P&L bukan satu-satunya ukuran, tapi dia nggak gampang dibohongi

Profit and loss statement memang bukan alat sempurna untuk membaca semua dampak AI.

Ada investasi yang manfaatnya baru terlihat dua tahun.

Ada capability yang dibangun sekarang untuk mengurangi risiko masa depan.

Ada improvement customer experience yang belum langsung menjadi revenue.

Ada learning.

Ada optionality.

Jadi bukan berarti setiap AI project harus menghasilkan profit bulan depan.

Tapi P&L punya satu kelebihan.

Dia memaksa perusahaan melihat outcome, bukan excitement.

Apakah revenue naik?

Apakah gross margin membaik?

Apakah operating expense turun atau tumbuh lebih lambat?

Apakah cost-to-serve berubah?

Apakah headcount growth bisa ditahan tanpa menurunkan service?

Apakah working capital membaik?

Apakah churn turun?

Kalau tidak ada satu pun financial pathway yang bisa dijelaskan, perusahaan perlu jujur.

Mungkin AI-nya berguna.

Tapi belum transformasional.

Time saved sering berhenti di kalender

Ini salah satu jebakan terbesar.

Tim bilang AI menghemat 10 jam per minggu.

Lalu finance bertanya:

“Sepuluh jam itu menghasilkan apa?”

Bukan sinis.

Itu pertanyaan penting.

Kalau employee tetap menerima gaji sama, cost perusahaan tidak otomatis turun.

Kalau waktu kosong diisi pekerjaan lain yang tidak meningkatkan output ekonomi, benefit finansial belum captured.

Time saved baru punya value jika perusahaan mengubah sesuatu.

Lebih banyak output.

Lebih banyak customer.

Lebih cepat delivery.

Lebih sedikit overtime.

Lebih sedikit external vendor.

Lebih sedikit hiring tambahan.

Lebih cepat decision.

Lebih sedikit error.

Lebih tinggi conversion.

Kalau tidak, time saved cuma terasa.

Belum menjadi angka.

Ini sebabnya ROI AI sering membingungkan.

Employee bisa sangat merasakan benefit.

Finance tidak melihat.

Dua-duanya benar.

Benefit operasional ada.

Value capture belum.

Produktivitas individu dan produktivitas perusahaan beda

Satu analyst bisa dua kali lebih cepat.

Apakah perusahaan dua kali lebih produktif?

Tidak otomatis.

Karena analyst hidup dalam sistem.

Ada input.

Handoff.

Approval.

Customer.

Manager.

Legal.

Finance.

Kalau analyst menyelesaikan report sehari lebih cepat tapi management meeting tetap Jumat depan, speed hilang.

Kalau proposal dibuat 30 menit tapi customer approval tetap tiga minggu, cycle time tidak banyak berubah.

Kalau code dibuat lebih cepat tapi QA menjadi bottleneck, throughput terbatas.

Perusahaan adalah jaringan dependency.

AI sering mempercepat node.

Transformasi harus mempercepat jaringan.

Di situlah workflow redesign masuk.

Bukan cuma “setiap orang punya copilot”.

Perusahaan perlu melihat end-to-end metric.

Order to cash.

Lead to close.

Hire to productive.

Ticket to resolution.

Idea to launch.

Close to report.

Kalau AI tidak mengubah cycle time end-to-end, mungkin impact-nya masih lokal.

P&L berubah ketika constraint bisnis ikut berubah.

Revenue path sering lebih menarik daripada cost cutting

AI sering dijual sebagai penghemat cost.

Automate.

Reduce labor.

Efficiency.

Itu masuk akal.

Tapi ada ceiling.

Cost bisa ditekan sampai batas tertentu.

Growth punya ceiling yang lebih tinggi.

PwC pada 2026 menemukan perusahaan yang lebih unggul dalam AI lebih sering menggunakan AI untuk mengejar growth opportunity dan business model reinvention, bukan hanya productivity.

Contoh sederhana.

Sales team menggunakan AI untuk membuat proposal lebih cepat.

Cost saving ada.

Tapi lebih menarik kalau speed tersebut membuat mereka bisa merespons lead dalam hari yang sama, mengirim lebih banyak proposal berkualitas, dan meningkatkan win rate.

Sekarang AI menyentuh revenue.

Atau customer service.

AI mengurangi volume ticket.

Bagus.

Lebih menarik kalau response cepat menurunkan churn atau meningkatkan repeat purchase.

Sekarang service improvement menyentuh revenue retention.

AI transformation yang matang menemukan economic mechanism.

Bukan hanya feature benefit.

Kalau tidak ada mechanism, P&L connection lemah.

