Kenapa AI Harus Dibangun Berdasarkan Proses Bisnis Nyata

Ceritanya hampir selalu sama. Sebuah perusahaan distribusi membeli tool AI untuk otomasi penagihan. Demonya mulus: faktur masuk, sistem membaca, pembukuan beres. Tiga bulan kemudian tool itu menganggur. Ternyata separuh pesanan masuk lewat WhatsApp pribadi salesman, rekening koran datang dalam format yang tidak dikenali sistem, dan ada diskon khusus yang aturannya hanya diketahui satu orang di kantor. Tim finance kembali ke spreadsheet; langganannya diam-diam tidak diperpanjang.

Yang gagal dalam cerita seperti itu biasanya bukan AI-nya, melainkan asumsinya. AI baru memberi hasil ketika dibangun berdasarkan proses bisnis nyata: cara tim Anda benar-benar bekerja hari ini, lengkap dengan segala pengecualiannya, bukan proses ideal versi template. Urutannya tidak bisa dibalik: petakan dulu alur yang sebenarnya, baru tulis kode. Proyek yang melompati tahap pemetaan inilah yang setahun terakhir ramai-ramai menjadi statistik kegagalan.

Gelombang laporan kegagalan AI sepanjang 2025-2026

Sepanjang 2025 sampai awal 2026, laporan demi laporan menunjuk ke masalah yang sama. Studi MIT NANDA menemukan 95% pilot GenAI di perusahaan tidak menghasilkan dampak terukur pada laba rugi, padahal total investasinya diperkirakan USD 30-40 miliar, dan hanya sekitar 5% tool yang dibangun khusus benar-benar sampai ke tahap produksi; diagnosis utamanya bukan model yang kurang pintar, melainkan tool yang tidak belajar, tidak beradaptasi, dan tidak menyatu dengan alur kerja penggunanya (Sumber: MIT NANDA, The GenAI Divide: State of AI in Business, 2025).

Angka lain searah. Sebanyak 42% perusahaan membatalkan sebagian besar inisiatif AI-nya pada 2025, melonjak dari 17% setahun sebelumnya (Sumber: S&P Global Market Intelligence, 2025). Forrester bahkan memproyeksikan kerugian lebih dari USD 10 miliar sepanjang 2026 akibat inisiatif GenAI yang dikelola buruk (Sumber: Forrester, dikutip Kompas.com, 2026). Analisis Sharing Vision di Kompas.com menyebut satu faktor kegagalan yang jarang disadari dan paling relevan di sini: mengotomasi proses yang sudah usang, alias menempelkan AI di atas alur kerja lama tanpa pernah memeriksa alurnya sendiri (Sumber: Kompas.com/Sharing Vision, 2026).

Di Indonesia, kombinasinya lebih rawan lagi. Survei Microsoft menemukan 59% pemimpin bisnis di Indonesia mengaku perusahaannya sudah memakai AI agent untuk mengotomasi proses dan alur kerja, di atas rata-rata Asia-Pasifik sebesar 53% (Sumber: Microsoft Work Trend Index 2025). Pada saat yang sama, baru 19% perusahaan Indonesia yang dinilai siap mengadopsi AI secara optimal (Sumber: Cisco AI Readiness Index 2025). Semangat berlari di depan, fondasi tertinggal di belakang; dalam kondisi seperti ini, proyek AI berbasis template adalah kandidat terkuat untuk menambah statistik di atas.

Kenapa proses bisnis nyata mengalahkan template?

Template dirancang untuk skenario ideal: satu formulir pemesanan, satu file CSV yang rapi, satu alur approval. Bisnis sungguhan tidak sesopan itu. Di banyak perusahaan Indonesia, lead hidup di WhatsApp pribadi salesman, approval berbentuk screenshot yang diteruskan antar grup WA, dan tim finance tiap bulan menghadapi laporan settlement QRIS plus file payout Shopee dan Tokopedia yang kolomnya berbeda-beda. SOP resmi jarang mencatat semua itu; dokumen proses biasanya hanya memotret versi idealnya. AI yang dibangun dari template, dengan sendirinya, mewarisi kebutaan yang sama.

Akibatnya terasa sehari-hari. Survei Sharing Vision pada Desember 2025 menemukan 58% responden menghadapi output AI yang tidak akurat, 54% mendapat jawaban yang tidak konsisten, dan 52% menerima respons yang tidak relevan (Sumber: Sharing Vision, dikutip Kompas.com, 2026). Sebaliknya, pembeda para pemenang juga sudah terukur: organisasi berkinerja tinggi dalam survei McKinsey kira-kira tiga kali lebih mungkin telah mendesain ulang alur kerjanya secara fundamental sebagai bagian dari upaya AI mereka (Sumber: McKinsey, The State of AI, 2025). Mereka tidak menempelkan AI ke proses lama; mereka mulai dari prosesnya.

