AI Adoption Bukan Transformasi: Workflow yang Harus Berubah Sebelum ROI Muncul

AI adoption sedang naik cepat. Pada 29 September 2026, PwC melaporkan bahwa 64% pekerja yang disurvei telah menggunakan AI dalam pekerjaan selama 12 bulan terakhir, sementara penggunaan GenAI harian naik menjadi 22%. Angka ini menggambarkan penggunaan yang dilaporkan responden, bukan pengukuran produktivitas yang diaudit atau bukti bahwa AI menyebabkan ROI. Survei global ini mencakup 49.364 pekerja di 48 negara dan wilayah, dengan pengumpulan respons pada Mei–Juni 2026.

Tetapi untuk owner dan manajemen, pertanyaan yang lebih penting bukan “berapa banyak orang yang sudah memakai AI?” Pertanyaannya adalah: apa yang benar-benar berubah dalam workflow?

Perusahaan bisa membeli lebih banyak lisensi, menjalankan lebih banyak prompt, dan meningkatkan jumlah pengguna aktif tanpa mengubah cara kerja inti. Jika approval tetap lambat, data tetap dipindahkan manual, keputusan tetap menunggu orang tertentu, dan rework tetap tinggi, adoption bertambah tetapi transformasi operasional belum tentu terjadi.

Itulah perbedaan antara AI adoption dan AI transformation.

1. Adoption naik, tetapi adoption bukan ROI

Metric adoption berguna. Kita perlu tahu berapa banyak orang yang memakai tool, seberapa sering digunakan, dan untuk jenis pekerjaan apa. Namun metric tersebut hanya menjelaskan input.

Ia belum menjelaskan apakah bisnis mendapat outcome.

PwC menemukan bahwa hampir dua pertiga pekerja dalam survei global 2026 telah menggunakan AI di pekerjaan dan penggunaan GenAI harian meningkat tajam. Dalam survei PwC 2025 yang dipublikasikan PwC Indonesia pada 23 Februari 2026, penggunaan AI yang dilaporkan responden Indonesia lebih tinggi daripada rata-rata global. Temuan Indonesia tersebut berasal dari tahun survei yang berbeda; jangan membacanya sebagai perbandingan langsung dengan angka global 2026. Berdasarkan sinyal penggunaan ini, Fokus Profit merekomendasikan agar organisasi menilai ulang desain pekerjaan, pembagian tanggung jawab manusia dan AI, serta outcome operasional.

Arah ini sejalan dengan pesan Bank Indonesia pada FEKDI x IFSE 2026: transformasi digital perlu menghasilkan dampak nyata terhadap produktivitas, efisiensi, dan penciptaan nilai.

Jadi ukuran keberhasilan tidak bisa berhenti di jumlah lisensi AI, user aktif, prompt, use case pilot, atau experiment. Semua itu adalah tanda penggunaan. Bukan bukti transformasi.

2. Mengapa value sering berhenti ketika workflow lama tidak berubah

AI sering ditempelkan ke proses lama.

Contohnya, tim finance memakai AI untuk membuat ringkasan laporan, tetapi data sumbernya masih dikumpulkan manual dari banyak file. Tim sales memakai AI untuk menulis follow-up, tetapi approval diskon tetap harus lewat chat pribadi. Tim operasional memakai AI untuk merangkum issue, tetapi tidak ada pemilik data dan escalation path yang jelas.

Pada kondisi seperti ini, AI hanya mempercepat satu bagian kecil dari pekerjaan. Bottleneck utama tetap ada.

Ada empat area yang perlu dilihat.

Role design

Siapa melakukan apa sebelum AI masuk? Setelah AI digunakan, pekerjaan mana yang benar-benar hilang, mana yang berubah, dan mana yang tetap membutuhkan judgement manusia?

Jika semua peran tetap sama dan AI hanya menjadi “asisten tambahan”, kemungkinan besar operating model belum berubah.

Data ownership

AI bergantung pada input. Kalau data tidak konsisten, tersebar, atau tidak ada owner yang jelas, AI justru bisa mempercepat proses menghasilkan output dari data yang belum siap.

Transformasi membutuhkan ownership: siapa menjaga definisi data, siapa memperbaiki error, siapa berhak mengubah sumber, dan mana yang menjadi source of truth.

Handoff dan approval

Banyak proses lambat bukan karena orang kurang cepat mengetik, tetapi karena pekerjaan berpindah terlalu banyak antar-orang, antar-aplikasi, dan antar-level approval.

AI bisa membantu menyiapkan rekomendasi. Tetapi jika decision rights tidak berubah, latency tetap ada.

Exception path

Proses normal biasanya mudah diotomasi. Yang sulit adalah ketika kondisi tidak normal.

Apa yang terjadi jika data tidak lengkap? Jika nominal melewati threshold? Jika ada konflik antara kebijakan dan kondisi lapangan? Jika confidence AI rendah?

Tanpa exception path yang jelas, automation justru berisiko menambah pekerjaan pengecekan.

3. Lima pertanyaan redesign sebelum AI di-scale

Sebelum menambah tool atau memperluas akses, pilih satu workflow dan jawab lima pertanyaan berikut.

