Generative AI untuk Bisnis: Yang Betul-betul Bisa Dikerjakan, dan Yang Tidak

Generative AI layak dibayar kalau ia menghapus satu pekerjaan manual yang bisa Anda tunjuk orangnya, hitung volumenya per minggu, dan periksa hasilnya. Kalau tiga syarat itu tidak terpenuhi, yang dibeli biasanya demo yang bagus di rapat dan sepi setelah dipasang.

Untuk pemilik bisnis, pertanyaan yang berguna adalah hambatan mana di kantor yang isinya membaca, memilah, menulis, atau meringkas teks. Lalu seberapa murah kesalahan di situ bisa ditangkap sebelum merugikan. Gambaran strategi, perlengkapan, dan hitungan balik modalnya kami kumpulkan di panduan otomatisasi dan AI untuk bisnis.

Kenapa pertanyaannya sudah berubah

Dulu pemilik bisnis masih bertanya apakah alat seperti ini benar-benar bekerja. Sekarang banyak yang sudah mencobanya sendiri dari ponsel, dan untuk pekerjaan pribadi jawabannya sudah jelas.

Yang belum jelas adalah di mana ia dipasang di dalam bisnis. Perbandingan model atau berita rilis terbaru tidak menjawab itu. Jawabannya ada di proses Anda sendiri: siapa yang sekarang mengerjakan bagian paling membosankan, berapa lama, dan apa yang terjadi kalau ia salah. Vendor tidak bisa menjawabnya untuk Anda, dan model mana pun yang dipakai tidak mengubah jawabannya.

Empat bentuk pekerjaan yang ditangani dengan baik

Kami membangun AI ketika pekerjaan manual memang jadi hambatan, dan bentuk pekerjaannya biasanya salah satu dari empat ini. Semuanya teks masuk, teks keluar, dan semuanya sekarang dikerjakan orang dengan tangan.

• Membaca dokumen lalu mengambil isinya. Invoice supplier, surat jalan, atau formulir pendaftaran yang datang sebagai PDF dan foto, lalu diinput ulang ke sistem oleh admin.
• Memilah dan mengarahkan permintaan yang masuk. Pesan di WhatsApp bisnis, email, atau formulir komplain yang harus dibaca satu per satu lalu diteruskan ke orang yang tepat.
• Meringkas bahan panjang. Catatan rapat, riwayat percakapan satu pelanggan, atau laporan lapangan yang harus dipadatkan sebelum dipakai memutuskan sesuatu.
• Menjawab pertanyaan internal dari dokumen Anda sendiri. Staf baru menanyakan prosedur garansi atau syarat harga reseller, dan jawabannya sudah ada di dokumen yang jarang dibuka.

Satu hal tidak ada di daftar itu: tidak ada yang menyuruh AI memutuskan sesuatu sendiri. Keempatnya menyiapkan bahan supaya orang memutuskan lebih cepat. Kalau Anda ingin contoh penerapan yang lebih rinci di bisnis seukuran UKM, kami uraikan beberapa di penerapan AI untuk UKM yang sedang tumbuh.

Di mana ia masih gagal, dan kenapa itu lebih penting

Keluaran generative AI terdengar masuk akal, dan nada yakinnya sama saja ketika isinya salah. Di situ masalahnya: kesalahan tidak menandai dirinya sendiri.

Karena itu ada dua jenis pekerjaan yang sebaiknya tidak diserahkan. Pertama, pekerjaan yang jawaban salahnya mahal dan tidak ada yang memeriksa. Balasan yang langsung terkirim ke pelanggan tanpa dibaca siapa pun, atau status pesanan yang diubah otomatis, termasuk di sini. Kedua, pekerjaan yang angkanya harus persis. Menjumlahkan tagihan, menghitung stok, atau mencocokkan pembayaran lebih baik dikerjakan kode biasa yang hasilnya selalu sama.

Peramalan juga sering tertukar ke sini. Menebak permintaan bulan depan atau pelanggan mana yang akan berhenti bukan pekerjaan generative AI, dan syaratnya ada di kualitas data lebih dulu. Kami bahas syarat itu di panduan predictive analytics untuk pengambilan keputusan.

Ukuran yang kami pakai: prosesnya harus punya tempat untuk orang memeriksa, atau kesalahannya harus murah dan cepat terlihat. Admin yang mengoreksi sebagian invoice tetap jauh lebih cepat daripada mengetik semuanya dari nol. Email yang salah terkirim ke seluruh daftar pelanggan tidak bisa ditarik lagi.

Membedakan kebutuhan nyata dari demo

Tiga pertanyaan ini biasanya cukup, dan Anda bisa menjawabnya sendiri tanpa vendor.

