---
title: "Merancang Model Dunia Bisnis yang Menghasilkan ROI dalam AX Perusahaan"
locale: id
category: ai_data
category_name: "Data AI"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/business-world-model-for-enterprise-ai-transformation
published_at: 2026-07-29T14:17:17+09:00
---

# Merancang Model Dunia Bisnis yang Menghasilkan ROI dalam AX Perusahaan

> Keberhasilan atau kegagalan AX perusahaan lebih bergantung pada kemampuan memodelkan aturan kerja, status, wewenang, tindakan, dan hasil agar dapat diproses oleh AI daripada pada jumlah LLM terbaru yang diterapkan. Dengan menggabungkan usulan fleksibel dari model neural, validasi batasan oleh lapisan simbolik, dan umpan balik dari hasil eksekusi, agen AI dapat dikembangkan menjadi sistem kerja yang terukur.

## Key Points

- Agen AI bukan alat pemberi jawaban, melainkan pelaku dinamis yang terus mengulangi pengamatan, penilaian, dan eksekusi, sehingga memerlukan pengendalian yang berbeda dari perangkat lunak konvensional.
- Fine-tuning menyesuaikan perilaku model dan RAG menyediakan pengetahuan eksternal, tetapi keduanya tidak secara otomatis mendefinisikan perubahan status perusahaan dan kondisi yang memungkinkan eksekusi.
- Model dunia bisnis adalah model lingkungan yang merepresentasikan entitas kerja, hubungan, status, tindakan, wewenang, batasan, dan indikator kinerja agar dapat diproses oleh mesin.
- Meskipun lapisan neural menghasilkan kandidat dan lapisan simbolik memverifikasi aturan serta wewenang, tingkat kepercayaan akhir harus dikalibrasi secara terpisah menggunakan galat prediksi aktual.
- ROI dari AX harus mengukur bukan hanya akurasi model, tetapi juga waktu pemrosesan, biaya per unit, tingkat kesalahan, tingkat persetujuan, perubahan pendapatan dan margin, serta biaya insiden.

Transformasi AI perusahaan, yaitu AX, tidak selesai hanya dengan membagikan akun AI generatif kepada karyawan. Untuk menghasilkan kinerja nyata, lingkungan harus distrukturkan agar AI dapat mengamati kondisi operasional perusahaan, memilih tindakan yang diizinkan, dan belajar dari hasil pelaksanaannya.

Yang diperlukan untuk itu adalah **model dunia bisnis**. Namun, istilah ini belum menjadi istilah standar yang digunakan secara seragam oleh semua perusahaan dan lembaga penelitian. Di sini, istilah tersebut digunakan dalam arti model lingkungan operasional yang merepresentasikan entitas, hubungan, aturan, kondisi, tindakan, dan kinerja perusahaan agar dapat ditalar dan diverifikasi oleh AI.

## Alasan tolok ukur AX beralih dari tingkat adopsi ke ROI

Pada tahap awal adopsi AI generatif, metrik aktivitas seperti jumlah akun, tingkat penggunaan, dan jumlah dokumen yang dibuat terutama digunakan. Namun, metrik ini saja sulit membuktikan peningkatan pendapatan, penghematan biaya, pemendekan waktu pemrosesan, atau pengurangan risiko.

Dalam proyeksi yang dipublikasikan pada 2025, Gartner memperkirakan bahwa setidaknya 40% proyek AI agentik akan dibatalkan hingga akhir 2027 karena kenaikan biaya, nilai bisnis yang tidak jelas, dan pengendalian risiko yang tidak memadai. Penelitian RAND tentang kegagalan proyek AI juga mengemukakan kualitas data, definisi masalah, serta kesenjangan antara ekspektasi organisasi dan kapabilitas aktual sebagai penyebab utama, bukan teknologinya.

Tingkat kegagalan yang disajikan dalam pengumuman atau survei tertentu memiliki subjek survei dan definisi kegagalan yang berbeda-beda. Karena itu, angka seperti ‘88% gagal’ atau ‘46% dihentikan’ yang sumber dan populasinya tidak dapat dipastikan tidak boleh digunakan sebagai statistik universal untuk seluruh proyek AX.

