Artificial Intelligence sedang menjadi topik besar di hampir semua industri. Banyak organisasi mulai merasa bahwa mereka harus memiliki AI agar tidak dianggap tertinggal.

Deterministik vs Probabilistik

Salah satu cara sederhana menentukan apakah kita membutuhkan AI adalah melihat sifat masalahnya.

Ada dua kelompok besar masalah dalam sistem informasi:

Masalah Deterministik

Input yang sama menghasilkan output yang sama berdasarkan aturan yang sudah diketahui.

Contohnya:

Total Invoice
    ↓
Kurangi Diskon
    ↓
Tambah Pajak
    ↓
Total Pembayaran

Jika semua aturan sudah diketahui, kita cukup menuliskannya dalam program.

double subtotal = qty * price;
double discount = subtotal * discountRate;
double tax = (subtotal - discount) * taxRate;

double total = subtotal - discount + tax;

Tidak ada sesuatu yang perlu "dipelajari" oleh komputer.

Masalah Probabilistik

Sekarang bayangkan pertanyaannya berubah menjadi:

"Dari pola transaksi pelanggan selama dua tahun terakhir, pelanggan mana yang kemungkinan besar terlambat membayar bulan depan?"

Ini berbeda.

Kita mungkin memiliki data seperti:

Riwayat Pembayaran
Frekuensi Keterlambatan
Nilai Transaksi
Jenis Pelanggan
Umur Piutang
Pola Pembelian
        ↓
      MODEL
        ↓
Probabilitas Terlambat Membayar

Di sini kita tidak mempunyai rumus bisnis sederhana yang selalu menghasilkan jawaban benar.

Kita mempunyai pola yang harus dipelajari dari data.

Inilah salah satu wilayah di mana Machine Learning mulai relevan.

Pertanyaan Pertama: Apakah Aturannya Sudah Diketahui?

Sebelum mengatakan "kita membutuhkan AI", tanyakan:

Apakah aturan untuk mendapatkan jawabannya sudah diketahui?

Jika jawabannya ya, kemungkinan besar kita tidak membutuhkan AI.

Contohnya:

Semua masalah tersebut dapat diselesaikan secara deterministik.

AI baru menjadi menarik ketika organisasi menghadapi sesuatu yang sulit didefinisikan hanya dengan sekumpulan aturan sederhana.

Contoh: "Saya Ingin AI untuk Keuangan"

Ini salah satu contoh yang sering terjadi.

Permintaan awal:

"Saya ingin membuat AI untuk membantu bagian keuangan."

Kalimat tersebut sebenarnya belum menjelaskan masalah.

Kita perlu bertanya:

Apa yang ingin dibantu?

Jika jawabannya:

"Menghitung pemasukan dikurangi pengeluaran."

Tidak perlu AI.

Jika jawabannya:

"Mengelompokkan transaksi bank secara otomatis."

AI mungkin berguna, tetapi rule-based system juga mungkin masih cukup.

Jika jawabannya:

"Mendeteksi transaksi yang terlihat tidak normal dibandingkan pola transaksi sebelumnya."

Machine Learning atau anomaly detection mulai menarik.

Jika jawabannya:

"Membaca ribuan invoice dengan format berbeda dan mengambil nomor invoice, tanggal, vendor, serta nilai transaksi."

Document AI, OCR, computer vision, atau model multimodal mungkin relevan.

Jika jawabannya:

"Saya ingin bertanya menggunakan bahasa manusia mengenai kondisi keuangan perusahaan."

Misalnya:

User:
"Kenapa biaya operasional bulan ini naik?"

              ↓

             LLM

              ↓

     Tools / Query / Analytics

              ↓

Database → Data Keuangan

              ↓

"Biaya operasional meningkat 18%,
terutama berasal dari biaya logistik..."

Di sini LLM dapat digunakan sebagai interface dan reasoning layer, sementara angka tetap dihitung menggunakan sistem deterministik.

Ini perbedaan yang sangat penting.

AI Tidak Harus Menggantikan Sistem

Kesalahan lain adalah menganggap ketika menggunakan AI, seluruh proses harus dilakukan AI.

