AI dan Pentingnya Disiplin Mendefinisikan Masalah
Analis Keuangan yang menulis tentang analisis keuangan, kecerdasan buatan, otomasi keuangan, dengan pendekatan praktis dan berorientasi bisnis.
·waktu baca 7 menit
Tulisan dari Bayu Istantoro tidak mewakili pandangan dari redaksi kumparan
PerbesarBanyak inisiatif kecerdasan buatan (AI) terlihat menjanjikan di awal, tetapi tidak selalu menghasilkan dampak bisnis. Persoalannya sering bukan pada kecanggihan teknologi, melainkan pada ketidakjelasan masalah yang ingin diselesaikan.
Banyak perusahaan mulai tertarik menggunakan AI karena alasan yang wajar. Mereka ingin proses lebih efisien, analisis lebih cepat, biaya lebih terkendali, dan keputusan bisnis lebih akurat. Dalam berbagai forum manajemen, AI mulai hadir sebagai jawaban atas banyak persoalan organisasi.
Namun, ada pola yang sering muncul. Diskusi terlalu cepat bergerak ke pertanyaan teknis: model apa yang harus digunakan, tools apa yang paling tepat, dashboard seperti apa yang perlu dibuat, atau proses mana yang bisa diotomatisasi.
Pertanyaan tersebut penting. Namun, sering kali pertanyaan itu datang terlalu awal.
Sebelum membahas AI apa yang perlu digunakan, organisasi perlu menjawab pertanyaan yang lebih mendasar: Masalah bisnis apa yang sebenarnya ingin diselesaikan?
Di sinilah disiplin mendefinisikan masalah menjadi penting. Banyak proyek AI tidak gagal karena teknologinya buruk. Ia gagal karena sejak awal diarahkan pada masalah yang belum benar-benar dipahami.
Ketika Organisasi Terlalu Cepat Melompat ke Solusi
Kesalahan umum dalam implementasi AI adalah langsung melompat ke solusi. Ketika organisasi mendengar AI, perhatian sering kali segera berpindah ke tools, model, otomasi, atau sistem baru. Seolah-olah keberadaan teknologi otomatis akan menghasilkan perbaikan bisnis.
Padahal, AI hanyalah alat. Ia tidak otomatis memperbaiki proses yang buruk, tujuan yang kabur, atau masalah bisnis yang salah dipahami. Jika akar masalah belum jelas, AI justru dapat mempercepat kekacauan yang sudah ada.
Contohnya sederhana. Sebuah perusahaan retail melihat banyak pelanggan meninggalkan keranjang belanja tanpa menyelesaikan transaksi. Respons awalnya mungkin: perusahaan membutuhkan AI recommendation agar pelanggan terdorong membeli.
Namun, belum tentu itu masalah utamanya. Bisa jadi pelanggan pergi karena proses checkout terlalu panjang, biaya pengiriman muncul terlalu akhir, halaman pembayaran lambat, metode pembayaran terbatas, atau harga tidak cukup kompetitif.
Jika penyebab sebenarnya adalah friksi di proses checkout, recommendation engine tidak menyelesaikan masalah utama. Teknologi terlihat canggih, tetapi tidak menyentuh titik sakit bisnis yang sebenarnya.
Inilah risiko ketika AI ditempatkan sebagai lapisan teknologi di atas masalah lama. Organisasi terlihat bergerak maju, tetapi dampak bisnisnya tidak sebanding.
Masalah Utamanya Ada pada Cara Merumuskan Kebutuhan
Akar persoalannya bukan hanya rendahnya pemahaman teknologi. Masalah yang lebih mendasar adalah lemahnya cara organisasi merumuskan kebutuhan bisnis.
Banyak perusahaan mendefinisikan kebutuhan AI dengan kalimat yang terlalu umum: ingin lebih digital, ingin lebih efisien, ingin menggunakan AI, ingin mempercepat proses, atau ingin meningkatkan penjualan. Kalimat seperti itu terdengar strategis, tetapi belum cukup menjadi rumusan masalah.
