perekonomian.

Keahlian kami di Uni Eropa dan Jerman dalam pengembangan bisnis, penjualan, dan pemasaran - Gambar: Xpert.Digital

Bidang fokus industri: B2B, digitalisasi (dari AI hingga XR), teknik mesin, logistik, energi terbarukan, dan industri

Informasi selengkapnya di sini:

• Pusat Bisnis Pakar

Pusat tematik yang menawarkan wawasan dan keahlian:

• Platform pengetahuan yang mencakup ekonomi global dan regional, inovasi, dan tren spesifik industri
• Kumpulan analisis, wawasan, dan informasi latar belakang dari area fokus utama kami
• Sebuah tempat untuk mendapatkan keahlian dan informasi tentang perkembangan terkini di bidang bisnis dan teknologi
• Sebuah pusat informasi bagi perusahaan yang mencari informasi tentang pasar, digitalisasi, dan inovasi industri

Peningkatan produktivitas hanya muncul setelah dikurangi semua biaya tambahan

Banyak diskusi tentang AI hanya berfokus pada penghematan waktu selama pemrosesan. Hal ini tidak cukup untuk evaluasi ekonomi. Pertanyaan krusialnya adalah manfaat apa yang tersisa setelah mempertimbangkan semua biaya dan risiko tambahan.

Contoh sederhana menggambarkan perbedaannya. Sebuah perusahaan dengan 100 karyawan menghemat sepuluh menit per orang per hari dengan menggunakan aplikasi ini. Dengan 220 hari kerja, ini setara dengan sekitar 3.667 jam per tahun. Dengan asumsi total biaya €50 per jam, ini menghasilkan nilai waktu potensial yang dihitung sekitar €183.000 per tahun.

Namun, jumlah waktu ini tidak secara otomatis diterjemahkan menjadi keuntungan tambahan atau penghematan yang sesuai dalam transaksi pembayaran. Jika menit-menit yang dihemat tersebar di banyak tugas, waktu tersebut mungkin hanya sebagian yang digunakan secara produktif. Selain itu, ada biaya lisensi, biaya implementasi, dukungan, dan biaya pemantauan.

Dengan asumsi biaya operasional tahunan sebesar €60.000 dan hanya setengah dari potensi waktu yang dihitung yang benar-benar terealisasi, manfaat tahunan sebelum mempertimbangkan biaya implementasi awal akan sekitar €31.500. Contoh ini sengaja dibuat hipotetis untuk menggambarkan betapa signifikannya angka kotor yang awalnya mengesankan dapat berubah setelah diperiksa lebih teliti.

Dalam tugas-tugas yang sangat penting bagi kualitas, kesalahan tidak hanya membuang waktu. Informasi teknis yang tidak akurat dapat memicu pengerjaan ulang, penundaan, atau risiko tanggung jawab hukum. Sebaliknya, peningkatan deteksi kesalahan dapat menciptakan manfaat signifikan yang tidak dapat diukur secara langsung dalam hitungan menit.

Oleh karena itu, perusahaan membutuhkan evaluasi yang menggabungkan waktu, kualitas, kecepatan, dan risiko. Metrik yang bermakna meliputi, misalnya, waktu pemrosesan suatu proses, jumlah koreksi yang diperlukan, pemanfaatan tenaga kerja terampil yang langka, atau biaya per kasus yang diproses.

Program-program politik seharusnya mendukung perspektif ini, alih-alih memberikan penghargaan pada potensi penghematan teoretis tertinggi. Yang terpenting secara ekonomi bukanlah seberapa cepat AI menghasilkan desain, tetapi seberapa efisien keseluruhan proses tersebut, yang menghasilkan hasil yang dapat digunakan.

Kerja sama Eropa adalah soal skala, bukan kompetisi diplomatik

Penyatuan orientasi yang lebih kuat terhadap Prancis dan kerja sama dengan Kanada terlalu sederhana jika dipahami sebagai satu-satunya pilihan. Pemerintah Jerman menyebutkan kemampuan Eropa dan kemitraan internasional sebagai komponen pendekatannya. Dalam konteks ini, kerja sama dengan Kanada dan dukungan untuk LawZero dalam pengembangan AI yang berorientasi pada keamanan disorot, di antara hal-hal lainnya.

