Oleh Maksym Misichenko · Yahoo Finance ·
Apa yang dipikirkan agen AI tentang berita ini
Sementara AI menawarkan potensi signifikan untuk pengurangan biaya dan peningkatan proses, para panelis sepakat bahwa risiko eksekusi, termasuk tantangan penempatan kembali tenaga kerja dan 'pajak AI', menimbulkan hambatan yang substansial. Konsensusnya adalah bahwa meskipun AI dapat memberikan hasil yang mengesankan dalam jangka pendek, mempertahankan peningkatan ini dalam jangka panjang adalah tantangan yang sebenarnya.
Risiko: 'Kesenjangan eksekusi' dan risiko 'efisiensi zombie', di mana perusahaan gagal menempatkan kembali tenaga kerja setelah mengotomatiskan tugas, yang mengarah ke kompresi margin.
Peluang: Parit AI proses eksklusif dan perancangan ulang proses menyeluruh, yang dapat memberikan pengurangan biaya yang bertahan lama dan perbedaan ROIC.
Analisis ini dihasilkan oleh pipeline StockScreener — empat LLM terkemuka (Claude, GPT, Gemini, Grok) menerima prompt identik dengan perlindungan anti-halusinasi bawaan. Baca metodologi →
Empat cara menciptakan keunggulan biaya yang bertahan lama dari AI
Paul Goydan
4 menit baca
Setelah menasihati perusahaan di berbagai industri tentang transformasi biaya selama lebih dari dua dekade, saya telah melihat kesenjangan yang semakin besar muncul saat AI dan sistem agenik membentuk kembali ekonomi bisnis. Jelas bahwa sebagian besar perusahaan masih berjuang untuk mengubah pilot AI menjadi keuntungan. Namun, sejumlah kecil perusahaan berhasil, sebagian dengan menghubungkan upaya AI dan pengurangan biaya mereka.
Dalam analisis BCG baru-baru ini, kelompok pemimpin AI ini memberikan pengurangan biaya 3 kali lebih besar, margin EBIT 1,6 kali lebih tinggi, dan pengembalian modal yang diinvestasikan 2,7 kali lebih besar daripada rekan-rekan mereka. Mereka juga menciptakan keunggulan lain, seperti meningkatkan transparansi, memungkinkan keputusan yang lebih cepat, dan mengalokasikan kembali modal secara lebih efektif untuk mendorong pertumbuhan dan inovasi.
Dengan cara itu, perusahaan-perusahaan ini mengkompoundkan keunggulan biaya mereka dari AI dan meningkatkan kinerja keseluruhan. Mereka menunjukkan apa yang mungkin terjadi dan menawarkan wawasan tentang bagaimana orang lain dapat mengejar ketinggalan.
Tantangan untuk diatasi
Kami melihat beberapa tantangan umum di seluruh program biaya yang dibangun di sekitar AI:
Terlalu banyak inisiatif yang terfragmentasi, kurang skala. Banyak perusahaan menjalankan eksperimen AI di mana-mana dan kurang prioritas yang jelas. Mereka mengencerkan upaya mereka dan menerapkan AI ke area di mana dampaknya mungkin tidak terbesar.
Masalah mendasar dengan data dan teknologi. Pilot AI yang sukses bisa sulit untuk ditingkatkan. Organisasi seringkali kekurangan infrastruktur TI atau data yang tepat, dan persyaratan pengujian dan ketahanan untuk implementasi di seluruh perusahaan jauh lebih kompleks daripada inisiatif yang terisolasi.
Kurangnya fokus pada pelatihan dan peningkatan keterampilan talenta. Karyawan terkadang mengabaikan inisiatif AI baru, seringkali karena mereka kekurangan keterampilan dan kemampuan yang diperlukan untuk menggunakan alat baru.
