Banyak workflow AI terbaik di perusahaan tidak lahir dari rapat strategi.
Mereka lahir dari orang yang kesel.
Kesel harus copy data tiap Jumat.
Kesel bikin summary manual.
Kesel cari file.
Kesel tulis email yang formatnya sama.
Kesel mindahin informasi dari satu sistem ke sistem lain.
Lalu orang itu coba sesuatu.
Mungkin pakai chatbot.
Mungkin automation tool.
Mungkin script kecil.
Mungkin agent.
Hasilnya tidak sempurna.
Tapi cukup membantu.
Lalu dipakai lagi.
Kemudian teman satu tim ikut.
Tanpa disadari, workflow baru lahir.
Ini salah satu pola paling penting dari adopsi AI di perusahaan.
Innovation sering muncul setelah employee mengubah cara kerja, bukan setelah manajemen membuat roadmap.
Strategi bisa datang belakangan.
Eksperimen biasanya datang dulu.
Orang yang paling dekat dengan friksi sering paling cepat menemukan solusi
Management melihat process sebagai diagram.
Employee melihat process sebagai rasa capek.
Ada perbedaan.
Diagram mungkin bilang:
“Sales proposal preparation, 2 days.”
Employee tahu kenapa dua hari.
Cari file lama.
Copy data.
Minta angka ke finance.
Nunggu.
Rapikan format.
Review.
Bikin deck.
Manajemen melihat satu block.
Employee melihat 17 micro-step.
AI paling sering memberi value di micro-step.
Bukan mengganti seluruh proses sekaligus.
Misalnya satu salesperson menemukan cara:
Call transcript masuk AI.
AI extract kebutuhan client.
Output masuk template brief.
Brief dipakai membuat proposal draft.
Tiga step manual hilang.
Bukan revolusi.
Tapi kalau dilakukan 100 kali sebulan, impact besar.
Workflow seperti ini sulit dirancang dari atas kalau orang yang mendesain tidak pernah menjalani pekerjaan.
Itulah kenapa bottom-up experimentation penting.
AI transformation perlu mendengar orang lapangan.
Eksperimen kecil punya risiko lebih rendah
Ada alasan lain kenapa workflow baru sering lahir bottom-up.
Scope kecil.
Employee tidak mencoba mengganti ERP.
Mereka hanya memperbaiki satu task.
Kalau gagal, impact kecil.
Coba lagi.
Iteration cepat.
Perusahaan besar sering membuat pilot terlalu ambitious.
“AI untuk seluruh customer journey.”
“AI untuk finance.”
“AI agent enterprise.”
Project besar butuh banyak stakeholder.
Risk tinggi.
Approval lama.
Bottom-up experiment bisa sangat spesifik.
“Bisa nggak summary meeting otomatis masuk format weekly update?”
Lebih mudah.
Value cepat terlihat.
Kalau sukses, baru scale.
Ini mirip product development.
Minimum viable workflow.
Jangan mulai dari visi sempurna.
Mulai dari satu annoyance.
Power user sering muncul sebelum job title-nya ada
Di banyak tim ada orang yang tiba-tiba jadi rujukan AI.
“Coba tanya Raka, dia biasa pakai.”
“Prompt-nya minta ke Nisa.”
“Kalau automation, si Dita ngerti.”
Mereka tidak punya jabatan AI.
Mungkin marketer.
Analyst.
HR.
Admin.
Developer.
Tapi karena paling banyak eksperimen, mereka punya knowledge practical.
Orang seperti ini sering lebih valuable untuk transformation daripada external presentation yang terlalu umum.
Mereka tahu reality.
Tool apa yang dipakai.
Apa yang gagal.
Data apa yang dibutuhkan.
Where people cheat the process.
Apa bottleneck.
Perusahaan seharusnya mengidentifikasi power user.
Bukan langsung memindahkan semua ke IT.
Bentuk community.
Berikan sandbox.
Akses tool approved.
Biarkan mereka share.
Mereka bisa menjadi bridge antara strategy dan workflow.
Kalau terlalu dikontrol, experimentation mati.
Kalau terlalu bebas, chaos.
Balance.
Workflow baru sering muncul dari kombinasi, bukan satu tool
Orang sering bertanya:
“Tool AI terbaik apa?”
Workflow nyata biasanya memakai beberapa.
Email.
Spreadsheet.
AI.
CRM.
Automation.
Calendar.
Database.
Satu model tidak menyelesaikan semuanya.
Misalnya recruitment.
CV masuk.
System extract data.
AI summary.
Recruiter review.
Interview notes masuk.
AI bantu compare.
Decision tetap manusia.
Workflow value datang dari aliran.
Bukan model.
Ini insight penting.
Perusahaan jangan terlalu fokus pada vendor selection.
Tool bagus tanpa integration hanya menambah tab browser.
Employee yang kreatif sering menemukan cara menyambungkan.
Copy-paste dulu.
Lalu automation.
Kemudian API.