Dari perspektif ekonomi, setiap kemitraan harus dievaluasi berdasarkan kontribusi spesifiknya. Prancis adalah mitra alami bagi Jerman dalam membangun pasar Eropa yang lebih besar dan dalam berkolaborasi dengan penyedia model Eropa. Kanada dapat memberikan keahlian tambahan di bidang penelitian dan teknologi tertentu.

Oleh karena itu, pertanyaan yang relevan bukanlah negara mana yang menerima lebih banyak perhatian politik. Melainkan apakah kerja sama membuka akses ke teknologi, pekerja terampil, pelanggan, atau pengetahuan yang saling melengkapi. Kemitraan tanpa hubungan operasional hanya bersifat simbolis. Sebaliknya, kolaborasi yang lebih kecil namun produktif dapat menghasilkan manfaat yang terukur.

Pada saat yang sama, kerja sama internasional tidak boleh mengaburkan fakta bahwa Eropa harus menyelesaikan masalah ukuran internalnya sendiri. Persyaratan teknis yang berbeda dan pasar nasional yang terpisah dapat berarti bahwa pemasok Eropa harus melakukan penyesuaian yang signifikan untuk setiap kelompok pelanggan baru.

Bagi perusahaan AI yang sedang berkembang, pasar Eropa yang benar-benar dapat digunakan seringkali lebih penting daripada kerangka kerja kerja sama politik lainnya. Persyaratan umum, bukti yang dapat ditransfer, dan infrastruktur yang kompatibel dapat memungkinkan peningkatan skala tanpa sepenuhnya menghilangkan kekhasan nasional.

Oleh karena itu, strategi yang cerdas menggabungkan dua tingkatan: strategi ini menyatukan permintaan dan kemampuan Eropa di mana ukuran sangat penting, sambil tetap terbuka terhadap mitra internasional yang menawarkan pelengkap teknologi konkret. Keterbukaan dan kemandirian strategis bukanlah hal yang saling bertentangan, selama ketergantungan dinilai secara sadar.

Keahlian di bidang chip membutuhkan infrastruktur khusus dan pembagian kerja yang jelas

Keinginan akan kemandirian yang lebih besar dalam chip AI dapat dimengerti. Namun, hal itu menjadi tidak tepat begitu desain chip, penelitian semikonduktor, manufaktur, dan pengoperasian pusat data AI diperlakukan sebagai satu tugas tunggal.

Sebuah chip harus dirancang. Perancangan chip membutuhkan alat dan fondasi teknologi yang sesuai. Manufaktur, pada gilirannya, membutuhkan peralatan, material, dan proses khusus. Ditambah lagi dengan teknologi penyimpanan, pengemasan, dan integrasi ke dalam sistem komputasi yang lengkap. Kemajuan di satu tingkat tidak secara otomatis mengimbangi kekurangan kemampuan di tingkat lainnya.

Pusat penelitian Belgia imec merupakan pusat penting di Eropa dalam konteks ini. Jalur percontohan NanoIC terkait dengan investasi bersama yang direncanakan sebesar €2,5 miliar dan dimaksudkan, antara lain, untuk menyediakan akses ke teknologi canggih dan pembuatan prototipe bagi perusahaan, perusahaan rintisan, universitas, serta penyedia desain dan sistem.

Pada Februari 2026, imec membuka tambahan ruang bersih seluas 2.000 meter persegi sebagai bagian dari perluasan ini. Proyek ini secara eksplisit diselenggarakan di tingkat Eropa dan mencakup lokasi mitra, di antaranya Fraunhofer di Jerman. Jerman juga merupakan salah satu negara pendana yang berpartisipasi. Oleh karena itu, anggapan bahwa penelitian nasional dan peningkatan penggunaan imec pada dasarnya merupakan pendekatan alternatif tidak secara memadai mencerminkan keterkaitan ini.

Pendekatan yang masuk akal secara ekonomi adalah pembagian kerja di mana infrastruktur khusus berskala besar digunakan secara terkonsentrasi, sekaligus memungkinkan akses luas untuk penelitian dan bisnis. Membangun fasilitas mahal di banyak lokasi secara paralel dapat menjadi tidak efisien. Sebaliknya, infrastruktur mutakhir tidak banyak gunanya jika perusahaan kecil tidak dapat mengaksesnya secara praktis.

Oleh karena itu, pertanyaan yang tepat adalah: Keterampilan apa yang sebenarnya kurang? Di mana kekuatan yang relevan secara internasional sudah ada? Bagaimana perusahaan muda mendapatkan akses ke alat desain, fasilitas pengujian, dan mitra manufaktur? Dan aplikasi mana yang membenarkan biaya pengembangan yang cukup besar dalam jangka panjang?

