Berhenti Mengaspal Jalur Sapi: Mengapa Analisis dan Optimasi Proses Harus Mendahului Penerapan AI

Saat ini, jarang ada ruang rapat direksi yang tak membahas pertanyaan, "apa strategi AI kita?" Tekanan untuk bertindak memang nyata, begitu pula FOMO: para pesaing mengumumkan proyek percontohan dan menjadi berita utama berkat AI, vendor menjanjikan transformasi, dan tak seorang pun ingin menjadi perusahaan yang ketinggalan gelombang. Di bawah tekanan itu, muncul pola yang sudah lazim: organisasi menjadikan penerapan AI sebagai proyek itu sendiri—memilih alat terlebih dahulu, lalu mencari tempat untuk menerapkannya.

Bukti—dari ilmu ekonomi, penelitian sistem informasi, dan semakin banyak laporan pascakegagalan inisiatif AI—menunjukkan arah sebaliknya. Organisasi yang berhasil memperoleh manfaat dari Kecerdasan Buatan bukanlah yang paling cepat mengadopsinya, melainkan yang mempersiapkan landasannya: meninjau kembali bisnis, memetakan, menganalisis, dan mengoptimalkan proses bisnis sebelum satu model pun diterapkan ke lingkungan produksi. Sebuah pepatah yang sering dikaitkan dengan Bill Gates merangkum logika yang mendasarinya: "(...) otomatisasi yang diterapkan pada operasi yang efisien memperbesar efisiensi, sedangkan otomatisasi yang diterapkan pada operasi yang tidak efisien memperbesar ketidakefisienan." Atribusi ini mungkin sekadar cerita turun-temurun; mekanismenya, seperti yang akan kita lihat, terdokumentasi dengan baik.

Artikel ini menguraikan—beserta bukti pendukungnya—urutan yang selalu diikuti oleh para praktisi yang disiplin: analisis terlebih dahulu, optimalkan kemudian, otomatisasikan terakhir.

 

Hitung-hitungan AI Perusahaan yang Tidak Nyaman

Mulailah dari hasilnya. Studi RAND Corporation tahun 2024 yang didasarkan pada wawancara dengan ilmuwan data dan teknisi berpengalaman memperkirakan bahwa lebih dari 80% proyek AI gagal—sekitar dua kali lipat tingkat kegagalan proyek TI yang tidak melibatkan AI [1]. Setahun kemudian, Project NANDA MIT melaporkan angka yang lebih mencolok untuk era AI generatif: meski investasi perusahaan mencapai puluhan miliar dolar, sekitar 95% proyek percontohan GenAI tidak menghasilkan dampak terukur terhadap laba rugi, dan hanya sekitar 5% alat khusus untuk perusahaan yang berhasil diterapkan ke produksi dalam skala besar [2].

Data survei menunjukkan kisah serupa dari sudut pandang berbeda. S&P Global Market Intelligence menemukan bahwa proporsi perusahaan yang menghentikan sebagian besar inisiatif AI mereka melonjak menjadi 42% pada 2025, naik dari 17% setahun sebelumnya. Rata-rata, 46% bukti konsep dibatalkan sebelum mencapai tahap produksi [3]. Gartner telah memprediksi penyaringan ini secara tepat, dengan memperkirakan bahwa setidaknya 30% proyek AI generatif akan dihentikan setelah tahap bukti konsep pada akhir 2025 [4]. Dan semua ini bukan hanya terjadi pada AI generatif: pada 2019, sebelum ChatGPT ada, survei global oleh MIT Sloan Management Review dan Boston Consulting Group menemukan bahwa tujuh dari sepuluh perusahaan melaporkan dampak investasi AI mereka hingga saat itu sangat kecil atau tidak ada sama sekali [5].