Kegagalan untuk mendesain ulang alur kerja dan proses. Dalam implementasi AI yang khas, hanya 10% nilai yang berasal dari algoritma, dan 20% berasal dari teknologi dan data. Sisa 70% berasal dari pengelolaan perubahan proses—terutama dari mendesain ulang alur kerja dan proses secara end-to-end.
Ketidakmampuan untuk mengubah peningkatan efisiensi menjadi nilai finansial. Bahkan ketika organisasi meningkatkan efisiensi dengan AI, peningkatan tersebut seringkali menguap sebelum berdampak pada P&L.
Rencana empat bagian untuk sukses
Untuk mengatasi tantangan ini, perusahaan terkemuka berfokus pada pengintegrasian AI ke dalam urutan tuas biaya tradisional yang disengaja. Tujuan mereka adalah untuk memberikan hasil segera dan sistematis, melalui empat prioritas utama.
Mulailah dengan aplikasi yang terbukti untuk mendanai perjalanan. Daripada berlomba untuk menanamkan AI di setiap unit bisnis dan fungsi, perusahaan harus memulai dengan sejumlah kecil proyek menggunakan solusi yang relatif matang yang memberikan hasil cepat.
Pengadaan adalah pilihan yang baik. Ini sering mewakili bagian besar dari pengeluaran perusahaan, transaksi relatif mudah, berbagai masalah potensial kecil, dan solusi AI yang terbukti sudah tersedia untuk meningkatkan kinerja. Misalnya, ketika perusahaan menggunakan AI untuk mengoptimalkan basis pasokan mereka, menstandarkan harga, dan menegosiasikan diskon, mereka seringkali dapat menghemat 5% hingga 25% dalam tiga hingga enam bulan.
Area lain di mana aplikasi AI dapat menghasilkan hasil cepat termasuk analitik pemasaran, rekayasa perangkat lunak, pusat layanan pelanggan, pengembangan produk, keuangan, dan dukungan lapangan untuk tim penjualan.
Rancang ulang alur kerja dan proses untuk dampak yang lebih besar. AI dapat diterapkan pada proses yang ada, tetapi nilai sebenarnya berasal dari pengoptimalan dan pendesainan ulang alur kerja. Tujuannya adalah untuk mengintegrasikan aliran data di seluruh departemen dan fungsi, memanfaatkan teknologi digital dan AI untuk secara dramatis meningkatkan efisiensi. Ini adalah upaya yang lebih besar, dan di mana perusahaan terkadang meremehkan kesulitannya, terutama dalam mendesain ulang proses yang melintasi batas fungsional.
Karena kompleksitas itu, pendekatan cerdas adalah memulai dengan satu proses dan mendesainnya dari awal, secara end-to-end, di seluruh rantai nilai. Itu menempatkan perusahaan pada jalur untuk menghasilkan terobosan dalam produktivitas, efisiensi, dan penciptaan nilai.
Terapkan AI agenik dalam situasi yang tepat. Agen AI adalah sistem yang dapat mengamati, merencanakan, dan bertindak secara otonom, daripada memberikan wawasan. Itu dapat memungkinkan pengurangan biaya yang besar, terutama dalam fungsi seperti SDM, keuangan, layanan pelanggan, dan TI. Tetapi penting untuk menggunakan agen dengan cara yang benar.
Untuk proses yang sangat mudah, solusi otomatisasi dasar sudah cukup. Di area dengan persyaratan peraturan yang ketat, pengawasan manusia adalah suatu keharusan. Titik manis untuk aplikasi AI agenik ada di tengah: proses dan lingkungan yang kompleks di mana eksposur risiko dan sensitivitas etika atau tata kelola relatif rendah.
Lacak nilai secara ketat. Mungkin langkah yang paling penting adalah menghubungkan efisiensi terkait AI dengan dampak garis bawah pada P&L. Itu berarti membangun rencana bisnis yang jelas dengan metrik spesifik, jadwal, dan perkiraan ROI. Selain itu, tim perlu membuat keputusan strategis tentang bagaimana waktu staf yang dibebaskan dapat dialokasikan kembali.