### Alasan pendekatan DX konvensional tidak dapat diterapkan begitu saja

Sistem kerja tradisional adalah alat statis dengan input dan aturan pemrosesan yang relatif jelas. Sebaliknya, agen AI adalah sistem dinamis yang mengulangi proses berikut.

1. Mengamati dokumen, basis data, API, atau permintaan pengguna.
2. Menafsirkan kondisi dan tujuan saat ini.
3. Memilih alat atau tindakan berikutnya.
4. Menjalankan pekerjaan yang memengaruhi sistem eksternal.
5. Memeriksa hasil dan menyesuaikan rencana.

Jika agen yang bertindak secara probabilistik langsung diberi kewenangan yang sama seperti sistem konvensional, hal itu dapat mengakibatkan pesanan yang salah, pelanggaran peraturan, paparan informasi pribadi, atau perubahan yang sulit dipulihkan. Karena itu, cakupan penggunaan alat, prosedur persetujuan, kondisi penghentian, log, dan sarana pemulihan harus dirancang secara bersamaan.

## Perbedaan fine-tuning, RAG, harness, loop, dan model dunia

Setiap pendekatan bukanlah pengganti satu sama lain, melainkan komponen yang memecahkan masalah berbeda.

| Pendekatan | Tujuan utama | Hal yang dikerjakan dengan baik | Keterbatasan jika diterapkan sendiri |
|---|---|---|---|
| Fine-tuning | Menyesuaikan perilaku atau kecenderungan output model | Mengoptimalkan format, klasifikasi, gaya bahasa, dan pekerjaan berulang tertentu | Sulit mencerminkan secara berkelanjutan pengetahuan internal terbaru dan aturan yang berubah |
| RAG | Mencari pengetahuan eksternal pada saat eksekusi | Menyediakan dokumen, manual, kasus, dan bukti terbaru | Tidak menjamin bahwa informasi yang ditemukan dapat diterapkan pada kondisi saat ini |
| Rekayasa harness | Menyusun perangkat eksekusi di sekitar model | Koneksi alat, memori, kewenangan, observabilitas, dan penanganan kesalahan | Jika makna pekerjaan dan kebijakan didefinisikan secara keliru, harness yang canggih pun akan mengotomatiskan pekerjaan yang salah |
| Rekayasa loop | Merancang pengulangan observasi, perencanaan, eksekusi, dan evaluasi | Percobaan ulang, koreksi mandiri, persetujuan manusia, dan umpan balik hasil | Jika kondisi penghentian lemah, biaya dapat meningkat dan kesalahan dapat berulang |
| Model dunia bisnis | Menetapkan spesifikasi lingkungan perusahaan dan perubahan kondisinya | Kelayakan eksekusi, kesesuaian kebijakan, pelacakan dampak, dan simulasi | Pembangunan dan pemeliharaannya memerlukan partisipasi berkelanjutan dari pakar domain |

Fine-tuning itu sendiri tidak dapat digeneralisasi sebagai pemborosan. Fine-tuning berguna untuk menginternalisasikan format pekerjaan yang stabil atau perilaku berulang ke dalam model. Namun, jika fakta yang sering berubah seperti kebijakan harga, batas persetujuan, dan kondisi persediaan hanya disimpan dalam bobot model, pembaruan dan audit menjadi sulit. Informasi semacam ini umumnya lebih tepat dikelola dalam lapisan pencarian, lapisan aturan, atau basis data operasional.

## Komponen model dunia bisnis

Model dunia yang baik berbeda dari repositori pengetahuan yang sekadar menghimpun banyak dokumen. Model tersebut harus merepresentasikan apa yang ada di perusahaan, bagaimana kondisinya, siapa yang dapat melakukan apa, dan bagaimana kondisi berubah setelah suatu tindakan.

