Cara memaksimalkan ROI AI pada tahun 2026

Jadi, mengapa sebagian besar bisnis kesulitan memperoleh keuntungan dari solusi AI? Dan bagaimana mereka bisa berfokus mencapai tujuan bisnis pada tahun 2026?

Ternyata, memiliki kemampuan teknologi AI saja belum cukup. Karena takut tertinggal, beberapa pemimpin bisnis ikut-ikutan tren AI akibat dorongan impulsif jangka pendek untuk tetap unggul dari pesaing mereka. Sementara itu, yang lain memandang AI perusahaan sebagai solusi bisnis strategis bagi setiap permasalahan. Mencapai ROI positif pada transformasi AI membutuhkan pendekatan yang lebih bijaksana.

Sejak AI generatif berkembang pesat pada akhir tahun 2022, berbagai organisasi berlomba-lomba menerapkan inisiatif AI. Para pemimpin mencari strategi AI yang dapat diskalakan untuk merampingkan operasi, mendukung pengambilan keputusan berbasis data, mengurangi biaya, dan mempercepat pengembangan produk. Kini, agen AI menjadi topik hangat. Namun, keuntungan finansial untuk solusi semacam ini tetap sulit dicapai. Inilah alasannya:

Menurut diskusi dari IBM Think Circle Q4 2025, tantangan utamanya bukanlah pada teknologi, melainkan pada organisasi. Budaya, tata kelola, desain alur kerja, dan strategi data adalah kendala utama dalam merealisasikan ROI, dan para pemimpin sepakat bahwa ambisi AI sering bertabrakan dengan realitas internal jauh sebelum keterbatasan teknis terjadi.

Laporan Think Circle menyoroti bahwa meskipun banyak eksekutif berinvestasi dalam AI, hanya sedikit yang dapat mengukur ROI dengan andal saat ini. Hanya sekitar 29% dari mereka yang menyatakan dapat mengukur ROI dengan akurat. Sementara itu, 79% dari mereka mengalami peningkatan produktivitas. Artinya, nilai operasional ada, tetapi mereka masih kesulitan mewujudkan produktivitas jangka pendek menjadi dampak keuangan.

Sebuah studi IBM terhadap CEO menemukan bahwa hanya sekitar 25% inisiatif AI memberikan ROI yang diharapkan, hanya 16% yang berhasil meningkatkan skala di seluruh perusahaan, dan CEO menyeimbangkan tekanan untuk meraih ROI jangka pendek dengan tujuan inovasi jangka panjang. Ini mendukung narasi yang lebih luas bahwa AI kerap diawali sebagai eksperimen, dan realisasi nilainya menjadi prioritas kedua. Ini adalah siklus yang umum terjadi pada adopsi teknologi baru.

Pada tahap awal, banyak penerapan AI masih berupa solusi eksperimental atau terbatas. Ini tidak masalah, karena eksperimen awal memang harus terbatas. Namun, kemungkinannya untuk menjadi aplikasi AI yang menghasilkan ROI besar dalam waktu dekat juga kecil. Bagaimanapun, nilai sebenarnya berada dalam integrasi yang lebih dalam ke alur kerja inti di seluruh organisasi, bukan hanya proyek-proyek insidental.

Riset IBM menunjukkan bahwa membayar utang teknis dari sistem lama dapat meningkatkan ROI AI hingga 29% karena mengurangi gesekan dan pengerjaan ulang. Namun, masih banyak organisasi yang belum berada pada tahap yang seharusnya dalam perjalanan transformasi digital mereka untuk mengoptimalkan manfaat integrasi AI. Utang teknis tetap menjadi hambatan, tetapi AI juga dapat membantu di mengatasinya.

Perhitungan ROI bisa sulit karena banyak dampak menguntungkan AI bersifat abstrak, tidak langsung, dan tidak terwujud dalam jangka pendek. Sebagai contoh, jika suatu organisasi menggunakan AI untuk merampingkan analisis dan visualisasi data sehingga pemimpin bisnis dapat mengambil keputusan yang lebih tepat, hasilnya mungkin baru dapat dirasakan dalam bertahun-tahun mendatang. 

ROI real-time dari adopsi AI sering kali sulit dideteksi. Dan keuntungan yang instan mungkin saja menipu. Perusahaan yang mengumumkan rencana otomatisasi alur kerja dan pengurangan tenaga kerja dengan AI mungkin akan mengalami lonjakan harga saham dengan cepat. Namun, hal tersebut tidak menjamin pelanggan dan karyawan akan bereaksi seperti yang diharapkan.