Namun, temuan pentingnya bukanlah tingkat kegagalan, melainkan penyebab kegagalan. Ketika para peneliti RAND mengategorikan akar masalahnya, penyebab utama hampir tidak ada kaitannya dengan algoritme: ketidakselarasan antara pemimpin bisnis dan tim teknis mengenai masalah yang hendak diselesaikan dengan AI; kurangnya data yang diperlukan untuk melatih model yang memadai; fokus pada penggunaan teknologi terbaru alih-alih menyelesaikan masalah nyata pengguna; serta infrastruktur dan tata kelola data yang tidak memadai [1]. Laporan MIT mencapai kesimpulan yang saling melengkapi: proyek percontohan gagal karena alat tidak cocok dengan alur kerja nyata dan tidak belajar dari konteks pekerjaan—sebuah "kesenjangan pembelajaran" yang berakar pada operasional, bukan kualitas model [2].

Dengan kata lain, AI perusahaan umumnya gagal dalam pemilihan masalah, data, dan integrasi proses. Analisis proses dirancang untuk memastikan ketiganya ditangani dengan benar.

 

Kita Pernah Menyaksikan Kisah Ini

Hal ini seharusnya tidak mengejutkan siapa pun yang ingat kali terakhir teknologi serbaguna menyebar ke seluruh perusahaan. Pada 1990, setelah satu dekade belanja TI perusahaan yang besar menghasilkan peningkatan produktivitas yang mengecewakan, Michael Hammer mendiagnosis penyebabnya dalam salah satu artikel manajemen paling berpengaruh yang pernah diterbitkan: perusahaan menggunakan teknologi untuk memekanisasi cara lama mereka menjalankan bisnis, membiarkan proses yang tidak efisien tetap berjalan dan membuat komputer mempercepatnya. "Sudah waktunya berhenti mengaspal jalur sapi," tulisnya—alih-alih menanamkan proses usang ke dalam silikon dan perangkat lunak, organisasi seharusnya terlebih dahulu merancang ulang pekerjaan itu sendiri [6].

Para ekonom kemudian mengukur apa yang telah disimpulkan Hammer. Dengan mengkaji data tingkat perusahaan sepanjang 1990-an, Erik Brynjolfsson dan Lorin Hitt menunjukkan bahwa imbal hasil investasi TI sangat bervariasi, dan perbedaannya dijelaskan oleh investasi organisasi yang saling melengkapi: perusahaan yang merancang ulang proses, mendesentralisasikan keputusan, dan berinvestasi dalam keterampilan meraih peningkatan produktivitas besar dari teknologi yang sama, sementara perusahaan yang sekadar memasangnya tidak memperoleh banyak manfaat [7]. Dua dekade kemudian, tradisi penelitian yang sama merumuskannya sebagai "kurva-J produktivitas": teknologi serbaguna—listrik, komputasi, dan kini AI—baru memberikan manfaat setelah jeda, karena perusahaan harus lebih dulu membangun pelengkap tak berwujud seperti proses dan keterampilan baru serta alur kerja yang ditata ulang. Abaikan pelengkap tersebut dan kinerja teknologi akan terus berada di bawah potensinya [8].

AI adalah sekuel kisah ini, dengan anggaran lebih besar dan siklus hype yang lebih cepat. Teknologinya berubah; ekonomi komplementaritasnya tidak.

Itulah sebabnya Mourinho Solutions adalah mitra yang tepat untuk memandu Anda membuka efisiensi dalam organisasi dan memaksimalkan imbal hasil investasi AI Anda. Kami berpandangan bahwa bisnis harus didahulukan—teknologi (dan AI) menyusul. Ada 5 alasan kuat untuk itu.

 

Alasan 1: Otomatisasi Memperbesar Apa pun yang Disentuhnya

Algoritme yang diterapkan pada suatu proses mewarisi logika proses tersebut—termasuk masalah-masalahnya. Inilah peringatan awal Hammer tentang TI [6], dan komunitas peneliti menyampaikan peringatan yang sama ketika otomatisasi proses robotik (RPA) berkembang pesat pada akhir 2010-an. Karena robot RPA meniru cara pekerjaan dilakukan saat ini—mengeklik layar yang sama dan mengikuti aturan yang sama—otomatisasi tanpa lebih dulu memeriksa proses berisiko menuangkan beton digital di atas ketidakefisienan, sehingga proses yang buruk menjadi lebih cepat, lebih kaku, dan lebih sulit diubah [9]. Tinjauan sistematis atas literatur RPA juga mengidentifikasi pemilihan dan kesesuaian proses—berbasis aturan, terstandardisasi, dan matang—sebagai salah satu faktor utama keberhasilan, serta pemilihan proses yang buruk sebagai penyebab berulang kegagalan inisiatif [10].