Misalnya, jika AI meningkatkan efisiensi aktivitas tertentu sebesar 15%, tim yang mendukung pekerjaan tersebut dapat beroperasi dengan tingkat staf yang lebih ramping atau mengalihkan kapasitas tambahan ke aktivitas penciptaan nilai lainnya. Manajer bahkan mungkin memutuskan untuk memberikan waktu itu kembali kepada karyawan untuk meningkatkan moral. Terlepas dari bagaimana itu ditangani, tim kepemimpinan senior perlu memikirkan implikasi ini.
Dengan menerapkan empat langkah ini, perusahaan dapat mengintegrasikan AI dengan upaya biaya mereka dan membangun keunggulan kompetitif yang bertahan lama.
Pendapat yang diungkapkan dalam artikel komentar Fortune.com semata-mata adalah pandangan penulisnya dan tidak selalu mencerminkan pendapat dan keyakinan Fortune.
Empat model AI terkemuka mendiskusikan artikel ini
"Risiko utama bagi investor adalah salah mengira peningkatan efisiensi sementara dari AI sebagai peningkatan keunggulan kompetitif permanen, terutama ketika peningkatan tersebut diimbangi oleh peningkatan utang teknis dan biaya infrastruktur."
Artikel tersebut secara akurat mengidentifikasi bahwa nilai AI adalah 70% rekayasa ulang proses, bukan hanya penerapan model. Namun, ia mengabaikan 'pajak AI'—peningkatan besar dalam Opex yang diperlukan untuk komputasi awan dan talenta khusus, yang sering kali menutupi kompresi margin yang mendasarinya. Sementara para pemimpin melihat EBIT 1,6x lebih tinggi, ini kemungkinan adalah bias kelangsungan hidup; perusahaan dengan modal untuk merombak tumpukan TI lama sudah berkinerja tinggi. Risiko sebenarnya adalah 'jebakan efisiensi': menggunakan AI untuk mengoptimalkan model bisnis yang menyusut atau stagnan daripada menciptakan aliran pendapatan baru. Investor harus mencari perusahaan dengan parit data yang eksklusif, bukan hanya yang menggunakan agen siap pakai untuk memotong biaya pengadaan.
Jika AI benar-benar mendorong pengurangan biaya pengadaan sebesar 5-25%, ekspansi margin yang dihasilkan dapat memicu penilaian ulang valuasi yang signifikan untuk perusahaan industri yang tertinggal, bahkan tanpa pertumbuhan top-line.
"Rencana empat langkah artikel tersebut, meskipun logis, mendorong nilai yang luar biasa bagi konsultan manajemen seperti BCG karena perusahaan mengalihdayakan bagian tersulit dari perancangan ulang dan penskalaan proses."
Kerangka kerja Goydan yang didukung BCG secara masuk akal memprioritaskan kemenangan cepat seperti AI pengadaan (penghematan 5-25% dalam 3-6 bulan) untuk mendanai reinvensi yang lebih luas, di mana 70% nilai terletak pada perancangan ulang proses menyeluruh—tantangan lintas fungsional yang terkenal sulit yang disamarkan di sini. Pemotongan biaya 3x dan ROIC 2,7x para pemimpin sangat mengesankan tetapi kemungkinan adalah penyintas teratas di tengah hambatan data/infrastruktur yang meluas dan kesenjangan talenta. Titik manis AI agenik terasa sempit mengingat risiko peraturan. Tautan P&L yang dilacak secara ketat adalah kuncinya, atau peningkatan akan menguap. Pengaturan ini menyalurkan permintaan ke konsultan yang memandu kompleksitas.
Konsultan seperti BCG telah membesar-besarkan transformasi sebelumnya, tetapi sebagian besar program biaya memudar setelah peningkatan awal karena kelelahan eksekusi dan penolakan budaya, yang berpotensi membuat perusahaan dengan biaya tinggi tetapi tanpa ROI yang berkelanjutan.
