“Kita perlu tambah yang mana lagi?”

Kadang jawabannya adalah: nggak ada.

Perusahaan mungkin sudah punya cukup tool.

Yang belum punya adalah cara kerja yang membuat semua tool itu menghasilkan nilai.

Ini perbedaan penting di 2026.

Masalah enterprise AI semakin jarang soal akses.

Hampir semua orang bisa mendapatkan model bagus.

Yang langka adalah operating discipline.

Siapa menggunakan apa.

Untuk task apa.

Data dari mana.

Output masuk ke mana.

Siapa review.

Apa metric.

Kapan manusia masuk.

Apa yang dihentikan setelah AI dipasang.

Tanpa itu, tool hanya menambah tab browser.

Dan tab browser bukan transformasi.

Tool proliferation terasa seperti progress

Beli software memberikan rasa bergerak.

Ada contract.

Training.

Launch.

License.

Dashboard adoption.

Bisa dipresentasikan.

Workflow redesign lebih susah dilihat.

Harus duduk dengan orang.

Mengikuti pekerjaan.

Tanya kenapa step ini ada.

Menghapus approval.

Mengubah role.

Memindahkan ownership.

Kadang mengakui process lama sebenarnya nggak masuk akal.

Jauh lebih uncomfortable.

Maka perusahaan sering memilih langkah yang terlihat.

Tambah tool.

Padahal tool baru di atas proses lama sering hanya mempercepat satu bagian kecil.

Contoh sederhana.

Marketing team punya AI writing.

Content draft cepat.

Tapi approval masih melewati enam orang.

Legal menunggu.

Brand review.

Manager revisi karena brief awal tidak jelas.

AI menghemat dua jam.

Process kehilangan tiga hari.

Masalahnya bukan kurang model.

Masalahnya sistem kerja.

Tool stack bisa penuh sementara workflow tetap 2019

Ini kejadian yang absurd tapi realistis.

Employee punya AI assistant 2026.

Lalu hasilnya di-copy ke spreadsheet.

Spreadsheet dikirim email.

Email di-download.

File diberi nama “final_v7_revisi_baru”.

Manager approval lewat chat.

Data kemudian dimasukkan ulang manual ke ERP.

Teknologi paling baru hidup di tengah process paling lama.

Perusahaan merasa sudah AI-enabled.

Padahal architecture kerja masih fragmented.

Transformasi seharusnya bertanya:

Kalau AI sekarang bisa melakukan bagian X, apakah step Y masih perlu?

Apakah handoff ini bisa hilang?

Apakah approval bisa berbasis exception?

Apakah satu data source cukup?

Apakah report masih perlu dibuat atau cukup generated on demand?

AI tidak hanya mempercepat task.

Ia memberi kesempatan mempertanyakan task.

Ini yang membedakan automation dan transformation.

AI seharusnya membunuh sebagian pekerjaan, bukan menambah lapisan baru

Kita sering lihat pattern seperti ini.

Sebelum AI:

Employee menulis report.

Setelah AI:

Employee menulis prompt.

AI membuat report.

Employee memeriksa report.

Employee menyesuaikan format.

Manager mengecek apakah AI dipakai.

AI usage dicatat.

Ada meeting adoption.

Total process malah tambah.

Ini bukan salah AI.

Organisasi menambahkan teknologi tanpa menghapus sesuatu.

Setiap transformasi harus punya delete list.

Apa yang berhenti?

Meeting apa yang hilang?

Template apa yang tidak dipakai?

Approval apa yang disederhanakan?

Manual reconciliation apa yang selesai?

Kalau tidak ada yang hilang, kompleksitas menumpuk.

Tool baru harus membayar sewa dalam bentuk process yang dihapus.

Kalau tidak, jangan masuk.

Perusahaan paling matang mulai dari workflow

PwC pada 2026 menemukan kelompok perusahaan yang menangkap bagian terbesar economic gain dari AI jauh lebih cenderung merancang ulang workflow, bukan sekadar menempel AI pada proses existing.

Ini bukan insight yang sebenarnya mengejutkan.

Teknologi besar selalu begitu.

Saat komputer masuk kantor, manfaatnya bukan karena mesin tik diganti layar.

Process ikut berubah.

Saat internet masuk, bisnis tidak hanya mengirim surat lewat email.

Supply chain, sales, banking, commerce berubah.

AI juga perlu begitu.

Kalau AI hanya menjadi “fitur tambahan”, gain-nya terbatas.

Kalau AI mengubah urutan kerja, decision rights, role, dan flow data, impact lebih besar.

Contoh finance.

Jangan hanya:

AI membuat draft forecast.

Mungkin workflow baru:

System mengumpulkan data otomatis.

AI mendeteksi variance.

