Mekari Highlight
- AI first enterprise adalah pendekatan bisnis yang menjadikan AI sebagai bagian inti dari workflow, pengambilan keputusan, dan operasional perusahaan, bukan sekadar teknologi tambahan.
- Lima pilar AI first enterprise menurut WEF dan Kearney meliputi intelligence engine, adaptive AI technology stack, operations redesign, human-AI teaming, dan new value creation.
- Mekari untuk Enterprise bisa membantu perusahaan menentukan use case AI, mengevaluasi kesiapan data, dan merancang workflow yang lebih adaptif dalam satu ekosistem terintegrasi.
Sementara itu, di tingkat global, hanya 12% CEO yang merasakan keduanya (PwC).
Persoalannya sering kali bukan terletak pada teknologi. Investasi AI global telah melampaui $250 miliar, tetapi hanya 25% perusahaan yang menilai dampaknya transformatif.
Salah satu penyebabnya adalah AI masih ditempatkan di atas workflow lama, bukan digunakan untuk mendesain ulang cara kerja perusahaan (WEF).
Saat ini pertanyaannya adalah bagaimana model operasional perusahaan perlu dirancang ketika AI menjadi bagian dari proses pengambilan keputusan dan operasi.
Artikel ini membahas seputar AI first enterprise, lima pilar yang membentuknya hingga roadmap persiapan untuk memulainya.
Apa itu AI First Enterprise?
AI first enterprise adalah organisasi yang merancang ulang workflow, peran, dan hak pengambilan keputusan dengan AI sebagai bagian inti dari cara kerja. AI bukan sekadar lapisan tambahan pada proses yang sudah ada.
Konsep ini berbeda dari beberapa pendekatan lain. AI-enabled biasanya menambahkan chatbot atau pilot AI ke struktur yang sudah ada.
Digital-first berfokus pada digitalisasi proses tanpa selalu mengubah cara keputusan dibuat. Sementara AI-native membangun produk atau organisasi sejak awal dengan AI sebagai fondasinya.
Mengapa AI First Makin Relevan bagi Enterprise?
Nilai ekonomi AI masih terkonsentrasi pada sebagian kecil organisasi. Survei terhadap 1.217 eksekutif senior dari 25 sektor menunjukkan bahwa 20% organisasi menguasai 74% nilai ekonomi AI (PwC).
Perusahaan yang terus bereksperimen dan belajar dari setiap siklus memiliki lebih banyak kesempatan untuk menemukan use case yang menghasilkan nilai.
Bagi enterprise, menunda bukan hanya berarti menunda penggunaan teknologi, tetapi juga mempertahankan proses dan keputusan yang mungkin sudah tidak efisien.
Kondisi di Indonesia menunjukkan masih adanya ruang untuk memperkuat fondasi. Lebih dari separuh CEO melaporkan manfaat finansial AI yang masih kecil atau belum terlihat.
AI First Enterprise vs Enterprise Tradisional
Perbedaan AI first enterprise dengan operating model tradisional dapat dilihat dari enam dimensi aspek berikut.
| Aspek Perbedaan | AI first enterprise | Enterprise tradisional |
|---|---|---|
| Operating model | Manusia bekerja dengan dukungan AI | Berpusat pada manusia |
| Keputusan | Menggunakan data berjalan dan analisis prediktif | Mengandalkan laporan historis dan rapat |
| Kecepatan | Lebih banyak ditentukan oleh kualitas keputusan | Banyak ditentukan oleh proses |
| Struktur biaya | Lebih banyak proses dioptimalkan melalui otomasi | Lebih padat tenaga kerja |
| Risiko | Lebih banyak diidentifikasi secara proaktif | Cenderung ditangani setelah muncul |
| Skalabilitas | Tidak sepenuhnya bergantung pada penambahan headcount | Pertumbuhan relatif mengikuti headcount |
Perubahan ini dapat terlihat pada proses yang sebelumnya membutuhkan banyak waktu dan koordinasi manual.
Sebagai contoh, WEF mencatat workflow pada asuransi komersial yang sebelumnya membutuhkan 28 hari dapat diselesaikan dalam waktu kurang dari tiga jam.
