Pelajaran dari Asia Tenggara: Bagaimana Pemimpin Regional Mengindustrialkan AI untuk Efisiensi Operasi

Problem. Banyak perusahaan ingin belajar dari case study AI, tetapi sering terjebak pada narasi yang terlalu umum: perusahaan X memakai AI, lalu produktivitas meningkat. Bagi pengambil keputusan, cerita seperti itu tidak cukup. Yang lebih penting adalah memahami mekanisme di balik keberhasilan: fondasi apa yang dibangun, bagaimana governance diterapkan, dan seperti apa organisasi menghubungkan eksperimen dengan skala operasional. Asia Tenggara mulai menawarkan contoh yang semakin relevan, bukan hanya karena adopsinya cepat, tetapi karena konteks biaya, kompleksitas pasar, dan keragaman infrastrukturnya lebih dekat dengan realitas perusahaan Indonesia.

Analysis. Salah satu contoh paling konkret datang dari DBS. Dalam publikasi Singapore EDB pada September 2024, bank tersebut melaporkan telah mengidentifikasi lebih dari 370 use case AI dan mengimplementasikan 1.500 model pada 2024. Yang lebih penting, dampak ekonominya mencapai S$750 juta dalam bentuk cost savings dan value-add hanya dalam satu tahun. Nilai sebesar ini tidak muncul dari eksperimen acak. DBS mengaitkan setiap use case ke tujuan bisnis, membangun kerangka tata kelola data yang disebut PURE, dan memperlakukan AI sebagai kapabilitas operasional jangka panjang, bukan proyek inovasi sesaat.

Analysis. Pelajaran kedua dari DBS adalah industrialisasi talenta dan pengambilan keputusan. Bank ini membentuk Data Chapter pada 2023 yang menyatukan 700 profesional data lintas divisi dalam model squad. Selain itu, lebih dari 9.000 karyawan telah mengikuti upskilling data dan AI sejak 2021. Ini penting karena banyak organisasi mencoba menskalakan AI hanya dengan menambah vendor atau merekrut beberapa data scientist senior. Kasus DBS menunjukkan hal yang berbeda: skala lahir ketika kompetensi dibangun secara terdistribusi, tetapi governance tetap terpusat cukup kuat untuk menjaga standar.

Insight. Pelajaran yang lebih luas juga terlihat dari riset regional McKinsey, EDB, dan Tech in Asia pada 2026. Sebanyak 46% perusahaan Asia Tenggara telah bergerak dari pilot ke scaling, lebih tinggi dari rata-rata global 35%. Pada pembaruan berikutnya, 81% perusahaan kawasan sudah berada di tahap pilot atau scaling, dan hampir 90% berencana bereksperimen dengan agentic AI. Artinya, tekanan kompetitif akan meningkat cepat. Perusahaan yang masih berhenti di tahap eksplorasi akan bersaing melawan pemain regional yang mulai menata ulang workflow mereka dengan AI sebagai lapisan eksekusi baru.

Insight. Namun laporan Bain untuk CEO Asia Tenggara juga memberi peringatan yang relevan: produktivitas semata jarang cukup untuk menciptakan pertumbuhan laba di kawasan dengan biaya tenaga kerja yang relatif lebih rendah. Rata-rata upah bulanan di Asia Tenggara sekitar 7% dari level Amerika Serikat, sehingga business case AI yang hanya bertumpu pada pengurangan tenaga kerja sering tidak cukup kuat. Ini menjelaskan mengapa perusahaan regional yang lebih maju menaruh fokus pada kecepatan go-to-market, peningkatan kapasitas tanpa menambah tim, konsistensi keputusan, dan pengalaman pelanggan yang lebih baik. Dengan kata lain, AI yang berhasil adalah AI yang merombak model operasi, bukan sekadar memotong biaya administrasi.

Insight. Kasus regional juga memperlihatkan bahwa trust adalah faktor pembeda. Tata kelola seperti framework PURE di DBS, pengendalian penggunaan data, serta kurikulum pelatihan internal bukan aksesori kepatuhan. Elemen-elemen itu justru memungkinkan organisasi berani menskalakan AI ke area yang lebih sensitif seperti kredit, fraud, pricing, atau customer resolution. Tanpa trust, perusahaan biasanya membatasi AI pada tugas berisiko rendah, sehingga nilai ekonominya pun tetap dangkal.

Recommendation. Untuk perusahaan Indonesia, ada tiga pelajaran praktis. Pertama, mulailah dari area di mana kombinasi volume transaksi, kompleksitas keputusan, dan nilai ekonomi paling tinggi. Kedua, bangun governance yang operasional, bukan hanya legal, sehingga pemilik proses paham kapan AI boleh bertindak dan kapan harus meminta persetujuan manusia. Ketiga, investasikan skala pada kapabilitas internal, terutama product owner proses, analis data operasi, dan manajer lini yang mampu mengelola exception berbasis insight.

Recommendation. Direksi juga perlu mengubah definisi keberhasilan. Benchmark terbaik bukan jumlah use case atau jumlah model yang dibangun, melainkan seberapa cepat organisasi bisa memindahkan AI dari laboratorium ke workflow inti dengan kontrol yang tetap kuat. Asia Tenggara kini memberi bukti bahwa hal itu bisa dilakukan. Pertanyaannya bagi perusahaan Indonesia bukan apakah contoh sukses sudah ada, tetapi seberapa cepat mereka menerjemahkan pelajaran tersebut menjadi desain operasi yang nyata di perusahaan sendiri.