---
title: "Produktivitas AI dan Leverage Bisnis: Mengapa Hambatan Harus Dicari Lebih Dulu"
locale: id
category: how_to
category_name: "Panduan"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/ai-productivity-business-leverage-bottleneck-guide
published_at: 2026-08-01T03:47:11+09:00
---

# Produktivitas AI dan Leverage Bisnis: Mengapa Hambatan Harus Dicari Lebih Dulu

> AI memproses tugas tertentu dengan cepat, tetapi hal itu sendiri tidak menjamin pendapatan atau laba. Untuk meningkatkan kinerja bisnis, temukan hambatan utama saat ini dan pusatkan sumber daya secara berurutan pada penghapusan, perancangan ulang, dan otomatisasi.

## Key Points

- Kecepatan pemrosesan tugas dan kinerja bisnis bukanlah metrik yang sama, dan perlu diverifikasi secara terpisah apakah peningkatan produktivitas menghasilkan kenaikan laba.
- Dampak AI menjadi lebih besar ketika dipadukan dengan modal, tenaga kerja, data, saluran distribusi, merek, kepercayaan pelanggan, dan sistem operasional.
- Sebelum melakukan otomatisasi, tugas yang tidak perlu harus dihapus, lalu prosedur dan tanggung jawab untuk tugas yang tersisa harus disederhanakan.
- Hambatan utama bisnis harus ditemukan dengan membandingkan metrik pada tahap penciptaan permintaan, konversi pembelian, dan penyediaan layanan.
- Investasi AI harus dinilai berdasarkan metrik hasil seperti pendapatan, margin kontribusi, tingkat konversi, tingkat retensi, dan tingkat pengembalian dana, bukan volume pemrosesan.

AI dapat mengurangi waktu pemrosesan tugas tertentu seperti menulis, merangkum, menganalisis, membuat kode, dan melayani pelanggan. Namun, membuat lebih banyak dokumen dan konten dengan lebih cepat merupakan hasil yang berbeda dari meningkatnya pendapatan, laba, dan nilai pelanggan suatu bisnis.

Dalam penelitian empiris, AI generatif juga diamati dapat meningkatkan kecepatan atau kualitas sebagian pekerjaan berbasis pengetahuan dan dukungan pelanggan. Namun, efek yang diukur berbeda-beda menurut jenis pekerjaan, pengalaman pengguna, data masukan, dan metode pemeriksaan. Peningkatan produktivitas yang ditemukan pada tugas tertentu tidak boleh digeneralisasi sebagai peningkatan pendapatan di semua industri dan perusahaan.

## Arti Daya Ungkit dan Peran AI

Dalam bisnis, daya ungkit berarti struktur yang secara berulang menghasilkan hasil lebih besar dengan sumber daya yang sama atau lebih sedikit. Sumber daya di sini tidak hanya mencakup waktu, tetapi juga modal, tenaga kerja, data, merek, perangkat lunak, saluran distribusi, dan kepercayaan pelanggan.

Sebagai contoh, alih-alih menjelaskan kepada satu pelanggan selama satu jam, pengetahuan yang sama dapat disampaikan lebih luas dengan menyediakan pelatihan yang diikuti beberapa pelanggan sekaligus atau menstandardisasi penjelasan berulang dalam bentuk dokumen dan video. Ini adalah daya ungkit struktural yang dapat diwujudkan tanpa AI.

AI dapat memperkuat daya ungkit yang sudah ada dengan cara berikut.

- Memangkas waktu untuk pekerjaan berulang seperti membuat draf, mengklasifikasikan, mencari, dan merangkum.
- Membuat konten dalam berbagai format dan respons yang dipersonalisasi dengan biaya marjinal yang relatif rendah.
- Membantu karyawan meninjau lebih banyak kasus atau merespons pelanggan lebih cepat.
- Menurunkan hambatan masuk untuk pembuatan kode, analisis data, dan pencarian pengetahuan.