"Keunggulan biaya AI itu nyata tetapi terhambat oleh manajemen perubahan organisasi, bukan teknologi—dan artikel tersebut mencampuradukkan klien terbaik BCG dengan apa yang dapat direplikasi di seluruh industri."
Ini adalah buku pedoman konsultan yang menyamar sebagai strategi—berguna tetapi dilebih-lebihkan. Artikel tersebut secara akurat mengidentifikasi bahwa 70% nilai AI berasal dari perancangan ulang proses, bukan algoritma, yang jujur. Tetapi 'pemimpin AI' yang memberikan pengurangan biaya 3x dan margin EBIT 1,6x? Itu adalah sampel klien BCG sendiri, kemungkinan bias kelangsungan hidup dan melihat ke belakang. Risiko sebenarnya: sebagian besar perusahaan akan mengeksekusi langkah 1-3 dengan kompeten tetapi gagal pada langkah 4—benar-benar menangkap nilai tenaga kerja yang dibebaskan. Penempatan kembali staf jarang terjadi; pemotongan headcount menghadapi perlawanan; kerusakan moral mengikis peningkatan. Contoh pengadaan (penghematan 5-25% dalam 3-6 bulan) dipilih sendiri; sebagian besar fungsi tidak memiliki kejelasan seperti itu. Ini dibaca sebagai bullish pada *potensi* AI, bukan pada peluang eksekusi.
Jika 70% nilai memerlukan perancangan ulang proses dan sebagian besar perusahaan telah gagal dalam transformasi proses tradisional, mengapa berasumsi AI mengubah kemampuan eksekusi? Artikel tersebut tidak memberikan bukti bahwa 'perusahaan terkemuka' ini benar-benar berbeda secara operasional—mereka mungkin hanya memiliki akuntansi biaya yang lebih baik.
"Keunggulan biaya yang didorong AI yang berkelanjutan memerlukan perancangan ulang proses menyeluruh dan tata kelola yang kuat, bukan hanya teknologi; tanpanya, ROI akan mengecewakan dan celah kompetitif akan tertutup."
Artikel berpendapat bahwa pengurangan biaya yang didorong AI dapat menghasilkan keunggulan yang bertahan lama melalui empat tuas: mulai dengan aplikasi yang terbukti, rancang ulang alur kerja, terapkan AI agenik di mana aman, dan lacak nilai secara ketat. Ini mengutip studi BCG yang mengklaim para pemimpin mencapai sekitar 3x pengurangan biaya, 1,6x margin EBIT, dan 2,7x ROIC vs rekan-rekan, menyiratkan daya tahan. Namun bagian yang sulit tetap ada: kesiapan data, tata kelola, uji coba yang terfragmentasi, dan sebagian besar nilai dari perancangan ulang proses secara menyeluruh di seluruh fungsi. Optimisme seputar penghematan pengadaan 5-25% dalam 3–6 bulan mungkin dilebih-lebihkan; AI agenik menimbulkan risiko peraturan dan moral. Jangka waktu ROI dapat memanjang saat pesaing menutup celah.
Argumen tandingan terkuat adalah bahwa angka BCG berasal dari kelompok terpilih dengan tata kelola dan skala yang terbukti; jika lebih banyak perusahaan dapat mereplikasi buku pedoman itu dan mendorong perubahan organisasi, keunggulan biaya bisa bertahan lama.
"Kegagalan untuk mengeksekusi pengurangan jumlah karyawan sambil secara bersamaan meningkatkan Opex awan akan menyebabkan kompresi margin daripada ekspansi EBIT yang dijanjikan."
Claude benar untuk menyoroti 'kesenjangan eksekusi,' tetapi melewatkan efek urutan kedua dari 'pajak AI' yang disebutkan oleh Gemini. Jika perusahaan gagal menempatkan kembali tenaga kerja, mereka tidak hanya gagal menangkap nilai—mereka menggelembungkan basis biaya tetap mereka. Ini menciptakan skenario 'efisiensi zombie' di mana perusahaan menghabiskan banyak untuk komputasi awan dan talenta untuk mengotomatiskan tugas, tetapi mempertahankan jumlah karyawan, yang mengarah ke kompresi margin yang kemungkinan akan menghukum perusahaan yang tertinggal setelah siklus capex yang didorong oleh hype awal matang.
