Perangkat Lunak AI dan Pertanyaan Produktivitas Triliunan Dolar

Jika AI menjadi jauh lebih baik dalam menulis perangkat lunak, apa yang harus diubah para pemimpin bisnis hari ini? Jawaban saya: ukur bagaimana AI memperbaiki proses bisnis yang lengkap, termasuk pekerjaan yang diperlukan untuk memeriksa dan memelihara hasilnya.

Bisakah AI menambah US$20 hingga US$30 triliun ke output ekonomi global tahunan? Elon Musk telah mengajukan perkiraan kasar itu, bersama prediksi bahwa AI bisa menangani hampir semua tugas digital dan mencapai kemampuan coding setara Stockfish. Klaim-klaim ini menarik perhatian karena menunjukkan pergeseran besar dalam ekonomi kerja pengetahuan.

Ini adalah ramalan ambisius, bukan hasil yang sudah terbukti. Pemimpin bisnis harus membedakan kemungkinan keuntungan produktivitas besar dari bukti bahwa AI dapat mengirimkan setiap tugas digital secara andal. Keputusan investasi membutuhkan bukti dari pekerjaan yang benar-benar dilakukan organisasi.

Apa yang dikatakan perbandingan Stockfish

Stockfish adalah mesin catur sumber terbuka dan salah satu yang terkuat di dunia. Perbandingan ini menggambarkan kemungkinan nyata: mesin dapat mengungguli manusia dalam tugas intelektual yang menantang. Namun, analogi itu sendiri tidak dapat memastikan kapan AI akan mengungguli setiap insinyur perangkat lunak.

Catur memiliki aturan tetap, papan yang terlihat, dan tujuan yang jelas. Perangkat lunak perusahaan melibatkan persyaratan yang tidak lengkap, kebijakan yang berubah, sistem warisan, dan prioritas pemangku kepentingan yang bersaing. Sebuah program dapat lulus pengujiannya sambil menyelesaikan masalah bisnis yang salah.

Menghasilkan kode adalah satu bagian dari rekayasa. Memutuskan apa yang dibangun, mengendalikan akses, memeriksa keamanan, menerapkan dengan aman, dan mendukung pengguna tetap menjadi bagian dari hasil. Bahkan AI yang sangat mumpuni membutuhkan proses yang dapat mendeteksi kesalahan dan menetapkan tanggung jawab.

Memahami klaim ekonomi

Kenaikan 20 hingga 30 persen dalam tingkat output ekonomi tahunan berbeda dari pertumbuhan 20 hingga 30 persen setiap tahun. Klaim sebesar ini memerlukan asumsi eksplisit tentang adopsi, keandalan, investasi, dan waktu yang dibutuhkan untuk mewujudkan keuntungan. Memasangkan persentase itu dengan US$20 hingga US$30 triliun menyiratkan ekonomi awal sekitar US$100 triliun.

Sebagai perbandingan, Goldman Sachs menerbitkan skenario 2023 di mana AI generatif dapat menaikkan PDB global sekitar 7 persen, atau hampir US$7 triliun, dan meningkatkan pertumbuhan produktivitas sebesar 1,5 poin persentase selama sepuluh tahun. Itu adalah ramalan bersyarat, bukan hasil terukur atau batas atas keuntungan masa depan. Itu tidak secara independen memvalidasi perkiraan Musk yang lebih besar.

Di tingkat perusahaan, perhitungan yang berguna lebih sederhana: nilai bersih sama dengan nilai output berguna tambahan dan penghematan yang direalisasikan, dikurangi biaya AI, integrasi, tinjauan, pengerjaan ulang, dan kerugian dari kesalahan. Waktu yang dihemat hanya menjadi nilai finansial ketika organisasi dapat menggunakannya secara produktif.

Keunggulan dan biayanya

Kecepatan versus verifikasi. AI bisa mempersingkat penyusunan draf, coding, dan analisis. Para pemimpin harus mengukur waktu yang dibutuhkan untuk memeriksa hasil bersamaan dengan waktu yang dihemat untuk memproduksinya.