1. Outcome apa yang ingin diperbaiki?

Jangan mulai dari “kami ingin menggunakan AI”.

Mulai dari hasil bisnis yang ingin berubah: quotation selesai lebih cepat, closing lebih singkat, approval tidak menumpuk, error input berkurang, keputusan pembelian lebih cepat, atau customer response lebih konsisten.

Outcome harus bisa diamati.

2. Pekerjaan apa yang benar-benar bisa dihapus?

AI yang hanya menambah satu langkah baru belum tentu memberi efisiensi.

Cari aktivitas seperti copy-paste, re-entry data, membuat ringkasan manual, pengecekan berulang, pencarian informasi, follow-up status, atau penyusunan draft awal.

Tanyakan: setelah AI diterapkan, langkah mana yang tidak perlu lagi dilakukan manusia?

Kalau jawabannya “tidak ada”, mungkin desainnya belum cukup jauh.

3. Mana tanggung jawab AI dan mana tanggung jawab manusia?

AI bisa melakukan analisis, draft, klasifikasi, rekomendasi, atau eksekusi tertentu. Tetapi accountability tetap perlu eksplisit.

Tentukan apa yang boleh dilakukan AI, apa yang harus direview manusia, tindakan apa yang butuh approval, dan kapan AI harus berhenti.

4. Data dan control apa yang wajib tersedia?

Workflow yang baik tidak hanya cepat. Ia juga bisa diaudit.

Tentukan data apa yang menjadi sumber, siapa pemiliknya, control apa yang harus lolos, evidence apa yang harus disimpan, dan tindakan apa yang harus meninggalkan audit trail.

5. Apa exception path-nya?

Desain jalur normal dan jalur exception secara terpisah.

Untuk setiap exception, tentukan trigger, owner, SLA, evidence yang dibutuhkan, dan escalation path.

4. KPI scorecard: ukur perubahan kerja, bukan jumlah tool

Setelah workflow didesain ulang, ukur outcome operasional.

Cycle time

Berapa lama proses selesai dari awal sampai akhir?

Contoh: quotation turnaround time, invoice approval time, closing duration, procurement cycle time.

Rework dan error

Berapa banyak pekerjaan yang harus diperbaiki ulang?

Contoh: input correction, duplicate entry, document mismatch, repeated clarification.

Decision latency

Berapa lama keputusan tertahan?

Ukur waktu menunggu approval, data, clarification, dan jumlah escalation.

Quality dan control

Apakah kualitas output dan kontrol tetap terjaga?

Lihat completeness, consistency, policy compliance internal, evidence availability, dan auditability.

Business outcome

Terakhir, lihat outcome yang benar-benar relevan untuk bisnis.

Misalnya conversion, collection speed, stock availability, project margin visibility, customer response quality, atau working capital.

5. Diagnostic 30 hari untuk owner

Tidak perlu memulai dari program transformasi besar.

Minggu 1: baseline

Catat cycle time, jumlah handoff, jumlah rework, waktu tunggu, dan outcome utama.

Minggu 2: redesign

Petakan langkah yang bisa dihapus, tugas AI, tugas manusia, approval, data source, dan exception path.

Minggu 3: pilot

Jalankan pada scope terbatas.

Minggu 4: compare

Bandingkan dengan baseline.

Tanyakan: langkah apa yang hilang? keputusan apa yang lebih cepat? error apa yang berkurang? control apa yang membaik? outcome mana yang bergerak?

Kalau tidak ada perubahan yang jelas, jangan buru-buru membeli tool berikutnya. Perbaiki desain workflow lebih dulu.

Satu prinsip tambahan: baseline harus ditulis sebelum pilot

Tanpa baseline, tim mudah menganggap perubahan apa pun sebagai keberhasilan. Sebelum pilot dimulai, tulis angka awal untuk cycle time, jumlah handoff, rework, approval wait time, dan outcome utama. Gunakan definisi yang sama saat evaluasi. Dengan begitu, diskusi tidak berhenti pada perasaan bahwa AI “membantu”, tetapi bisa melihat apakah proses memang berubah secara terukur.

Kesimpulan

AI adoption adalah input. Transformasi terjadi ketika cara kerja berubah.

Angka penggunaan yang meningkat menunjukkan bahwa AI makin relevan di tempat kerja, tetapi owner tetap perlu membedakan activity metric dari operating outcome. Survei PwC memberi sinyal penggunaan AI, sementara Bank Indonesia menempatkan produktivitas sebagai hasil penting dari transformasi digital. Redesign workflow dan KPI dalam artikel ini merupakan rekomendasi Fokus Profit.

Tes sederhananya: jika Anda belum bisa menunjukkan langkah mana yang hilang, keputusan mana yang lebih cepat, control mana yang membaik, dan KPI mana yang bergerak, maka adoption belum menjadi transformasi.

Disclaimer: Artikel ini bersifat edukasi umum dan bukan nasihat pajak, hukum, atau keuangan untuk kondisi spesifik bisnis Anda. Hasil di setiap bisnis dapat berbeda.