Padahal arsitektur yang lebih baik sering kali justru:

                    USER
                      │
                      ▼
                     AI
              memahami pertanyaan
                      │
          ┌───────────┼───────────┐
          ▼           ▼           ▼
      Database    Calculator    API
          │           │           │
          └───────────┼───────────┘
                      ▼
                   RESULT
                      │
                      ▼
                     AI
              menjelaskan hasil

AI tidak harus menghitung semuanya.

AI dapat digunakan untuk memahami maksud pengguna, memilih tools, menganalisis konteks, dan menjelaskan hasil.

Sedangkan kalkulasi tetap dilakukan oleh software biasa.

Jangan Meminta LLM Menghitung Jika Calculator Bisa Melakukannya

Misalnya kita mempunyai:

Penjualan : Rp1.250.000.000
HPP       : Rp870.000.000
Biaya     : Rp210.000.000

Kemudian kita mengirim semuanya ke LLM dan bertanya:

"Berapa laba perusahaan?"

Secara teknis LLM mungkin dapat menjawabnya.

Tetapi secara arsitektur sistem, lebih baik aplikasi menghitung:

profit = sales - cogs - expenses

Kemudian AI menerima hasil:

{
  "sales": 1250000000,
  "cogs": 870000000,
  "expenses": 210000000,
  "profit": 170000000
}

AI kemudian dapat membantu menjelaskan:

"Perusahaan menghasilkan laba Rp170 juta dengan margin sekitar 13,6%. Komponen biaya terbesar berasal dari HPP."

Calculation dilakukan komputer. Interpretation dapat dibantu AI.

Kapan AI Mulai Dibutuhkan?

AI mulai memberikan nilai ketika organisasi menghadapi beberapa kondisi.

1. Data Tidak Terstruktur

Organisasi memiliki banyak:

• dokumen,
• email,
• tiket,
• percakapan,
• laporan,
• gambar,
• rekaman,
• PDF,
• kontrak.

Manusia dapat memahaminya, tetapi sulit membuat rule untuk setiap kemungkinan format.

AI dapat membantu mengubah data tersebut menjadi informasi yang dapat digunakan sistem.

2. Polanya Sulit Ditulis Menjadi Rule

Misalnya:

"Apakah transaksi ini mencurigakan?"

Manusia mungkin melihat puluhan indikator sekaligus.

Membuat ribuan if-else bukan pendekatan yang ideal.

Machine Learning dapat mempelajari pola dari data historis.

3. Organisasi Ingin Membuat Prediksi

Misalnya:

Historical Data
      ↓
Machine Learning
      ↓
Prediction

Contohnya:

• prediksi permintaan,
• prediksi churn pelanggan,
• prediksi risiko,
• predictive maintenance,
• forecasting,
• fraud detection.

Di sini AI/ML dapat memberikan nilai yang jauh lebih besar.

4. Organisasi Memiliki Knowledge yang Sangat Besar

Bayangkan organisasi memiliki:

10.000 SOP
50.000 dokumen
200.000 tiket
1.000 regulasi
ribuan halaman dokumentasi

Kemudian pegawai bertanya:

"Bagaimana prosedur untuk kasus ini?"

Mencari secara manual menjadi tidak efisien.

Teknologi seperti LLM + Retrieval-Augmented Generation (RAG) dapat digunakan untuk membangun knowledge assistant.

5. Organisasi Membutuhkan Pemahaman Bahasa

Manusia tidak selalu berbicara menggunakan struktur database.

Database mungkin mempunyai:

status = CLOSED
created_at
department_id
ticket_category

Tetapi manusia bertanya:

"Berapa tiket bagian keuangan yang belum selesai sejak minggu lalu?"

LLM dapat berfungsi sebagai penerjemah antara bahasa manusia dan sistem komputer.

Pertanyaan yang Lebih Tepat Bukan "Bagaimana Membuat AI?"

Ketika organisasi datang dengan pertanyaan:

"Bagaimana kita membuat AI?"

Pertanyaan tersebut sebenarnya terlalu dini.

Pertanyaan pertama seharusnya:

"Masalah apa yang ingin kita selesaikan?"

Setelah masalah diketahui, barulah kita menentukan teknologi.

