Perancangan Ulang Alur Kerja untuk AI: Mengapa Menempelkan AI pada Proses Lama Gagal

Oleh Victor Hoang · Diperbarui 22 September 2026

Perancangan ulang alur kerja untuk AI berarti membangun ulang proses di sekitar apa yang benar-benar dikuasai AI, alih-alih menyisipkan alat ke dalam proses yang dibangun untuk manusia yang mengerjakan setiap langkah secara manual. Menambahkan AI ke satu langkah dalam proses yang tidak berubah akan menabrak batas yang sama yang membatasi setiap percepatan parsial: bagian yang tak tersentuh tetap menentukan tempo. Perusahaan yang merancang ulang seluruh alur kerja menangkap sebagian besar keuntungan terukur; perusahaan yang menempelkan AI pada proses yang ada kebanyakan tidak.

Jika Anda pernah melihat sebuah tim mengadopsi alat AI, menjadi lebih cepat di satu tugas, dan tetap melewatkan tenggat yang sama: hambatannya berpindah, dan tidak ada yang mencarinya.

Fakta Utama

• Studi Paul David tahun 1990 tentang elektrifikasi menemukan jeda sekitar 40 tahun antara pengenalan dinamo (1881) dan hasil produktivitasnya (1920-an), karena pabrik menempelkan motor listrik pada tata letak "group drive" era uap yang sama alih-alih merancang ulang di sekitar mesin "unit drive" individual (David, "The Dynamo and the Computer," American Economic Review, 1990).
• Model Productivity J-Curve dari ekonom Erik Brynjolfsson, Daniel Rock, dan Chad Syverson menunjukkan alasannya: investasi tak berwujud yang saling melengkapi (pelatihan ulang, perancangan ulang, peran baru) dihitung sebagai biaya saat terjadi dan baru berbuah sebagai output terukur bertahun-tahun kemudian (Brynjolfsson, Rock, Syverson, NBER Working Paper 25148).
• Riset MIT NANDA 2025 menemukan 95 persen pilot AI generatif tidak menghasilkan imbal hasil laba rugi yang terukur, menelusuri kegagalannya ke lapisan alur kerja: alat yang tidak menyesuaikan diri dengan proses sebenarnya ditinggalkan begitu gesekan muncul (MIT NANDA, "The GenAI Divide: State of AI in Business 2025", via Fortune).
• Aturan 10-20-70 BCG menyatakan hanya 10 persen upaya transformasi AI yang semestinya untuk algoritma, 20 persen untuk teknologi dan data, dan 70 persen untuk manusia dan proses; hanya 22 persen perusahaan yang melewati proof-of-concept dan hanya 4 persen yang menciptakan nilai substansial (BCG, "The Leader's Guide to Transforming with AI").
• Survei State of AI 2025 dari McKinsey menemukan high performers hampir tiga kali lebih mungkin telah merancang ulang alur kerja yang mendasarinya di sekitar AI daripada sekadar menambahkan alat ke proses yang tidak berubah (McKinsey, The State of AI: Global Survey 2025).

Pelajaran Elektrifikasi: Tenaga Baru Tidak Merancang Ulang Pabrik untuk Anda

Preseden paling jelas untuk apa yang terjadi dengan AI tidak terjadi bersama komputer. Ia terjadi satu abad sebelumnya, bersama listrik, dan sejarawan ekonomi Paul David menulis catatan definitifnya pada 1990.

Dari Group Drive ke Unit Drive: Jeda 40 Tahun

Pabrik abad kesembilan belas berjalan dengan satu sumber tenaga, biasanya mesin uap, yang terhubung ke setiap mesin lewat jaringan bersama berupa sabuk dan poros di atas kepala ("group drive"). Setiap mesin berputar bersamaan, dipakai atau tidak, karena berbagi satu tulang punggung mekanis.

Dinamo listrik hadir secara komersial pada 1881. Selama kira-kira empat dekade berikutnya, kebanyakan pemilik pabrik melakukan hal yang jelas dan murah: mengganti mesin uap dengan motor listrik dan mempertahankan sabuk serta tata letaknya. Produktivitas nyaris tak bergerak, karena proses yang ditenagai tidak berubah.