Namun, AI bukanlah formula keberhasilan yang berdiri sendiri. Jika tidak ada saluran untuk menjangkau pelanggan, data yang dapat dipercaya, orang yang dapat memverifikasi kualitas, organisasi yang dapat melaksanakan, dan biaya yang terjangkau, yang meningkat mungkin hanya kecepatan produksi. AI dapat menyarankan alternatif dan membantu pengambilan keputusan, tetapi tidak secara otomatis menggantikan peran untuk menentukan sasaran mana yang harus diprioritaskan dan bertanggung jawab atas hasilnya.

## Alasan Produktivitas dan Profitabilitas Harus Dibedakan

Produktivitas umumnya berarti keluaran dibandingkan dengan masukan. Sementara itu, profitabilitas berkaitan dengan hasil setelah mengurangi biaya yang diperlukan untuk menyediakan produk dan mengoperasikan organisasi dari pendapatan yang benar-benar dibayarkan pelanggan.

Kedua indikator tersebut dapat saling berkaitan, tetapi tidak otomatis bergerak bersama.

| Perubahan | Indikator yang dapat diukur secara langsung | Syarat agar terhubung dengan kinerja bisnis |
|---|---|---|
| Berkurangnya waktu penyusunan laporan | Waktu kerja per dokumen | Laporan harus digunakan untuk mengambil keputusan yang lebih baik atau menghemat biaya |
| Meningkatnya volume produksi konten | Jumlah publikasi mingguan | Arus masuk dan konversi pembelian pelanggan yang sesuai harus meningkat |
| Meningkatnya kecepatan respons pelanggan | Waktu respons pertama | Akurasi jawaban dan tingkat penyelesaian masalah harus dipertahankan |
| Meningkatnya kecepatan pembuatan kode | Waktu pengembangan per fitur | Cacat, risiko keamanan, dan biaya pemeliharaan harus dikendalikan |
| Meningkatnya kapasitas penanganan konsultasi | Jumlah kasus yang ditangani per jam | Kepuasan pelanggan, tingkat pembelian ulang, dan beban karyawan tidak boleh memburuk |

Oleh karena itu, ketika membandingkan kondisi sebelum dan sesudah penerapan AI, indikator volume pemrosesan dan indikator hasil harus dilihat bersama-sama. Meskipun waktu kerja berkurang, jika pendapatan, margin kontribusi, tingkat retensi pelanggan, atau kualitas tidak berubah, perlu diperiksa apakah waktu yang dihemat telah dialihkan ke aktivitas lain yang bernilai.

## Jebakan Produktivitas: Masalah Mengerjakan Hal yang Tidak Perlu dengan Lebih Cepat

Ketika biaya alat menurun, jumlah laporan, fitur, materi rapat, dan konten yang sebelumnya tidak akan dibuat dapat meningkat. Setiap pekerjaan tampak murah, tetapi jika biaya pemeriksaan, persetujuan, revisi, penyimpanan, distribusi, dan pemeliharaan dijumlahkan, beban keseluruhan organisasi dapat bertambah.

Tanda-tanda utamanya adalah sebagai berikut.

- Jumlah laporan yang tidak dibaca atau tidak digunakan siapa pun untuk pengambilan keputusan meningkat.
- Fitur terus ditambahkan tanpa permintaan pelanggan atau validasi.
- Jumlah publikasi meningkat, tetapi pertanyaan dan pembelian dari pelanggan yang sesuai tidak bertambah.
- Waktu untuk memeriksa dan memperbaiki keluaran AI lebih lama daripada perkiraan.
- Tim yang berbeda membangun alat otomatisasi dan basis data serupa secara tumpang tindih.
- Volume pekerjaan meningkat, tetapi penanggung jawab dan kriteria penyelesaian untuk setiap pekerjaan tidak jelas.

Inti masalah ini bukanlah kinerja AI, melainkan pemilihan pekerjaan. Menurunkan biaya pekerjaan yang tidak penting dapat membuat pekerjaan tersebut makin sering dilakukan. Karena itu, sebelum memutuskan apakah suatu pekerjaan perlu diotomatisasi, terlebih dahulu harus dipastikan apakah pekerjaan tersebut memang diperlukan.