Analyst hanya menerima anomaly.

Analyst menambahkan context.

Manager review exception.

Forecast update lebih sering.

Di sini role berubah.

Analyst tidak lagi mengumpulkan semua data.

Mereka fokus interpretasi.

Itu sistem kerja baru.

Tool tetap penting.

Tapi tool mengikuti design.

Satu perusahaan bisa punya lima AI yang melakukan pekerjaan sama

Tool proliferation juga menciptakan duplicate capability.

Marketing pakai model A.

Finance model B.

HR model C.

Semuanya punya summarization.

Document analysis.

Writing.

Chat.

Perusahaan membayar berkali-kali.

Data tersebar.

Employee bingung.

“Kalau ini pakai yang mana?”

Semakin banyak tool, semakin tinggi cognitive overhead.

Governance juga berat.

Vendor assessment.

Data processing agreement.

Access review.

License.

Training.

Support.

Model update.

Security.

Tool count bukan free.

Setiap vendor punya organizational cost.

Makanya perusahaan perlu architecture.

Core tools.

Specialist tools.

Experimental sandbox.

Retire list.

Tidak harus satu vendor.

Tapi portfolio harus intentional.

Kalau setiap tim beli sendiri, AI stack jadi pasar malam.

Keren dilihat.

Ribet dioperasikan.

Workflow baru membutuhkan decision rights baru

Agentic AI membuat ini makin penting.

Dulu software memberi rekomendasi.

Manusia klik.

Sekarang agent bisa bertindak.

Kalau agent boleh action, perusahaan harus menentukan:

Kapan boleh otomatis?

Berapa limit?

Siapa owner?

Apa exception?

Siapa approve?

Contoh procurement.

AI bisa mencari vendor.

Membandingkan.

Membuat purchase request.

Mungkin bisa memesan barang low-value otomatis.

Tapi apakah boleh menyetujui kontrak?

Tidak.

Boundary harus masuk workflow.

Ini bukan setting tool saja.

Ini organizational decision.

Siapa punya authority.

Apa threshold.

AI strategy tanpa decision rights akan stuck.

Agent bisa technically melakukan.

Perusahaan tidak berani memberi akses.

Akhirnya agent hanya jadi chatbot mahal.

Data flow lebih penting dari prompt

Perusahaan sering menghabiskan waktu melatih prompt.

Padahal bottleneck-nya data.

Employee harus download file dari system A.

Upload ke AI.

Copy output ke system B.

Semua manual.

Prompt-nya mungkin bagus.

Workflow-nya buruk.

AI yang integrated seharusnya mendapat context secara benar.

Dengan permission.

Source yang authoritative.

Output kembali ke titik kerja.

Semakin sedikit copy-paste, semakin scalable.

Tapi integration harus hati-hati.

Data minimization.

Access control.

Logging.

Perusahaan perlu melihat data flow seperti melihat financial flow.

Dari mana masuk.

Ke mana pergi.

Siapa bisa lihat.

Berapa lama tinggal.

Tanpa map ini, AI scale berbahaya.

Tool paling pintar tidak bisa memperbaiki akses yang salah.

Manager perlu mendesain ulang pekerjaan, bukan hanya mendorong adoption

Salah satu kalimat yang paling sering muncul:

“Tim gue harus lebih banyak pakai AI.”

Terus apa?

Employee kemudian cari task yang bisa diberi AI.

Ini backwards.

Manager seharusnya mulai dari outcome.

“Kita harus mempercepat proposal dari lima hari jadi dua.”

Lalu map workflow.

Bagian mana yang lambat?

Research?

Pricing?

Draft?

Approval?

Data?

Mungkin AI cuma relevan di dua step.

Bagus.

Gunakan di situ.

Jangan paksa semua step AI.

Adoption bukan KPI.

Outcome KPI.

Jumlah prompt tidak penting.

Jumlah seat aktif juga secondary.

Kalau process membaik, value.

Kalau employee menggunakan AI 100 kali sehari tapi cycle time tetap, ada problem.

Microsoft pada 2026 menunjukkan user AI maju di Indonesia mulai mengintegrasikan AI ke workflow dan menghasilkan jenis pekerjaan yang sebelumnya sulit dilakukan. Point-nya bukan penggunaan lebih banyak.

Penggunaan lebih matang.

Ini direction yang tepat.

Human role harus ditentukan ulang

Sistem kerja baru juga perlu menjawab:

Manusia ngapain?

Kalau AI membuat first draft, manusia edit.

Kalau AI melakukan analysis, manusia verify.

Kalau agent menjalankan routine action, manusia menangani exception.

Role manusia bergeser.

Jangan biarkan implicit.

Kalau tidak, employee merasa kehilangan bagian kerja tapi mendapat tanggung jawab tambahan tanpa clarity.