Angka tersebut bukan berarti semua workflow enterprise dapat dipangkas dengan pola yang sama. Dampaknya tetap bergantung pada jenis proses, kualitas data, tingkat otomatisasi, serta batas keputusan yang diberikan kepada AI.
Pilar Penting AI First Enterprise
WEF dan Kearney (2026) merangkum praktik lebih dari 50 organisasi AI first ke dalam lima building block.
1. Intelligence engine
Fondasi pertama adalah learning loop yang spesifik terhadap bisnis. Untuk membangun learning loop yang solid, perusahaan perlu memiliki enterprise data management yang terstruktur lebih dulu.
Sistem perlu memanfaatkan keputusan berulang, feedback, dan data operasional sehingga kualitasnya dapat berkembang dari satu siklus ke siklus berikutnya.
2. Adaptive AI technology stack
AI stack perlu terhubung dengan sistem yang sudah digunakan perusahaan dan tetap fleksibel ketika perusahaan ingin mengganti model atau vendor.
Stack yang fleksibel membutuhkan strategi integrasi SaaS yang jelas sejak awal. Hal ini penting karena workflow enterprise tidak seharusnya ikut dibangun ulang setiap kali teknologi AI yang digunakan berubah.
Perusahaan Anda juga perlu mewaspadai agent washing, yaitu penggunaan label agentic AI untuk teknologi yang belum benar-benar memiliki kemampuan agentic.
3. Operations redesign
AI first membutuhkan perubahan pada workflow.
Perusahaan perlu mendigitalkan alur kerja end-to-end, menetapkan aturan yang dapat dikodifikasi, serta menentukan titik yang tetap membutuhkan penilaian manusia.
Jika proses yang kurang efektif hanya dibuat lebih cepat melalui otomasi, masalah dasarnya tetap ada. Karena itu, desain ulang proses perlu dilakukan sebelum menentukan bagian mana yang layak diotomatisasi.
Desain ulang workflow ini bisa dimulai dengan mempelajari cara membuat aplikasi dengan AI untuk kebutuhan spesifik perusahaan.
4. Human-AI Teaming
Ketika AI masuk ke workflow utama, cara perusahaan membentuk dan mengelola tim ikut berubah. Perusahaan Anda perlu membangun kolaborasi yang lebih erat antara manusia dan AI, termasuk membagi pekerjaan berdasarkan aktivitas yang dapat diotomatisasi dan keputusan yang tetap membutuhkan penilaian manusia.
Perubahan ini juga membuat penerapan AI menjadi agenda lintas fungsi. CIO dan tim teknologi perlu memastikan sistem dapat mendukung workflow.
Sementara itu, CHRO perlu menyesuaikan manajemen SDM dengan pembagian peran baru antara manusia dan AI, pembagian peran, target kinerja, dan pengembangan karier dengan cara kerja yang baru.
5. New Value Creation
AI juga mengubah cara perusahaan merancang produk, layanan, dan model bisnis. Perusahaan perlu menentukan di mana AI paling relevan untuk menciptakan nilai, baik sebagai bagian dari fitur produk, platform workflow, maupun lapisan yang bekerja di balik proses operasional.
AI yang ditempatkan pada titik yang tepat dapat mengubah cara perusahaan menghasilkan dan memberikan nilai, sedangkan penerapan yang tidak terhubung dengan kebutuhan bisnis berisiko berhenti sebagai eksperimen teknologi.
Peta Kematangan Menuju AI First Enterprise
| Tahap | Ciri utama | Jebakan umum |
|---|---|---|
| 1. Eksperimen | Pilot berjalan terpisah tanpa target bisnis yang jelas | Kepemilikan use case terfragmentasi |
| 2. Adopsi di fungsi | Use case dikembangkan per fungsi dengan ukuran masing-masing | Data tetap terkunci di setiap fungsi |
| 3. Operating model AI | Workflow lintas fungsi didesain ulang, data terpadu, dan human-in-the-loop diterapkan | Governance dianggap sebagai hambatan |
| 4. AI-native | AI menjadi bagian inti dari keputusan, produk, dan strategi | Ketergantungan vendor pada lapisan kontrol |
Dengan 75% perusahaan yang belum mendesain ulang alur kerja secara mendasar dan hanya 37% yang melaporkan kontribusi positif AI terhadap EBIT, sebagian besar organisasi kemungkinan masih berada pada tahap eksperimen atau adopsi di level fungsi.
