ROI AI sering mulai rusak bukan di spreadsheet.
Ia rusak di meeting pertama.
Seseorang bilang:
“Kalau setiap orang hemat dua jam per hari, dikali 500 karyawan, berarti nilainya miliaran setahun.”
Semua mengangguk.
Angkanya terlihat besar.
Masalahnya, dua jam itu belum tentu benar-benar hemat. Belum tentu terjadi setiap hari. Belum tentu berlaku untuk 500 orang. Belum tentu bisa dikonversi menjadi biaya yang benar-benar turun atau revenue yang benar-benar naik.
Dalam lima menit, perusahaan sudah punya business case yang sangat presisi untuk sesuatu yang belum pernah diukur.
Inilah cara ROI AI berubah menjadi fan fiction Excel.
Bukan karena orang sengaja bohong.
Karena ada tekanan untuk membuat proyek terlihat worth it sebelum cukup data tersedia.
Cara yang lebih sehat justru dimulai dengan mengakui apa yang belum diketahui.
ROI tidak harus langsung sempurna.
Tapi asumsi harus terlihat sebagai asumsi.
Evidence sebagai evidence.
Dan uang yang benar-benar masuk atau keluar harus dibedakan dari “potensi”.
Mulai dari satu workflow, bukan seluruh perusahaan
Kalau mau menghitung ROI AI, jangan mulai dari:
“Berapa nilai AI buat perusahaan?”
Terlalu besar.
Mulai dari satu proses.
Misalnya proposal sales enterprise.
Hari ini prosesnya seperti apa?
Berapa proposal per bulan?
Berapa waktu human yang benar-benar dipakai?
Bagian mana yang AI ubah?
Apa downstream impact?
Sekarang angka punya bentuk.
Contoh:
AI membantu research awal dan first draft.
Jangan langsung mengklaim seluruh waktu proposal hilang.
Ukur bagian yang berubah.
Sebelum AI, research dan first draft rata-rata berapa lama?
Setelah AI, berapa?
Berapa persen output perlu rewrite berat?
Berapa error?
Ada biaya model?
Ada biaya review tambahan?
Dari sini kita dapat unit economics kecil.
Satu proposal.
Lebih mudah dipercaya daripada annualized saving yang dibangun dari perkalian asumsi.
Baseline adalah benda paling membosankan yang paling dibutuhkan
Banyak tim baru ingin mengukur setelah deployment.
Terlambat.
Tidak tahu kondisi sebelumnya.
Akhirnya baseline diingat dari perasaan.
“Dulu kayaknya tiga jam.”
“Sekarang mungkin satu jam.”
Kalimat seperti itu tidak boleh berubah menjadi angka board tanpa label asumsi.
Kalau use case belum jalan, ambil baseline dua sampai empat minggu.
Tidak harus sempurna.
Catat volume.
Cycle time.
Human time.
Error.
Rework.
Cost.
Outcome.
Kalau sudah terlanjur jalan, cari data historis yang memang ada.
Ticket system.
Timestamp.
Invoice.
Project tracker.
CRM.
Jangan mengarang baseline agar ROI terlihat cantik.
Better imperfect real data than precise fiction.
ROI AI perlu punya denominator yang lengkap
Tim suka menghitung benefit.
Cost sering kurang lengkap.
“Lisensinya RpX.”
Selesai.
Padahal ada biaya lain.
Integration.
Implementation.
Data cleanup.
Security.
Training.
Change management.
Human review.
Monitoring.
Compute.
API usage.
Storage.
Support.
Vendor management.
Engineering maintenance.
Opportunity cost.
Tidak semua harus dihitung sampai rupiah terakhir.
Tapi biaya material harus masuk.
KPMG pada 2026 menyoroti cost visibility sebagai salah satu pembeda penting organisasi yang bisa menunjukkan ROI. Mereka juga menemukan banyak perusahaan masih hanya punya sebagian visibility terhadap AI spending, sementara usage-based cost dan economics agent mulai menjadi isu operasional.
Masuk akal.