Pelajaran ini berlaku langsung untuk AI, dan risikonya bahkan lebih besar. Model bahasa yang menyusun tanggapan dalam rantai persetujuan yang bermasalah hanya akan mengisi antrean di titik hambatan dengan lebih cepat. Model ML yang memprediksi permintaan untuk proses perencanaan yang tak diikuti siapa pun akan menghasilkan prediksi yang tak digunakan siapa pun. Memperbesar dampak memang tujuan utama otomatisasi—itulah sebabnya hal yang akan diperbesar perlu ditelaah terlebih dahulu.

 

Alasan 2: Kualitas Data Merupakan Hasil Proses—dan Kondisinya Lebih Buruk daripada yang Anda Kira

Setiap sistem AI bergantung pada data, dan data bergantung pada proses: data dibuat, dimasukkan, diubah, dan diserahkan melalui kegiatan operasional sehari-hari bisnis. Kondisi data tersebut memprihatinkan. Dalam sebuah studi yang meminta para manajer menilai sampel catatan organisasi mereka sendiri, hanya 3% data perusahaan yang memenuhi standar kualitas dasar, dan hampir separuh catatan yang baru dibuat mengandung setidaknya satu kesalahan kritis yang berdampak pada pekerjaan [11]. Para narasumber RAND menempatkan kurangnya data yang memadai dan dapat digunakan sebagai salah satu penyebab utama kegagalan proyek AI, serta mencatat bahwa organisasi terus-menerus meremehkan kebutuhan persiapan data untuk teknologi ini [1].

Konsekuensi mengabaikan masalah ini terdokumentasi dengan baik di kalangan praktisi. Studi terhadap praktisi AI di berbagai bidang berisiko tinggi menemukan bahwa 92% pernah mengalami "kaskade data"—serangkaian kegagalan yang bertumpuk di proses hilir akibat masalah kualitas data di hulu, yang biasanya tak terlihat sampai akhirnya muncul sebagai model yang rusak dan penerapan yang dibatalkan [12]. Judul studi tersebut saja sudah mendiagnosis masalah urutan kerja di industri ini: "Semua orang ingin mengerjakan model, bukan datanya."

Inilah poin strategisnya: kualitas data tidak bisa diperbaiki hanya dengan proyek singkat pembersihan data, karena data buruk terus-menerus dihasilkan kembali oleh proses yang membuatnya. Analisis proses menemukan di mana data dibuat, digandakan, dimasukkan ulang, dan rusak; Optimasi proses memperbaiki cacatnya dari sumber. Organisasi yang lebih dahulu mengoptimalkan prosesnya, secara diam-diam sekaligus membangun fondasi data bagi AI di masa mendatang.

 

Alasan 3: Tanpa Visibilitas Proses, Anda Akan Salah Memilih Kasus Penggunaan

Menentukan di mana AI sebaiknya digunakan merupakan keputusan portofolio, dan keputusan itu tak dapat dibuat secara bijaksana tanpa memahami alur kerja yang sebenarnya. Davenport dan Ronanki [13], yang melakukan survei terhadap 152 proyek teknologi kognitif, menemukan bahwa penerapan ambisius yang menargetkan perubahan besar sering kali mengecewakan. Sebaliknya, para pengadopsi yang berhasil mengambil pendekatan bertahap: memeriksa proses tugas demi tugas dan mencocokkan kemampuan AI tertentu dengan hambatan tertentu dalam alur kerja tertentu.