Process matang bertahap.
Jangan langsung membangun architecture besar sebelum tahu flow yang benar.
Eksperimen manual sering menjadi prototype automation.
Copy-paste adalah research
Ini terdengar aneh, tapi benar.
Perusahaan sering meremehkan workflow manual yang dibantu AI.
“Belum otomatis.”
Tidak apa.
Kalau employee copy data ke AI, lihat output, lalu paste ke system, mereka sedang menguji value.
Apakah task cocok?
Apakah output reliable?
Apa exception?
Berapa time saved?
Kalau terbukti, baru automation.
Ini lebih aman daripada langsung connect agent ke database.
Human-in-the-loop menjadi testing layer.
Kita belajar failure sebelum memberi autonomy.
Misalnya tim finance mencoba AI membaca invoice.
Awalnya manual.
Upload 20 file.
Check.
Ada error di format tertentu.
Adjust prompt.
Test lagi.
Setelah akurasi cukup, baru integrate.
Eksperimen employee bisa menjadi prototype production.
Asal learning-nya dicatat.
Masalahnya banyak eksperimen berhenti sebagai trik pribadi
Ini risiko paling umum.
Satu orang punya workflow bagus.
Tidak didokumentasi.
Tidak dishare.
Tidak ada owner.
Perusahaan secara kolektif tidak tahu.
Productivity gain hanya individual.
Kalau orangnya cuti, process balik manual.
Kalau resign, hilang.
Perusahaan perlu mekanisme menangkap.
Bisa sederhana.
Setiap bulan, share “workflow of the month”.
Form internal:
Masalah.
Cara lama.
Cara baru.
Tool.
Time saved.
Risk.
Data used.
Owner.
Tidak perlu bureaucracy.
Tujuannya visibility.
Kalau ada workflow bagus, review.
Apakah aman?
Bisa dipakai tim lain?
Perlu automation?
Perlu standardisasi?
Dari situ individual hack berubah menjadi organizational capability.
Eksperimen juga bisa menunjukkan policy yang salah
Kadang employee melakukan workaround karena official process terlalu ribet.
AI membuat problem terlihat.
Misalnya company policy bilang semua summary harus manual karena takut data leak.
Employee pakai consumer AI diam-diam karena tidak sanggup.
Ini sinyal.
Bukan otomatis employee benar.
Tapi policy dan kebutuhan tidak aligned.
Atau official tool tidak bisa menangani bahasa Indonesia dengan baik.
Orang pindah tool.
Itu data.
Governance seharusnya belajar dari shadow behavior.
Kenapa orang bypass?
Convenience?
Quality?
Feature?
Speed?
Cost?
Kalau root cause diperbaiki, compliance naik.
Kalau hanya block, workaround pindah.
AI governance harus behavioral.
Bukan cuma technical.
Experiment sandbox bisa menjadi solusi
Perusahaan perlu ruang aman buat coba.
Data synthetic.
Data public.
Approved tools.
Limited permission.
No production access.
Employee bisa eksperimen tanpa takut.
Kalau use case promising, naik ke pilot.
Security review.
Data governance.
Integration.
Scale.
Model seperti ini memberi jalur.
Tanpa sandbox, pilihan employee cuma dua.
Tidak eksperimen.
Atau eksperimen diam-diam.
Dua-duanya jelek.
Sandbox menciptakan middle path.
Innovation dengan guardrail.
Ini terutama penting di perusahaan regulated.
Bank.
Healthcare.
Insurance.
Government.
Mereka tidak bisa bebas.
Tapi juga tidak bisa berhenti.
Sandbox memberi learning tanpa expose data critical.
Workflow terbaik biasanya lahir setelah beberapa kegagalan
Demo AI terlihat mulus.
Workflow nyata tidak.
Prompt salah.
Model hallucinate.
Integration error.
Data format kacau.
User nggak mau.
Output terlalu panjang.
Automation trigger dua kali.
Semua terjadi.
Power user belajar.
Mereka memperbaiki.
Ini alasan perusahaan harus menerima failure kecil.
Kalau setiap eksperimen gagal lalu dianggap “AI tidak works”, organization tidak akan belajar.
Pilot harus punya tolerance.
Tapi failure harus bounded.
Jangan eksperimen di transaksi besar.
Jangan di customer critical.
Mulai low-risk.
Error murah.
Belajar cepat.
Dari sana confidence tumbuh.
AI capability sebenarnya learning rate organisasi.
Bukan jumlah tool.
Manager perlu memberi izin untuk membuang workflow
Ada bias.
Kalau sudah bikin automation, orang merasa harus dipakai.
Padahal mungkin tidak worth it.
Maintenance mahal.
Error banyak.
Saving kecil.
Tool cost tinggi.
Workflow bisa dibuang.
Eksperimen sehat punya stop criteria.
“Kalau setelah dua minggu tidak hemat minimal sekian, stop.”
“Kalau human correction terlalu tinggi, jangan automate.”