## Daya Ungkit Struktural yang Dapat Diterapkan Sebelum AI

### Mengubah Layanan Satu-ke-Satu Menjadi Struktur Satu-ke-Banyak

Konsultasi, pelatihan, atau onboarding yang memerlukan banyak penjelasan berulang dapat diubah menjadi sesi kelompok, lokakarya, pelatihan rekaman, dan materi standar. Namun, tidak semua layanan sesuai untuk metode satu-ke-banyak. Pekerjaan yang melibatkan informasi pribadi sensitif, diagnosis kompleks, atau negosiasi individual mungkin memerlukan konsultasi terpisah.

### Mengubah Pekerjaan Sinkron Menjadi Asinkron

Dengan metode ini, tidak semua pertanyaan ditangani melalui rapat secara waktu nyata, melainkan diterima melalui formulir yang telah ditentukan dan dijawab dalam jangka waktu tertentu. Cara ini dapat mengurangi biaya penjadwalan dan pergantian pekerjaan yang terlalu sering. Klasifikasi urgensi, perkiraan waktu respons, penanggung jawab, dan kriteria penanganan pengecualian harus ditetapkan bersama untuk mencegah keterlambatan dan penghindaran tanggung jawab.

### Mengungkapkan Informasi Penjualan yang Berulang Sejak Awal

Menyediakan rentang harga, prosedur layanan, pelanggan sasaran, batasan, pertanyaan yang sering diajukan, dan kasus nyata sejak awal dapat mengurangi pertanyaan yang tidak sesuai. Alih-alih mengulang penjelasan dasar, staf penjualan dapat menangani masalah spesifik pelanggan yang memiliki kemungkinan pembelian lebih tinggi.

### Menstandardisasi Layanan dan Pengambilan Keputusan

Menetapkan daftar periksa, kriteria persetujuan, templat, dan cakupan tanggung jawab secara jelas membuat pengetahuan tenaga ahli tetap berada di dalam organisasi. AI dapat digunakan secara lebih stabil untuk membuat draf atau melakukan klasifikasi setelah standar tersebut disiapkan.

## Eliminasi dan Pemilihan sebagai Daya Ungkit Terbaik

Mengotomatiskan pekerjaan dapat mengurangi waktu yang diperlukan untuk pekerjaan tersebut. Namun, jika pekerjaan itu sejak awal tidak diperlukan, penghematan terbesar berasal dari eliminasi, bukan otomatisasi.

Urutan berikut dapat diterapkan ketika meninjau pekerjaan.

1. **Eliminasi:** Periksa pelanggan atau hasil mana yang benar-benar dirugikan jika pekerjaan ini dihentikan.
2. **Pengurangan:** Kurangi frekuensi, cakupan, jumlah peserta, dan volume keluaran.
3. **Standardisasi:** Perjelas nilai masukan, prosedur pemrosesan, standar kualitas, dan penanggung jawab.
4. **Delegasi:** Pisahkan bagian yang harus dikerjakan oleh tenaga berketerampilan tinggi dari bagian yang tidak memerlukannya.
5. **Otomatisasi:** Terapkan AI atau perangkat lunak setelah meninjau tingkat pengulangan, kualitas data, dan biaya kesalahan.

Jika urutan ini diterapkan secara terbalik, prosedur yang kompleks dan bernilai rendah akan diotomatisasi apa adanya. Akibatnya, kesalahan yang sudah ada dapat direplikasi dengan lebih cepat dan lebih luas.

### Pertanyaan untuk Mengeliminasi Pekerjaan

- Hasil pelanggan atau keputusan manajemen apa yang didukung pekerjaan ini?
- Siapa yang benar-benar menggunakan keluarannya?
- Apa kerugian konkret yang akan terjadi jika pekerjaan ini dihentikan selama satu bulan?
- Apakah pekerjaan ini wajib dilakukan karena alasan hukum, keselamatan, kontrak, atau audit?
- Dapatkah pekerjaan ini diganti dengan dokumen yang lebih singkat, frekuensi yang lebih rendah, atau pemeriksaan sampel?
- Dapatkah waktu dan anggaran yang dihemat dialihkan ke hambatan saat ini?

