Keluar dari Sandbox Prompt: AI Perusahaan Masuk ke Jalur Procurement dan Tanggung Jawab

Keluar dari fase main-main: AI menjadi infrastruktur operasi

Pada 11 Juni, OpenAI menyebut BBVA memperluas ChatGPT Enterprise ke 100.000 karyawan di seluruh dunia. Sehari sebelumnya, kasus LSEG menunjukkan trusted AI sudah menyentuh 4.000 karyawan. Bagi founder, dua angka ini adalah sinyal operasi yang jelas: Akuntabilitas adalah moat. Keputusan berikutnya adalah siapa yang boleh membeli, membaca data, dan menghentikan proses.

Kalau proyek AI di perusahaan ramai tetapi hasilnya tipis, atau tim keamanan terus menahan tool baru, masalahnya biasanya bukan sekadar kualitas prompt. Lebih sering, perusahaan masih memakai logika approval proyek lama untuk otomatisasi yang membutuhkan kontrol dinamis.

Góc pandang ALTOS LAB: Governance dulu, autonomy nanti. Perusahaan baru layak membahas agent autonomy setelah procurement, izin akses, review, dan recovery menjadi bagian dari operasi harian.

Kepercayaan adalah produk ketika skala membesar

BBVA memperluas ChatGPT Enterprise ke 100.000 karyawan di seluruh dunia. Di industri perbankan yang sangat ketat soal kepatuhan dan privasi, skala seperti ini tidak lahir hanya dari memilih model yang lebih pintar. BBVA memosisikan AI sebagai mesin transformasi digital bank, lalu memasang pemisahan data dan titik review di dalam cara kerja organisasi.

LSEG juga mendorong trusted AI kepada 4.000 karyawan. Bagi organisasi yang mengelola data pasar keuangan global, nilai AI bukan sekadar cepat, tetapi apakah insight sampai rilis bisa dipercepat tanpa mengorbankan akurasi. Dua contoh ini menunjukkan pola yang sama: ketika pengguna AI tumbuh dari puluhan menjadi puluhan ribu, faktor penentu adalah kepercayaan yang dilembagakan. Output model, jalur keputusan otomatis, dan hak manusia untuk menghentikan proses harus dapat ditelusuri.

Jalur procurement kembali ke cloud dan finance backbone

Untuk founder dan operator, perubahan lain terjadi di jalur pembelian. Dulu, mengadopsi model AI baru sering berarti kontrak vendor baru, review keamanan ulang, dan anggaran terpisah dari alur finance yang sudah ada.

Kolaborasi Oracle dan OpenAI mengubah rute itu. Pelanggan Oracle Cloud Infrastructure yang memenuhi syarat dapat memakai Oracle Universal Credits untuk mengakses OpenAI models and Codex. Artinya, belanja AI bisa lebih dekat dengan komitmen cloud, kontrak procurement, dan anggaran infrastruktur yang sudah berjalan, bukan tercecer di langganan SaaS per tim.

Pandangan ALTOS LAB sederhana: saat membeli AI, jangan hanya bertanya model mana yang paling kuat. Tanyakan apakah belanja itu bisa masuk ke tata kelola vendor, review keamanan, dan alokasi biaya yang sudah dimiliki perusahaan. Saat jalur procurement jelas, AI lebih mungkin bergerak dari pilot menjadi kemampuan jangka panjang.

Sebelum agent otonom, rancang hak menghentikan dan jalur rollback

Microsoft WorkLab menempatkan nilai AI pada desain ulang kerja dan human agency. Anthropic juga menilai agent autonomy lewat interruption, supervision, work traces, dan completion quality. Bagi founder, pesan ini praktis: AI agent tidak menjadi lebih baik hanya karena makin sedikit campur tangan manusia. Agent menjadi berguna jika manusia bisa melihat, menghentikan, dan memperbaiki pada saat yang tepat.

Banyak perusahaan membayangkan agent menjalankan customer service, sales, finance, atau operasi sampai selesai. Tetapi jika workflow menyentuh data pelanggan, pembayaran, kontrak, respons brand, atau akses internal, demo yang mulus belum cukup. Tentukan dulu siapa yang boleh memberi izin akses data, tindakan apa yang harus berhenti menunggu approval manusia, dan bagaimana tim kembali ke kondisi aman terakhir saat terjadi kesalahan.

Tiga langkah yang bisa dilakukan minggu ini

Pertama, petakan penggunaan AI saat ini ke tiga kelompok: alat produktivitas personal, alat kolaborasi tim, dan alat yang menyentuh data inti atau komitmen kepada pelanggan. Kelompok ketiga harus segera masuk ke desain izin dan review resmi.

Kedua, tarik procurement AI kembali ke jalur finance dan IT. Jika setiap departemen membeli sendiri-sendiri, perusahaan akan kehilangan gambaran biaya, eksposur data, dan risiko.

Ketiga, tambahkan jalur pause dan recovery ke setiap workflow AI. Jangan hanya bertanya apakah tugas selesai. Tanyakan siapa yang bisa menghentikan proses, siapa yang membaca log, dan siapa yang mengembalikan output bermasalah ke review manusia.

Kesimpulan ALTOS LAB: kompetisi AI perusahaan pada 2026 tidak hanya ditentukan oleh kemampuan model. Pemenangnya adalah organisasi yang bisa menaruh AI dalam sistem kerja yang bisa dikelola, diaudit, dan dipulihkan. Prompt tetap penting, tetapi bukan lagi medan utama. Medan utamanya adalah batas tanggung jawab.