Mengapa Banyak Investasi Automasi Gagal Memberi ROI: Tiga Bottleneck yang Harus Dibenahi CEO

Problem. Dalam dua tahun terakhir, investasi pada workflow automation, AI copilots, orchestration tools, dan process mining meningkat tajam. Namun, banyak direksi masih menghadapi pertanyaan yang sama: mengapa belanja teknologi naik, tetapi biaya operasi, kecepatan layanan, dan akurasi eksekusi belum bergerak sebanding? Jawabannya kini semakin terukur. PwC dalam Digital Trends in Operations Survey 2026 menemukan bahwa 89% pemimpin operasi menyatakan investasi teknologi mereka belum sepenuhnya menghasilkan dampak yang diharapkan. Ini bukan sekadar isu implementasi proyek, melainkan tanda bahwa banyak program automasi dibangun di atas fondasi organisasi yang belum siap.

Analysis. Bottleneck pertama adalah kompleksitas integrasi. Dalam survei PwC, integration complexity muncul sebagai penyebab paling umum mengapa investasi teknologi underdeliver. Ini logis karena mayoritas workflow bisnis tidak hidup dalam satu sistem. Proses order-to-cash menyentuh CRM, ERP, finance, gudang, logistik, dan layanan pelanggan. Proses hiring menyentuh HRIS, procurement, legal, dan line manager. Ketika automasi diterapkan hanya pada satu aplikasi tanpa mendesain ulang handoff antar-sistem, perusahaan sekadar memindahkan bottleneck dari manusia ke middleware. Hasilnya adalah proses yang tampak modern di dashboard, tetapi masih lambat di lapangan.

Analysis. Bottleneck kedua adalah kualitas data. PwC mencatat 87% responden mengatakan kualitas data yang buruk menghambat kemampuan organisasi mereka untuk menghasilkan nilai dari inisiatif digital, dan hanya 30% yang melaporkan peningkatan signifikan dalam kualitas serta reliabilitas data. Ini menunjukkan bahwa banyak organisasi masih menilai data sebagai isu TI, padahal bagi operasi, data adalah bahan baku keputusan. Forecast yang salah, master vendor yang duplikat, status order yang tidak sinkron, atau klasifikasi tiket yang inkonsisten akan membuat AI menghasilkan rekomendasi yang cepat tetapi keliru. Automasi memperbesar manfaat dari data yang baik, namun juga memperbesar kerusakan dari data yang buruk.

Analysis. Bottleneck ketiga adalah adopsi organisasi. McKinsey dalam laporan Superagency in the Workplace 2025 menunjukkan hampir semua perusahaan sudah berinvestasi di AI, tetapi hanya 1% yang merasa telah mencapai kematangan. Di Indonesia, Microsoft dan LinkedIn pada Work Trend Index 2024 mencatat 92% knowledge workers sudah menggunakan generative AI di tempat kerja, sementara 76% membawa alat AI mereka sendiri ke tempat kerja. Angka ini terlihat progresif, tetapi sekaligus mengirim sinyal risiko: ketika adopsi tumbuh lebih cepat daripada governance dan desain proses, perusahaan berpotensi menciptakan “shadow automation” yang sulit dikendalikan.

Insight. Tiga bottleneck tersebut menjelaskan mengapa ROI automasi sering tidak muncul di level P&L. Kompleksitas integrasi menaikkan biaya implementasi dan maintenance. Data yang lemah menurunkan kualitas keputusan. Adopsi yang tidak terkelola membuat manfaat tersebar tipis dan risiko membesar. Karena itu, program automasi yang sukses hampir selalu tampak kurang glamor pada tahap awal: mereka fokus pada harmonisasi data inti, penyederhanaan proses, dan penguncian KPI sebelum memperluas use case. Dari perspektif manajemen, disiplin ini jauh lebih penting daripada jumlah model AI yang berhasil diluncurkan.

Insight. Ada implikasi lain yang sering terlewat. Bain menegaskan pada 2025 bahwa di Asia Tenggara, produktivitas saja jarang cukup untuk mendorong pertumbuhan bottom line karena biaya tenaga kerja regional rata-rata hanya sekitar 7% dari level Amerika Serikat. Dengan kata lain, business case AI di kawasan ini tidak boleh dibangun hanya dari pengurangan headcount. Nilai yang lebih relevan biasanya datang dari percepatan revenue cycle, peningkatan service capacity tanpa menambah tim, penurunan error, pengurangan kebocoran margin, dan keputusan yang lebih konsisten di frontline.

Recommendation. Untuk itu, CEO perlu mengubah cara mengevaluasi program automasi. Pertama, hentikan pengukuran berbasis aktivitas, seperti jumlah bot, jumlah lisensi, atau banyaknya use case pilot. Gantilah dengan metrik bisnis per workflow: order cycle time, forecast accuracy, first contact resolution, cash conversion cycle, atau procurement savings leakage. Kedua, minta setiap inisiatif automasi memiliki peta integrasi dan quality gates data sejak awal, bukan setelah sistem berjalan. Ketiga, tetapkan operating owner yang bertanggung jawab atas outcome lintas fungsi, karena automasi end-to-end tidak akan berhasil jika kepemilikannya tetap tersandera oleh batas departemen.

Recommendation. Dalam praktiknya, perusahaan tidak perlu memulai dari transformasi besar-besaran. Lebih efektif jika memilih satu workflow yang cukup penting untuk membuktikan nilai, tetapi cukup terbatas untuk dikendalikan. Contohnya adalah invoice processing dengan exception handling, service ticket triage, atau demand planning untuk kategori produk tertentu. Setelah ROI terbukti dan fondasi datanya rapi, barulah arsitektur automasi diperluas. Pendekatan bertahap seperti ini membantu direksi membangun bukti ekonomi, bukan sekadar narasi inovasi.

Recommendation. Tahun 2026 akan membedakan perusahaan yang membeli automasi dari perusahaan yang benar-benar mengoperasionalkannya. Perbedaan utamanya bukan pada merek platform yang digunakan, melainkan pada keberanian manajemen membenahi tiga bottleneck mendasar: integrasi, data, dan adopsi. Tanpa itu, automasi akan tetap terlihat sibuk, tetapi tidak pernah benar-benar produktif.