## Menemukan Hambatan Sebenarnya dalam Aliran Pendapatan

Aliran bisnis yang disederhanakan dapat dilihat dalam tiga tahap: penciptaan permintaan, konversi pembelian, dan penyediaan layanan. Bisnis nyata mungkin memiliki kendala tambahan seperti rantai pasokan, arus kas, perekrutan, dan regulasi, tetapi kerangka ini berguna ketika pertama kali mendiagnosis aliran pelanggan dan pendapatan.

| Tahap | Sinyal dugaan adanya hambatan | Indikator yang harus diperiksa terlebih dahulu | Tindakan pertama | Contoh investasi AI yang keliru |
|---|---|---|---|---|
| Penciptaan permintaan | Kunjungan dan pertanyaan dari pelanggan yang sesuai tidak mencukupi | Arus masuk yang memenuhi syarat, jumlah pertanyaan, biaya akuisisi per saluran | Memvalidasi pelanggan sasaran, saluran, dan pesan | Hanya mengotomatiskan pembuatan laporan internal |
| Konversi pembelian | Pertanyaan cukup banyak, tetapi pembelian sedikit | Rasio pembelian terhadap pertanyaan, alasan pengunduran diri, tingkat keberhasilan per penawaran | Memperbaiki harga, susunan produk, bukti, dan prosedur penjualan | Hanya memproduksi konten iklan secara massal |
| Penyediaan layanan | Banyak pengembalian dana, keterlambatan, kesalahan, dan keluhan | Tingkat pengembalian dana, tingkat cacat, waktu penyelesaian, tingkat retensi | Memperbaiki kapasitas, standar kualitas, pelatihan, dan prosedur penyampaian | Memperluas arus masuk tanpa meningkatkan kualitas |

### Jika Penciptaan Permintaan Menjadi Hambatan

Jika jumlah pelanggan yang sesuai dan mengetahui produk masih kurang, saluran jangkauan dan pesan harus divalidasi. Lebih penting mengukur permintaan yang memenuhi syarat, seperti pengunjung yang benar-benar berpotensi membeli, pengajuan konsultasi, dan permintaan uji coba, daripada sekadar jumlah tayangan.

### Jika Konversi Pembelian Menjadi Hambatan

Jika pertanyaan banyak tetapi pembelian sedikit, tinjau wawancara pelanggan, catatan penjualan, dan alasan pengunduran diri. Penyebabnya mungkin bukan hanya harga, tetapi juga ketidaksesuaian pelanggan sasaran, penjelasan nilai yang tidak memadai, kontrak yang rumit, kurangnya kepercayaan, atau proses pembelian yang panjang.

### Jika Penyediaan Layanan Menjadi Hambatan

Jika volume penjualan mencukupi tetapi keterlambatan pengiriman, pengembalian dana, dan keluhan meningkat, kemampuan penyediaan dan kualitas harus diperbaiki sebelum memperluas iklan. Jika permintaan ditingkatkan tanpa menyelesaikan hambatan, waktu tunggu dan kesalahan dapat meningkat bersamaan.

Ketika hambatan saat ini diperbaiki, tahap lain dapat menjadi hambatan baru. Karena itu, pengelolaan hambatan bukanlah diagnosis satu kali, melainkan proses pengukuran yang berulang.

## Prosedur Penerapan AI yang Berpusat pada Hambatan

### Tahap 1: Menentukan Satu Hasil Bisnis

Tetapkan hasil yang diinginkan dalam siklus perbaikan ini sebagai indikator terukur, seperti pendapatan, margin kontribusi, tingkat retensi pelanggan, tingkat pengembalian dana, atau tingkat ketepatan waktu pengiriman. Mencoba mengoptimalkan beberapa indikator sekaligus dapat mengaburkan prioritas. Karena itu, selain indikator utama, tetapkan juga indikator kualitas dan risiko yang tidak boleh memburuk.

