Ada satu bentuk transformasi yang kelihatannya modern tapi sebenarnya cuma mempercepat masalah lama.
Prosesnya sudah berantakan.
Approval terlalu banyak.
Data pindah-pindah.
Orang copy-paste.
Status tidak jelas.
Meeting penuh.
Lalu perusahaan menambahkan AI.
Sekarang kekacauannya lebih cepat.
Ini kejadian yang cukup mudah ditemukan karena AI punya efek mempercepat. Ia sangat bagus mengurangi waktu pada task tertentu. Tapi kalau alur dasarnya salah, kecepatan hanya membuat output buruk datang lebih cepat ke bottleneck berikutnya.
Bayangkan proses reimbursement.
Employee isi form.
Upload bukti.
Finance cek.
Manager approve.
Kalau ada salah, balik.
Kemudian data dimasukkan lagi ke ERP.
Perusahaan menambahkan AI untuk membaca receipt.
Bagus.
Data entry berkurang.
Tapi kalau approval tetap tiga level untuk pengeluaran Rp120 ribu, cycle time masih absurd.
AI memperbaiki satu task.
Workflow tetap buruk.
Masalah ini penting karena banyak perusahaan masih menganggap transformasi AI sebagai “menambahkan intelligence ke proses existing”.
Padahal kadang proses existing memang harus dibongkar.
PwC pada 2026 menyebut pendekatan yang lebih radikal: jika proses lama terlalu linear dan penuh handoff, membangun workflow baru dari awal bisa lebih efektif daripada sekadar menambahkan agent ke setiap langkah. BCG juga menekankan bahwa scaling AI membutuhkan redesign end-to-end process, bukan hanya tambahan tools.
Kalau proses buruk, AI tidak punya kewajiban menyelamatkan.
AI tidak tahu approval mana yang sebenarnya sudah tidak perlu
Software menjalankan desain yang kita berikan.
Agent bisa lebih fleksibel.
Tetap saja ia tidak otomatis punya authority untuk bilang:
“Kenapa ini harus lewat tiga orang?”
Itu keputusan organisasi.
Ada proses yang panjang karena regulation.
Valid.
Ada yang panjang karena sejarah.
“Dulu memang begini.”
Ada yang panjang karena satu manager pernah minta approval lalu tidak pernah dihapus.
Ada yang panjang karena trust rendah.
Ada yang panjang karena sistem lama.
AI tidak bisa membedakan semuanya tanpa manusia mendesain ulang.
Kalau perusahaan memasukkan agent ke alur existing, agent hanya menjadi pegawai digital yang mengikuti kebiasaan lama.
Lebih cepat.
Belum tentu lebih baik.
Sebelum automate, tanyakan satu hal yang menyebalkan
“Kalau proses ini dibangun dari nol hari ini, apakah kita masih membuatnya seperti ini?”
Pertanyaan sederhana.
Jawabannya sering tidak.
Kalau tidak, jangan langsung otomasi.
Map dulu.
Step mana benar-benar menciptakan value?
Mana hanya transfer informasi?
Mana hanya approval historis?
Mana muncul karena sistem lama tidak terhubung?
Mana bisa digabung?
Mana bisa dihapus?
Ini workflow redesign.
AI baru masuk setelah alurnya masuk akal.
Kadang hasil terbaik justru lebih sedikit AI.
Misalnya empat step dihapus.
Sisanya cukup rule-based automation.
AI hanya diperlukan untuk membaca dokumen yang tidak terstruktur.
Bagus.
Transformation bukan kompetisi memasang agent paling banyak.
Tujuannya membuat hasil lebih cepat, murah, aman, atau bagus.
Kalau spreadsheet dan satu rule bisa menyelesaikan, pakai itu.
Jangan pakai reasoning model untuk pekerjaan yang tidak butuh reasoning.
Automation debt bisa muncul sangat cepat
Bayangkan perusahaan punya satu process buruk.
Mereka tidak mendesain ulang.
Mereka membungkus dengan AI.
Kemudian process itu berubah.
Policy baru.
Product baru.
Regulation baru.
Sekarang prompt harus diubah.
Agent instruction.
Integration.
Test.
Monitoring.
Perusahaan punya automation debt di atas process debt.
Dua lapis.
Semakin banyak agent dipasang di workflow yang belum stabil, semakin mahal maintenance.
Ini salah satu alasan perusahaan perlu menahan excitement.
Bukan semua proses layak diotomasi sekarang.
Process yang berubah setiap minggu mungkin lebih baik diperbaiki dulu.
Process yang owner-nya tidak jelas sebaiknya jangan dibuat autonomous.
Kalau manusia sendiri belum sepakat bagaimana pekerjaan harus dilakukan, agent akan mengotomasi konflik.
Dan setiap perubahan menjadi code, prompt, policy, atau rule baru.
Kompleksitas tumbuh.
AI bisa menyembunyikan process problem sementara
Ini bagian yang agak berbahaya.
Misalnya customer service knowledge base berantakan.
Agent AI cukup pintar menebak dari beberapa sumber.
Customer mendapat jawaban lumayan.
Management merasa problem selesai.