Hasilnya baru datang setelah pabrik membuang group drive demi "unit drive": motor kecil di setiap mesin. Itu membuka apa yang tidak bisa dilakukan tata letak lama: mesin ditempatkan menurut logika alur kerja, bukan geometri sabuk, bangunan satu lantai alih-alih menara poros, dan peralatan yang menyala hanya saat dibutuhkan. Unit drive baru tiba pada 1920-an, kira-kira empat puluh tahun setelah dinamo itu sendiri, dan David mengaitkan penundaannya dengan perancangan ulang organisasi, bukan teknologinya.

Cerita yang Sama, Teknologi Baru

Kebanyakan perusahaan hari ini menjalankan "AI group drive": alat menggantikan satu langkah sementara rantai persetujuan, serah terima, dan proses tinjauan di sekitarnya tetap persis seperti dibangun untuk tim yang seluruhnya manusia. Alatnya lebih cepat. Prosesnya tidak. Paradoks produktivitas AI membahas angka McKinsey, MIT, dan Gartner di balik kesenjangan adopsi-versus-dampak yang sama ini secara lebih mendalam.

Productivity J-Curve dari Brynjolfsson menjelaskan mengapa ini tampak seperti tidak ada yang terjadi padahal investasi nyata sedang berjalan. Melatih ulang tim dan membangun ulang urutan serah terima adalah investasi tak berwujud: dihitung sebagai biaya pada tahun terjadinya dan baru tampak sebagai output setelah perancangan ulang berjalan dalam skala besar. Perusahaan yang mengerjakannya sekarang tampak, di atas kertas, persis seperti perusahaan yang tidak pernah repot. Perbedaannya muncul belakangan, bagi yang mengerjakannya, dan itu memunculkan pertanyaan yang diajukan langsung oleh dividen produktivitas: begitu perancangan ulang membuahkan hasil dan jam kerja nyata terbebas, siapa yang sebenarnya mendapatkannya.

Mengapa "Proses yang Sama, Langkah Lebih Cepat" Menabrak Batas Keras

Ada alasan mengapa langkah individual yang lebih cepat jarang berubah menjadi hasil keseluruhan yang lebih cepat, dan ia punya nama dalam ilmu komputer: Hukum Amdahl.

Meminjam Gagasan Komputasi untuk Perancangan Proses

Poin Gene Amdahl, yang disampaikan pada 1967 tentang komputasi paralel, sederhana: percepat satu bagian dari sebuah sistem, dan perbaikan maksimum bagi seluruh sistem dibatasi oleh seberapa banyak dari total waktu yang dihabiskan bagian itu. Percepat langkah yang memakan 10 persen waktu siklus sebanyak 10x, dan Anda menghemat paling banyak 9 persen secara keseluruhan. Sisa 90 persen, yang tak tersentuh, tetap menentukan garis akhir.

Kebanyakan alur kerja adalah rantai langkah dan serah terima, bukan satu langkah dominan. AI biasanya diarahkan ke apa pun yang paling mudah diotomatisasi, seperti menyusun versi pertama, bukan yang paling banyak memakan waktu kalender. Menyusun email dalam sepuluh detik alih-alih sepuluh menit terasa transformatif. Jika email itu lalu mengendap di antrean persetujuan selama tiga hari dalam kedua kasus, tak ada yang di hilir menyadarinya.

Pembagian 10-20-70 yang Terus Ditemukan BCG

Riset BCG bertemu pada kesimpulan yang sama dari sudut berbeda. Aturan 10-20-70-nya berargumen bahwa hanya 10 persen upaya di balik transformasi AI yang berhasil seharusnya masuk ke algoritma, 20 persen ke teknologi dan data, dan 70 persen ke manusia dan proses: perancangan ulang peran, hak keputusan, pelatihan, insentif. Kebanyakan perusahaan membalik rasio itu secara naluriah, karena membeli model terasa seperti "mengerjakan proyek AI" dan merancang ulang siapa mengerjakan apa terasa seperti inisiatif terpisah yang lebih sulit.