### Tahap 2: Mencatat Garis Dasar Saat Ini

Ukur waktu kerja, biaya, volume pemrosesan, tingkat kesalahan, dan indikator hasil selama periode tertentu sebelum penerapan. Tanpa garis dasar, sulit menilai apakah perubahan setelah penerapan AI disebabkan oleh alat tersebut atau oleh faktor musiman, perubahan harga, atau perubahan tenaga kerja.

### Tahap 3: Menemukan Kendala Terkuat dalam Aliran

Bandingkan data pada tahap permintaan, konversi, dan penyediaan, lalu periksa pendapat staf lapangan dan pelanggan. Jangan hanya melihat nilai rata-rata, tetapi perhatikan juga perbedaan berdasarkan jenis pelanggan, produk, saluran, dan penanggung jawab.

### Tahap 4: Melakukan Eliminasi dan Perancangan Ulang Terlebih Dahulu

Hilangkan keluaran yang tidak digunakan, lalu sederhanakan tahap persetujuan, formulir masukan, dan cakupan tanggung jawab. Jika otomatisasi dilakukan ketika prosedur belum stabil, pengecualian dan kesalahan akan sulit dikelola.

### Tahap 5: Menguji AI dalam Cakupan Terbatas

Jangan langsung menerapkannya di seluruh organisasi. Mulailah dengan menguji pekerjaan yang sangat berulang dan memungkinkan kesalahan ditemukan. Tinjau secara bersamaan informasi pribadi, informasi rahasia, hak cipta, keamanan, potensi diskriminasi, dan kewajiban regulasi, serta pertahankan persetujuan manusia jika diperlukan.

### Tahap 6: Membandingkan Hasil dan Efek Samping Secara Bersamaan

Jika memungkinkan, bandingkan tim atau periode yang serupa, atau terapkan secara bertahap. Jangan hanya melihat waktu pemrosesan, tetapi ukur juga pendapatan, tingkat konversi, kualitas, pengembalian dana, pengerjaan ulang, kepuasan pelanggan, dan total biaya.

### Tahap 7: Memutuskan untuk Memperluas, Memperbaiki, atau Menghentikan

Perluas hanya jika perbaikan hasil telah dikonfirmasi dan kesalahan serta risiko berada dalam batas yang dapat diterima. Jika tidak ada efek, sebelum terus memperbaiki prompt, periksa kembali apakah hambatan yang dipilih keliru serta apakah data dan prosedur sudah siap.

## Tabel Penilaian Investasi AI

Menilai setiap kandidat pekerjaan berdasarkan kriteria berikut dapat mengurangi investasi yang hanya didorong tren atau efek demonstrasi.

| Kriteria penilaian | Pertanyaan utama |
|---|---|
| Relevansi dengan hambatan | Jika pekerjaan ini diperbaiki, apakah kapasitas pemrosesan kendala saat ini benar-benar meningkat? |
| Dampak terhadap hasil | Melalui jalur apa pekerjaan ini memengaruhi pendapatan, biaya, kualitas, atau retensi pelanggan? |
| Pengulangan dan skala | Apakah pekerjaan ini cukup sering terjadi sehingga biaya pembangunan dan pemeriksaan dapat dipulihkan? |
| Kesiapan data | Apakah tersedia data masukan yang akurat dengan hak penggunaan yang jelas? |
| Biaya kesalahan | Seberapa besar kerugian yang dapat ditimbulkan keluaran yang salah terhadap pelanggan, keselamatan, hukum, atau reputasi? |
| Kemungkinan verifikasi | Dapatkah manusia memeriksa jawaban yang benar dan kualitasnya dengan biaya yang realistis? |
| Total biaya | Apakah biaya integrasi, pelatihan, pemeriksaan, keamanan, dan pemeliharaan telah diperhitungkan selain biaya penggunaan model? |
| Perbandingan alternatif | Bukankah eliminasi, standardisasi, perubahan harga, pelatihan, atau perangkat lunak biasa lebih sederhana? |

Keputusan tidak boleh diotomatisasi hanya dengan menjumlahkan skor. Khususnya, risiko dengan probabilitas rendah tetapi dampak besar, seperti pelanggaran regulasi atau kecelakaan keselamatan, harus ditinjau secara terpisah.