Sebenarnya source of truth belum beres.
Suatu hari policy berubah.
Agent mengambil dokumen lama.
Error.
AI sempat menutupi problem data.
Tidak menghilangkan.
Begitu scale, failure lebih besar.
Ini pola umum.
Model pintar bisa mengompensasi architecture buruk untuk sementara.
Karena itu demo sering bagus.
Production kemudian memperlihatkan kenyataan.
Perusahaan perlu melihat di balik output.
Apakah proses dan data memang sehat?
Atau model sedang bekerja keras menebak?
Sistem yang robust tidak bergantung pada tebakan terus-menerus.
AI sebaiknya mengurangi ambiguity.
Bukan hidup dari ambiguity.
Handoff adalah tempat paling banyak friksi bersembunyi
Banyak workflow terlihat baik kalau dilihat per departemen.
Marketing selesai tepat waktu.
Sales selesai.
Finance selesai.
Legal selesai.
Tapi customer tetap menunggu.
Kenapa?
Handoff.
Marketing ke sales.
Sales ke pricing.
Pricing ke legal.
Legal ke customer.
Setiap fungsi punya SLA sendiri.
Jarak antar fungsi tidak punya owner.
AI di satu departemen bisa mempercepat satu block.
Total flow tetap lambat.
PwC pada Juli 2026 menulis bahwa friksi lead-to-cash sering berada justru di seams antara sistem dan tim, bukan karena satu point solution yang hilang.
Ini insight operasional yang sangat penting.
Perusahaan perlu melihat waktu tunggu antarstep.
Bukan hanya waktu kerja di dalam step.
Kadang employee benar-benar bekerja hanya dua jam dari proses yang totalnya tujuh hari.
Sisanya menunggu.
AI yang mempercepat dua jam menjadi 20 menit memberi headline bagus.
Customer masih menunggu hampir tujuh hari.
Transformation kecil.
Workflow buruk suka menghasilkan approval sebagai obat serba guna
Ada error.
Tambah approval.
Ada fraud.
Tambah approval.
Ada customer complaint.
Tambah approval.
Lama-lama semua harus ditandatangani.
AI kemudian masuk dan perusahaan berkata:
“Kita pakai AI untuk membantu approval.”
Pertanyaan lebih sehat:
Apakah semua approval ini masih perlu?
Mungkin sebagian control bisa automated.
Threshold.
Anomaly.
Sampling.
Exception-based.
Human approval hanya high-risk.
Ini jauh lebih transformative.
Bukan AI membantu manusia membaca 500 request.
Tapi AI dan rule membuat manusia hanya perlu melihat 30 yang aneh.
Redesign mengubah unit kerja.
Manusia tidak lagi menjadi stempel.
Mereka menjadi exception handler.
Itu penggunaan human attention yang lebih masuk akal.
Workflow buruk juga sering punya duplikasi
Data yang sama diketik empat kali.
Customer memberi informasi di form.
Sales masukkan ke CRM.
Finance masukkan lagi ke billing.
Operations ke system lain.
Lalu AI dipakai untuk mengisi salah satu.
Kenapa tidak perbaiki aliran data?
AI extraction bisa membantu kalau source memang unstructured.
Tapi kalau data sudah digital dan hanya tidak terintegrasi, integration mungkin solusi lebih tepat.
Ini contoh penting.
Tidak semua problem data entry adalah problem AI.
Kadang problem architecture.
Perusahaan perlu disiplin diagnosis.
AI sangat menarik sehingga semua problem terlihat seperti use case.
Sama seperti era cloud, semua orang ingin migrasi.
Padahal beberapa workload tidak perlu.
Teknologi baru punya gravitational pull.
Strategy harus menahan.
Mulai dari outcome, bukan capability.
“Agent bisa melakukan ini” bukan alasan cukup.
Question-nya:
“Haruskah proses ini dilakukan seperti ini?”
Process mining menjadi lebih relevan
Salah satu cara menemukan problem adalah melihat data proses.
Timestamp.
Queue.
Handoff.
Rework.
Exception.
Process mining bukan teknologi baru.
AI membuatnya makin berguna.
Perusahaan bisa melihat flow nyata, bukan process map ideal.
Sering beda.
SOP bilang tiga langkah.
Log menunjukkan tujuh.
SOP bilang manager approval satu hari.
Realitanya tiga.
SOP bilang data otomatis.
Ternyata ada spreadsheet manual.
Workflow redesign butuh reality.
Bukan hanya workshop.
Follow the work.
Lihat system log.
Shadow employee.
Tanya di mana mereka menunggu.
Orang lapangan biasanya tahu.
“Yang bikin lama bukan ini. Yang bikin lama si A harus cek dulu.”
Kalimat seperti itu lebih valuable daripada diagram formal.
AI bisa membuat bad policy scale
Bayangkan rule yang sedikit bias atau tidak masuk akal.
Manusia sebelumnya menerapkan secara tidak konsisten.
AI membuat konsisten.
Kedengarannya bagus.
Tapi kalau rule-nya salah, sekarang kesalahannya juga konsisten.