| Komponen | Pertanyaan | Contoh SCM·promosi |
|---|---|---|
| Entitas | Apa yang ada? | Produk, kelompok pelanggan, wilayah, gudang, kanal, kampanye |
| Hubungan | Bagaimana entitas saling terhubung? | Pemasok berdasarkan produk, kanal penjualan berdasarkan wilayah |
| Kondisi | Apa yang benar saat ini? | Jumlah persediaan, harga jual, status kontrak, sisa anggaran |
| Tindakan | Perubahan apa yang dapat dijalankan? | Perubahan harga, pemesanan, pemasangan iklan, penghentian kampanye |
| Kondisi transisi | Bagaimana kondisi berubah setelah tindakan? | Penurunan anggaran tersedia dan peningkatan jumlah barang yang dijadwalkan masuk setelah persetujuan pemesanan |
| Batasan | Apa yang dilarang atau dibatasi? | Margin minimum, batas maksimum diskon, pembatasan penggunaan informasi pribadi |
| Kewenangan | Siapa yang menyetujui apa? | Persetujuan kepala tim·eksekutif berdasarkan rentang tingkat diskon |
| Tujuan | Apa yang dioptimalkan? | Kombinasi margin, perputaran persediaan, dan risiko kehabisan stok, bukan pendapatan semata |
| Observasi | Dengan apa hasil diperiksa? | Pesanan, retur, biaya iklan, margin aktual, keluhan pelanggan |

Struktur ini dapat diwujudkan melalui berbagai teknologi seperti ontologi, grafik pengetahuan, mesin aturan, penyimpanan kondisi, model proses, simulator, dan kode kebijakan. Struktur tersebut tidak harus berupa satu model raksasa atau produk tertentu.

## Cara kerja struktur neurosimbolik

AI neurosimbolik adalah pendekatan yang menggabungkan kemampuan pengenalan pola dan generasi jaringan saraf dengan representasi simbol dan logika eksplisit. Dalam model dunia untuk perusahaan, pembagian kerja antara kedua lapisan dapat dilakukan sebagai berikut.

### Lapisan neural: pembuatan kandidat dan penanganan ketidakpastian

LLM atau model prediktif unggul dalam menafsirkan dokumen tidak terstruktur, memprediksi permintaan, dan menghasilkan berbagai skenario eksekusi. Sebagai contoh, model dapat mengusulkan beberapa kandidat promosi dengan mengombinasikan produk, wilayah, harga, biaya iklan, dan komisi kanal.

Namun, sekalipun tampak seperti fakta, kandidat yang dihasilkan dapat melanggar kondisi persediaan, kontrak, atau kebijakan persetujuan aktual. Output neural harus diperlakukan sebagai kandidat yang belum diverifikasi, bukan sebagai perintah eksekusi.

### Lapisan simbolik: verifikasi aturan pasti dan kelayakan eksekusi

Lapisan simbolik memeriksa kondisi eksplisit berikut.

- Apakah perkiraan margin setelah diskon setidaknya sama dengan batas bawah perusahaan?
- Apakah terdapat kewenangan berdasarkan kontrak untuk menjual produk di wilayah tersebut?
- Apakah anggaran kampanye masih tersisa?
- Apakah tujuan penggunaan data pelanggan berada dalam cakupan persetujuan?
- Apakah kondisi semula dapat dipulihkan jika eksekusi gagal?
- Apakah persetujuan manusia yang diwajibkan telah diperoleh?

Lolosnya pemeriksaan aturan hanya berarti kesesuaian dengan kebijakan, bukan secara otomatis menunjukkan probabilitas keberhasilan bisnis. Untuk menyediakan angka seperti ‘tingkat keyakinan 90%’, diperlukan prosedur kalibrasi yang menyesuaikan probabilitas dengan membandingkan prediksi sebelumnya dan hasil aktual.

## Loop eksekusi tertutup untuk perencanaan promosi SCM

### 1. Observasi kondisi

Sistem membaca persediaan, jadwal pasokan, kinerja penjualan, harga, margin, biaya iklan, dan komisi kanal. Waktu acuan serta sumber data juga dicatat bersama-sama.

### 2. Pembuatan kandidat

Model neural membuat beberapa kandidat promosi dengan mempertimbangkan pendapatan dan margin, penghabisan persediaan, kemungkinan kehabisan stok, dan faktor lainnya. Jika simulasi digunakan, asumsi seperti distribusi permintaan dan elastisitas harga harus dinyatakan secara eksplisit.

### 3. Verifikasi kebijakan

Lapisan simbolik memeriksa batas maksimum diskon, margin minimum, batasan persediaan, ketentuan kontrak, dan kewenangan persetujuan. Kandidat yang melanggar dibuang atau disesuaikan agar berada dalam rentang yang diizinkan.