Yang kami temukan ketika proses dipetakan lebih dulu

Menurut pengalaman kami di Agentiq, kejutan terbesar hampir selalu muncul di tahap discovery, sebelum satu baris kode ditulis. Saat membangun otomasi keuangan untuk sebuah klien di Indonesia, frasa sederhana 'upload rekening koran' ternyata berarti sembilan format laporan bank yang berbeda, ditambah tujuh format tagihan kartu dari penerbit berbeda, faktur supplier, tagihan platform iklan, rekap pengeluaran, dan faktur pajak. Template mana pun akan mengasumsikan satu format bersih. Angka sembilan itu baru muncul setelah kami menghitung isi inbox tim finance yang sebenarnya.

Peta proses itu juga melahirkan pengaman yang tidak akan pernah ada di template, karena hanya terpikir setelah menonton cara kerja yang sesungguhnya: lapisan verifikasi independen yang membaca ulang dokumen asli dan mencocokkan nominal sebelum transaksi diposting, tombol posting yang otomatis nonaktif kalau angka hasil suntingan tidak lagi cocok dengan dokumen sumber, tagihan kartu korporat yang dipecah per pemegang kartu, serta rekonsiliasi bank yang terang-terangan menandai transaksi yang belum bisa dibuktikan alih-alih berpura-pura semuanya cocok. Sistem ini dibangun Agentiq untuk klien yang dianonimkan; semua tampilan layar menggunakan data sampel fiktif.

Pola serupa muncul di proyek lain: sistem penjualan untuk sebuah agensi properti yang beroperasi di Jakarta, Bandung, Surabaya, dan Bali. Funnel penjualan generik tidak mengenal KPR, padahal di penjualan properti Indonesia jalur KPR punya tahapan sendiri antara booking dan akad. Pipeline akhirnya dibentuk mengikuti jalur klien yang sebenarnya, dari konsultasi sampai settlement, dengan lead yang masuk dari WhatsApp, Instagram, iklan, dan formulir. Dibangun Agentiq untuk sebuah agensi penjualan properti Indonesia yang dianonimkan; semua tampilan layar menggunakan data sampel fiktif.

Apa artinya untuk bisnis Anda

Kalau omzet bisnis Anda sudah Rp 500 juta ke atas per bulan, proses Anda hampir pasti punya kekhasan yang tidak tercantum di template mana pun: cara sales Anda menahan diskon, urutan approval antar cabang, format laporan dari bank langganan Anda. Justru kekhasan itulah nilai bisnisnya. Maka pertanyaan pertama untuk vendor AI mana pun sebaiknya bukan soal fitur, melainkan berapa lama mereka mau mempelajari proses Anda sebelum mulai membangun. Discovery memang menambah satu-dua langkah di awal, tetapi jauh lebih murah daripada menyusul 42% perusahaan yang menurut S&P Global akhirnya membatalkan inisiatifnya.

Ada bonus yang jarang disadari. Memetakan proses nyata berarti memetakan di mana data pribadi pelanggan Anda sebenarnya berada, dari HP pribadi sales sampai spreadsheet bersama. Di bawah UU PDP No. 27 Tahun 2022, itu bukan sekadar soal kerapian melainkan kepatuhan, dan tahap discovery adalah momen paling murah untuk membereskannya sekali jalan.

Langkah praktis sebelum menulis satu baris kode

• Ikuti satu transaksi dari ujung ke ujung, misalnya dari pesanan pertama pelanggan sampai uang masuk, dan catat setiap aplikasi, grup WhatsApp, serta orang yang dilewatinya.
• Kumpulkan contoh semua dokumen yang benar-benar beredar: rekening koran tiap bank, laporan settlement QRIS, file payout marketplace, faktur supplier. Hitung jumlah formatnya, jangan menebak.
• Tulis semua pengecualian dan aturan tak tertulis, termasuk yang selama ini hanya diingat satu orang, karena di situlah template paling cepat patah.
• Tandai di titik mana data pribadi pelanggan tersimpan di sepanjang alur, lalu jadikan temuan itu bagian dari desain sistem barunya, bukan catatan kaki.

Jika Anda ingin melihat seperti apa AI yang dibangun dari proses bisnis nyata milik Anda sendiri, ceritakan prosesnya lewat halaman kontak kami — tim Agentiq akan menjawab dengan rekomendasi konkret, bukan template.