People, Process, Technology di Era AI: Masih Relevan?

Modul ERP yang paling banyak mengajari saya justru tidak memakai AI sama sekali. Modul accounts payable ANCoraPRO menggantikan approval invoice yang sebelumnya berjalan lewat email dan chat. Solusinya software biasa: approval chain yang dimodelkan per level organisasi, email di setiap tahap, dan catatan untuk setiap keputusan. Turnaround turun dari hitungan hari ke hitungan jam. Bagian tersulitnya bukan kode, melainkan memastikan rantainya benar: submitted, manager, finance, approved, payment, paid. Tidak ada tahap CFO, jadi software-nya juga tidak punya.

Sejak Oktober 2026 jabatan saya mengandung kata AI: saya menghubungkan AI agent ke sistem yang sudah dijalankan sebuah perusahaan. Pekerjaan itu terus memunculkan pertanyaan di judul tulisan ini. Kalau agent bisa mengerjakan pekerjaannya, apakah people, process, technology masih cara yang tepat untuk merencanakan perubahan? Saya tidak mau menjawab dengan opini, jadi saya membaca empat belas sumber, dari bab Harold Leavitt tahun 1965 sampai BCG, MIT NANDA, DORA, Gartner, METR, dan pelajaran seabad lalu tentang motor listrik. Berikut temuannya, posisi saya, dan satu pertanyaan yang ingin saya dengar jawabannya dari Anda di akhir tulisan.

Dari mana people, process, technology berasal

Kerangka ini lebih tua dari kebanyakan software yang direncanakan dengannya. Bab Harold Leavitt tahun 1965 tentang perubahan organisasi, yang terbit dalam Handbook of Organizations suntingan James March, menggambarkan organisasi sebagai empat variabel yang bergerak bersama: task, structure, technology, dan people. Ubah satu, yang lain ikut bergeser, direncanakan atau tidak. Praktik IT kemudian memadatkan keempatnya menjadi tiga kata, dengan task dan structure dilebur menjadi process. ^[1]

Para engineer keamanan menjadikannya kebiasaan. Pada Mei 2000 Bruce Schneier menulis kalimat yang masih sering dikutip: security is a process, not a product. Produk memberi sebagian perlindungan, katanya, tetapi hanya process yang memperhitungkan kelemahan produk itulah yang membuat kita aman. Dibaca seperti itu, kerangka ini tidak pernah berupa checklist tiga kotak. Ia adalah klaim bahwa ketiga kakinya saling terkait, dan bahwa technology yang dibeli tanpa dua kaki lainnya akan memberi hasil di bawah janji brosurnya. ^[2]

Data menunjukkan people dan process tetap menentukan hasil

Survei adopsi AI terbesar menempatkan sebagian besar kesulitan di luar model. BCG menyurvei 1.000 eksekutif di 59 negara pada 2024 dan menemukan 74% perusahaan belum menunjukkan nilai nyata dari AI. Hanya 4% yang punya kapabilitas AI terdepan di berbagai fungsi. Kelompok terdepan ini mengikuti apa yang BCG sebut aturan 10-20-70: 10% sumber daya untuk algoritma, 20% untuk teknologi dan data, dan 70% untuk people dan process. Masalahnya pun tersebar dengan proporsi yang sama: sekitar 70% tantangan berasal dari urusan people dan process. ^[3]

Project NANDA dari MIT sampai pada kesimpulan yang sama dari sudut lain. Laporan 2025 mereka, yang dibangun dari lebih dari 300 inisiatif AI publik, wawancara di 52 organisasi, dan 153 respons survei dari pemimpin senior, menemukan 95% organisasi tidak mendapat imbal hasil apa pun dari generative AI. Penulisnya tegas soal penyebabnya: jurang itu tampaknya tidak ditentukan oleh kualitas model atau regulasi, melainkan oleh pendekatan. Sebagian besar tool enterprise gagal karena workflow yang rapuh, tidak adanya pembelajaran kontekstual, dan ketidakcocokan dengan operasi sehari-hari. ^[4]

Gartner memperkirakan pola yang sama pada agent. Pada Juni 2025 mereka memprediksi lebih dari 40% proyek agentic AI akan dibatalkan sebelum akhir 2027, karena biaya yang membengkak, nilai bisnis yang tidak jelas, atau kontrol risiko yang tidak memadai. Gartner juga memperkirakan hanya sekitar 130 dari ribuan vendor agentic AI yang benar-benar asli; sisanya assistant, tool RPA, dan chatbot yang diberi label baru. Tidak satu pun dari tiga penyebab itu adalah kelemahan model. ^[5]