Agent yang memanggil model berkali-kali bisa punya biaya berbeda dari chatbot satu respons.
Kalau denominator-nya salah, ROI palsu.
Bedakan hard saving dan capacity gain
Ini mungkin aturan paling penting.
Misalnya AI menghemat pekerjaan setara 1.000 jam per bulan.
Apakah perusahaan menghemat uang?
Tergantung.
Kalau overtime turun, ada hard saving.
Kalau external vendor berkurang, hard saving.
Kalau hiring plan bisa dikurangi, avoided cost.
Kalau orang yang sama tetap bekerja dan waktunya dialihkan ke task lain, itu capacity gain.
Semua valuable.
Tapi jangan dicampur.
Capacity gain bukan otomatis cash saving.
Kalau 1.000 jam “hemat” tidak diubah menjadi output, quality, atau keputusan lain, financial capture bisa nol.
Bahasa harus presisi.
Hard cost reduction.
Avoided cost.
Released capacity.
Revenue uplift.
Risk avoidance.
Working capital impact.
Masing-masing punya tingkat bukti berbeda.
CFO akan jauh lebih percaya business case yang membedakan kategori daripada semua benefit dilempar ke satu angka “ROI”.
Waktu jangan selalu dikali gaji
Ini shortcut paling umum.
AI hemat satu jam.
Gaji employee Rp100 ribu per jam.
Berarti saving Rp100 ribu.
Belum tentu.
Employee tetap dibayar.
Perusahaan tidak otomatis menerima Rp100 ribu kembali.
Value waktu baru menjadi financial ketika ada tindakan.
Volume naik.
Headcount growth ditahan.
Overtime turun.
Project selesai lebih cepat sehingga revenue masuk lebih cepat.
Employee pindah ke task bernilai lebih tinggi.
Kalau tidak, angka tersebut lebih tepat disebut capacity value.
Bukan cash.
Ini bukan berarti time saving tidak penting.
Justru sangat penting untuk employee experience.
Tapi kalau judul slide bilang “annual savings”, standar buktinya harus lebih tinggi.
Jangan menjual capacity sebagai uang yang sudah masuk rekening.
Revenue uplift lebih susah, tapi sering lebih bernilai
Misalnya AI membantu sales membuat proposal dalam satu hari, bukan tiga.
Apakah revenue naik?
Mungkin.
Tapi jangan langsung mengklaim seluruh deal yang menang karena AI.
Cari mekanisme.
Apakah response time lebih cepat meningkatkan conversion?
Bandingkan cohort.
Apakah rep bisa menangani lebih banyak opportunity?
Lihat pipeline per rep.
Apakah cycle time turun?
Lihat CRM.
Apakah win rate berubah?
Data.
Kalau belum cukup, tulis sebagai hypothesis.
Bukan realized benefit.
“Expected revenue impact” berbeda dari “realized revenue”.
Label sederhana seperti ini menjaga credibility.
PwC pada 2026 menemukan perusahaan yang paling maju menangkap economic gain AI lebih sering mengejar growth dan workflow redesign, bukan hanya cost saving. Jadi revenue path penting.
Tapi justru karena potensinya besar, jangan overclaim.
Growth attribution memang messy.
Gunakan evidence bertahap.
ROI bukan selalu satu persentase
Secara formula klasik:
Return dikurangi investment, dibagi investment.
Bagus.
Tapi AI initiative punya beberapa horizon.
Pilot.
Scale.
Mature operation.
Kalau semua dicampur satu angka, interpretation sulit.
Bisa pakai layer.
Pilot economics:
Apa task bisa dilakukan?
Berapa cost per test?
Apa failure?
Scale economics:
Berapa cost per 1.000 task?
Human review?
Infrastructure?
Adoption?
Mature economics:
Revenue, cost, capacity, risk, operating leverage.
Dengan layer ini, perusahaan tidak memaksa pilot kecil membuktikan EBITDA.
Tapi juga tidak membiarkan pilot selamanya berlindung di balik “learning”.