Strategi semikonduktor yang menjanjikan membutuhkan prioritas. Strategi tersebut tidak harus mencakup setiap tahapan rantai nilai secara nasional, tetapi lebih kepada mengamankan kompetensi penting dan menciptakan akses yang andal terhadap keterampilan pelengkap.

Penelitian sangat penting, tetapi pendanaannya membutuhkan metrik keberhasilan yang berbeda

Kritik terhadap proyek penelitian yang berdurasi panjang mengandung poin yang valid ketika berfokus pada kurangnya relevansi dan penggunaan dana publik yang tidak jelas. Namun, akan keliru jika menyimpulkan bahwa pelatihan ilmiah pada dasarnya kurang berharga daripada pendanaan langsung dari perusahaan.

Penelitian dan pengembangan kewirausahaan memiliki fungsi yang berbeda. Penelitian dasar dapat menghasilkan pengetahuan yang penerapan ekonominya pada awalnya masih terbuka. Sebaliknya, proyek pengembangan yang berorientasi pasar harus mampu menjelaskan dengan jauh lebih tepat masalah apa yang sedang dipecahkan dan seperti apa penggunaan selanjutnya.

Mengevaluasi keduanya menggunakan metrik yang sama akan menjadi kesalahan. Jika setiap proyek penelitian dinilai hanya berdasarkan pendapatan jangka pendek, peluang jangka panjang untuk memperoleh pengetahuan akan hilang. Sebaliknya, jika setiap proyek yang berorientasi pada aplikasi dievaluasi hanya berdasarkan publikasi ilmiah, kelayakan ekonomi akan tetap menjadi hal sekunder.

Kualitas seseorang atau suatu proyek tidak dapat secara andal ditentukan dari jenis universitas yang dihadiri atau nilai tunggal. Untuk AI industri, pengalaman praktis, pengujian sistematis, dan pemahaman yang baik tentang bidang aplikasi dapat sama pentingnya dengan pengetahuan teoretis tingkat tinggi.

Masalah sebenarnya seringkali terletak pada transisi. Temuan penelitian harus distabilkan secara teknis, diterjemahkan ke dalam produk, dan dikaitkan dengan kebutuhan pelanggan yang sebenarnya. Pekerjaan ini bukanlah penelitian dasar klasik atau penjualan rutin. Ini membutuhkan keterampilan yang berbeda dan seringkali juga pendanaan yang berbeda.

Oleh karena itu, kebijakan yang seimbang harus melindungi kualitas ilmiah sekaligus menganggap serius transfer pengetahuan. Proyek bersama dengan tanggung jawab yang jelas, pertukaran staf sementara antara penelitian dan industri, serta penanganan hak penggunaan yang transparan dapat lebih penting daripada tingkat pendanaan organisasi lainnya.

Lembaga keamanan AI harus mengatasi risiko publik, bukan menggantikan pasar yang sudah ada

Pemerintah Jerman menugaskan fungsi analitis dan operasional kepada Institut Keamanan AI Jerman (AISI). Lembaga ini tidak dimaksudkan sebagai otoritas pengatur, melainkan sebagai pusat keunggulan untuk analisis teknologi, penilaian risiko, dan konsultasi strategis. Ini termasuk kesadaran situasional dan informasi peringatan dini terkait masyarakat, ekonomi, dan keamanan nasional.

Pembagian tanggung jawab ini sangat penting untuk evaluasi ekonomi. Mandat keamanan publik berbeda dari pengujian produk perusahaan tertentu. Risiko sistemik, vektor serangan baru, atau perkembangan yang relevan dengan keamanan mungkin memerlukan wawasan yang tidak akan sepenuhnya dibiayai oleh satu klien swasta pun.

Ada alasan yang dapat dibenarkan untuk intervensi pemerintah di sini. Jika banyak pemangku kepentingan mendapat manfaat dari peningkatan penilaian risiko, tetapi tidak ada yang ingin menanggung seluruh biaya, lembaga publik dapat mengisi kesenjangan dalam layanan tersebut.

Situasinya berbeda untuk layanan pengujian standar yang disesuaikan dengan kebutuhan pelanggan yang jelas. Dalam kasus ini, layanan pengujian dan konsultasi sektor swasta dapat bermanfaat. Lembaga pemerintah tidak boleh menduplikasi kegiatan ini tanpa nilai tambah yang dapat dibuktikan.