### 4. Persetujuan berbasis risiko

Tindakan yang mudah dibatalkan, seperti menyusun teks rekomendasi, dapat diotomatiskan. Sebaliknya, tindakan berdampak besar seperti perubahan harga, pemesanan dalam jumlah besar, dan menghubungi pelanggan memerlukan persetujuan manusia. Tingkat persetujuan dapat ditetapkan secara berbeda berdasarkan jumlah uang, jumlah pelanggan sasaran, dan reversibilitas.

### 5. Eksekusi dan pelacakan

Perkiraan pendapatan, margin, biaya, dan rentang risiko kampanye yang dipilih disimpan sebelum eksekusi. Setelah eksekusi, data tersebut dibandingkan dengan hasil aktual untuk melacak kesalahan dan ada tidaknya pelanggaran kebijakan.

### 6. Penghentian dan pembelajaran

Jika batas kerugian, penyimpangan dari rentang prediksi, atau anomali data terdeteksi, proses dihentikan secara otomatis atau dialihkan kepada manusia. Penyebab kegagalan diklasifikasikan menjadi kesalahan data, kesalahan asumsi, aturan yang terlewat, kesalahan model, dan perubahan lingkungan eksternal, lalu diterapkan pada eksekusi berikutnya.

## Alasan sulit diselesaikan oleh departemen TI saja

Tidak semua aturan kerja tertulis dalam dokumen. Penanggung jawab operasional memahami penanganan pengecualian dan prioritas implisit, penanggung jawab kebijakan·hukum menilai cakupan yang diizinkan, sedangkan engineer menerapkannya sebagai sistem yang dapat dieksekusi.

Karena itu, setidaknya peran berikut harus berpartisipasi bersama-sama.

- **Penanggung jawab domain:** Mendefinisikan tujuan pekerjaan, entitas, kondisi, dan pengecualian
- **Penanggung jawab kebijakan·risiko:** Mendefinisikan kondisi larangan, standar persetujuan, dan persyaratan audit
- **Penanggung jawab data·AI:** Menerapkan prediksi, pencarian, evaluasi, dan kalibrasi
- **Engineer platform:** Menerapkan koneksi alat, kewenangan, log, pemulihan, dan pemantauan
- **Penanggung jawab kinerja:** Mengelola tolok ukur dasar, biaya, manfaat, dan kriteria penghentian

Sulit mencerminkan realitas pekerjaan yang terus berubah ke dalam model jika staf operasional hanya menyampaikan persyaratan lalu meninggalkan proyek. Pemilik aturan dan siklus pembaruan harus ditetapkan dengan jelas.

## Cara mengukur ROI AX

Kinerja AX harus dibandingkan dengan tolok ukur dasar pekerjaan, bukan benchmark model.

**Rumus dasar perhitungan ROI** dapat dinyatakan sebagai berikut.

`ROI = (manfaat finansial - total biaya) ÷ total biaya × 100`

Total biaya harus mencakup bukan hanya biaya pemanggilan model, tetapi juga biaya penataan data, pengembangan integrasi, personel peninjau, pemantauan, penanganan insiden, dan pemeliharaan aturan.

| Area pengukuran | Contoh metrik |
|---|---|
| Produktivitas | Waktu pemrosesan per kasus, tingkat penyelesaian otomatis, waktu peninjauan manusia |
| Kualitas | Tingkat jawaban benar, tingkat pengerjaan ulang, tingkat pelanggaran kebijakan, tingkat keluhan pelanggan |
| Keuangan | Pendapatan inkremental, perubahan margin, biaya pemrosesan per unit, biaya persediaan |
| Risiko | Jumlah eksekusi yang salah, biaya pemulihan, pemanggilan alat tanpa persetujuan |
| Keandalan | Tingkat penghentian, tingkat keberhasilan pemanggilan alat, kesalahan kalibrasi prediksi |
| Adopsi | Tingkat penerimaan rekomendasi, kinerja setelah penerimaan, tingkat pengabaian secara manual |

Jika memungkinkan, peluncuran bertahap, kelompok kontrol, atau perbandingan sebelum dan sesudah harus digunakan. Fakta bahwa banyak rekomendasi diterima tidak dengan sendirinya membuktikan nilai; perlu dipastikan apakah kinerja aktual setelah penerimaan lebih baik daripada tolok ukur dasar.

