AI Tidak Mahal Karena Dipakai, AI Mahal Karena Tidak Diukur

The Core Update

Rippling baru saja memperkenalkan AI Spend Console, sebuah produk untuk membantu perusahaan melihat, mengatur, dan membatasi pengeluaran AI di dalam organisasi.

Yang menarik bukan hanya dashboard biayanya. Yang lebih penting adalah cara Rippling mencoba menghubungkan konsumsi AI dengan produktivitas karyawan, tim, dan peran kerja.

Dalam pengumumannya, Rippling menyebut tool ini bisa menunjukkan engineer dengan pengeluaran AI tinggi yang pekerjaannya sering diminta diperbaiki ulang dalam code review. Dengan kata lain, perusahaan tidak hanya ingin tahu siapa yang memakai AI paling banyak, tetapi juga apakah pemakaian itu benar-benar membuat pekerjaan lebih baik.

Latar belakangnya cukup keras. Rippling sempat menemukan bahwa pengeluaran token AI mereka berada di jalur menuju 40% dari budget headcount R&D. Pengeluaran tumbuh 80% dari bulan ke bulan. Jika dibiarkan, biaya token bisa mendekati 90% dari total kompensasi karyawan R&D dalam setahun berikutnya.

Mereka juga menemukan sekitar 10–15% karyawan menyumbang sekitar 60% dari total pengeluaran AI. Bahkan ada satu engineer yang menghabiskan sekitar $50.000 per bulan.

Rippling tidak berhenti memakai AI. Mereka justru membangun kontrol yang lebih jelas. Mereka membuat batas pengeluaran, memakai beberapa model dengan harga berbeda, membangun AI gateway untuk mengarahkan prompt ke model yang lebih sesuai, dan mulai mengukur konsumsi token bersama output kerja.

Hasilnya, menurut Rippling, biaya token turun dari sekitar 40% budget headcount menjadi sekitar 15%. Volume pemakaian tetap tinggi, tetapi biaya menjadi jauh lebih rendah karena pemilihan model lebih terarah.

The Reality Check

Banyak bisnis sedang berada di fase yang mirip, meski skalanya lebih kecil.

AI mulai dipakai di banyak tempat: menulis email, membuat konten, membantu coding, merangkum meeting, membalas pelanggan, membersihkan data, menyusun proposal, atau membuat laporan. Di awal, akses luas terlihat seperti keputusan progresif. Tim merasa lebih cepat. Owner merasa perusahaan tidak tertinggal.

Tetapi setelah beberapa bulan, pertanyaan yang lebih sulit mulai muncul.

Apakah pekerjaan benar-benar lebih cepat selesai?

Apakah kualitas output naik?

Apakah revisi berkurang?

Apakah support lebih rapi?

Apakah sales lebih cepat follow-up?

Apakah biaya AI menggantikan pekerjaan manual yang mahal, atau hanya menambah layer biaya baru?

Di sinilah masalahnya. Banyak perusahaan memberi akses AI seperti memberi akses email atau chat. Semua orang boleh pakai, tetapi tidak semua penggunaan punya nilai bisnis yang sama.

Satu orang memakai AI untuk mempercepat pekerjaan yang memang penting. Orang lain memakai model mahal untuk tugas ringan yang bisa diselesaikan dengan template, rule sederhana, atau model lebih murah. Ada juga penggunaan yang terlihat produktif karena output banyak, tetapi justru menambah pekerjaan review.

AI yang tidak diukur mudah berubah menjadi biaya operasional yang tidak terasa di awal, lalu mengejutkan ketika invoice datang.

Namun solusi yang sehat bukan mematikan AI.

Masalahnya bukan AI terlalu mahal. Masalahnya penggunaan AI belum punya konteks kerja yang jelas.

Jika perusahaan tidak tahu tugas mana yang boleh memakai model mahal, siapa yang bertanggung jawab atas hasilnya, output apa yang dianggap berhasil, dan kapan AI justru membuat pekerjaan lebih berantakan, maka dashboard biaya hanya menjadi alarm. Ia belum menjadi sistem pengambilan keputusan.

Hal yang sama berlaku untuk automation. Automation yang tidak dikaitkan dengan proses kerja hanya membuat aktivitas terlihat lebih modern. Tetapi modern tidak selalu berarti efisien.