Rumusan masalah yang baik harus menjelaskan apa yang terjadi, di mana masalahnya muncul, siapa yang terdampak, seberapa besar dampaknya, dan mengapa masalah itu penting untuk diselesaikan sekarang.
Kalimat “ingin meningkatkan penjualan” terlalu luas. Namun, kalimat “conversion rate turun 12 persen dalam tiga bulan terakhir karena banyak pelanggan keluar di tahap pembayaran” jauh lebih berguna. Masalahnya lebih jelas, area intervensinya lebih terlihat, dan data yang dibutuhkan lebih mudah ditentukan.
Tanpa definisi masalah yang jelas, organisasi akan kesulitan menentukan data yang relevan. Akibatnya, tim mengumpulkan terlalu banyak data, tetapi tidak semuanya menjawab persoalan. Data yang seharusnya menjadi sumber insight justru berubah menjadi noise.
Dalam konteks finance dan business analysis, pola yang sama juga sering terjadi. Organisasi ingin menggunakan AI untuk “membuat analisis lebih cepat”. Namun, terdapat pertanyaan yang lebih penting: Analisis apa yang paling sering berulang, keputusan apa yang tertunda karena analisis tersebut, dan bagian mana dari workflow yang paling banyak memakan waktu?
Jika pertanyaan ini tidak dijawab, AI hanya dipakai untuk mempercepat output, bukan memperbaiki kualitas keputusan.
Dari Dorongan Teknologi ke Kejelasan Masalah Bisnis
Pergeseran penting dalam implementasi AI adalah dari technology-driven menuju problem-driven.
Pendekatan technology-driven dimulai dari pertanyaan: Kita punya AI, mau dipakai untuk apa? Cara berpikir ini sering menghasilkan proyek yang menarik secara demo, tetapi lemah dalam operasional. Sistem terlihat pintar, dashboard terlihat modern, tetapi pengguna bisnis tidak benar-benar bergantung padanya untuk mengambil keputusan.
Pendekatan problem-driven membalik urutannya. Organisasi mulai dari masalah bisnis, lalu menilai teknologi apa yang paling relevan untuk membantu. Dengan cara ini, AI tidak ditempatkan sebagai pusat strategi, tetapi sebagai enabler untuk menyelesaikan masalah yang spesifik.
Dalam finance, misalnya, pertanyaan awal bukan “Bagaimana memakai AI untuk laporan keuangan?” tetapi “Bagian mana dari proses analisis keuangan yang paling sering terlambat, tidak konsisten, atau tidak cukup membantu keputusan manajemen?”
Dari sana, use case menjadi lebih konkret. AI dapat digunakan untuk membuat draft variance analysis, menyusun management commentary, mengelompokkan driver kinerja, membantu scenario analysis, atau mempercepat review terhadap pola biaya dan pendapatan.
Pergeserannya bukan hanya dari manual ke otomatis. Pergeseran yang lebih penting adalah dari output generation ke decision support. AI tidak hanya menghasilkan laporan lebih cepat, tetapi juga membantu organisasi memahami masalah dengan lebih terstruktur.
AI Membutuhkan Konteks, bukan Sekadar Data
AI memiliki peran penting dalam mempercepat analisis, mengotomatisasi pekerjaan repetitif, dan membantu organisasi menemukan pola dalam data. Namun, AI tidak menggantikan kebutuhan problem definition yang baik.
Kualitas hasil AI sangat bergantung pada kualitas framing masalah. Jika pertanyaannya kabur, hasilnya juga akan kabur. Jika konteks bisnis tidak diberikan, output akan generik. Jika tujuan tidak terukur, sulit menilai apakah AI benar-benar memberi dampak.