Analis keuangan membagi ROI menjadi dua kategori: keras dan lunak. 

• ROI keras (hard ROI) memiliki dampak nyata yang terkait langsung dengan profitabilitas. Sebagai contoh, penggunaan AI untuk otomatisasi TI dapat mengurangi gangguan dan mempercepat waktu respons, sehingga meningkatkan efisiensi operasional dan kepuasan pelanggan, sekaligus berpotensi meningkatkan retensi pengguna.

• ROI lunak (soft ROI) mencakup manfaat lain yang masih berguna bagi organisasi, meskipun tidak langsung terkait dengan profit. ROI ini dapat berupa peningkatan moral karyawan dan pengalaman pelanggan yang lebih baik. Sebagai contoh, tingkat kepuasan karyawan mungkin meningkat ketika perusahaan memilih pendekatan yang etis terhadap adopsi AI.

Karena ROI adalah pengukuran, penghitungannya membutuhkan data numerik tentang hasil bisnis. Metrik utama untuk ROI AI, baik untuk ROI keras maupun lunak, mencakup berbagai indikator kinerja utama (key performance indicator, KPI) yang dapat diukur dan dikuantifikasi. Pilih KPI yang tepat, yang paling akurat untuk menghitung ROI AI pada inisiatif keamanan siber, pemasaran konten, perkiraan, dan banyak lagi.

KPI ROI keras berkaitan dengan data keuangan konkret: biaya yang dihemat atau keuntungan yang diperoleh.

KPI yang relevan dengan penghematan biaya meliputi: 

• Pengurangan biaya tenaga kerja seperti jam kerja yang dihemat karena otomatisasi perusahaan dan peningkatan produktivitas saat menggunakan alat AI. 

• Keuntungan efisiensi operasional seperti pengurangan konsumsi sumber daya sebagai hasil dari alur kerja AI yang efisien. 

KPI yang relevan dengan peningkatan keuntungan meliputi: 

• Peningkatan lalu lintas, perolehan prospek, dan tingkat konversi karena peningkatan interaksi pelanggan, personalisasi pemasaran berbasis data, dan mesin rekomendasi produk berteknologi AI.

• Pertumbuhan pendapatan dan aliran pendapatan baru dari aplikasi baru yang didukung AI, siklus pengembangan yang lebih cepat, dan peluang bisnis baru.

KPI ROI lunak lebih sulit diukur secara langsung terhadap kinerja bisnis dalam jangka pendek, tetapi cenderung berdampak pada kesehatan organisasi dalam jangka panjang. KPI seperti itu sering diukur dengan survei dan inisiatif penelitian kualitatif dan dapat mencakup: 

• Kepuasan dan retensi karyawan yang terkait dengan proyek AI, misalnya organisasi yang berhasil mengatasi tantangan adopsi AI internal atau membuktikan dedikasinya untuk keberlanjutan dalam AI. 

• Pengambilan keputusan yang lebih baik karena eksekutif dan pemimpin tim membuat keputusan yang lebih akurat dalam waktu yang lebih singkat dengan penggunaan analisis data yang didukung AI. 

• Peningkatan kepuasan pelanggan, seperti jika kampanye personalisasi berbasis AI mengurangi churn atau dengan menggunakan chatbot pengalaman pelanggan AI untuk menangani lebih banyak pertanyaan layanan pelanggan.

IBM Institute for Business Value telah melakukan serangkaian studi tentang cara yang dapat dilakukan organisasi dan tim untuk mencapai keuntungan finansial yang optimal dari inisiatif AI mereka. Meskipun studi kasus tersebut bersifat spesifik untuk industri tertentu, berbagai tim di sektor mana pun dapat menggeneralisasi poin-poin penting tersebut agar sesuai dengan kebutuhan masing-masing. 

Tim pengembangan produk yang menerapkan empat praktik terbaik AI hingga tingkat “sangat signifikan” mencapai ROI median sebesar 55% untuk AI generatif. Tim-tim yang ingin mereplikasi hasil tersebut harus mengintegrasikan praktik berikut ke dalam alur kerja mereka: 

1. Hargai masukan: Transformasi AI adalah pekerjaan tanpa henti. Mendorong pemangku kepentingan untuk memberikan masukan akan membantu para personel merasa nyaman mengungkapkan pendapat, sekaligus mengurangi pemborosan waktu dan sumber daya untuk proses yang tidak efektif. 
   