Setiap fase punya pertanyaan finansial yang sesuai.
Value attribution harus punya counterfactual
ROI selalu implisit membandingkan dua dunia.
Dengan AI.
Tanpa AI.
Masalahnya, dunia tanpa AI juga berubah.
Volume mungkin naik.
Market berubah.
Employee makin ahli.
Seasonality.
Campaign lain.
Maka attribution perlu hati-hati.
Kalau conversion naik 10 persen setelah AI, belum tentu semua karena AI.
Ada pricing baru?
Campaign?
Product launch?
Better leads?
Business case yang matang tidak perlu pura-pura tahu pasti.
Gunakan range.
Conservative.
Base.
Upside.
Dan tulis assumption.
Misalnya:
Jika cycle time turun 20 sampai 30 persen dan conversion tetap, capacity naik sekian.
Lebih jujur daripada satu angka dengan dua decimal.
Uncertainty bukan kelemahan.
Ia bagian dari financial discipline.
Risk reduction juga punya value, tapi paling gampang disalahgunakan
AI bisa mengurangi error.
Fraud.
Compliance miss.
Downtime.
Bagus.
Bagaimana menghitung?
Jangan bikin:
“Kalau terjadi incident bisa rugi Rp100 miliar, jadi AI menghemat Rp100 miliar.”
Tidak.
Probability matters.
Frequency.
Exposure.
Mitigation effect.
Untuk risk, lebih sehat pakai expected loss atau risk indicator.
Misalnya error rate turun.
Manual exception terdeteksi lebih awal.
False negative berkurang.
Audit finding turun.
Kalau ingin monetisasi, gunakan historical loss atau probabilistic model yang memang punya dasar.
Kalau tidak ada, jangan paksa.
Tulis benefit sebagai risk reduction non-monetized.
Board masih bisa memahami.
Tidak semua value harus dipaksa jadi rupiah.
Fake precision lebih buruk.
Employee experience juga bisa masuk, tapi jangan dipalsukan jadi P&L
AI bisa mengurangi pekerjaan repetitif.
Menurunkan frustration.
Membantu learning.
Ini benefit.
Ukur dengan survey.
Turnover.
Absence.
Engagement.
Time allocation.
Jika kemudian ada relationship dengan retention atau hiring, baru financial model dibuat.
Jangan langsung bilang:
“Employee satisfaction naik, berarti saving sekian.”
Terlalu jauh.
ROI framework yang baik punya beberapa bucket.
Financial realized.
Financial expected.
Operational.
Risk.
Employee.
Customer.
Semua visible.
Tidak semuanya dipaksa menjadi satu angka.
Ini memberi picture lebih lengkap tanpa matematika kosmetik.
Gunakan cohort kalau bisa
Salah satu cara paling praktis mengurangi cerita adalah comparison.
Tim A pakai AI.
Tim B belum.
Atau periode before-after dengan kondisi cukup comparable.
Tidak harus randomized controlled trial.
Bisnis tidak selalu punya kemewahan.
Tapi comparison membantu.
Misalnya 20 account manager menggunakan AI proposal workflow selama dua bulan.
Bandingkan dengan baseline.
Cycle time.
Proposal volume.
Win rate.
Rework.
Human hours.
Cost.
Sekarang business case lebih grounded.
Kalau hanya tanya user:
“Apakah membantu?”
Hampir semua tool baru bisa dapat jawaban positif.
Perasaan berguna tidak sama dengan economic return.
Keduanya perlu.
Jangan dismiss user experience.
Tapi jangan jadikan testimonial sebagai ROI.
Cost per successful outcome lebih berguna daripada cost per prompt
AI usage mudah dihitung.
Tokens.
Requests.
Sessions.
Masalahnya business tidak menjual prompt.
Mereka menjual outcome.
Cost per resolved ticket.
Cost per qualified lead.
Cost per invoice processed.
Cost per proposal approved.
Cost per code change yang lolos review.
Metric seperti ini langsung menghubungkan AI ke kerja.
Jika model murah tapi failure tinggi, cost per request bagus.