Ini salah satu alasan redesign tidak hanya soal efficiency.
Perlu mempertanyakan policy.
Contoh customer eligibility.
Kalau criteria dibuat untuk kondisi 2018, agent 2026 bisa menerapkannya sempurna ke jutaan customer.
Itu bukan progress.
Automation memperbesar aturan.
Maka policy review harus bagian transformation.
Jangan hanya tanya apakah AI mengikuti rule.
Tanya apakah rule masih benar.
Ini terutama penting untuk high-stakes process.
HR.
Credit.
Insurance.
Public service.
Automation consistency bukan moral correctness.
AI juga bisa memperjelas proses yang selama ini hanya hidup di kepala orang
Ini sisi positif.
Saat ingin membuat agent, perusahaan dipaksa menuliskan.
Apa input?
Apa exception?
Kapan escalate?
Siapa approve?
Apa data?
Ternyata tidak ada jawaban konsisten.
Bagus.
Problem terlihat.
AI project bisa menjadi trigger process cleanup.
Senior employee bilang:
“Kalau customer seperti ini biasanya kita kasih exception.”
Kenapa?
Kondisinya apa?
Tuliskan.
Sekarang knowledge tidak lagi tacit.
Team baru bisa belajar.
Process lebih resilient.
Agent bisa membantu setelah itu.
Kadang value terbesar AI project justru bukan agent-nya.
Value-nya organisasi akhirnya mendokumentasikan cara kerja.
Ini sering diremehkan.
Jangan automate pain yang seharusnya dihapus
Ada task yang dibenci semua orang.
Refleks:
“AI-in aja.”
Sebelum itu, tanyakan:
Perlu nggak task ini?
Misalnya weekly report yang tidak pernah dibaca.
AI bisa membuat dalam dua menit.
Tetap buang-buang resource.
Menghapus report lebih baik.
Meeting status yang tidak menghasilkan keputusan.
AI bisa bikin summary.
Menghapus meeting mungkin lebih baik.
Form internal 20 field karena sistem lama.
Agent bisa mengisi.
Mengurangi field mungkin lebih baik.
Process elimination punya ROI tak terbatas dibanding automation yang tidak perlu.
Ini prinsip yang sangat manusiawi.
Jangan gunakan mesin untuk melanggengkan ritual kantor.
AI seharusnya memberi kesempatan membuang ritual.
Workflow baru sering terlihat terlalu sederhana sampai orang curiga
Perusahaan terbiasa dengan complexity.
Kalau process yang dulu tujuh step menjadi tiga, orang bertanya:
“Control-nya di mana?”
Mungkin control sudah pindah.
Automated validation.
Logging.
Threshold.
Audit sample.
Visibility real-time.
Control tidak selalu harus berbentuk approval manual.
Ini membutuhkan trust pada design.
Dan governance yang matang.
Perusahaan perlu membedakan control dan bureaucracy.
Keduanya tidak sama.
Good control mengurangi risk.
Bureaucracy hanya menambah step.
AI bisa membantu memindahkan control dari pre-approval ke continuous monitoring untuk area low-risk.
Hasilnya flow lebih cepat.
Human attention digunakan saat perlu.
Workflow redesign menyentuh power
Ini alasan paling sulit.
Menghapus approval bisa mengurangi authority seseorang.
Menggabungkan fungsi bisa mengubah role.
Membuat data transparan bisa mengurangi gatekeeper.
AI transformation akhirnya menjadi political.
Bukan partisan.
Organizational power.
Ada orang yang identity kerjanya berasal dari menjadi approver.
Kalau system sekarang bisa memutus normal case, peran berubah.
Resistance tidak selalu soal takut teknologi.
Bisa takut kehilangan relevance.
Change management harus mengakui.
Beri role baru.
Exception management.
Coaching.
Judgement.
Policy design.
Jangan cuma bilang:
“AI akan membantu Anda.”
Jelaskan bagaimana kerja berubah.
Kalau tidak, people akan mempertahankan process lama karena process itu melindungi posisi.
Perusahaan yang cepat bukan yang paling banyak agent
Ia yang punya flow paling sedikit friction.
Agent bisa membantu.
Data membantu.
Architecture.
Governance.
Tapi semuanya mengikuti process.
Kalau perusahaan ingin tahu apakah transformation berjalan, jangan hanya lihat jumlah AI.
Lihat jumlah handoff.
Approval.
Waiting time.
Rework.
Manual copy.
Exception.
Kalau angka itu turun, workflow membaik.
Kalau tidak, mungkin AI hanya menjadi lapisan baru.
Di 2026, kita punya model yang bisa membaca, menulis, reasoning, dan bertindak jauh lebih cepat daripada manusia pada banyak task.
Itu membuat satu hal semakin sulit dibenarkan:
proses kantor yang tetap lambat hanya karena kita menolak mempertanyakan kenapa proses itu dibangun seperti itu sejak awal.
AI bisa membuat workflow lebih baik.
Tapi hanya setelah manusia berani mengakui bahwa workflow lama mungkin memang buruk.
Bacaan terkait
Artikel ini berada dalam Business Transformation dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Reports dan analisis mendalam.