Visibilitas pada tingkat tugas itulah yang disediakan oleh disiplin manajemen proses bisnis (BPM), dan merupakan salah satu kompetensi utama kami. Siklus hidup BPM standar mencakup identifikasi, penemuan, analisis, dan perancangan ulang proses sebelum implementasi dan otomatisasi—urutan yang disarikan dari praktik selama puluhan tahun, yang menunjukkan bahwa mengotomatisasi proses tanpa memeriksanya merupakan kekeliruan mendasar [14]. Penambangan proses modern semakin memperkuat pendekatan ini: dengan merekonstruksi proses dari log peristiwa sistem TI yang ada, pendekatan ini menggantikan peta proses berbasis opini dengan bukti—menyingkap jumlah varian proses yang sebenarnya, siklus pengerjaan ulang, penyimpangan, dan hambatan yang tak pernah terungkap lewat wawancara saja [15]. Ibaratnya, ini adalah pemeriksaan sinar-X sebelum operasi—dan sering kali menunjukkan bahwa proses yang digambarkan para eksekutif bukanlah proses yang benar-benar dijalankan organisasi.

Kisah sukses otomatisasi yang terkenal dibangun dengan disiplin pemilihan yang persis seperti ini. Di Telefónica O2, salah satu penerapan RPA paling awal dan paling banyak dikutip—yang pada akhirnya menghasilkan imbal hasil investasi hingga ratusan persen—sasaran otomatisasi dipilih dengan cermat: proses bervolume tinggi, terstandardisasi, dan berbasis aturan, yang distabilkan sebelum robot perangkat lunak diterapkan [16]. Keberhasilan itu dirancang melalui pemilihan, bukan perangkat lunaknya.

 

Alasan 4: Terkadang, "Proyek AI" Terbaik adalah Menghapus Langkahnya

Analisis proses punya kebiasaan yang kurang menyenangkan: terus menemukan masalah yang sama sekali tidak membutuhkan AI. Persetujuan ganda, laporan yang tak dibaca siapa pun, serah terima yang masih dilakukan karena bagan organisasi tahun 2014, data yang dimasukkan ulang secara manual di antara dua sistem yang sebenarnya bisa langsung diintegrasikan—doktrin rekayasa industri klasik menyatakan bahwa kita harus menghapus, menggabungkan, dan menyederhanakan sebelum mengotomatisasi, sebab mengotomatisasi pemborosan hanya menghasilkan pemborosan yang lebih cepat. Inilah inti argumen Hammer, "jangan mengotomatisasi, musnahkan saja": banyak hal yang diminta untuk dipercepat oleh teknologi seharusnya sejak awal tidak perlu ada [6].

Sedikit catatan pribadi: saya sangat menyukai semboyan yang sering dikaitkan dengan Leonardo da Vinci—"kesederhanaan adalah kecanggihan tertinggi." Menyederhanakan proses adalah pekerjaan yang menuntut: dibutuhkan Kompetensi analitis yang kuat, kemampuan mengaitkan masukan dari berbagai bidang organisasi, dan integrasi pengetahuan dari beragam disiplin. Inilah keahlian yang menjadi landasan Mourinho Solutions.

Bagi organisasi yang akan mendanai program AI, ini bukan jalan memutar; ini adalah penghematan langsung sekaligus pengurangan risiko. Langkah yang dihapus tidak memerlukan biaya untuk diotomatisasi, tidak membutuhkan pemeliharaan model, tidak menciptakan risiko kegagalan baru, dan langsung memberikan manfaat. Pekerjaan proses juga menghasilkan manfaat kedua: tolok ukur awal yang terukur. Salah satu temuan utama laporan MIT NANDA adalah bahwa sebagian besar proyek percontohan GenAI tidak dapat menunjukkan dampak terukur terhadap laba rugi [2]—padahal dampak hanya dapat diukur jika ada titik awal yang diketahui. Proses yang telah dioptimalkan dilengkapi dokumentasi waktu siklus, tingkat kesalahan, dan biaya per transaksi; penerapan AI berikutnya dengan sendirinya memiliki kemampuan untuk membuktikan ROI-nya.

 

Alasan 5: Manfaat AI Terwujud melalui Perubahan Organisasi, Bukan Terpasang Bersama Perangkat Lunak

Terakhir, penelitian mengenai sumber nyata manfaat AI mengarah pada kebenaran yang tidak nyaman bagi strategi yang mengutamakan alat: manfaat terwujud pada tingkat proses bisnis, dan hanya ketika organisasi berubah seiring teknologi tersebut. Sebuah tinjauan literatur sistematis tentang AI dan nilai bisnis menemukan bahwa dampak awal tampak dalam efisiensi proses dan peningkatan kualitas keputusan di dalam proses—dan bahwa upaya meraihnya bergantung pada faktor pendukung organisasi dan transformasi proses bisnis yang disengaja, bukan kecanggihan model [17]. Studi wawancara dengan para pengadopsi AI juga mengidentifikasi kesiapan organisasi—keselarasan strategis, kualitas dan tata kelola data, pemahaman proses, serta budaya—sebagai prasyarat yang harus dinilai sebelum keputusan adopsi dibuat, bukan baru diketahui setelahnya [18].

