3.4 Effort dan Biaya Sebelum dan Sesudah AI
Setelah value bisa diukur, kita perlu menghitung berapa effort dan biaya yang diperlukan untuk mewujudkannya. Kepala produk itu mulai menyadari bahwa masalahnya bukan hanya pada pengukuran value. Masalahnya juga pada cara timnya memperkirakan biaya.
Selama ini, timnya menghitung biaya dengan cara lama. Mereka menghitung berapa engineer yang dibutuhkan, berapa bulan pengembangan, berapa server yang harus disediakan, dan berapa biaya lisensi perangkat lunak. Semua itu masuk akal. Tapi setelah AI hadir, cara menghitungnya berubah total.
Effort tidak lagi sesederhana jumlah orang dikali waktu. Sebelum AI, effort berarti waktu yang dihabiskan untuk menulis code dari awal, melakukan debugging manual, menulis dokumentasi, dan mengkoordinasikan perubahan antar tim. Kompleksitasnya tinggi karena setiap perubahan harus melalui review berlapis dan integration testing yang panjang. Opportunity cost-nya juga besar: waktu yang dihabiskan untuk satu fitur berarti fitur lain harus menunggu.
Sesudah AI, effort bisa turun drastis. Seorang engineer yang sebelumnya butuh tiga hari untuk menulis modul baru, kini bisa menyelesaikannya dalam setengah hari dengan bantuan AI assistant. Koordinasi yang dulu membutuhkan tiga kali meeting sinkronisasi, kini bisa dipangkas karena AI sudah menyediakan draft yang lebih siap. Kompleksitas teknis yang dulu harus dipelajari dari nol, kini bisa dijelaskan oleh AI dalam hitungan detik.
Tapi effort bukan satu-satunya komponen. Biaya juga harus dihitung ulang.
Biaya development tradisional mencakup gaji engineer, biaya infrastruktur pengembangan, dan biaya tooling. Setelah AI, ada biaya baru yang muncul: biaya langganan AI assistant, biaya token atau API call, dan biaya fine-tuning model jika diperlukan. Namun di sisi lain, biaya development bisa turun karena siklus pengembangan lebih pendek dan jumlah engineer yang dibutuhkan lebih sedikit untuk volume pekerjaan yang sama.
Biaya operation juga berubah. Sebelum AI, operasional sistem membutuhkan tim monitoring, tim incident response, dan tim maintenance. Setelah AI, sebagian monitoring bisa diotomatiskan. Tapi muncul biaya baru untuk menjaga kualitas output AI, memverifikasi bahwa rekomendasi AI tidak salah, dan memastikan sistem AI tetap berjalan stabil.
Biaya training pun mengalami pergeseran. Dulu training hanya untuk manusia: engineer belajar framework baru, product manager belajar domain bisnis. Sekarang training juga untuk AI: memberikan data latih yang representatif, menyusun prompt yang efektif, dan mengelola basis pengetahuan yang menjadi sumber jawaban AI. Biaya compliance dan audit juga perlu dihitung ulang karena regulator mulai meminta kejelasan tentang bagaimana keputusan diambil dengan bantuan AI.
Yang paling sering dilupakan adalah biaya verification. Sebelum AI, verification berarti testing manual dan automated testing. Setelah AI, verification menjadi lebih kompleks. Output AI perlu diperiksa tidak hanya dari sisi fungsional, tetapi juga dari sisi akurasi, bias, dan konsistensi. Ini membutuhkan skill baru dan proses baru yang tidak ada sebelumnya.
Berikut diagram perbandingan alur effort dan komponen biaya sebelum dan sesudah AI.
Kepala produk itu mulai membuat perbandingan sederhana. Untuk satu inisiatif yang sama, effort tradisional membutuhkan tiga engineer selama dua bulan dengan biaya total sekitar seratus delapan puluh juta rupiah. Setelah AI, effort turun menjadi satu engineer selama tiga minggu dengan biaya total sekitar enam puluh juta rupiah, termasuk biaya langganan AI dan biaya verification tambahan.
Perbedaan ini membuat banyak inisiatif yang sebelumnya dianggap tidak feasible menjadi layak dijalankan. Tapi pertanyaan berikutnya muncul: bagian mana dari pekerjaan yang sebenarnya bisa dipercepat oleh AI tanpa mengorbankan kualitas? Pertanyaan itu menjadi pintu masuk ke pembahasan AI leverage.