Ini menjaga organisasi dari AI theater.
Tidak semua proses butuh AI.
Kadang template sederhana lebih baik.
Rule-based automation lebih baik.
Spreadsheet lebih baik.
Employee experimentation harus mencari solusi.
Bukan mencari tempat untuk AI.
Perusahaan yang matang berani bilang:
“Ini nggak perlu AI.”
Itu juga capability.
Scale hanya setelah workflow stabil
Kesalahan umum adalah pilot sukses lalu langsung roll out enterprise-wide.
Padahal pilot sering dijalankan power user.
Mereka lebih sabar.
Lebih tech-savvy.
Lebih aware error.
User biasa beda.
Before scale, test:
Apakah orang lain bisa pakai?
Instruction jelas?
Failure mode diketahui?
Support ada?
Data policy?
Cost?
Monitoring?
Rollback?
Workflow yang bergantung pada satu expert belum siap scale.
Standardize dulu.
Make it boring.
Kalau process masih membutuhkan kreatornya duduk di samping setiap user, masih prototype.
Scale adalah test maturity.
Bukan hanya enthusiasm.
Bottom-up dan top-down harus bertemu
Eksperimen karyawan punya strength.
Realistic.
Fast.
Close to problem.
Tapi ada weakness.
Local optimization.
Mungkin satu tim menghemat waktu tapi membuat masalah untuk tim lain.
Contoh:
Sales otomatis membuat proposal lebih cepat.
Legal mendapat dua kali lebih banyak review request.
Bottleneck pindah.
Management perlu melihat end-to-end.
Di sinilah top-down strategy penting.
Bottom-up menemukan opportunity.
Top-down memastikan alignment.
Security.
Architecture.
Data.
Budget.
Priority.
Keduanya harus bertemu.
Kalau hanya top-down, transformation jadi slide.
Kalau hanya bottom-up, jadi kumpulan hacks.
Perusahaan butuh channel dari hack ke system.
Workflow discovery harus menjadi proses resmi
Ini mungkin salah satu capability baru di organisasi.
Bukan cuma “AI adoption”.
Workflow discovery.
Secara berkala cari:
Task repetitif.
Handoff lambat.
Data entry.
Search.
Documentation.
Approval.
Reconciliation.
Communication.
Lalu tanyakan:
Bisa dihilangkan?
Bisa disederhanakan?
Bisa otomatis rule-based?
Perlu AI?
Pertanyaannya urut.
Jangan AI dulu.
Employee adalah sumber data terbaik.
Mereka tahu.
Workshop 60 menit per team bisa menemukan banyak.
“Bagian kerja mana yang bikin lo paling males?”
Sering jawabannya langsung menunjuk opportunity.
Transformation mulai dari annoyance.
Bukan keynote.
Perusahaan harus menghargai eksperimen yang memperbaiki sistem
Performance system biasanya menghargai output.
Sales target.
Project selesai.
Ticket.
Revenue.
Jarang menghargai orang yang memperbaiki workflow.
Padahal satu automation bisa menghemat ratusan jam tim.
Organization perlu memberi recognition.
Bukan harus bonus besar.
Credit.
Time untuk improve.
Career signal.
Ini memberi incentive.
Kalau employee yang menemukan efficiency hanya mendapat tambahan kerja, mereka akan berhenti sharing.
Kembali ke problem target.
Culture menentukan apakah innovation tersebar atau disembunyikan.
AI membuat individual leverage tinggi.
Perusahaan perlu mengubah leverage individu menjadi leverage organisasi.
Eksperimen adalah R&D sehari-hari
Tidak semua perusahaan punya lab.
Tidak masalah.
Setiap employee bisa melakukan micro-R&D.
Coba cara baru.
Bandingkan.
Measure.
Share.
AI membuat experimentation murah.
Ini advantage.
Perusahaan jangan matikan dengan bureaucracy.
Tapi juga jangan biarkan data bocor.
Solusinya bukan memilih freedom atau control.
Design environment di mana experimentation safe.
Tool approved.
Data rule.
Sandbox.
Community.
Fast review.
Then let people play.
Sering kali workflow yang paling valuable tidak bisa dirancang di boardroom karena terlalu kecil untuk terlihat.
Tapi justru kecil-kecil itu yang mengisi hari kerja.
Copy.
Paste.
Cari.
Ringkas.
Format.
Follow-up.
Ketika AI mengurangi friksi-friksi kecil tersebut, operating model berubah pelan.
Sampai suatu hari perusahaan sadar:
“Lho, proses kita sekarang sudah beda.”
Dan ketika ditelusuri, perubahan itu mungkin tidak dimulai dari keputusan CEO.
Mungkin dimulai dari satu karyawan yang capek melakukan hal yang sama untuk ke-200 kalinya, lalu bilang:
“Coba gue cari cara biar ini nggak manual lagi.”
Bacaan terkait
Artikel ini berada dalam Field Notes dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Field Notes Undercover.id.