Contoh customer service.

AI menangani FAQ.

Human menerima case rumit.

Maka training harus berubah.

Agent butuh skill de-escalation, judgement, dan policy exception.

KPI juga berubah.

Ticket count mungkin turun.

Case complexity naik.

Kalau perusahaan tetap menilai dengan metric lama, sistem baru tidak fair.

Operating model harus mencakup people model.

Bukan hanya software.

Tool baru sering menjadi kompensasi untuk knowledge yang berantakan

Ada perusahaan yang membeli AI search karena orang sulit menemukan dokumen.

Tapi root cause:

File berantakan.

Naming tidak konsisten.

Version tidak jelas.

Permission acak.

AI search membantu sedikit.

Tapi kalau source tidak reliable, answer juga tidak.

Sebelum membeli tool baru, perusahaan perlu bertanya:

Apakah problem ini sebenarnya knowledge management?

Process?

Data quality?

Ownership?

Training?

Kalau iya, AI bisa membantu.

Tapi bukan menggantikan perbaikan dasar.

AI sering memperbesar kualitas sistem yang sudah ada.

Sistem bagus jadi lebih powerful.

Sistem buruk jadi lebih cepat menghasilkan kebingungan.

Ini alasan beberapa perusahaan merasa AI mereka “nggak reliable”.

Model mungkin fine.

Organization context-nya chaos.

Tool budget sebaiknya punya kill budget

Mudah menambah.

Sulit menghapus.

SaaS menumpuk karena setiap tool punya champion.

Tidak ada yang mau melepas.

Akhirnya cost naik.

Perusahaan perlu ritual.

Setiap kuartal:

Tool mana yang aktif?

Use case?

Outcome?

Overlap?

Cost?

Data risk?

Bisa diganti core platform?

Kalau tidak memberi value, stop.

AI market bergerak cepat.

Tool yang bagus enam bulan lalu bisa redundant sekarang karena feature sudah masuk platform utama.

Portfolio harus hidup.

Jangan mempertahankan subscription karena “sudah terlanjur”.

Sunk cost bukan strategi.

Sistem kerja baru biasanya lebih sederhana di permukaan

Employee seharusnya merasa:

Lebih sedikit tab.

Lebih sedikit copy-paste.

Lebih sedikit meeting.

Lebih sedikit status update manual.

Lebih banyak exception-based work.

Kalau setelah AI semua orang harus membuka lebih banyak aplikasi, kemungkinan design-nya salah.

Teknologi seharusnya mengurangi cognitive load.

Bukan memindahkan.

Ini benchmark yang underrated.

Tanya employee:

“Kerja sekarang terasa lebih simple atau lebih ribet?”

Kalau lebih ribet tetapi management dashboard bilang adoption tinggi, ada disconnect.

User experience internal matters.

Tool enterprise juga produk.

Employee adalah user.

Perusahaan di Jakarta tidak kekurangan akses AI

Di Sudirman, SCBD, Kuningan, banyak perusahaan bisa membeli hampir semua tool global.

Kartu kredit ada.

Budget ada.

Vendor datang.

Access bukan moat.

Yang membedakan adalah apakah organisasi bisa mengubah kerja.

Dua perusahaan bisa membeli model sama.

Company A menambahkan chatbot.

Company B mendesain ulang workflow.

Dalam dua tahun, hasilnya bisa jauh berbeda.

Technology democratizes access.

Management capability tetap scarce.

Ini yang membuat AI transformation pada akhirnya terasa kurang seperti proyek teknologi dan lebih seperti proyek organisasi.

Perusahaan yang terus bertanya “tool apa lagi?” mungkin sedang menghindari pertanyaan yang lebih sulit:

“Cara kerja kita sekarang sebenarnya masih masuk akal nggak?”

Pertanyaan kedua bisa menyentuh jabatan.

Power.

Approval.

KPI.

Budget.

Structure.

Jauh lebih uncomfortable daripada beli software.

Tapi justru di situlah value-nya.

AI tool akan terus datang.

Lebih murah.

Lebih pintar.

Lebih banyak.

Kekurangan perusahaan bukan pilihan.

Kekurangannya adalah kemampuan mengatakan:

Tool ini masuk workflow ini.

Menggantikan step ini.

Punya owner ini.

Diukur dengan outcome ini.

Dan kalau tidak bekerja, kita matikan.

Begitu disiplin itu ada, perusahaan mungkin malah membutuhkan lebih sedikit AI tools.

Tapi setiap tool yang tersisa benar-benar bekerja.

Dan itu jauh lebih bernilai daripada punya halaman procurement penuh logo yang terlihat impressive tapi tidak mengubah satu pun cara perusahaan menghasilkan uang.