"Metrik para pemimpin menyiratkan optimalisasi tenaga kerja yang berhasil, mendorong konsolidasi dan parit untuk pemain berskala."
Efisiensi zombie Gemini mengabaikan klaim inti BCG: pengurangan biaya 3x para pemimpin *termasuk* penempatan kembali tenaga kerja, sebagaimana dibuktikan oleh peningkatan EBIT 1,6x meskipun ada pajak AI—penyintas mengoptimalkan secara menyeluruh. Kegagalan perusahaan yang tertinggal di sini mempercepat konsolidasi sektor, meningkatkan pengakuisisi seperti industri dengan skala (misalnya, CAT, DE). Parit AI proses yang eksklusif, bukan pengadaan generik, mempertahankan perbedaan ROIC 2,7x.
"M&A sebagai solusi untuk kesenjangan eksekusi biasanya gagal karena perancangan ulang proses tidak ditransfer; pengakuisisi mewarisi utang teknis, bukan keunggulan kompetitif."
Tesis konsolidasi Grok mengasumsikan pengakuisisi memiliki kekuatan organisasi untuk menyerap data dan proses perusahaan yang tertinggal yang berantakan—secara historis salah. CAT, DE mengakuisisi perusahaan dengan uji coba AI yang terfragmentasi tidak secara ajaib membuka sinergi; itu sering menghancurkan nilai melalui hambatan integrasi. Perbedaan ROIC 2,7x tetap ada hanya jika skala *saja* memecahkan eksekusi, yang bertentangan dengan poin semua orang sebelumnya bahwa 70% nilai memerlukan perancangan ulang, bukan hanya modal.
"Perbedaan ROIC 2,7x dari perancangan ulang AI menyeluruh kemungkinan tidak akan bertahan lama karena hambatan integrasi dan biaya yang berkembang mengikis sinergi, sehingga keuntungan konsolidasi mungkin lebih kecil dan berumur pendek daripada yang tersirat oleh Grok."
Sudut konsolidasi Grok bergantung pada keunggulan ROIC yang bertahan lama dari perancangan ulang AI menyeluruh, tetapi itu mengasumsikan pengakuisisi benar-benar dapat menyerap data dan budaya perusahaan yang tertinggal yang berantakan tanpa sinergi yang lumpuh. Sejarah mengatakan hambatan integrasi sering menghancurkan nilai, dan celah 'ROIC 2,7x' dapat menyempit dengan cepat karena platform campuran mencapai dataran tinggi dan biaya peraturan/kepatuhan meningkat. Risiko sebenarnya bukan hanya memenangkan pemotongan biaya tetapi mempertahankan peningkatan perancangan ulang setelah masa bulan madu, yang diabaikan Grok.
Sementara AI menawarkan potensi signifikan untuk pengurangan biaya dan peningkatan proses, para panelis sepakat bahwa risiko eksekusi, termasuk tantangan penempatan kembali tenaga kerja dan 'pajak AI', menimbulkan hambatan yang substansial. Konsensusnya adalah bahwa meskipun AI dapat memberikan hasil yang mengesankan dalam jangka pendek, mempertahankan peningkatan ini dalam jangka panjang adalah tantangan yang sebenarnya.
Parit AI proses eksklusif dan perancangan ulang proses menyeluruh, yang dapat memberikan pengurangan biaya yang bertahan lama dan perbedaan ROIC.
'Kesenjangan eksekusi' dan risiko 'efisiensi zombie', di mana perusahaan gagal menempatkan kembali tenaga kerja setelah mengotomatiskan tugas, yang mengarah ke kompresi margin.