Jangan memaksa semua AI punya ROI sendiri

Ada nuance lain.

Tidak semua tool perlu dihitung seperti business unit.

Email.

Spreadsheet.

Video call.

Kita tidak selalu menghitung ROI satu per satu.

Sebagian teknologi menjadi infrastructure.

AI assistant mungkin menuju sana.

Kalau satu license membantu employee sehari-hari, perusahaan bisa memperlakukannya sebagai productivity infrastructure.

Tidak masalah.

Tapi jangan kemudian mengklaim seluruh deployment sebagai “transformasi bernilai ratusan miliar” tanpa evidence.

Pisahkan kategori.

Utility AI.

Process improvement.

Revenue AI.

Risk reduction.

Strategic capability.

Masing-masing punya cara ukur berbeda.

AI writing assistant mungkin utility.

Fraud model bisa risk reduction.

Pricing system bisa revenue atau margin.

Agent procurement bisa cost.

Dengan klasifikasi ini, CFO tidak dipaksa mencari revenue dari setiap prompt.

Tapi perusahaan tetap tahu investasi mana yang seharusnya punya financial return kuat.

P&L discipline bukan anti-innovation

Kadang tim innovation merasa finance terlalu konservatif.

“Kalau semua harus ada ROI, nggak bisa eksperimen.”

Benar.

Eksperimen tidak harus punya ROI langsung.

Eksperimen harus punya learning objective.

Itu beda.

Misalnya pilot tiga bulan untuk melihat apakah AI bisa mengurangi manual review.

Ukuran sukses:

Accuracy.

Time.

Failure mode.

User acceptance.

Cost.

Bukan profit.

Setelah pilot, kalau mau scale, barulah business case diperkeras.

Berapa volume?

Berapa investasi?

Apa economic path?

Ini sehat.

Eksperimen punya hak untuk gagal.

Transformasi punya kewajiban menghasilkan value.

Masalah muncul kalau perusahaan mencampur dua fase.

Pilot dilindungi dengan bahasa learning.

Tapi budget scale dibenarkan dengan asumsi financial yang belum terbukti.

Atau sebaliknya, pilot kecil diminta membuktikan profit enterprise.

Dua-duanya tidak fair.

Setiap fase perlu metric sesuai tujuan.

Cost saving harus benar-benar bisa diambil

Misalnya AI menghemat kerja setara 20 orang.

Apakah perusahaan benar-benar menghemat 20 FTE?

Belum tentu.

Mungkin orangnya tetap ada dan menggunakan waktu untuk task lain.

Itu bisa bagus.

Tapi jangan dicatat sebagai cost saving yang belum terjadi.

Lebih tepat bilang capacity release.

20 FTE-equivalent capacity tersedia untuk dialihkan.

Lalu management harus memutuskan.

Digunakan untuk growth?

Mengurangi hiring plan?

Mengurangi overtime?

Memperbaiki quality?

Kalau tidak ada keputusan, capacity release menguap.

Finance perlu language yang presisi.

Hard saving.

Avoided cost.

Capacity gain.

Revenue uplift.

Risk avoidance.

Jangan semuanya disebut ROI.

Kalau category jelas, business case lebih credible.

Ini juga mencegah AI team overclaim.

CFO akan lebih percaya.

P&L juga bisa memburuk sebelum membaik

Transformasi punya J-curve.

Investment dulu.

Benefit belakangan.

Research enterprise 2026 juga mulai melihat pola bahwa deeper AI adoption bisa berkaitan dengan fase penyesuaian sebelum profitability advantage muncul penuh.

Masuk akal.

Perusahaan harus membeli tool.

Integrasi.

Training.

Data cleanup.

Consulting.

Compute.

Security.

Employee belajar.

Process diubah.

Dalam satu tahun pertama, cost bisa naik.

Kalau board hanya melihat quarter berikutnya, transformation bisa dimatikan terlalu cepat.

Maka financial model perlu horizon.

Apa milestone tahun pertama?

Apa value tahun kedua?

Apa assumption?

Apa leading indicator?

P&L tetap penting.

Tapi timing perlu realistis.

Jangan menjanjikan saving bulan depan kalau integration saja enam bulan.

Credibility lebih penting daripada headline.

AI juga bisa meningkatkan cost karena perusahaan melakukan lebih banyak

Ini efek yang sering tidak disadari.

Developer lebih cepat.

Perusahaan bikin lebih banyak feature.

Compute cost naik.

Support naik.

Infrastructure naik.

Marketing membuat lebih banyak campaign.

Media spend naik.

AI membuka capacity dan organisasi menggunakannya untuk growth.

