Sebagian besar proyek AI di bisnis kecil dan menengah gagal bukan karena modelnya kurang pintar. Mereka gagal karena bisnisnya belum siap memberi makan model itu. Tim menghabiskan energi memilih tool AI yang tepat, lalu baru sadar data mereka tersebar di tiga spreadsheet yang tidak nyambung satu sama lain dan satu grup WhatsApp. Modelnya tidak pernah jadi titik masalah.

Assessment kesiapan AI yang jujur mengukur hal-hal yang benar-benar bisa menggagalkan proyek, dan hampir tidak ada satu pun yang berkaitan dengan AI itu sendiri. Semuanya soal data Anda, proses Anda, dan apakah ada anggota tim yang benar-benar mau mengubah cara kerjanya. Di situlah saya selalu memulai sebelum merekomendasikan satu tool pun.

Di bawah ini ada lima pertanyaan self-assessment yang bisa Anda jalankan dalam satu sore. Nilai diri Anda dengan jujur, karena intinya bukan supaya Anda merasa siap. Intinya adalah menemukan hal yang bisa menenggelamkan proyek, lalu memperbaikinya lebih dulu.

Lima Pertanyaan Kunci

Beri skor 0 sampai 2 untuk masing-masing. Nol berarti "sama sekali belum," satu berarti "sebagian," dua berarti "ya, sudah solid."

  1. Bisakah Anda mengakses data dengan bersih? Apakah data yang dibutuhkan AI tersedia dalam bentuk yang konsisten dan bisa diekspor, atau masih tersebar di kertas, thread chat, dan spreadsheet pribadi?
  2. Apakah proses yang ingin Anda perbaiki benar-benar sudah terdefinisi? Bisakah Anda menjelaskan alur kerja saat ini langkah demi langkah, atau semua orang mengerjakannya dengan caranya masing-masing di kepala?
  3. Apakah Anda punya satu use case yang terukur? Bisakah Anda menyebutkan satu tugas spesifik, dengan angka yang jelas, yang akan berubah kalau berhasil? "Memangkas waktu input invoice setengahnya" adalah use case. "Pakai AI" bukan.
  4. Apakah ada orang di tim yang benar-benar mau? Apakah ada minimal satu orang yang ingin ini berhasil dan bersedia menyesuaikan rutinitasnya, bukan diam-diam menolak?
  5. Apakah Anda punya anggaran untuk iterasi? Proyek AI bukan instalasi sekali jadi. Sudahkah Anda menyisihkan uang dan waktu untuk menyempurnakan sistem setelah versi pertama mengecewakan?

Jumlahkan skornya. Sepuluh itu langka. Sebagian besar UMKM yang saya assess ada di kisaran empat sampai tujuh, dan itu wajar. Skor ini menunjukkan di mana harus bekerja, bukan apakah harus menyerah.

Di Mana Kebanyakan Bisnis Mendapat Skor Rendah

Dalam praktiknya, skor rendah biasanya berkumpul di dua pertanyaan pertama: akses data dan kejelasan proses. Ini bagian yang tidak glamor dari kesiapan AI, dan justru bagian yang selalu dilewatkan oleh materi pemasaran.

Ada supplier manufaktur yang pernah bekerja sama dengan saya, ingin AI memprediksi pelanggan mana yang akan berhenti. Tujuannya masuk akal. Tapi riwayat penjualan mereka tersimpan di file Excel satu orang, diperbarui manual, dengan nama pelanggan dieja dengan tiga cara berbeda. Tidak ada model secanggih apa pun yang bisa membantu sebelum data itu dibersihkan dan disentralisasi. "Proyek AI" itu sebenarnya proyek data yang menyamar.