Harganya terlihat dalam angka BCG sendiri: hanya 22 persen perusahaan yang melewati proof-of-concept, dan hanya 4 persen yang menciptakan nilai substansial dalam skala besar, padahal generasi alat yang kira-kira sama tersedia bagi semuanya. Yang menjelaskan hasilnya adalah seberapa banyak dari 70 persen itu yang bersedia mereka kerjakan.

Temukan Hambatan yang Sebenarnya Sebelum Mengotomatisasi Apa Pun

Jika mempercepat langkah yang salah nyaris tidak menggerakkan apa pun, pertanyaan berikutnya adalah menemukan langkah yang benar.

Petakan Prosesnya, Bukan Daftar Tugasnya

Kebanyakan tim bisa menggambarkan pekerjaan mereka sebagai daftar tugas. Jauh lebih sedikit yang bisa menggambarkannya sebagai proses: urutan, serah terima, dan titik keputusan di antara tugas-tugas itu. Gambaran kedua itulah yang sebenarnya mengungkap ke mana waktu pergi, dan biasanya mengejutkan orang yang hidup di dalam proses itu, karena bagian yang lambat jarang yang terasa paling melelahkan.

Pilih satu alur kerja yang berulang, onboarding, proposal, pipeline perekrutan, dan tuliskan setiap langkah dan serah terima secara berurutan. Selama satu minggu nyata, catat berapa lama setiap item berada di setiap langkah sebelum berpindah, bukan berapa lama pekerjaannya sendiri. Selisih antara kedua angka itu hampir selalu tempat proses kehilangan waktu.

Tiga Pertanyaan yang Mengungkap Kendala yang Sebenarnya

• Di mana pekerjaan menumpuk dan menunggu, bukan bergerak? Antrean atau tahap persetujuan tempat sesuatu tersangkut lebih sering daripada yang lain. Itulah kendalanya, menarik untuk diperbaiki atau tidak.
• Langkah mana, jika hilang, akan paling mengubah total waktu siklus? Bukan apa yang senang dihilangkan orang, tetapi mana yang secara terukur menghambat garis akhir.
• Langkah mana yang dikerjakan ulang karena langkah sebelumnya menghasilkan sesuatu yang salah? Pengerjaan ulang adalah waktu siklus tersembunyi, dan sering menunjuk pada output AI yang tidak diverifikasi dengan benar sebelum bergerak ke hilir, masalah yang dibahas lebih dalam oleh augmentasi vs. otomatisasi.

Begitu kendala yang sebenarnya teridentifikasi, pertanyaannya menjadi konkret: bukan di mana kita bisa menambahkan AI, melainkan apa yang dibutuhkan hambatan ini, dan apakah AI mengubahnya.

Rancang Ulang di Sekitar Verifikasi, Bukan Produksi

Kesalahan perancangan ulang yang paling umum adalah memperlakukan AI sebagai peningkatan produksi, padahal efek sebenarnya pada kebanyakan pekerjaan pengetahuan adalah pergeseran tempat verifikasi harus terjadi.

Apa yang Berubah Ketika AI Menyusun dan Manusia Memverifikasi

Dalam proses pra-AI, sebagian besar waktu seseorang pada suatu tugas adalah waktu produksi. Tinjauan ada tetapi lebih ringan, karena orang yang menulisnya sudah menangkap sebagian besar kesalahannya sendiri.

Ketika AI menghasilkan versi pertama, rasio itu terbalik. Waktu produksi runtuh, tetapi waktu verifikasi tidak menyusut sepadan, karena memeriksa kebenaran output orang lain adalah tugas kognitif yang berbeda dari memproduksinya. Proses yang dirancang ulang memperlakukan verifikasi sebagai langkah inti yang baru: diberi staf untuknya, diberi waktu untuknya, diukur atasnya, bukan sekadar melirik sesuatu yang "sudah dikerjakan AI".