P&L mungkin melihat opex naik, bukan turun.

Apakah transformation gagal?

Belum tentu.

Kalau revenue tumbuh lebih cepat dan economics membaik, itu sukses.

Maka cost reduction bukan satu-satunya lens.

AI bisa mengubah operating leverage.

Perusahaan mampu melayani revenue lebih besar tanpa headcount tumbuh proporsional.

Ini mungkin metric lebih meaningful.

Revenue per employee.

Gross profit per employee.

Cost-to-serve.

Time to market.

Financial impact bisa muncul sebagai slope, bukan penurunan cost absolut.

CFO harus melihat dinamika.

Bukan snapshot.

Jakarta office sering punya “saving” yang sulit dicairkan

Contoh dekat.

Sebuah tim di Kuningan menggunakan AI dan hemat 15 menit per laporan.

Ada 20 laporan seminggu.

Secara total lima jam.

Bagus.

Apakah perusahaan bisa menjual lima jam itu?

Tidak.

Saving tersebar.

Fragmented.

Ini problem productivity micro-gain.

Banyak improvement kecil sulit menjadi financial benefit karena tidak cukup besar untuk mengubah staffing atau throughput.

Kalau perusahaan ingin value lebih nyata, cari workflow dengan saving terkonsentrasi.

Misalnya proses yang memakan tiga orang full-time.

Atau delay yang langsung memengaruhi revenue.

Atau error yang punya cost besar.

Economic leverage lebih jelas.

Bukan berarti micro-gain tidak berguna.

Employee experience juga penting.

Tapi transformation thesis sebaiknya fokus pada area di mana benefit bisa captured.

Kalau tidak, perusahaan punya ratusan improvement kecil dan satu CFO yang masih bertanya:

“Nomornya di mana?”

AI program perlu P&L owner

Kalau semua AI project dimiliki technology team, financial connection sering lemah.

IT punya metric.

Adoption.

Uptime.

Latency.

Usage.

Business punya P&L.

Maka project harus punya business owner.

Head of Sales untuk sales AI.

COO untuk operation.

CFO untuk finance transformation.

Mereka harus menyepakati value.

AI team menyediakan capability.

Business owner bertanggung jawab outcome.

Ini juga mencegah technology push.

Kalau business tidak bersedia memiliki target, mungkin problem-nya tidak cukup penting.

Owner membuat accountability nyata.

“Tool berjalan” bukan akhir.

“Metric berubah” yang dicari.

Kadang AI transformation menghasilkan keputusan untuk tidak menambah headcount

Ini bentuk financial impact yang sangat nyata tapi sering kurang terlihat.

Business tumbuh 30 persen.

Dulu butuh tambah 100 orang.

Dengan AI dan workflow baru, cukup tambah 40.

Tidak ada PHK.

Cost tidak turun.

Tapi avoided cost besar.

Ini harus dihitung.

Capacity scaling adalah salah satu benefit kuat.

Especially di knowledge work.

AI bisa membuat satu tim menangani volume lebih besar.

P&L effect muncul sebagai operating leverage.

Tetap perlu hati-hati.

Jangan mengarang counterfactual terlalu optimistis.

Gunakan hiring plan sebelumnya.

Historical ratio.

Workload.

Evidence.

Financial discipline membuat cerita lebih kuat.

Bukan lebih lemah.

Kalau AI tidak mengubah P&L, cek dulu levelnya

Mungkin project masih tool adoption.

Mungkin baru experiment.

Mungkin benefit belum captured.

Mungkin impact ada di risk, bukan P&L langsung.

Mungkin time horizon belum cukup.

Atau mungkin memang nggak worth it.

Semua kemungkinan valid.

Yang tidak sehat adalah menganggap setiap penggunaan AI sebagai transformation.

Transformation adalah kata besar.

Seharusnya ada perubahan besar di cara perusahaan menciptakan atau mempertahankan value.

Revenue.

Cost structure.

Speed.

Risk.

Business model.

Operating leverage.

Kalau tidak ada, kita bisa memakai istilah yang lebih jujur.

Productivity improvement.

Automation.

Pilot.

Capability building.

Tidak ada yang salah.

Justru clarity membantu.

AI tidak harus selalu menjadi transformasi.

Kadang dia cuma tool bagus.

Dan perusahaan tidak perlu malu mengatakan itu.

Masalahnya baru muncul ketika board diberi cerita bahwa seluruh bisnis sudah berubah, sementara laporan keuangan, customer journey, dan operating model masih sama seperti sebelum semua orang dapat license AI.

Kalau begitu, mungkin AI memang sudah ada di perusahaan.

Transformasinya yang belum.