Dalam praktiknya, AI dapat membantu setelah organisasi memiliki arah yang jelas. Jika masalahnya adalah tingginya cart abandonment, AI dapat membantu menganalisis pola perilaku pelanggan, mengelompokkan faktor risiko, atau menguji skenario intervensi. Jika masalahnya adalah keterlambatan analisis keuangan, AI dapat membantu menyusun draft insight dari data yang sudah distandarkan.
Namun, AI tetap membutuhkan data yang relevan, asumsi yang masuk akal, aturan bisnis, dan validasi manusia. AI bisa membantu mempercepat reasoning, tetapi manusia tetap menentukan apakah reasoning tersebut benar secara konteks bisnis.
Dengan demikian, nilai AI bukan terletak pada kecanggihannya semata. Nilainya muncul ketika AI ditempatkan dalam workflow yang benar, diarahkan pada masalah yang jelas, dan diukur berdasarkan outcome bisnis.
Implikasi bagi Kepemimpinan dan Strategi
Bagi leadership, implikasinya cukup besar. Kemampuan penting di era AI tidak hanya memahami teknologi, tetapi juga mampu memetakan masalah nyata. Pemimpin perlu membedakan antara gejala dan akar masalah, antara kebutuhan bisnis dan keinginan menggunakan tools baru, serta antara aktivitas teknologi dan hasil strategis.
Bagi tim strategy, AI menuntut disiplin problem framing yang lebih kuat. Setiap inisiatif AI perlu dimulai dengan pertanyaan: Masalah apa yang diselesaikan, mengapa penting, siapa penggunanya, data apa yang dibutuhkan, dan bagaimana keberhasilannya diukur?
Bagi finance dan FP&A, hal ini semakin relevan. Banyak pekerjaan finance tidak sekadar memproduksi angka, tetapi juga membantu manajemen memahami kondisi bisnis dan menentukan tindakan. AI dapat membantu mempercepat proses tersebut, tetapi hanya jika masalah analisisnya dirumuskan dengan baik.
Bagi organisasi, pendekatan problem-driven akan mengurangi risiko proyek AI yang terlihat sibuk, tetapi tidak berdampak. Sistem boleh jadi selesai dibangun, tetapi pertanyaan utamanya tetap sama: Apakah keputusan menjadi lebih cepat, lebih jelas, dan lebih tepat?
Membangun Disiplin Sebelum Membangun Model
Langkah pertama yang perlu dibangun organisasi adalah disiplin mendefinisikan masalah. Sebelum membuat model, dashboard, atau automasi, organisasi perlu menuliskan problem statement secara spesifik.
Masalah harus dapat dijelaskan dengan sederhana: apa yang terjadi, di mana terjadi, seberapa besar dampaknya, dan keputusan apa yang harus dibantu. Dari situ, organisasi dapat menentukan data yang benar-benar relevan, bukan sekadar mengumpulkan sebanyak mungkin data.
Langkah berikutnya adalah menentukan tujuan bisnis yang terukur. AI tidak cukup dinilai dari apakah sistem berhasil dibuat. AI harus dinilai dari apakah ia membantu meningkatkan conversion rate, menurunkan fraud, mempercepat proses, meningkatkan akurasi forecast, mengurangi pekerjaan manual, atau memperbaiki kualitas keputusan.
Setelah itu, organisasi perlu menghubungkan AI dengan workflow nyata. Siapa yang akan memakai output AI? Dalam proses apa output itu digunakan? Keputusan apa yang berubah karena adanya AI? Tanpa integrasi ke workflow, AI mudah berhenti sebagai eksperimen.
Pada akhirnya, banyak proyek AI gagal bukan ketika model dibangun, melainkan sebelum model itu dibuat. Kegagalannya dimulai ketika masalah tidak jelas, data tidak relevan, dan tujuan tidak terukur.
Karena itu, pertanyaan paling penting bukan “AI apa yang harus kita gunakan?” Pertanyaan yang lebih menentukan adalah “Masalah bisnis apa yang sebenarnya ingin kita selesaikan?”
AI yang baik tidak dimulai dari teknologi. Ia dimulai dari kejelasan berpikir tentang masalah.