Cost per successful task jelek.
Ini contoh kenapa token price bukan seluruh economics.
Perusahaan perlu mengoptimalkan sistem.
Model.
Prompt.
Workflow.
Human review.
Semua masuk.
ROI berasal dari total design.
Bukan harga API saja.
Jakarta punya versi klasik ROI khayalan
Misalnya sebuah perusahaan di SCBD membeli AI untuk 300 orang.
Management melihat demo.
Semua merasa cepat.
Lalu annual review bilang “productivity uplift 30 persen”.
Pertanyaan sederhana:
30 persen dari apa?
Bagaimana diukur?
Task apa?
Apa baseline?
Apakah seluruh 300 user aktif?
Apakah quality sama?
Apa cost?
Jika tidak bisa dijawab, angka itu marketing internal.
Bukan ROI.
Lebih baik perusahaan mengatakan:
“Kita belum punya ROI enterprise. Tiga workflow sudah terukur. Dua menunjukkan capacity gain. Satu belum.”
Itu terlihat lebih sederhana.
Tapi jauh lebih credible.
Decision juga jadi lebih baik.
Scale yang berhasil.
Stop yang tidak.
ROI bukan alat untuk membuktikan AI harus dipakai
Ini mindset yang perlu dibalik.
Kalau spreadsheet dibuat untuk membenarkan keputusan yang sudah diambil, angka akan mengikuti keinginan.
ROI seharusnya alat memilih.
Mana use case yang worth it.
Mana tidak.
Mana perlu redesign.
Mana perlu model murah.
Mana perlu stop.
Kadang hasilnya negatif.
Bagus.
Perusahaan tahu.
Tidak semua AI harus menghasilkan return.
Eksperimen boleh rugi kecil untuk learning.
Tapi production harus punya alasan.
Financial discipline justru melindungi innovation.
Budget tidak habis pada project yang hanya kelihatan keren.
Buat ledger asumsi
Praktik sederhana.
Setiap business case punya tabel:
Angka.
Sumber.
Status.
Confidence.
Contoh:
Volume transaksi: actual system data.
Human time: time study dua minggu.
Adoption: observed.
Cost model: vendor contract plus usage.
Conversion uplift: hypothesis.
Risk saving: not monetized.
Sekarang semua orang tahu mana fakta, mana asumsi.
Saat data baru masuk, update.
ROI menjadi living model.
Bukan angka suci di deck.
Ini juga mengurangi debat politik.
Orang tidak perlu berdebat “percaya AI atau nggak”.
Tinggal lihat assumption mana yang paling sensitif.
Test.
KPMG 2026 menggambarkan AI masuk fase yang lebih pragmatis, ketika cost visibility dan accountability makin penting untuk mengubah investment menjadi measurable value.
Pragmatic adalah kata yang tepat.
Kita tidak perlu angka spektakuler.
Perlu angka yang bisa dipertanggungjawabkan.
ROI AI yang sehat kadang terlihat kurang seksi
Mungkin hasil akhirnya:
Hard saving belum ada.
Capacity naik 18 persen pada workflow tertentu.
Cycle time turun.
Cost per task diketahui.
Revenue impact belum cukup data.
Risk indicator membaik.
Scale dilanjutkan tiga bulan untuk validasi.
Ini tidak akan viral di LinkedIn.
Tapi ini keputusan bisnis yang bagus.
Tidak mengarang.
Tidak overclaim.
Ada uncertainty.
Ada next step.
Dan ketika suatu hari AI benar-benar menghasilkan return besar, perusahaan bisa menjelaskannya dari mana.
Bukan karena satu angka muncul dari perkalian “dua jam kali 500 orang kali 250 hari kerja”.
ROI yang benar tidak dimulai dari kalkulator.
Ia dimulai dari disiplin membedakan apa yang kita tahu, apa yang kita duga, dan apa yang benar-benar berubah di bisnis setelah AI masuk.
Bacaan terkait
Artikel ini berada dalam Business Transformation dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Reports dan analisis mendalam.