Kalau skor Anda rendah di data dan proses, itulah titik awal Anda yang sebenarnya:

  • Skor data rendah: kumpulkan data inti Anda ke satu tempat yang konsisten dan bisa diekspor sebelum melakukan apa pun. Database sederhana atau bahkan spreadsheet yang terstruktur rapi lebih baik daripada model canggih yang diberi makan data berantakan.
  • Skor proses rendah: tuliskan alur kerja saat ini, langkah demi langkah, persis seperti yang terjadi hari ini. Anda tidak bisa mengotomasi proses yang tidak bisa Anda jelaskan.

Pertanyaan Use Case Adalah Filter

Pertanyaan ketiga, soal satu use case terukur, diam-diam menyaring sebagian besar proyek yang memang sudah pasti gagal. Kalau sebuah bisnis tidak bisa menyebutkan satu tugas spesifik dengan angka yang jelas, mereka belum siap untuk membangun. Mereka baru siap untuk eksplorasi, yang merupakan aktivitas berbeda dan jauh lebih murah.

Saya selalu mendorong klien untuk melengkapi kalimat ini: "Berhasil berarti [tugas spesifik ini] menjadi [lebih cepat / lebih murah / lebih akurat] sebesar [angka ini] dalam [jangka waktu ini]." Kalau mereka tidak bisa mengisi bagian yang kosong, kami tidak mulai membangun. Kami jalankan eksperimen kecil dulu.

Disiplin ini sama dengan yang menjaga investasi teknologi apa pun tetap jujur. Kalau Anda belum pernah mengukur apakah proyek teknologi sebelumnya benar-benar menghasilkan, ada baiknya membaca Mengukur ROI Transformasi Digital Tanpa Menipu Diri Sendiri sebelum mengalokasikan anggaran untuk proyek AI.

Kesiapan Itu Bisa Diperbaiki, Bukan Sesuatu yang Sudah Final

Kabar baiknya, dalam setiap assessment kesiapan AI, skor rendah adalah daftar tugas, bukan vonis. Tidak ada satu pun dari lima celah ini yang permanen. Bersihkan data, definisikan proses, pilih satu use case yang terukur, rekrut satu champion yang mau, siapkan anggaran iterasi, dan Anda sudah berpindah dari "belum siap" menjadi "siap" dalam hitungan minggu, biasanya tanpa mengeluarkan biaya besar.

Yang tidak boleh Anda lakukan adalah melewati assessment ini dan tetap membeli toolnya. Begitulah caranya bisnis berakhir dengan langganan AI mahal yang tidak dipakai siapa pun, lalu diam-diam menyimpulkan "AI tidak cocok untuk bisnis kami." AI-nya baik-baik saja. Kesiapannya yang belum ada.

Kalau Anda ingin tahu investasi AI mana yang benar-benar berdampak untuk bisnis belakangan ini, dan mana yang cuma noise, Tahun AI dalam Tinjauan: Apa yang Benar-Benar Berdampak untuk Bisnis adalah reality check yang berguna untuk melengkapi assessment ini.

Kesimpulan Praktis

Sebelum berburu tool AI, nilai kesiapan Anda dengan jujur pada lima pertanyaan di atas.

  • Kalau akses data atau kejelasan proses rendah, perbaiki itu dulu. Itu hampir selalu proyek sesungguhnya.
  • Jangan mulai membangun apa pun sampai Anda punya satu use case terukur dengan angka yang jelas.
  • Pastikan ada orang sungguhan yang menginginkan ini dan Anda punya anggaran untuk iterasi setelah versi pertama.
  • Perlakukan skor rendah sebagai daftar tugas singkat, bukan alasan untuk menyerah.

Bersiap lebih dulu jauh lebih murah daripada gagal dengan berisik, dan itu sudah menyelesaikan sebagian besar pertempurannya. Kalau Anda ingin pandangan dari luar tentang di mana posisi bisnis Anda sebenarnya dan apa yang harus diperbaiki lebih dulu, assessment semacam itu adalah sesuatu yang saya jalankan bersama klien sebagai technology partner.