## Cara Mengukur Kinerja Penerapan AI

Penilaian kinerja menjadi lebih jelas jika dibagi menjadi tiga lapisan.

1. **Indikator aktivitas:** Jumlah dokumen yang dibuat, jumlah pelaksanaan otomatisasi, jumlah karyawan yang menggunakan AI
2. **Indikator operasional:** Waktu kerja, volume pemrosesan, waktu respons pertama, tingkat pengerjaan ulang, tingkat kesalahan
3. **Indikator bisnis:** Pendapatan, margin kontribusi, tingkat konversi, tingkat retensi, tingkat pengembalian dana, nilai seumur hidup pelanggan

Indikator aktivitas hanya menunjukkan bahwa alat sedang digunakan. Indikator operasional menunjukkan bahwa pekerjaan telah berubah, sedangkan indikator bisnis menunjukkan apakah perubahan tersebut menghasilkan nilai ekonomi.

Rumus penilaian sederhana dapat disusun sebagai berikut.

**Efek bersih penerapan AI = pendapatan tambahan + biaya aktual yang dihemat − biaya penerapan·operasi·pemeriksaan·kesalahan**

Waktu yang dihemat tidak otomatis menjadi penghematan uang tunai. Jika biaya tenaga kerja tetap sama, nilai tambahan baru dapat tercipta ketika waktu tersebut dialihkan untuk memperbaiki hambatan, melayani pelanggan, atau meningkatkan kualitas produk.

## Kesimpulan

AI adalah alat kerja yang kuat, tetapi bukan pelaku yang secara otomatis menciptakan kekayaan atau keberhasilan bisnis. Meskipun menggunakan AI yang sama, hasilnya akan berbeda-beda tergantung pada bagaimana permintaan pelanggan, data, merek, modal, tim, saluran distribusi, dan sistem operasional dipadukan.

Pertanyaan utamanya bukanlah ‘seberapa banyak AI digunakan’, melainkan ‘apakah kendala terpenting dalam bisnis saat ini telah diperbaiki’. Menghilangkan pekerjaan yang tidak perlu, menyederhanakan struktur aliran nilai pelanggan, lalu menerapkan AI pada area yang dapat diverifikasi akan meningkatkan kemungkinan bahwa peningkatan produktivitas menghasilkan kinerja bisnis yang nyata.

## FAQ

### Apakah penerapan AI pasti meningkatkan produktivitas?
Tidak. Dampaknya berbeda-beda tergantung pada sifat pekerjaan, kualitas data, tingkat keterampilan pengguna, prosedur pemeriksaan, dan tingkat integrasi alat. AI dapat membantu dalam pekerjaan yang sangat repetitif dan mudah diverifikasi, seperti penyusunan draf, tetapi dalam pekerjaan yang memerlukan penilaian kompleks atau memiliki biaya kesalahan yang besar, beban pemeriksaan dapat meniadakan manfaatnya.

### Apa perbedaan antara produktivitas AI dan profitabilitas bisnis?
Produktivitas AI berkaitan dengan kemampuan untuk menangani lebih banyak pekerjaan dalam waktu yang sama atau mengurangi waktu pengerjaan. Profitabilitas bisnis adalah hasil setelah biaya penerapan, biaya pemeriksaan, biaya kesalahan, dan lain-lain dikurangkan dari pendapatan tambahan dan penghematan biaya aktual yang timbul akibat perubahan tersebut, sehingga harus diukur secara terpisah.

