4.3 Menilai Value, Effort, dan AI-Adjusted Effort

Setelah kita punya daftar panjang kandidat, kita perlu cara membandingkannya secara objektif agar keputusan tidak hanya berdasarkan siapa yang paling keras bicara. Masalahnya, membandingkan inisiatif dari fungsi yang berbeda tidak pernah sederhana. Marketing punya proyek personalisasi yang menjanjikan kenaikan penjualan. Legal punya proyek review kontrak yang mengurangi risiko. Operasi punya proyek rekonsiliasi data yang menghemat waktu tim. Mana yang lebih penting?

Kita perlu beberapa kriteria yang bisa dipakai bersama. Kriteria pertama jelas: value. Seberapa besar dampak inisiatif ini terhadap organisasi? Bisa dalam bentuk pendapatan, efisiensi, pengurangan risiko, atau kepuasan pelanggan. Kriteria kedua adalah effort. Berapa banyak waktu, tenaga, dan biaya yang dibutuhkan untuk menyelesaikannya? Dari dua kriteria ini saja, kita sudah bisa mulai membandingkan. Inisiatif dengan value tinggi dan effort rendah jelas jadi prioritas.

Tapi effort tidak bisa dihitung secara statis. Di sinilah AI mengubah permainan. Sebuah inisiatif yang tahun lalu membutuhkan tiga bulan kerja tim IT, tahun ini mungkin hanya butuh tiga minggu karena AI bisa membantu menulis kode, menyusun dokumen, atau mengintegrasikan sistem. Inisiatif yang sebelumnya membutuhkan dua orang legal untuk mereview seribu kontrak, sekarang bisa dibantu AI yang membaca dan meringkas dalam hitungan jam.

Kita perlu konsep yang saya sebut AI-adjusted effort. Ini adalah perkiraan effort setelah kita memperhitungkan apa yang bisa dilakukan AI. Bukan effort ideal di mana AI melakukan segalanya, tetapi effort realistis dengan asisten AI yang tersedia dan manusia yang sudah terlatih menggunakannya. Beberapa inisiatif mungkin turun effortnya drastis. Beberapa mungkin hanya turun sedikit karena masih banyak pekerjaan fisik atau keputusan manusia yang diperlukan.

Dampaknya langsung terasa. Inisiatif yang dulu masuk kategori "terlalu berat, tidak feasible" tiba-tiba menjadi "bisa dikerjakan". Misalnya, proyek dokumentasi basis pengetahuan yang dulu butuh enam bulan untuk menulis dan mengorganisir ribuan artikel, sekarang bisa dibantu AI yang merangkum dari tiket, email, dan dokumen yang sudah ada. Effort turun dari enam bulan menjadi enam minggu. Value-nya tetap sama: knowledge yang lebih mudah ditemukan oleh seluruh organisasi.

Selain value dan effort, ada kriteria lain yang perlu dipertimbangkan. Urgency: apakah inisiatif ini harus segera dikerjakan karena tekanan pasar atau regulasi? Dependency: apakah inisiatif ini menghambat inisiatif lain jika tidak dikerjakan lebih dulu? Strategic fit: apakah inisiatif ini selaras dengan arah organisasi lima tahun ke depan? Readiness: apakah data, infrastruktur, dan sumber daya manusia sudah siap? Regulatory pressure: apakah ada aturan yang memaksa kita bergerak sekarang? Dan mitigation need: seberapa besar risiko jika inisiatif ini gagal atau terlambat?

Mitigation need menjadi kriteria yang lebih penting ketika AI-adjusted effort membuat banyak inisiatif terlihat murah. Inisiatif yang murah mungkin terlihat menarik, tetapi jika risikonya besar—misalnya menyangkut data pelanggan atau keputusan keuangan—kita perlu mitigasi yang jelas sebelum mulai. Inisiatif dengan mitigation need tinggi tidak otomatis ditolak, tetapi harus direncanakan dengan staged rollout, persetujuan manusia, dan jalur cadangan yang jelas.

Dengan kriteria-kriteria ini, kita bisa mulai membandingkan kandidat inisiatif secara lebih objektif. Bukan lagi soal siapa yang paling vokal di rapat, tetapi soal value yang bisa dihasilkan dengan effort yang sudah disesuaikan dengan kemampuan AI. Beberapa inisiatif akan naik peringkat karena AI membuatnya lebih murah. Beberapa akan turun karena value-nya kecil meskipun effort-nya juga kecil. Dan beberapa akan membutuhkan mitigasi tambahan sebelum layak masuk portfolio.

Berikut adalah alur penilaian yang bisa digunakan untuk membandingkan setiap kandidat inisiatif secara objektif.

flowchart TD A([Kumpulkan inisiatif]) --> B[Hitung Value] B --> B1[Pendapatan] B --> B2[Efisiensi] B --> B3[Pengurangan risiko] B --> B4[Kepuasan pelanggan] A --> C[Hitung Effort Asli] C --> C1[Waktu] C --> C2[Tenaga] C --> C3[Biaya] A --> D[Hitung AI-Adjusted Effort] D --> D1[Dengan asisten AI] D --> D2[Manusia terlatih] D1 --> E{Effort turun drastis?} D2 --> E E -- Ya --> F[Contoh: dokumentasi 6 bulan -> 6 minggu] E -- Tidak --> G[Contoh: pekerjaan fisik tetap sama] B --> H[Bandingkan Value vs Effort] F --> H G --> H H --> I[Prioritas inisiatif]

Setelah kita punya penilaian untuk setiap kandidat, kita perlu cara visual untuk melihat perbandingan ini sekaligus. Di situlah kuadran value versus effort menjadi alat yang berguna, terutama ketika kita membandingkan kuadran sebelum dan sesudah AI-adjusted effort diperhitungkan.