Workflow lintas fungsi yang didesain ulang ini biasanya dimulai dari integrasi ERP yang menyatukan data operasional.
Uji Kesiapan AI First: Enam Pertanyaan untuk Direksi
Anda dapat melakukan evaluasi awal dengan memberikan skor 1–4 pada setiap pertanyaan: 1 berarti belum ada, sedangkan 4 berarti sudah berjalan rutin dan terukur.
- Workflow mana yang sudah benar-benar didesain ulang, bukan hanya diotomatisasi, dan bagaimana perubahan waktu siklusnya?
- Siapa di sisi bisnis yang bertanggung jawab atas hasil setiap use case AI, bukan hanya tim IT?
- Seberapa banyak data HR, keuangan, dan pelanggan yang dapat diakses lintas sistem tanpa rekonsiliasi manual?
- Apakah perusahaan dapat mengganti model atau vendor tanpa membangun ulang workflow? Siapa yang mengendalikan orkestrasi?
- Untuk keputusan yang diotomatisasi, kapan human-in-the-loop wajib terlibat dan siapa yang bertanggung jawab atas risikonya?
- Berapa proporsi karyawan yang telah mendapatkan pelatihan AI, dan peran mana yang sudah didefinisikan ulang?
Gunakan skor total sebagai indikasi tahap kematangan:
- 6–9: tahap 1
- 10–14: tahap 2
- 15–19: tahap 3
- 20–24: mendekati AI-native
Jika strategi AI perusahaan sudah cukup ambisius tetapi kesiapan data, talenta, dan governance masih rendah, gap tersebut perlu menjadi prioritas investasi. Fondasi yang paling lemah akan membatasi kemampuan use case AI untuk berkembang.
Hambatan Menuju AI First di Enterprise
1. Integrasi dan kualitas data
Salah satu hambatan terbesar bukan mengganti sistem lama, melainkan membuat data yang sudah ada dapat bekerja bersama.
Pada enterprise, data HR, keuangan, dan pelanggan dapat tersebar di berbagai sistem dengan definisi, format, serta aturan akses yang berbeda. Tanpa penyelarasan tersebut, AI dapat bekerja dengan data yang tidak konsisten.
Salah satu solusinya adalah integrasi ERP dan HRIS agar data finance dan HR tidak lagi terpisah.
2. Talenta dan desain ulang pekerjaan
Pelatihan AI saja tidak cukup jika struktur pekerjaan tetap sama.
Anda perlu melihat cara AI mengubah tanggung jawab, target kinerja, proses eskalasi, dan kompetensi yang dibutuhkan. Perubahan ini membutuhkan koordinasi antara fungsi bisnis, IT, HR, dan pemilik proses.
3. Governance dan compliance
Use case AI yang memproses data karyawan maupun pelanggan perlu memperhatikan UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.
Pemerintah juga sedang menyiapkan Peta Jalan Kecerdasan Artifisial Nasional 2026–2029. Pada Februari 2026, Komdigi menyelenggarakan rapat pleno lintas lebih dari 30 kementerian dan lembaga terkait penyusunannya.
Sambil menunggu perkembangan regulasi, Anda bisa lebih dulu menetapkan aturan internal mengenai penggunaan data, akses, tools yang diperbolehkan, serta keputusan yang membutuhkan persetujuan manusia.
4. Hype yang bergerak lebih cepat daripada nilai bisnis
Tidak semua pilot AI layak diperluas.
Karena itu, sebelum proyek pilot dimulai, Anda perlu menentukan ownership hasil, ukuran keberhasilan, batas risiko, dan kriteria untuk memperluas atau menghentikannya.