### Bagaimana cara menemukan hambatan dalam bisnis?
Pertama, bagi alur pelanggan menjadi penciptaan permintaan, konversi pembelian, dan penyediaan layanan, lalu bandingkan jumlah pertanyaan yang memenuhi syarat, tingkat pembelian, tingkat pengembalian dana, waktu pemrosesan, dan tingkat retensi. Tahap yang menimbulkan kerugian atau keterlambatan terbesar serta membatasi kinerja keseluruhan dianggap sebagai calon hambatan saat ini, lalu diverifikasi melalui pengamatan di lapangan dan pendapat pelanggan.

### Mengapa menghapus pekerjaan harus dilakukan sebelum otomatisasi?
Karena mengotomatiskan pekerjaan yang tidak diperlukan hanya dapat meningkatkan frekuensi pelaksanaan dan hasil dari pekerjaan tersebut. Lebih efisien untuk terlebih dahulu memastikan apakah pekerjaan itu berkontribusi terhadap nilai pelanggan, kewajiban hukum, atau pengambilan keputusan penting, kemudian menghapus, mengurangi, dan menstandarkannya, lalu mengotomatiskan pekerjaan repetitif yang tersisa.

### Dengan indikator apa dampak penerapan AI harus diukur?
Selain indikator operasional seperti waktu pengerjaan dan volume pemrosesan, pendapatan, margin kontribusi, tingkat konversi, tingkat retensi, tingkat pengembalian dana, dan indikator kualitas juga harus diukur bersama-sama. Biaya penggunaan model, integrasi sistem, pelatihan, pemeriksaan oleh manusia, keamanan, serta penanganan kesalahan juga harus dimasukkan dalam total biaya.

### Apakah waktu kerja karyawan yang dihemat langsung berarti penghematan biaya?
Tidak selalu. Jika gaji dan jam kerja tetap sama, pengeluaran kas secara akuntansi tidak langsung berkurang. Waktu yang dihemat harus dialokasikan kembali ke aktivitas penjualan, penyelesaian hambatan, dukungan pelanggan, atau peningkatan kualitas, lalu diperiksa apakah hasil aktualnya berubah.

### Apakah leverage bisnis dapat ditingkatkan tanpa AI?
Bisa. Caranya antara lain mengubah layanan satu lawan satu menjadi format kelompok, mengubah pekerjaan waktu nyata menjadi asinkron, menyediakan terlebih dahulu informasi penjualan yang berulang, serta membuat daftar periksa dan prosedur standar. Jika struktur seperti ini disiapkan terlebih dahulu, dampaknya juga akan lebih mudah diukur dan dikelola ketika AI diterapkan kemudian.

### Apakah hambatan selalu hanya ada satu?
Beberapa masalah dapat muncul secara bersamaan, tetapi pada titik waktu tertentu sering kali ada kendala yang paling kuat membatasi keseluruhan alur. Jika kendala itu diperbaiki, tahap lain dapat menjadi hambatan baru, sehingga data harus terus diperiksa kembali.

## Sources

- [AI Generatif di Tempat Kerja](https://www.nber.org/papers/w31161)
- [Bukti eksperimental mengenai dampak kecerdasan buatan generatif terhadap produktivitas](https://www.science.org/doi/10.1126/science.adh2586)
- [Potensi ekonomi AI generatif: Batas baru produktivitas](https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-front)
- [Laporan Indeks AI 2025](https://hai.stanford.edu/ai-index/2025-ai-index-report)

## Images

![Pengguna dan pesan melewati corong bertenaga AI lalu menjadi pendapatan dan pertumbuhan](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NDYzMCwicHVyIjoiYmxvYl9pZCJ9fQ==--52fa3f3196a1723781daa129aaddd5bbc0dd96ba/ai-9f622d1a.webp)
![Alur kerja kusut melewati corong dan AI menjadi proses teratur serta hasil bisnis](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NDYzNiwicHVyIjoiYmxvYl9pZCJ9fQ==--834cb83fb884560bc89d98ceeb742506636bef3e/ai-6ee8ef90.webp)