BUSINESS PROBLEM
       │
       ▼
ANALISIS PROSES
       │
       ▼
KARAKTERISTIK MASALAH
       │
       ├── Rule jelas ───────► Programming
       │
       ├── Kalkulasi ────────► Computing
       │
       ├── Query data ───────► Database
       │
       ├── Workflow ─────────► Automation
       │
       ├── Dashboard ────────► BI
       │
       ├── Prediksi ─────────► Machine Learning
       │
       ├── Dokumen/Gambar ───► AI / Computer Vision
       │
       └── Bahasa/Knowledge ─► LLM / RAG

Dengan pendekatan seperti ini, AI menjadi alat, bukan tujuan.

AI Bukan Upgrade Otomatis dari Software Biasa

Ada kecenderungan melihat evolusi seperti:

Excel
  ↓
Aplikasi
  ↓
AI

Seolah-olah AI merupakan versi lebih tinggi dari software biasa.

Padahal tidak demikian.

Calculator tetap lebih tepat untuk kalkulasi.

Database tetap lebih tepat untuk menyimpan transaksi.

SQL tetap sangat efektif untuk aggregation.

Workflow engine tetap lebih tepat untuk proses bisnis yang jelas.

AI memiliki kemampuan berbeda: mempelajari pola, memahami informasi tidak terstruktur, melakukan klasifikasi, prediksi, dan berinteraksi menggunakan bahasa manusia.

Karena itu sistem modern justru sering berbentuk kombinasi:

Traditional Software
        +
Database
        +
Business Rules
        +
Automation
        +
AI

Bukan:

AI menggantikan semuanya

Ada Biaya dari Setiap AI yang Kita Tambahkan

Menambahkan AI juga membawa konsekuensi.

Organisasi harus memikirkan:

• biaya inference,
• GPU atau cloud computing,
• latency,
• keamanan data,
• evaluasi model,
• monitoring,
• hallucination,
• model drift,
• governance,
• auditability.

Jika masalah dapat diselesaikan dengan:

total = income - expense;

tetapi kita membangun infrastruktur LLM untuk mengerjakannya, kita sedang menambah kompleksitas tanpa menambah nilai bisnis yang berarti.

Dalam engineering ada prinsip sederhana:

Gunakan teknologi paling sederhana yang dapat menyelesaikan masalah dengan baik.

Tes Sederhana Sebelum Membangun AI

Sebelum organisasi memulai proyek AI, coba jawab pertanyaan berikut.

1. Apakah output dapat dihitung menggunakan rumus yang jelas?

Jika ya → gunakan programming.

2. Apakah keputusan dapat dibuat menggunakan aturan bisnis yang jelas?

Jika ya → gunakan rule engine atau workflow.

3. Apakah kebutuhan utamanya hanya mengambil dan menggabungkan data?

Jika ya → database, SQL, API, atau BI mungkin cukup.

4. Apakah sistem harus menemukan pola dari banyak contoh sebelumnya?

Jika ya → Machine Learning mungkin relevan.

5. Apakah sistem harus memahami teks, dokumen, gambar, suara, atau bahasa manusia?

Jika ya → AI mulai relevan.

6. Apakah sistem harus melakukan prediksi ketika tidak ada rumus pasti?

Jika ya → Machine Learning mungkin relevan.

7. Apakah AI memberikan nilai yang lebih besar daripada kompleksitas yang ditambahkannya?

Ini mungkin pertanyaan yang paling penting.

Dari AI-First Menjadi Problem-First

Organisasi tidak perlu berlomba-lomba memasang AI pada setiap aplikasi.

Yang lebih penting adalah membangun budaya problem-first.

Jangan mulai dari:

"Kita harus menggunakan AI."

Mulailah dari:

"Apa masalah bisnis kita?"

Kemudian:

"Apa teknologi paling sederhana yang dapat menyelesaikannya?"

Jika jawabannya SQL, gunakan SQL.

Jika jawabannya formula, gunakan formula.

Jika jawabannya automation, gunakan automation.

Jika jawabannya Machine Learning, gunakan Machine Learning.

Dan jika memang membutuhkan LLM, barulah gunakan LLM.

Karena transformasi digital yang baik bukan tentang menggunakan teknologi paling canggih.

Transformasi digital adalah tentang menggunakan teknologi yang tepat untuk masalah yang tepat.