Roadmap Langkah Membangun AI First Enterprise
1. Tetapkan hasil bisnis dan learning loop prioritas
Anda bisa mulai dari hasil yang ingin dicapai, kemudian telusuri workflow yang paling berpengaruh terhadap target tersebut.
Pendekatan ini membantu perusahaan memilih use case AI berdasarkan kebutuhan operasional, bukan sekadar mengikuti teknologi yang sedang tersedia.
Tetapkan ukuran keberhasilan yang dapat dikaitkan langsung dengan kinerja bisnis, seperti pertumbuhan pendapatan, margin, biaya per transaksi, atau waktu siklus.
Contoh use case yang bisa langsung diuji adalah mempercepat proses tutup buku akhir bulan yang sering menjadi bottleneck.
Setelah use case berjalan, gunakan hasil dan feedback dari setiap siklus untuk menentukan bagian mana yang perlu diperbaiki, diperluas, atau dihentikan.
2. Satukan fondasi data lintas fungsi
Prioritaskan data HR, keuangan, dan pelanggan yang paling sering digunakan dalam pengambilan keputusan.
Tujuan utamanya adalah untuk memastikan fungsi yang saling bergantung menggunakan informasi dengan definisi dan konteks yang konsisten.
3. Gunakan AI ke workflow utama
Selanjutnya, pilih dua atau tiga workflow lintas fungsi yang berulang dan memiliki volume cukup besar.
Contohnya bisa berupa analitik payroll, proses penutupan buku dan rekonsiliasi pajak, atau layanan pelanggan omnichannel. Lalu, tetapkan juga baseline sebelum implementasi agar perubahan dapat diukur melalui waktu siklus, biaya transaksi, atau tingkat koreksi.
4. Bangun stack modular dan pertahankan lapisan kontrol
Setiap vendor AI perlu diuji berdasarkan kemampuan model sekaligus juga dampaknya terhadap arsitektur perusahaan.
Dua pertanyaan penting yang perlu Anda ajukan, seperti apa yang terjadi pada workflow ketika model diganti, dan siapa yang mengendalikan serta menyimpan log keputusan?
5. Jadikan governance bagian dari desain
Governance (tata kelola) sebaiknya dibangun bersamaan dengan use case, bukan setelah sistem berjalan.
Anda bisa membuat matriks hak keputusan untuk membedakan aktivitas yang dapat berjalan otomatis dan keputusan yang tetap membutuhkan persetujuan manusia.
ISO/IEC 42001 (2023) dapat menjadi salah satu kerangka untuk membangun sistem manajemen AI yang dapat disertifikasi.
6. Kembangkan kapabilitas manusia dan ukur hasilnya
Pelatihan perlu berjalan bersamaan dengan redefinisi peran.
Sebaiknya, Anda jangan mengukur berapa banyak karyawan yang menggunakan AI. Ukur dampaknya juga terhadap bisnis, seperti waktu siklus, biaya per transaksi, serta tingkat koreksi atau intervensi manusia.
Evaluasi hasil tersebut secara berkala untuk menentukan use case mana yang perlu diperluas dan mana yang sebaiknya dihentikan.
Percepat Transformasi Operasional Perusahaan Anda dengan AI First Enterprise Bersama Ekosistem Mekari!
Dengan demikian, AI first enterprise bukan hanya menambahkan AI ke sistem yang sudah ada. Perubahan utamanya terletak pada cara perusahaan mengelola data, merancang workflow, membagi peran antara manusia dan AI, serta menentukan bagaimana keputusan dibuat.
Membangun AI first enterprise membutuhkan ekosistem yang dapat mengikuti kompleksitas operasional perusahaan, mulai dari kebutuhan integrasi data hingga workflow lintas fungsi.
Untuk itu, Mekari sebagai Ekosistem software terpadu hadir dengan integrasi AI yang akan menghubungkan kebutuhan operasional dengan data dan workflow bisnis yang sudah berjalan dalam satu ekosistem.
Pelajari Mekari untuk Enterprise untuk membantu perusahaan dalam menentukan use case AI, mengevaluasi kesiapan data, dan merancang workflow yang lebih adaptif.