Oleh karena itu, tantangan praktisnya terletak pada pembagian kerja yang tepat. Otoritas publik dapat menyelidiki risiko secara menyeluruh, mengembangkan lebih lanjut metode pengujian, dan membuat temuan tersebut dapat diakses. Penyedia swasta kemudian dapat membangun fondasi ini untuk menawarkan audit spesifik, dukungan implementasi, dan inspeksi berkala.

Penting juga untuk menghindari duplikasi upaya. Jika perusahaan harus berulang kali menghasilkan dokumentasi yang hampir identik untuk klien dan institusi yang berbeda, biaya tambahan akan muncul tanpa peningkatan keamanan yang sepadan. Hasil yang diakui dan dapat ditransfer akan lebih berharga secara ekonomi daripada semakin banyaknya proses pengujian terpisah.

Oleh karena itu, lembaga keamanan tidaklah otomatis diperlukan maupun otomatis berlebihan. Kegunaannya bergantung pada apakah lembaga tersebut mengisi kesenjangan yang jelas, apakah hasilnya dapat diterapkan secara praktis, dan apakah tugas-tugasnya tetap berbeda dari penawaran pasar yang ada.

Diperlukan daya komputasi yang lebih besar, tetapi belum ada model bisnis yang tersedia

Pemerintah Jerman bertujuan untuk setidaknya menggandakan kapasitas pusat data secara keseluruhan di Jerman pada tahun 2030 dan melipatgandakan kapasitas untuk AI dan komputasi berkinerja tinggi. Hal ini mengatasi hambatan infrastruktur utama. Namun, kapasitas tambahan pada awalnya hanya berupa pasokan dan belum menjamin keberhasilan ekonomi.

Bagi pengguna, yang terpenting adalah ketersediaan daya komputasi dengan harga yang wajar, perangkat yang sesuai, dan kondisi operasional yang dibutuhkan. Produsen mesin berukuran menengah tidak selalu membutuhkan akses langsung ke sistem pelatihan yang besar. Mereka mungkin membutuhkan lingkungan yang andal dan terjangkau untuk aplikasi khusus.

Pelatihan dan pengoperasian berkelanjutan juga harus dibedakan. Mengembangkan model yang besar dapat membutuhkan sumber daya komputasi yang sangat besar. Sebaliknya, aplikasi bisnis yang didefinisikan secara sempit terkadang dapat dijalankan dengan model yang lebih kecil. Arsitektur mana yang layak secara ekonomi bergantung pada tugas, beban kerja, dan persyaratan kualitas.

Oleh karena itu, perencanaan kapasitas harus dikaitkan dengan analisis permintaan yang realistis. Faktor-faktor yang perlu dipertimbangkan meliputi pasokan listrik, koneksi jaringan, pendinginan, ketersediaan tenaga kerja terampil, dan laju perubahan teknologi. Sebuah pabrik dapat efisien secara teknis namun tetap beroperasi secara tidak efisien jika tingkat pemanfaatannya terlalu rendah.

Sebaliknya, akan sama bermasalahnya jika menunggu hingga setiap aplikasi di masa depan dipastikan akan diterapkan sebelum berinvestasi. Infrastruktur seringkali perlu dibangun sebelum permintaan penuh terpenuhi. Oleh karena itu, konsep yang fleksibel, model penggunaan yang beragam, dan distribusi risiko investasi yang transparan sangat penting.

Tolok ukur ekonomi seharusnya tidak hanya berdasarkan kapasitas terpasang. Sama pentingnya adalah penggunaan aktual, biaya per tugas komputasi yang berarti, ketersediaan, dan akses untuk bisnis kecil. Infrastruktur hanya menjadi keunggulan kompetitif ketika memungkinkan aktivitas produktif yang jika tidak ada infrastruktur tidak akan terjadi atau akan sangat terganggu.

Kebijakan AI yang baik membutuhkan lebih sedikit angka simbolis dan data dampak yang lebih baik

Target yang diumumkan memberikan dasar untuk kontrol politik. Namun, hal ini membawa risiko bahwa aktivitas yang mudah diukur akan disalahartikan sebagai hasil yang sebenarnya.