Perusahaan perlu membedakan tiga hal:

• penggunaan AI yang menghemat waktu
• penggunaan AI yang meningkatkan kualitas
• penggunaan AI yang hanya membuat orang terlihat sibuk

Tanpa pemisahan itu, AI sulit dinilai secara adil. Tim yang boros belum tentu salah jika pekerjaannya memang bernilai tinggi. Tim yang hemat belum tentu efisien jika pekerjaannya tetap lambat dan penuh revisi.

Yang perlu dilihat adalah hubungan antara biaya, pekerjaan, dan hasil.

The Havedev Way

Dari sudut pandang Havedev, pelajaran terbesar dari kasus Rippling bukan bahwa semua bisnis perlu membeli AI spend console.

Pelajaran utamanya lebih sederhana: AI harus masuk ke sistem kerja, bukan hanya masuk ke daftar tool.

Sebelum perusahaan menambah akses AI, memilih model baru, atau membuat automation yang lebih kompleks, ada beberapa pertanyaan dasar yang perlu dijawab.

Pertama, pekerjaan apa yang benar-benar ingin dipercepat?

Kedua, bagaimana hasil kerja itu diukur hari ini?

Ketiga, berapa biaya manual dari pekerjaan tersebut?

Keempat, kapan penggunaan AI dianggap berhasil?

Kelima, siapa yang bertanggung jawab ketika output AI salah, kurang lengkap, atau perlu revisi?

Untuk banyak bisnis, langkah awal tidak perlu rumit. Mulai dari alur yang paling dekat dengan pendapatan atau pengalaman pelanggan.

Biasanya salah satu dari ini:

• follow-up lead dari website atau WhatsApp
• pembuatan proposal
• balasan support pelanggan
• input dan rekonsiliasi data
• ringkasan meeting dan action item
• pembuatan konten sales atau marketing
• pengecekan dokumen operasional

Pilih satu alur, lalu ukur sebelum dan sesudah AI dipakai. Bukan hanya berapa banyak prompt yang dikirim, tetapi apa dampaknya terhadap pekerjaan.

Misalnya:

• waktu respons lead turun atau tidak
• jumlah follow-up yang terlambat berkurang atau tidak
• revisi proposal turun atau tidak
• ticket support selesai lebih cepat atau tidak
• data lebih bersih atau justru makin perlu dicek ulang
• tim punya waktu lebih banyak untuk pekerjaan yang bernilai atau tidak

Kalau metrik ini belum ada, jangan buru-buru membuat sistem AI yang besar. Rapikan dulu status kerja dan ukuran hasilnya.

Setelah itu, baru tentukan aturan penggunaan AI:

• tugas ringan memakai model murah
• tugas kompleks boleh memakai model lebih kuat
• data sensitif tidak boleh masuk tool sembarangan
• output penting wajib direview manusia
• penggunaan besar harus punya alasan bisnis
• automation hanya berjalan jika status dan input sudah jelas

Pendekatan ini lebih sehat daripada dua ekstrem yang sering muncul: semua orang bebas memakai AI tanpa kontrol, atau semua akses dibatasi karena takut biaya naik.

Bisnis tidak butuh panik terhadap AI cost. Bisnis butuh bahasa yang jelas untuk membaca biaya dan manfaatnya.

Jika AI membantu tim menjawab lead lebih cepat, menyelesaikan support lebih rapi, mengurangi pekerjaan admin, atau mempercepat delivery project, biaya itu bisa masuk akal. Tetapi jika AI hanya menghasilkan lebih banyak draft, lebih banyak revisi, dan lebih banyak output yang harus dibersihkan, maka biaya kecil pun tetap mahal.

AI yang baik bukan AI yang paling banyak dipakai. AI yang baik adalah AI yang membuat pekerjaan penting bergerak lebih cepat, lebih rapi, dan lebih mudah dipertanggungjawabkan.

Sebelum menambah tool AI baru, cek dulu satu hal sederhana: apakah bisnis Anda sudah bisa melihat hubungan antara penggunaan AI, biaya, dan hasil kerja?

Kalau jawabannya belum jelas, mulai dari sana.

Dapatkan Audit Teknis Gratis untuk meninjau alur kerja, website, dan automation yang bisa dibuat lebih terukur sebelum bisnis Anda menambah biaya AI baru.

---

Sumber referensi berita: TechCrunch