Ini juga perubahan peran, bukan hanya perubahan urutan. Orang yang dulu menghabiskan hari untuk memproduksi kini menghabiskannya untuk meninjau dan memutuskan apa yang perlu dieskalasi, keterampilan yang berbeda dan sering lebih senior. Dari pelaksana menjadi orkestrator membahas apa yang dituntut pergeseran itu, dan topologi tim untuk tim manusia-plus-agent membahas apa yang dilakukannya terhadap bentuk tim tempat peran yang dirancang ulang itu berada.

Membangun Lingkaran Verifikasi yang Tidak Menjadi Hambatan Baru

Mengelola AI agent sebagai bagian dari tim menelusuri lingkaran yang sama ini dengan detail operasional lebih lanjut, menetapkan kepemilikan, menentukan standar kualitas, dan merancang serah terima dengan sengaja, bagi siapa pun yang menjalankannya sebagai pekerjaan berkelanjutan dan bukan proyek perancangan ulang sekali jalan.

• Berapa tingkat kesalahan yang dapat diterima untuk output ini, dan siapa yang memutuskannya? Balasan rutin dan klausul kontrak tidak membawa risiko yang sama; memperlakukannya sama membuang waktu pada yang satu dan kurang memeriksa yang lain.
• Siapa yang dapat menyetujui tanpa eskalasi, dan untuk apa? Jika setiap output yang dibantu AI tetap membutuhkan persetujuan senior yang sama seperti sebelumnya, yang ditambahkan hanya satu langkah, bukan perancangan ulang. Desain human-in-the-loop berarti memutuskan, dengan sengaja, keputusan mana yang sebenarnya membutuhkan lingkaran itu.
• Apakah alat itu membaik dari apa yang ditangkap verifikasi? Alat yang tidak mempertahankan konteks diam-diam dihindari dalam hitungan bulan, temuan riset MIT NANDA tentang kegagalan pilot. Langkah verifikasi yang tidak pernah kembali ke alat adalah pajak permanen, dan itu juga tempat kesalahan kecil bertumpuk menjadi utang teknis AI.

Kapan Menghapus Langkah Sepenuhnya, Bukan Mengotomatisasinya

Kadang jawaban yang tepat adalah bahwa langkah itu semestinya tidak ada sama sekali, bagi siapa pun, manusia maupun AI.

Uji Eliminasi

Sebelum mengotomatisasi sebuah langkah, tanyakan mengapa ia ada. Banyak langkah dalam proses yang matang hidup lebih lama daripada alasannya: kontrol untuk pola penipuan yang berhenti bertahun-tahun lalu, lapisan persetujuan yang ditambahkan setelah satu insiden yang tidak pernah terulang. Mengotomatisasi langkah semacam itu hanya membuatnya lebih murah untuk terus berjalan selamanya, dan langkah tak perlu yang murah dijalankan lebih sulit dipangkas, karena tak ada yang memperhatikan biayanya.

Untuk setiap langkah, tanyakan kegagalan spesifik apa yang dicegahnya dan seberapa sering kegagalan itu benar-benar terjadi dalam setahun terakhir. "Kami tidak yakin" atau "tidak terjadi selama bertahun-tahun" menjadikannya kandidat eliminasi, bukan otomatisasi. Kegagalan nyata yang baru-baru ini terjadi layak mendapat perancangan ulang lebih dulu, baru peningkatan AI di atasnya. Ini juga cara tercepat menghindari jebakan dalam pekerjaan yang diubah AI, bukan digantikan: sebuah peran jarang lenyap karena satu tugas diotomatisasi, tetapi bentuknya berubah begitu langkah-langkah tak perlu di sekitarnya dipangkas untuk selamanya.

Tambal Sulam vs. Perancangan Ulang, Berdampingan

Setiap kolom yang dirancang ulang berbagi pola: perubahannya bukan bahwa AI mengerjakan tugas lebih cepat. Melainkan bahwa proses di sekitar tugas itu direstrukturisasi sehingga kecepatan benar-benar sampai ke garis akhir dan tidak berhenti di langkah berikutnya yang tidak berubah.

