Paradoks Solow Terulang: Mengapa Investasi AI Enterprise Belum Berbuah Produktivitas

Telset.id – Uber, salah satu perusahaan paling berbasis data di dunia, mengakui bahwa belanja kecerdasan buatan (AI) mereka menjadi “semakin sulit untuk dibenarkan”. Presiden dan COO Uber, Andrew Macdonald, mengungkapkan bahwa perusahaan telah menghabiskan seluruh anggaran AI 2026 dalam waktu sekitar empat bulan, dengan sekitar 5.000 insinyur mengandalkan Claude Code milik Anthropic.

Fenomena ini bukan hanya dialami Uber. Riset Forrester menemukan bahwa perusahaan menunda sekitar 25% belanja AI yang direncanakan hingga 2027, seiring meningkatnya pengawasan CFO terhadap ROI. Sementara itu, laporan McKinsey State of AI menunjukkan bahwa meskipun 62% perusahaan bereksperimen dengan agen AI, hanya 23% yang berhasil menskalakannya di satu fungsi bisnis pun.

Ciaran Cosgrave, CEO Nearform, menilai statistik tersebut bukanlah indikasi teknologi yang tidak berfungsi, melainkan teknologi yang digunakan dengan cara yang salah. Kondisi ini mengingatkan pada pengamatan ekonom peraih Nobel, Robert Solow, pada 1987: “Anda bisa melihat era komputer di mana-mana kecuali dalam statistik produktivitas.”

Komputer saat itu sudah digunakan secara luas di perusahaan inovatif, namun angka produktivitas tidak bergerak. Pengembalian investasi baru terwujud bertahun-tahun kemudian, setelah organisasi berhenti menempelkan komputer pada proses lama dan mulai mendesain ulang cara kerja mereka secara fundamental.

Flatline di Balik Hype AI

Ada perbedaan kritis yang masih gagal dipahami sebagian besar pemimpin enterprise: aktivitas AI tidak sama dengan kematangan AI. Sebuah perusahaan bisa menjalankan 40 pilot, mengadopsi enam platform, dan melaporkan statistik penggunaan yang impresif, namun tetap tidak lebih dekat dengan nilai bisnis yang terukur.

Uber mengalaminya secara publik dan menyakitkan. Perusahaan secara terbuka mempertanyakan apakah biaya penggunaan token AI yang meningkat sebanding dengan peningkatan produktivitas. Yang membuat situasi Uber instruktif bukan hanya eksposur finansialnya, tetapi bagaimana organisasi tersebut melakukan pendekatan adopsi.

Papan peringkat internal diperkenalkan untuk memberi peringkat tim berdasarkan penggunaan alat AI, dengan insentif menggunakan lebih banyak alat. Hasilnya adalah lebih banyak penggunaan, tetapi dampak bisnis semakin sulit dibenarkan. Inilah yang terjadi ketika adopsi digamifikasi tanpa mendesain ulang alur kerja di bawahnya. Yang dioptimalkan adalah metrik penggunaan alat, bukan hasil bisnis.

Uber kini bergabung dengan sejumlah organisasi besar lainnya, termasuk Microsoft, Meta, dan Amazon, dalam membatasi penggunaan AI untuk mengatasi masalah ini. Ketika penggunaan token AI tidak dibatasi, aktivitas menjadi proksi kemajuan. Namun ketika dibatasi, organisasi dipaksa menghadapi pertanyaan yang lebih sulit: apa yang sebenarnya dihasilkan setiap token?

Dalam hal ini, belanja token berperilaku seperti cermin ekonomi. Ia meningkat seketika seiring adopsi, sementara produktivitas hanya membaik ketika alur kerja didesain ulang. Kesenjangan antara keduanya adalah tempat sebagian besar ROI AI menghilang.