Penelitian para praktisi sejalan dengan temuan tersebut. Para pemimpin McKinsey yang menulis di Harvard Business Review melaporkan bahwa hambatan terbesar untuk memperluas penerapan AI bukanlah masalah teknis, melainkan budaya dan organisasi. Keberhasilan membutuhkan perancangan ulang alur kerja dan pengelolaan inisiatif AI sebagai perubahan proses yang dipimpin oleh bisnis, dengan tim lintas disiplin—bukan sekadar instalasi TI [19]. Dalam studi global MIT Sloan/BCG, perusahaan yang benar-benar memperoleh manfaat dari AI dibedakan oleh cara mereka memadukan strategi, perubahan organisasi, dan teknologi, alih-alih menjadikan teknologi sebagai strategi [5].

Analisis dan Optimasi proses merupakan tepat pekerjaan organisasi semacam ini, yang dilakukan dengan urutan yang benar. Keduanya menyelaraskan pimpinan mengenai masalah yang penting (mengatasi penyebab kegagalan nomor satu menurut RAND [1]), membangun pemahaman proses yang dibutuhkan untuk merancang ulang alur kerja, dan menciptakan operasi yang stabil dan terstandardisasi agar AI dapat diterapkan dengan yakin.

 

Mourinho Solutions Menghadirkan Pendekatan "Utamakan Proses"

Tak satu pun alasan di atas menyarankan agar analisis dilakukan bertahun-tahun sebelum siapa pun diizinkan menyentuh model. Yang disarankan adalah urutan kerja yang singkat dan disiplin—pada dasarnya paruh awal siklus hidup BPM [14]—yang dilaksanakan dalam hitungan minggu, bukan kuartal, dan disesuaikan dengan tingkat ambisi program AI yang akan mengikutinya.

Mourinho Solutions menerapkan pendekatan konsultansi yang dirancang khusus, berlandaskan pengetahuan mutakhir dan pengalaman bertahun-tahun. Pendekatan ini memandu organisasi Anda melalui seluruh siklus hidup BPM secara sistematis, agar Anda memperoleh imbal hasil investasi sebesar-besarnya.

Ada pula efek berlipat yang patut disebutkan. Organisasi dalam kelompok minoritas yang berhasil—5% menurut MIT, atau para "perintis" dalam studi MIT Sloan/BCG—bukan sekadar menghindari kegagalan; mereka membangun kemampuan organisasi yang membuat setiap penerapan AI berikutnya lebih murah dan lebih cepat daripada sebelumnya [5], [2]. Kejelasan proses, alur data yang bersih, dan disiplin pengukuran adalah infrastruktur. Nilainya terus meningkat.

 

Kesimpulan: Siap untuk AI Berarti Siap dari Segi Proses

Keinginan untuk segera menerapkan AI menganggap analisis proses sebagai penghambat. Namun, bukti menunjukkan sebaliknya: analisis proses merupakan langkah pengurangan risiko dengan daya ungkit tertinggi yang tersedia, karena menangani akar penyebab kegagalan AI yang telah terdokumentasi—masalah yang keliru, data yang lemah, dan alur kerja yang tidak terintegrasi—sebelum semuanya menumpuk hingga proyek percontohan ditinggalkan. Mengaspal jalan setapak yang dibuat oleh sapi nyaris tidak akan menciptakan nilai—bahkan bisa menguranginya. Penelitian selama 35 tahun, mulai dari rekayasa ulang proses bisnis [6], ekonomi komplementaritas [7], [8], hingga analisis pascakegagalan AI generasi terkini [1], [2], menyampaikan kisah yang konsisten: teknologi melipatgandakan apa pun yang ada di organisasi tempat teknologi itu diterapkan. Optimalkan organisasi terlebih dahulu, maka AI akan melipatgandakan sesuatu yang memang layak untuk dilipatgandakan.

