Mengapa AI Perusahaan Butuh Konteks Operasional: Dari Eksperimen ke Decision Intelligence
Masalah AI Perusahaan: Kuat di Model, Lemah di Konteks
Banyak organisasi sudah punya model AI canggih yang bisa merekomendasikan, mengotomatiskan, dan mempercepat keputusan. Tapi tanpa pemahaman cara bisnis benar-benar berjalan, model-model itu melewatkan batasan dan hubungan yang menentukan apakah keputusan itu benar atau salah.
Menurut Devavrat Shah, chief scientist of enterprise AI di Celonis, kesenjangan itulah yang memisahkan eksperimen AI dari penerapan sehari-hari. “Kamu tidak bisa melakukannya dalam kekosongan,” kata Shah. Tanpa konteks operasional, agen AI berisiko mengabaikan kendala penting, membuat kesalahan mahal, atau menghabiskan sumber daya komputasi berlebihan hanya untuk mencari tahu apa yang seharusnya sudah diketahui.
Apa Itu Decision Intelligence?
Shah mendefinisikan decision intelligence sebagai gabungan AI dan konteks operasional yang memungkinkan agen memahami peran setiap tugas dalam proses keputusan yang lebih besar. Bukan hanya mengotomatiskan tugas terpisah, tapi memahami mengapa tugas itu ada, kapan harus dijalankan, dan apa dampaknya ke langkah berikutnya.
Bayangkan proses persetujuan pengeluaran di perusahaan manufaktur. Tanpa konteks, AI mungkin menyetujui semua permintaan di bawah Rp 50 juta. Dengan konteks, AI tahu: proyek ini sudah melebihi anggaran kuartal, vendor ini punya riwayat pengiriman terlambat, dan manajer proyek sedang cuti. Rekomendasinya jadi: “Tunda hingga manajer kembali, minta kutipan vendor cadangan.”
Risiko Komersial AI Tanpa Konteks
Shah mengidentifikasi tiga risiko utama saat organisasi men-deploy agen AI tanpa lapisan konteks:
- Kesalahan keputusan yang mahal: Agen mengabaikan batasan regulasi, kontrak, atau fisik yang tidak tertulis di data pelatihan.
- Inefisiensi komputasi: Agen menghabiskan siklus inferensi untuk “mencari” konteks yang seharusnya sudah tersedia terstruktur.
- Kehilangan kepercayaan pemangku kepentingan: Ketika AI membuat rekomendasi yang jelas salah bagi praktisi, tim bisnis berhenti menggunakannya — meski modelnya sebenarnya cerdas.
“Mereka menerapkan prinsip umum ke skenario spesialis dan gagal,” ringkas Shah. Hasilnya: pemimpin bisnis tidak Making, dan potensi AI tidak terealisasi.
Pendekatan Praktis: Mulai Kecil, Ukur, Skalakan
Shah menyarankan langkah konkret, bukan strategi abstrak:
- Pilih satu keputusan bisnis spesifik. Bukan “optimalkan rantai pasokan,” tapi “kurangi waktu siklus pemesanan bahan baku dari 14 hari jadi 7 hari.”
- Identifikasi langkah paling sulit. Di mana manusia paling banyak menghabiskan waktu? Di mana kesalahan paling sering terjadi?
- Uji apakah AI bisa memperbaikinya. Deploy agen dengan akses ke data proses aktual (bukan hanya data historis statis).
- Ukur kecepatan dan nilai. Waktu siklus, tingkat kesalahan, biaya per transaksi. Jika metrik bergerak, skalakan ke keputusan serupa.
Pendekatan ini mirip dengan process mining — kekuatan inti Celonis — tapi ditambah lapisan agen AI yang bisa bertindak di dalam guardrails yang didefinisikan.
Dampak pada Tenaga Kerja: Dari Eksekusi ke Strategi
Otomatisasi tugas repetitif dan koordinasi antar tim bisa membebaskan manusia untuk keputusan strategis yang lebih kompleks. Tapi Shah menegaskan: ini butuh investasi pendidikan tenaga kerja.
Karyawan harus paham output AI dan implikasinya, bukan hanya menyerahkan keputusan ke agen. Contoh: tim keuangan yang menerima rekomendasi realokasi anggaran dari AI perlu tahu asumsi di balik modelnya (mis. pertumbuhan pendapatan 5%, inflasi 3%) supaya bisa menantang atau menyetujui dengan percaya diri.
Masa Depan: Perencanaan Skala Perusahaan
Shah melihat peluang meluas dari tugas operasional rutin ke perencanaan skala perusahaan di keuangan, manajemen tenaga kerja, pemasaran, dan penjualan. Dengan konteks yang tepat, AI bisa membantu organisasi mengevaluasi opsi dan membuat keputusan konsekuensial lebih cepat.
“Sekarang, mungkin [perencanaan sumber daya] tidak harus memakan waktu begitu lama, dan orang-orang benar-benar membuat pilihan yang tepat dengan cepat,” ujar Shah.
Kesimpulan: Konteks Adalah Jembatan
AI tanpa konteks seperti navigator tanpa peta: tahu cara mengemudi, tapi tidak tahu jalan mana yang aman, macet, atau dilarang. Decision intelligence memasang peta itu — proses, data, batasan, dan tujuan bisnis — supaya AI tidak hanya cerdas, tapi berguna.
Bagi pemimpin teknologi: jangan tanya “model mana yang terbaik?” Tanyakan “keputusan mana yang paling menyakitkan, dan konteks apa yang dibutuhkan AI untuk membantu menyelesaikannya?”