Metode Perancangan Ulang Langkah demi Langkah yang Dapat Dijalankan Pemimpin

1. Pilih satu alur kerja, bukan seluruh departemen. Awal, akhir, pemilik yang jelas, dan volume yang cukup agar perubahan terukur dalam satu kuartal. Merancang ulang semuanya sekaligus adalah cara pekerjaan ini berubah menjadi presentasi yang tidak dijalankan siapa pun.
2. Petakan setiap langkah dan serah terima, lalu catat waktu satu minggu nyata. Catat waktu kalender aktual di setiap langkah, termasuk menunggu dan persetujuan, sebagai garis dasar tempat setiap klaim perbaikan berikutnya diukur.
3. Temukan kendala yang sebenarnya. Di mana pekerjaan menumpuk, langkah mana yang paling menghambat waktu siklus, di mana pengerjaan ulang tercipta. Tahan godaan memulai dari langkah yang paling mudah ditempeli AI; sering kali itu bukan kendalanya.
4. Jalankan uji eliminasi pada setiap langkah lebih dulu. Sebutkan kegagalan spesifik yang dicegah setiap langkah dan seberapa baru terjadinya, dan pangkas yang tidak lagi layak berada di sana.
5. Rancang ulang peran di sekitar verifikasi dan eskalasi. Tentukan tingkat kesalahan yang dapat diterima per jenis output, siapa yang dapat menyetujui tanpa eskalasi, dan bagaimana koreksi kembali ke alat.
6. Tetapkan pemilik metrik bisnis yang bernama sebelum pilot. Waktu siklus, biaya per unit, atau tingkat kesalahan terhadap garis dasar, bukan hitungan pemakaian. Pilot tanpa pemilik cenderung hanyut menjadi peluncuran tanpa putusan.
7. Ukur metrik alur kerja setiap minggu, dan biarkan perancangan ulang berkembang. Versi pertama jarang menjadi versi akhir; angka mingguan membawa Anda ke versi berikutnya.

Menjalankan ini pada satu alur kerja mengajarkan sebuah tim lebih banyak tentang di mana AI benar-benar membuahkan hasil daripada selusin pilot yang terputus-putus.

Menjadikan Perancangan Ulang sebagai Pekerjaan Nyata Seseorang

Pekerjaan perancangan ulang membutuhkan pemilik dengan wewenang mengubah cara proses berjalan, bukan hanya merekomendasikan, sebuah pertanyaan desain organisasi sama seperti pertanyaan teknis. Ia terkait dengan bagaimana desain organisasi bergeser saat AI mengambil lebih banyak pekerjaan produksi, dan dengan pilihan sebagian perusahaan untuk mempertahankan bagian alur kerja tetap manusiawi secara budaya, bukan hanya operasional.

Tanpa kepemilikan itu, proses yang setengah dirancang ulang menumpuk seperti utang yang tak terbayar: langkah verifikasi yang tak dimiliki siapa pun, jalur eskalasi yang tak didefinisikan siapa pun, output yang tak diperiksa siapa pun terhadap tingkat kesalahan nyata. Bersama-sama, semuanya muncul belakangan sebagai utang budaya AI, yang biaya mengurainya jauh lebih besar daripada biaya merancangnya dengan benar sejak awal. Disiplin yang sama berlaku baik pekerjaan berada pada satu AI agent maupun beberapa yang berkoordinasi bersama.

Pabrik-pabrik yang membangun ulang di sekitar unit drive pada 1920-an tidak menunggu motor yang lebih baik. Mereka sudah memiliki motornya selama empat puluh tahun. Yang berubah adalah seseorang merancang ulang lantai pabrik di sekitar apa yang dimungkinkan listrik, alih-alih apa yang diwajibkan uap. Alat di hadapan kebanyakan perusahaan saat ini setidaknya sudah semampu itu. Lantainya masih era uap. Itulah bagian yang layak diperbaiki lebih dulu.