Listrik sudah pernah menjalankan eksperimen ini

Masalah ini bukan hal baru. Edison sudah menjual listrik sebagai komoditas di awal 1880-an, tetapi pada 1900 kurang dari 5% tenaga penggerak mekanis di pabrik-pabrik Amerika berasal dari motor listrik. Pemilik pabrik yang mengganti mesin uap dengan motor sering kecewa dengan penghematannya, karena pabriknya masih dibangun mengelilingi satu driveshaft raksasa yang terus berputar. ^[6]

Hasilnya baru datang ketika pabrik didesain ulang mengikuti teknologi baru: motor kecil di setiap mesin, tata letak yang mengikuti lini produksi, dan pekerja yang diberi otonomi lebih besar. Ringkasan Tim Harford atas karya sejarawan ekonomi Paul David sangat lugas: semuanya harus diubah, arsitektur dan proses produksinya, bahkan cara pekerja direkrut, dilatih, dan dibayar. Produktivitas manufaktur Amerika melonjak pada 1920-an, setelah para produsen akhirnya paham cara memakai teknologi yang umurnya hampir 50 tahun. ^[6]

Para ekonom punya nama untuk keterlambatan itu. Erik Brynjolfsson, Daniel Rock, dan Chad Syverson menyebutnya productivity J-curve: teknologi serbaguna seperti AI memungkinkan sekaligus menuntut investasi pelengkap yang besar pada keterampilan, process, dan organisasi, yang nyaris tidak terukur oleh statistik resmi. Selama investasi itu berjalan, produktivitas terlihat datar, bahkan negatif. Menempelkan model AI ke process yang tidak berubah sama dengan mengganti mesin uap dengan motor tanpa memindahkan mesinnya. ^[7]

AI memperbesar process yang sudah Anda punya

Bukti terbaik dari tim software merangkumnya dalam satu kalimat. Program DORA dari Google menyurvei hampir 5.000 profesional teknologi untuk laporan 2025. 90% memakai AI dalam pekerjaan dan lebih dari 80% merasa lebih produktif, tetapi adopsi AI masih berhubungan negatif dengan stabilitas software delivery, dan 30% mengaku sedikit atau sama sekali tidak percaya pada kode buatan AI. Kesimpulan DORA: peran utama AI adalah sebagai amplifier, yang memperbesar kekuatan dan kelemahan yang sudah ada di sebuah organisasi. ^{[8, 9]}

Survei BCG 2025 terhadap 10.600 pekerja di 11 negara menemukan sisi people mulai mandek. Hanya 51% karyawan frontline yang rutin memakai AI, angka yang tidak bergerak, dan hanya 25% yang merasa pemimpinnya memberi arahan yang cukup soal AI. Pekerja yang mendapat pelatihan lima jam atau lebih jauh lebih mungkin menjadi pengguna rutin. Perusahaan yang menurut BCG berhasil membuka nilai AI adalah yang melampaui sekadar deployment dan membentuk ulang seluruh workflow. ^[10]

Saya melihat efek amplifier itu dalam skala kecil saat menjalankan Claude Code agent tanpa pengawasan di server saya sendiri. Sebagian besar kegagalan yang saya catat adalah bug harness, bukan kesalahan model: process di sekitar model, bukan modelnya. Detailnya, lengkap dengan riset yang dipublikasikan, ada di tulisan saya tentang harness engineering untuk AI agent.

People: dari mengerjakan menjadi menilai

Kaki people berubah paling kasatmata. Pada Februari 2024 Klarna mengumumkan AI assistant-nya menangani 2,3 juta percakapan di bulan pertama, dua pertiga dari seluruh chat customer service, dan mengerjakan beban setara 700 agen penuh waktu. Pelanggan menyelesaikan urusannya dalam waktu kurang dari 2 menit, dari sebelumnya 11 menit. ^[11]

Pada Mei 2025 CEO-nya, Sebastian Siemiatkowski, mengatakan kepada Bloomberg bahwa biaya terlalu dominan sebagai faktor penilaian, dan yang akhirnya didapat adalah kualitas yang lebih rendah. Klarna kembali merekrut manusia supaya, dalam kata-katanya, selalu ada manusia kalau pelanggan menginginkannya. Teknologinya berjalan. Yang kurang diperhitungkan adalah kaki people: siapa yang menilai kualitas, dan siapa yang bisa dihubungi pelanggan ketika bot-nya salah. ^[12]