Siapa yang mengerjakan pekerjaan ini hari ini? Kalau tidak ada namanya, pekerjaannya memang belum ada, dan yang direncanakan adalah fitur baru, bukan penghematan. Berapa volumenya per minggu? Kalau hanya beberapa dokumen, biaya pembangunan tidak akan tertutup; kalau ratusan, hitungannya bisa berbeda. Apa yang terjadi kalau keluarannya salah? Kalau jawabannya "kami baru tahu dari pelanggan", prosesnya belum siap diotomatiskan.

Demo gagal di ketiga pertanyaan itu sekaligus: ia memperlihatkan keluaran yang rapi di satu contoh pilihan, tanpa orang, tanpa volume, dan tanpa skenario salah. Yang menentukan hasilnya di kantor Anda justru contoh yang jelek, seperti foto invoice yang miring dan gelap, pesan pelanggan yang separuhnya singkatan, dan dokumen prosedur yang tiga versinya beredar bersamaan.

Berapa biaya untuk mengetahuinya

Terus terang saja, membangun software custom mahal, dan AI tidak membuatnya lebih murah. Karena itu kami tidak ingin Anda membayar pembangunan hanya untuk mencari tahu apakah idenya layak.

Discovery mengerjakan bagian pencarian itu lebih dulu, satu sampai dua minggu, dengan satu harga. Keluarannya rencana tertulis dan harga tetap untuk tahap berikutnya, dan dokumen itu tetap milik Anda apa pun keputusannya. Setiap tahap sesudahnya disepakati sebelum dimulai, jadi risiko mencoba kami hanya sebesar satu tahap.

Salah satu hasil discovery yang mungkin: ternyata alat siap pakai yang dijual bulanan sudah menyelesaikan urusan itu. Kalau begitu keadaannya, kami akan bilang begitu dan mengarahkan Anda ke sana. Rencana tertulisnya tetap Anda bawa.

Kenapa rekayasa biasa yang menentukan hasilnya

Di proyek seperti ini, modelnya bagian paling kecil. Yang memakan waktu adalah pekerjaan software biasa di sekelilingnya.

Dokumen Anda ada di mana sekarang: di Drive, di email satu orang, atau di lemari sebagai kertas. Siapa yang boleh menanyakan apa, karena asisten internal yang bisa membacakan data gaji ke semua staf jelas tidak boleh ada. Di mana orang memeriksa keluarannya sebelum dipakai, dan apa yang terjadi kalau ia menolak. Bagaimana sistem mencatat mana yang dikoreksi, supaya setelah beberapa bulan Anda tahu seberapa sering ia salah.

Pertanyaan terakhir soal siapa yang merawatnya. Fitur AI yang dibangun dengan perlengkapan eksotis akan sulit diteruskan developer berikutnya, dan masalahnya baru muncul setahun kemudian. Kami membangun dengan teknologi yang umum dan sudah terbukti, lalu mencatat alasan di balik setiap keputusan di sebelah kodenya. Kode, server, dan semua akunnya atas nama Anda sejak hari pertama. Orang yang mewarisinya mewarisi pemikirannya juga, tidak hanya kumpulan file.

Mulai dari satu hambatan

Pilih satu proses yang manual, volumenya besar, dan kesalahan per kejadiannya murah. Biasanya itu pekerjaan input dokumen atau pemilahan pesan masuk, bukan hal yang berhubungan langsung dengan uang atau janji ke pelanggan.

Bangun yang sempit dulu, untuk satu jenis dokumen atau satu jalur permintaan saja. Jalankan beberapa minggu sambil orangnya tetap memeriksa, lihat berapa persen yang perlu dikoreksi, baru putuskan apakah layak diperlebar. Kalau angka koreksinya tidak turun, Anda berhenti di satu tahap dan tahu alasannya.

Bawa satu proses manual Anda ke obrolan pertama

Tidak perlu menyiapkan istilah teknis atau ide besar. Ceritakan saja satu pekerjaan yang paling membosankan di kantor Anda: siapa yang mengerjakannya, berapa banyak per minggu, dan apa yang terjadi kalau ada yang salah. Kita lihat bersama apakah bentuk pekerjaannya memang cocok. Obrolan pertamanya gratis, tanpa deck, langsung dengan engineer yang akan mengerjakannya.

Kalau ternyata sudah ada alat siap pakai yang menyelesaikannya, kami akan bilang begitu. Kalau memang perlu dibangun, discovery memberi rencana tertulis dan harga tetap, dan dokumen itu milik Anda apa pun keputusan setelahnya. Gunakan formulir kontak yang membuka WhatsApp, atau kirim email ke hello@arktik.id.