Tingkat penggunaan pada awalnya menunjukkan seberapa luas suatu teknologi digunakan. Namun, hal itu tidak menjelaskan seberapa intensif teknologi tersebut digunakan atau apakah investasi tersebut membuahkan hasil. Jumlah perusahaan yang didanai menggambarkan jangkauan suatu program. Hal itu belum membuktikan bahwa perusahaan-perusahaan tersebut akan bernasib lebih buruk tanpa pendanaan.

Dampak tambahan ini sangat penting. Jika sebuah perusahaan membiayai investasi yang sudah direncanakan sepenuhnya dengan dana publik, hasilnya mungkin hanya berupa keuntungan tak terduga. Namun, jika dukungan memungkinkan implementasi yang layak secara ekonomi yang seharusnya gagal karena hambatan yang jelas, hal itu dapat menciptakan nilai tambah yang nyata.

Oleh karena itu, penilaian yang andal perlu mendefinisikan perubahan yang diharapkan sebelum program dimulai. Untuk program awal, ini bisa berupa penggunaan yang dibiayai sendiri selanjutnya. Untuk aplikasi industri, fokusnya mungkin pada waktu penyelesaian, peningkatan kualitas, atau tingkat kesalahan yang lebih rendah. Untuk infrastruktur, aksesibilitas dan pemanfaatan akan menjadi faktor kunci.

Target angka lebih dari sepuluh persen dari output ekonomi berbasis AI juga membutuhkan definisi yang transparan. Jika setiap aktivitas yang didukung AI sepenuhnya dimasukkan, hasilnya akan berbeda dari hanya mempertimbangkan nilai tambah yang diciptakan. Tanpa definisi yang jelas, metrik tersebut akan mengesankan secara politis tetapi lemah secara analitis.

Oleh karena itu, sistem pelaporan yang baik harus menggabungkan beberapa indikator kinerja utama (KPI) yang bermakna dengan metodologi yang transparan. Ini juga mencakup proyek yang gagal dan inisiatif yang telah selesai. Strategi di mana setiap program terus berlanjut tanpa memperhatikan hasilnya gagal untuk belajar dari pengalamannya sendiri.

Tanggung jawab politik ditunjukkan melalui kompetensi implementasi dan tanggung jawab yang jelas

Kritik menyeluruh terhadap generasi saja tidak cukup untuk menjelaskan permasalahan kebijakan AI. Kompetensi teknologi tidak dapat ditentukan secara andal berdasarkan usia. Para pengambil keputusan muda mungkin berargumen secara dangkal, sementara para pemimpin berpengalaman dapat mengelola perubahan secara efektif.

Pertanyaan yang lebih penting adalah kompetensi apa yang menjadi dasar keputusan politik dan siapa yang bertanggung jawab atas hasilnya. Kebijakan AI membutuhkan pengetahuan teknis, pemahaman tentang proses operasional, dan kemampuan untuk memprioritaskan dalam kondisi ketidakpastian.

Ekonomi tidak seharusnya diperlakukan sebagai entitas monolitik. Penyedia model, perusahaan cloud, integrator, konglomerat industri, dan pengguna kecil semuanya memiliki kepentingan yang berbeda. Program yang menarik bagi satu penyedia belum tentu bermanfaat bagi perekonomian secara keseluruhan.

Oleh karena itu, keterlibatan perusahaan secara aktif sangat diperlukan, tetapi hal itu tidak menggantikan penilaian independen. Jika tidak, akan ada risiko kebijakan yang melindungi model bisnis yang sudah ada alih-alih memperkuat persaingan dan produktivitas.

Pemerintah Jerman membayangkan gugus tugas AI-nya akan terus mengelola implementasi langkah-langkah tersebut, dengan mengadakan pertemuan setidaknya setiap triwulan di tingkat sekretaris negara. Apakah hal ini menghasilkan manajemen yang efektif bergantung bukan pada frekuensi pertemuan, tetapi pada kewenangan pengambilan keputusan, tanggung jawab yang mengikat, dan kemampuan untuk benar-benar menghilangkan hambatan.

Dalam konteks ini, tanggung jawab juga berarti menegaskan prioritas meskipun ada penolakan. Tidak setiap ide bagus dapat didanai secara bersamaan. Tidak setiap institusi yang ada membutuhkan tugas AI baru. Dan tidak setiap program yang dimulai layak untuk dilanjutkan tanpa batas waktu.

Strategi yang layak menggabungkan pembukaan pasar, spesialisasi, dan seleksi yang konsisten

Dari perspektif ekonomi, kebijakan AI Jerman harus menggabungkan tiga tugas berbeda.