   
2. Bekerja secara iteratif: Integrasikan AI ke siklus pengembangan produk dalam beberapa tahap kecil untuk mencegah kejenuhan dan mengurangi risiko. Ubah implementasi AI dari waktu ke waktu seiring tim menyadari apa yang berhasil dan apa yang tidak efektif. Penskalaan AI sering kali sebaiknya dilakukan dalam beberapa bagian kecil, bukan secara sekaligus. 
   
   
3. Belajar dari data pengguna: Gali dan analisis data pengguna untuk mengidentifikasi peluang yang dapat memperoleh nilai tambah paling optimal dari teknologi AI generatif. Kualitas data sama pentingnya dengan kuantitas. Daripada mencoba mengubah perilaku pengguna secara aktif, sesuaikan peta jalan proyek agar dapat berkompromi dengan pengguna.
   
   
4. Bangun tim multidisiplin: Manfaatkan keahlian dan bidang keahlian yang beragam untuk mengurangi kemacetan. Tim lintas fungsi saling mendukung satu sama lain, sementara pemisahan diri menyebabkan terhambatnya komunikasi dan perlambatan proyek. 

Organisasi yang mengadopsi pandangan gambaran besar holistik untuk AI dan konten melaporkan ROI 22% yang lebih tinggi untuk pengembangan CSC dan 30% untuk Integrasi genAI.⁸ Ada tiga pilar yang mendorong kesuksesan ROI dengan AI dan CSC: 

1. Ambil sudut pandang yang lebih luas untuk memprioritaskan secara efektif: Teliti semua aspek terkait pengaruh machine learning terhadap CSC, termasuk perencanaan strategis, penganggaran, sumber daya manusia, dan manajemen perubahan proaktif. Perhatikan ketergantungan antar-tim dan departemen, dan fokus pada contoh penggunaan AI yang memiliki potensi ROI tertinggi. 
   
   
2. Jangan abaikan manajemen perubahan: Memperkenalkan proses dan teknologi baru, terutama yang bersifat kontroversial seperti AI, tidak pernah mudah. Dukungan karyawan sangat penting untuk keberhasilan inisiatif AI baru. Strategi lintas fungsi yang berpusat pada pendukung utama perubahan dapat mempertahankan tingginya antusiasme selama transformasi AI. 
3. Minimalkan risiko untuk mendorong kreativitas: Pengelolaan risiko AI memberikan kebebasan kreatif bagi tim yang tidak perlu khawatir AI akan melakukan kesalahan. Biarkan sistem AI menangani tugas rutin berisiko rendah sehingga para kreator dapat fokus pada hal yang mereka kuasai: menciptakan konten yang luar biasa.

Meskipun tingkat inovasi di ranah AI sangat tinggi, ini masih sangat awal, dan mungkin akan lebih menguntungkan jika perusahaan menganggap periode ini sebagai waktu untuk bereksperimen sesuai keinginan, alih-alih berfokus menghasilkan ROI. CEO Nvidia, Jensen Huang, berpendapat serupa pada Cisco AI Summit pada bulan Februari. Dia mengatakan, memaksa insinyur memberikan ROI keras dari pekerjaan AI pada tahap awal ibarat menyuruh anak kecil membuat rencana bisnis untuk mengisi waktu luang.²

“Ketika anak-anak Anda mengatakan bahwa mereka ingin mencoba sesuatu, Anda mengizinkannya. Di rumah, kita tidak pernah mengajukan pertanyaan seperti ‘Berapa nilai pengembalian investasinya?’”

Pendekatan ini mengharuskan pemimpin untuk mendapatkan dukungan luas di seluruh organisasi, dengan pemahaman bahwa ROI mungkin baru akan dicapai dalam bertahun-tahun mendatang. Mencoba memaksakan kontrol melalui evaluasi ROI jangka pendek berisiko kehilangan peluang transformatif.

Selain itu, Huang juga menyarankan agar perusahaan memiliki pemahaman pribadi tentang infrastruktur AI, bukan bergantung sepenuhnya pada penyedia layanan pihak ketiga. Dengan begitu, mereka dapat benar-benar memahami apa yang berhasil dan apa yang tidak.

“Biarkan seribu bunga bermekaran”, kata Huang, mendorong antusiasme untuk bereksperimen dan mengeksplorasi secara luas alih-alih memfilter ide secara kaku berdasarkan metrik ROI awal. Memang tidak mudah untuk meyakinkan pemangku kepentingan finansial, tetapi bagaimana mungkin kita bisa mendebat pemimpin inovator AI yang kini bernilai 4 triliun USD?