Optimasi Tugas Individu dan Kerangka 3-3-3

Ketika alat AI digunakan di tingkat individu, alat tersebut cenderung mengoptimalkan tugas, bukan alur kerja. Pengembang menulis kode lebih cepat, pemasar menyusun draf dalam waktu singkat, atau analis data menghasilkan laporan ringkasan dalam hitungan menit. Semua contoh ini adalah keuntungan nyata, tetapi jika kode masih menunggu di antrean review selama empat hari, draf masih melewati tiga putaran persetujuan manual, atau laporan masih memerlukan transfer manual ke dashboard pengambilan keputusan, waktu yang dihemat akan menumpuk di hambatan berikutnya.

Keuntungan produktivitas individu yang tidak diterjemahkan ke desain ulang alur kerja tidak akan berlipat ganda. Mereka stagnan, dan ini adalah inti dari kesenjangan kematangan. Kematangan AI bukan tentang berapa banyak alat yang diadopsi atau berapa banyak pilot yang diluncurkan, tetapi tentang apakah perusahaan telah bergerak konsisten dari peluang menuju hasil.

Istilah ‘AI siap produksi’ sering digunakan secara longgar. AI siap produksi memiliki empat karakteristik. Pertama, output langsung mengalir ke keputusan atau tindakan hilir tanpa transfer manual. Kedua, sistem memiliki mode kegagalan yang didefinisikan dengan jelas, sehingga organisasi tahu persis apa yang terjadi ketika AI salah. Ketiga, ada pemilik yang bertanggung jawab atas kinerja, adopsi, dan iterasi. Terakhir, proses di sekitarnya telah didesain ulang, bukan sekadar ditambah.

Untuk membantu bisnis melakukan pergeseran ini, Nearform memperkenalkan kerangka 3-3-3: tiga hari untuk memprioritaskan, tiga minggu untuk membuktikan nilai, dan tiga bulan untuk meluncurkan rilis pertama. Pada fase prioritisasi, pertanyaannya bukan “apa yang bisa dilakukan AI?”, melainkan “peluang spesifik mana, yang terkait dengan hasil bisnis tertentu, yang memiliki kombinasi nilai, kelayakan, kesiapan data, dan dukungan organisasi yang tepat untuk dikejar saat ini?”

Pada fase pembuktian, fokusnya adalah validasi secara komersial, bukan teknis. Proof of concept yang menunjukkan kemungkinan teknis tanpa menunjukkan nilai bisnis bukanlah proof of concept, melainkan prototipe tanpa tujuan. Pada fase peluncuran, solusi bergerak ke lingkungan nyata, terintegrasi dengan sistem yang ada, diadopsi oleh orang-orang yang dibangun untuk mereka, dan diukur terhadap hasil yang dirancang untuk ditingkatkan, bukan terhadap penggunaan token atau tingkat adopsi.

Pergeseran paling penting yang dapat dilakukan pemimpin enterprise saat ini adalah keputusan pengukuran. Perusahaan yang serius menutup kesenjangan antara aktivitas AI dan dampak bisnis perlu melakukan tiga pergeseran: dari penerapan alat ke desain ulang model operasi, dari metrik adopsi ke metrik hasil, dan dari eksperimentasi terpusat ke akuntabilitas terdistribusi.

Paradoks produktivitas yang diidentifikasi Solow pada 1987 akhirnya teratasi, bukan karena komputer menjadi lebih baik, tetapi karena organisasi belajar mengatur ulang pekerjaan di sekitar teknologi. Resolusi yang sama tersedia bagi perusahaan yang menerapkan AI saat ini. Organisasi yang memenangkan era AI bukanlah yang memiliki pilot terbanyak, melainkan yang membangun kematangan untuk mengubah ide yang tepat menjadi nilai dan menskalakan nilai tersebut dengan percaya diri.

Kematangan semacam itu tidak terjadi secara kebetulan. Ia membutuhkan struktur, disiplin, dan kemauan untuk mengajukan pertanyaan yang lebih sulit tentang apa yang sebenarnya dihasilkan AI dan apa yang tidak. Artikel ini merupakan bagian dari TechRadar Pro Perspectives, kanal yang menampilkan pemikiran para profesional teknologi industri. Pandangan yang diungkapkan adalah milik penulis, Ciaran Cosgrave, CEO Nearform.

[CONTENT_END]