Bahkan orang yang memakai AI pun salah menilainya. Dalam uji acak METR tahun 2025, 16 developer open-source berpengalaman butuh waktu 19% lebih lama untuk tugas nyata saat boleh memakai tool AI, tetapi setelahnya yakin AI mempercepat mereka 20%. Update METR Februari 2026 menyebut developer kemungkinan besar lebih terbantu oleh tool masa kini, tetapi efeknya sulit diukur, sebagian karena makin banyak developer yang menolak bekerja tanpa AI sama sekali. Pelajaran untuk kaki people bukan bahwa AI itu lambat, melainkan bahwa perasaan adalah metrik yang buruk, dan harus ada orang yang bertanggung jawab atas pengukurannya. ^{[13, 14]}

Process: kaki yang diubah AI menjadi kode

Perubahan terbesar ada di process. Sebelum AI, dokumen process ditulis untuk manusia, dan manusia mengisi celahnya dengan pertimbangan sendiri atau bertanya ke rekan kerja. Agent tidak bertanya ke rekan kerja. Process yang bisa dijalankan agent harus menyebut trigger, langkah, titik keputusan, data yang dibaca tiap langkah, definisi selesai, dan siapa pemilik pengecualiannya. Kalau langkah-langkahnya hanya ada di kepala seseorang, tidak ada yang bisa diikuti agent, dan yang Anda otomasi hanyalah tebakan.

Inilah bentuk yang akan saya tulis sebelum menyerahkan process apa pun ke agent. Langkah-langkahnya adalah approval chain asli dari proyek ANCoraPRO; field lainnya adalah template untuk diisi sesuai process Anda sendiri.

# Process card: written so a person or an agent can run it.
# Steps: the real ANCoraPRO accounts payable chain. Everything else: a template.
process: ap-invoice-approval
trigger: supplier invoice received
steps:                  # only what the company actually does; no CFO step
  - submitted
  - manager
  - finance
  - approved
  - payment
  - paid
decisions:              # every fork, and where a rejection goes
  manager: approve | reject -> ?
  finance: approve | reject -> ?
reads: [invoice, purchase_order, vendor]   # the data each step needs
done_when: paid, with every approver and timestamp recorded
exceptions_owner: ?     # a named person; an agent escalates, never guesses
human_checkpoint: finance   # the step where judgement stays with a person

Perhatikan dua baris terakhir. Process yang ditulis untuk agent harus menyebut di mana agent berhenti dan manusia memutuskan. Baris itulah tempat kaki process bertemu kaki people, dan melewatkannya adalah cara kualitas turun diam-diam, seperti yang dialami Klarna.

Technology: kaki termurah, dipilih paling akhir

Technology tetap sebuah kaki, tetapi sekarang menjadi yang termurah dan paling cepat berubah. Model makin bagus dan makin murah setiap beberapa bulan, dan perkiraan agent washing dari Gartner mengingatkan bahwa banyak yang dijual sebagai barang baru hanyalah label baru. MIT NANDA juga menemukan kemitraan dengan vendor eksternal punya tingkat keberhasilan dua kali lipat dibanding build internal, yang menunjukkan bahwa membangun lapisan model sendiri jarang menjadi sumber nilai. ^{[5, 4]}

Jadi saya memperlakukan technology sebagai keputusan terakhir, bukan pertama, dan sebagai keputusan yang siap saya ulang. Pilih setelah process-nya tertulis, buat process-nya tidak bergantung pada satu model tertentu, dan buat biaya pindahnya murah. Kalau process Anda hanya jalan dengan model dari satu vendor, process itu diam-diam sudah menjadi bagian dari kaki technology, dan akan menua secepat teknologinya.

Kesimpulan saya: masih relevan, sebagai urutan

People, process, technology masih relevan di era AI. Bukti di atas tidak melemahkannya; justru inilah argumen terkuat untuknya dalam beberapa dekade. Yang berubah adalah arti dari tiap kaki.

Urutannya sama pentingnya dengan kakinya. Mulai dari orang yang memiliki hasilnya, tulis process-nya sampai agent bisa mengikutinya, baru pilih technology-nya. Jika dikerjakan dengan urutan itu, kerangka ini bukan peninggalan masa lalu. Ia adalah checklist yang dilewati sebagian besar proyek AI yang mandek.

Kerangka ini bertahan melewati era mesin uap, listrik, komputer, dan web karena memang tidak pernah tentang satu teknologi. AI tidak mematahkannya. AI justru menaikkan harga yang harus dibayar kalau kita mengabaikannya, karena agent akan menjalankan process yang rusak lebih cepat dan lebih yakin daripada manusia mana pun.

Bacaan terkait

• Harness engineering untuk AI agent: bukti riset dan praktik nyata
• ERP process mapping: pekerjaan requirements yang menyelamatkan proyek
• AI pair programming dan kesenjangan skill developer junior