## Urutan pembangunan

1. Pilih satu pekerjaan yang nilai finansial dan risikonya jelas.
2. Ukur tolok ukur dasar saat ini dan biaya kegagalan.
3. Definisikan entitas, kondisi, tindakan, batasan, dan pihak pemberi persetujuan dalam pekerjaan tersebut.
4. Mulai dari fitur bantuan baca-saja dan kumpulkan data evaluasi.
5. Berikan kewenangan eksekusi terbatas hanya untuk tindakan berisiko rendah yang dapat dibatalkan.
6. Lacak semua rekomendasi, verifikasi, persetujuan, eksekusi, dan hasil.
7. Sesuaikan probabilitas prediksi berdasarkan hasil aktual dan perbarui aturan yang terlewat.
8. Perluas cakupan pekerjaan dan otonomi hanya jika kriteria penghentian telah dilewati.

## Keterbatasan dan hal yang perlu diperhatikan

Model dunia bisnis juga bukan solusi yang sempurna. Jika aturannya terlalu banyak, konflik dan biaya pemeliharaan akan meningkat, sedangkan simulasi yang dibuat berdasarkan asumsi keliru dapat menghasilkan kesimpulan yang canggih tetapi salah. Menetapkan semua pengecualian dalam organisasi nyata sebelumnya juga tidak mungkin dilakukan.

Karena itu, model dunia harus dikelola bukan sebagai produk jadi, melainkan sebagai aset strategis yang dikoreksi selama proses operasional. Riwayat perubahan, pemilik aturan, waktu penerapan, kasus pengujian, dan hasil eksekusi aktual harus disimpan bersama-sama agar pengetahuan operasional perusahaan dapat digunakan kembali sekalipun model diganti.

## Kesimpulan

Aset diferensiasi perusahaan bukanlah satu LLM tertentu, melainkan lingkungan operasional yang mengakumulasi kondisi, aturan, kewenangan, dan hasil eksekusi perusahaan. Fine-tuning, RAG, serta rekayasa harness dan loop mungkin semuanya diperlukan, tetapi tanpa model domain yang mendefinisikan apa yang dapat dieksekusi dan alasannya, hanya kecepatan otomatisasi yang dapat meningkat.

Dengan menggabungkan pembuatan kandidat yang fleksibel oleh lapisan neural, pengendalian eksplisit oleh lapisan simbolik, persetujuan manusia berbasis risiko, dan kalibrasi melalui hasil aktual, agen AI dapat berkembang melampaui PoC untuk demonstrasi menjadi sistem perusahaan yang dapat diukur dan diganti.

## FAQ

### Apa itu model dunia bisnis?
Model lingkungan operasional yang merepresentasikan entitas pekerjaan, hubungan, keadaan saat ini, tindakan yang mungkin dilakukan, transisi keadaan, wewenang, batasan kebijakan, dan indikator kinerja perusahaan agar dapat diproses oleh AI. Intinya adalah model ini secara eksplisit menyatakan kemampuan eksekusi dan perubahan keadaan, bukan sekadar menjadi repositori dokumen.

### Apa perbedaan antara model dunia bisnis dan RAG?
RAG mencari dokumen atau data eksternal yang relevan dengan pertanyaan dan menyediakannya kepada model. Model dunia mendefinisikan apakah informasi yang ditemukan berlaku pada keadaan saat ini, tindakan apa yang diizinkan, dan bagaimana keadaan berubah setelah tindakan dilakukan.

### Jika sudah memiliki model dunia, apakah fine-tuning tidak diperlukan?
Tidak demikian. Fine-tuning dapat berguna untuk mengoptimalkan format keluaran yang konsisten, metode klasifikasi, atau tindakan berulang. Namun, daripada hanya menyimpan harga, persediaan, peraturan, dan batas persetujuan yang sering berubah di dalam bobot, pengelolaannya pada lapisan keadaan dan aturan eksternal lebih menguntungkan untuk audit dan pembaruan.