Biaya produksi lebih rendah versus biaya operasional baru. Membuat versi pertama mungkin menjadi lebih murah. Penggunaan model, integrasi, pemantauan, dan koreksi masih menghabiskan uang dan waktu staf.

Akses lebih luas versus ketergantungan. Tim yang lebih kecil bisa mengambil pekerjaan yang sebelumnya di luar sumber daya mereka. Ketergantungan pada satu penyedia bisa membuat harga, ketersediaan, dan perubahan model lebih sulit dikelola.

Kapasitas lebih besar versus gangguan tenaga kerja. Staf bisa menghabiskan lebih banyak waktu untuk kebutuhan pelanggan dan keputusan sulit. Bisnis juga perlu merencanakan perubahan peran, pelatihan ulang, dan pengembangan karyawan junior yang tugas belajar rutinnya mungkin diotomatisasi.

Contoh perusahaan praktis

Pertimbangkan bisnis gudang hipotetis yang membangun layanan pelacakan pesanan. AI bisa menyusun antarmuka, mengusulkan kueri basis data, dan menghasilkan kasus uji. Tim tetap perlu mengonfirmasi pelanggan mana yang dapat melihat setiap pesanan, bagaimana ketidaksesuaian stok ditangani, dan apakah layanan bekerja dengan sistem yang ada.

Perbandingan yang bermakna adalah biaya per rilis yang diterima dan kinerja saat digunakan. Ukur waktu pengiriman, cacat, permintaan dukungan, dan hasil pelanggan. Draf pertama yang lebih cepat yang menciptakan lebih banyak insiden produksi dapat mengurangi nilai keseluruhan.

Prinsip yang sama berlaku untuk layanan pelanggan. Mengotomatisasi permintaan langsung dapat meningkatkan waktu respons. Kasus yang tidak jelas membutuhkan jalur yang andal ke seseorang, dengan konteks yang relevan terjaga.

Apa yang harus dilakukan CEO dan CTO

CEO harus memilih satu proses dengan biaya yang dapat diidentifikasi dan hasil pelanggan yang jelas. Tetapkan garis dasar, jalankan uji coba terbatas, dan sepakati terlebih dahulu peningkatan apa yang akan membenarkan perluasan. Sertakan biaya implementasi dan perubahan tanggung jawab staf.

CTO harus mengevaluasi model yang diusulkan pada pekerjaan representatif dari sistem mereka sendiri. Periksa kebenaran, keamanan, privasi, pemulihan dari kegagalan, dan kompatibilitas dengan layanan yang ada. Pisahkan izin untuk mengusulkan perubahan dari izin untuk mengeksekusinya.

Untuk tindakan yang berdampak, tentukan pemilik persetujuan dan simpan jejak audit. Pertahankan kemampuan untuk membatalkan perubahan, membatasi akses, dan menangguhkan otomatisasi ketika kinerja memburuk.

Tinjau ketergantungan pemasok dan latih staf untuk menantang hasil. Perluas penerapan ketika manfaat terukur tetap positif setelah biaya tinjauan dan dukungan. Prediksi ekonomi global harus menginformasikan perencanaan skenario, sementara bukti lokal harus memandu investasi.

Keputusan kepemimpinan

AI dapat mengubah ekonomi kerja digital secara substansial. Skala dan waktunya masih belum pasti. Saran saya: bangun kapasitas untuk mengevaluasi dan mengadopsinya secara bertanggung jawab sekarang, lalu tingkatkan investasi saat bukti menguat.

Proses mana di organisasi Anda yang akan Anda uji lebih dulu, dan bukti apa yang akan meyakinkan Anda bahwa AI telah menciptakan nilai bisnis yang langgeng?

Berpikirlah secara matematis. Rekayasa secara cerdas. Pimpin secara strategis. Bangun secara bertanggung jawab. Skalakan secara global. Ciptakan nilai bisnis nyata melalui kecerdasan buatan.

#ArtificialIntelligence #AIStrategy #EnterpriseAI #SoftwareEngineering #Productivity #BusinessLeadership

Awalnya diterbitkan di LinkedIn oleh Keshavan Thiagaraja. Baca artikel aslinya di LinkedIn. [1]