Pertama, solusi tersebut harus mempermudah penggunaan secara luas. Hal ini membutuhkan penawaran yang mudah dipahami, pelatihan yang tepat, model operasional yang mudah diakses, dan dukungan untuk masalah data dan integrasi. Perusahaan kecil, khususnya, akan mendapat manfaat jika solusi yang sudah terbukti tidak perlu dikembangkan dari awal setiap saat.

Selain itu, pendanaan ini harus mendukung perusahaan yang mengembangkan produk dan teknologi fundamental yang dapat diskalakan secara internasional. Tugas ini membutuhkan volume keuangan yang lebih besar, jangka waktu yang lebih panjang, dan kemauan yang lebih besar untuk mengambil risiko teknologi. Hal ini tidak boleh disamakan dengan pendanaan digitalisasi parsial.

Pada akhirnya, negara harus menyediakan infrastruktur publik yang tidak dapat dibiayai secara memadai oleh perusahaan-perusahaan individual. Ini termasuk infrastruktur penelitian khusus, analisis keamanan yang komprehensif, dan standar teknis umum.

Tugas-tugas ini membutuhkan alat yang berbeda. Perusahaan kecil dengan masalah otomatisasi spesifik tidak memerlukan strategi model nasional. Sebaliknya, pengembang model Eropa tidak dapat menjadi kompetitif secara internasional hanya dengan menerima beberapa voucher konsultasi. Dan lembaga keamanan tidak boleh dinilai hanya berdasarkan pendapatan perangkat lunak jangka pendeknya.

Oleh karena itu, perspektif yang jelas adalah bahwa Jerman seharusnya tidak terlalu berusaha mengorganisir setiap aktivitas di bawah label AI yang sama, tetapi lebih membedakan secara jelas antara pengembangan pasar, pengembangan teknologi, dan tugas-tugas publik. Kolaborasi berkinerja tinggi yang ada layak didukung, asalkan tetap cukup terbuka bagi perusahaan lain dan memberikan hasil yang terukur.

Negara harus bertindak secara andal di mana ia sendiri menciptakan permintaan, dan menahan diri di mana struktur tambahan hanya menduplikasi pasokan yang sudah ada. Spesialisasi Eropa seringkali lebih masuk akal daripada mencoba mereplikasi sepenuhnya setiap kemampuan secara nasional.

Apakah Jerman akan menjadi negara AI yang kuat pada tahun 2030 pada akhirnya tidak bergantung pada kelengkapan daftar langkah-langkah. Yang penting adalah apakah perusahaan menghasilkan keuntungan berkelanjutan dari aplikasi, karyawan bekerja lebih produktif, dan lembaga publik secara nyata meningkatkan layanan mereka. Sebuah strategi dikatakan berhasil ketika strategi tersebut memungkinkan hasil-hasil ini dan menghilangkan aktivitas yang tidak perlu—bukan ketika strategi tersebut hanya menambahkan lebih banyak hal saja.

Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten - Gambar: Xpert.Digital

Xpert.Digital adalah pusat industri B2B berbasis data yang dipimpin oleh Konrad Wolfenstein . Perusahaan ini bertindak sebagai solusi eksternal, yang hampir bersifat internal, bagi mitra industri, menutup kesenjangan operasional dalam pemasaran, konten, dan penjualan – tanpa memerlukan sumber daya tambahan di pihak klien.

Informasi selengkapnya di sini:

• Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten

☑️ Bahasa bisnis kami adalah bahasa Inggris atau Jerman

☑️ BARU: Korespondensi dalam bahasa ibu Anda!

Konrad Wolfenstein

Saya dan tim saya dengan senang hati siap membantu Anda sebagai penasihat pribadi Anda.

Anda dapat menghubungi saya dengan mengisi formulir kontak di sini [email protected]:atau cukup hubungi saya di +49 7348 4088 965. Alamat email saya adalah

Saya sangat menantikan proyek bersama kita.

☑️ Dukungan UKM dalam strategi, konsultasi, perencanaan, dan implementasi

☑️ Pembuatan atau penyesuaian kembali strategi digital dan digitalisasi

☑️ Perluasan dan optimalisasi proses penjualan internasional

☑️ Platform perdagangan B2B global & digital

☑️ Pelopor Pengembangan Bisnis / Pemasaran / Humas / Pameran Dagang