### Apa yang dimaksud dengan rekayasa harness?
Ini merujuk pada pekerjaan mengatur koneksi alat, memori, hak akses, pencatatan log, penanganan kesalahan, evaluasi, dan mekanisme persetujuan manusia di sekitar LLM. Harness membantu model bekerja dengan aman, tetapi tidak menggantikan pendefinisian aturan pekerjaan itu sendiri.

### Apa itu rekayasa loop?
Pendekatan untuk merancang proses observasi, perencanaan, pelaksanaan, pemeriksaan hasil, perbaikan, dan penghentian agen sebagai loop tertutup yang dapat diulang. Pendekatan ini harus mencakup jumlah percobaan ulang, batas biaya, kondisi penghentian, dan kriteria eskalasi kepada manusia.

### Apakah model dunia neurosimbolik dapat sepenuhnya mencegah halusinasi?
Halusinasi tidak dapat dicegah sepenuhnya. Aturan eksplisit dan validasi keadaan membantu memblokir keluaran yang tidak diizinkan, tetapi aturan yang terlewat, data usang, hasil alat yang keliru, dan kesalahan interpretasi model masih dapat terjadi.

### Jika lolos pemeriksaan aturan, bolehkah skor keyakinannya dibuat tinggi?
Lolosnya pemeriksaan aturan hanya menunjukkan kesesuaian dengan kebijakan atau kemampuan untuk dieksekusi, bukan membuktikan probabilitas keberhasilan. Skor keyakinan harus diberikan setelah membandingkan prediksi sebelumnya dengan hasil aktual dan mengalibrasi probabilitas prediksi.

### Pekerjaan apa yang sebaiknya menjadi titik awal penerapan agen AI?
Pekerjaan yang sesuai adalah pekerjaan yang tolok ukur awal dan kinerjanya dapat diukur, kesalahannya dapat dipulihkan, serta pemilik data dan aturan yang diperlukan jelas. Pada tahap awal, lebih aman memulai dengan rekomendasi hanya-baca atau eksekusi terbatas yang berisiko rendah.

### Biaya apa saja yang harus dimasukkan dalam ROI AX perusahaan?
Tidak hanya biaya model dan infrastruktur, tetapi juga biaya penataan data, integrasi sistem, peninjauan oleh praktisi lapangan, pemeliharaan aturan, evaluasi, pemantauan, keamanan, penanganan insiden, serta pemulihan dari eksekusi yang gagal harus dimasukkan.

### Jika membuat model dunia, apakah LLM dapat dengan mudah diganti dengan yang baru?
Kemungkinan untuk mengganti model menjadi lebih tinggi jika aturan pekerjaan, keadaan, antarmuka alat, dan kriteria evaluasi dipisahkan dari model. Namun, karena setiap model memiliki pola pemanggilan alat, penalaran, latensi, dan kesalahan yang berbeda, pengujian regresi dan kalibrasi ulang tetap diperlukan.

## Sources

- [Akar Penyebab Kegagalan Proyek Kecerdasan Buatan dan Cara agar Proyek Tersebut Berhasil](https://www.rand.org/pubs/research_reports/RRA2680-1.html)
- [Gartner Memperkirakan Lebih dari 40% Proyek AI Agentik Akan Dibatalkan pada Akhir 2027](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027)
- [Kerangka Kerja Manajemen Risiko AI NIST](https://www.nist.gov/itl/ai-risk-management-framework)
- [Membangun Agen yang Efektif](https://www.anthropic.com/research/building-effective-agents)
- [AI Neuro-Simbolik](https://research.ibm.com/topics/neuro-symbolic-ai)

## Images

![Alur data perusahaan melalui jaringan AI, pemeriksaan keamanan, dan otomatisasi menuju pertumbuhan pendapatan](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6Mzk5MCwicHVyIjoiYmxvYl9pZCJ9fQ==--3f8d25366b224c44bbb0b36d5dcaf5ce9b70e328/ai-2c4d1645.webp)
![Alur bisnis yang menghubungkan robot AI dengan logistik, keamanan, penjualan, dan metrik kinerja](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6Mzk5NiwicHVyIjoiYmxvYl9pZCJ9fQ==--7f5e6edc2f2a64f6c67da0c22726743c34aaca83/ai-a2717acb.webp)