Karena itu, pertanyaan bagi tim pimpinan bukanlah “seberapa cepat kita bisa menerapkan AI?”, melainkan “proses mana yang, setelah dipahami dan dioptimalkan, benar-benar akan ditransformasi oleh AI?” Menjawabnya dengan urutan tersebutlah yang membedakan 5% dari 95%.

Mourinho Solutions memastikan organisasi Anda menjadi bagian dari 5% tersebut.

---

Di Mourinho Solutions, urutan inilah cara kami bekerja. Kami membantu organisasi memetakan dan menganalisis proses, mengoptimalkannya untuk memperoleh peningkatan yang terukur, lalu merancang dan menerapkan AI hanya jika manfaatnya terbukti. Jika perusahaan Anda sedang merencanakan inisiatif AI, mulailah dengan membicarakan proses Anda - hubungi kami untuk melakukan asesmen proses.

 

 

Referensi

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, Akar Penyebab Kegagalan Proyek Kecerdasan Buatan dan Cara agar Proyek Tersebut Berhasil: Menghindari Antipola AI. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Available: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, “Kesenjangan GenAI: Kondisi AI dalam bisnis 2025,” MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Available: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, survei “Voice of the Enterprise: AI & machine learning”, 2025; temuan dilaporkan dalam “Tingkat kegagalan proyek AI meningkat: Laporan,” CIO Dive, Mar. 2025. [Online]. Available: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, “Gartner memperkirakan 30% proyek AI generatif akan ditinggalkan setelah pembuktian konsep pada akhir 2025,” siaran pers, Jul. 29, 2024. [Online]. Available: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, “Meraih keberhasilan dengan AI,” MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, Res. Rep., 2019. [Online]. Available: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, “Rekayasa ulang pekerjaan: Jangan otomatisasi, rombak sampai ke akarnya,” Harvard Business Review, vol. 68, no. 4, pp. 104–112, Jul.–Aug. 1990. [Online]. Available: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, “Melampaui komputasi: Teknologi informasi, transformasi organisasi, dan kinerja bisnis,” Journal of Economic Perspectives, vol. 14, no. 4, pp. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, “Kurva-J produktivitas: Bagaimana aset tak berwujud melengkapi teknologi serbaguna,” American Economic Journal: Macroeconomics, vol. 13, no. 1, pp. 333–372, Jan. 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, “Otomatisasi proses robotik,” Business & Information Systems Engineering, vol. 60, no. 4, pp. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., “Otomatisasi proses robotik: Tema dan tantangan kontemporer,” Computers in Industry, vol. 115, Art. no. 103162, Feb. 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, “Hanya 3% data perusahaan yang memenuhi standar kualitas dasar,” Harvard Business Review, Sep. 11, 2017. [Online]. Available: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, “‘Semua orang ingin mengerjakan model, bukan data’: Rangkaian dampak berantai pada data dalam AI berisiko tinggi,” dalam Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21), Yokohama, Japan, 2021, Art. no. 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, “Kecerdasan buatan untuk dunia nyata,” Harvard Business Review, vol. 96, no. 1, pp. 108–116, Jan.–Feb. 2018. [Online]. Available: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, Dasar-Dasar Manajemen Proses Bisnis, 2nd ed. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, 2nd ed. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, “Otomatisasi proses robotik di Telefónica O2,” MIS Quarterly Executive, vol. 15, no. 1, pp. 21–35, Mar. 2016. [Online]. Available: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, “Kecerdasan buatan dan nilai bisnis: Tinjauan pustaka,” Information Systems Frontiers, vol. 24, no. 5, pp. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, “Siap atau tidak, AI datang — Studi wawancara tentang faktor kesiapan AI organisasi,” Business & Information Systems Engineering, vol. 63, no. 1, pp. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, “Membangun organisasi yang didukung AI,” Harvard Business Review, vol. 97, no. 4, pp. 62–73, Jul.–Aug. 2019. [Online]. Available: https://hbr.org/2019/07/building-the-ai-powered-organization