Pagi itu, seorang direktur produk membawa kabar baik ke ruang rapat: perusahaan siap meluncurkan belasan produk baru. Namun, ketika ditanya berapa banyak yang benar-benar menjawab kebutuhan pelanggan dan mampu mencapai target pendapatan, ruangan mendadak sunyi. Jumlah ide ternyata tidak sama dengan jumlah inovasi yang berhasil.

Situasi ini bukan pengecualian. Temuan terbaru studi Innovation Reignited dari Ipsos, Alchemy-RX, dan Market Logic menunjukkan bahwa 82% perusahaan berharap inovasi mendorong strategi pertumbuhan mereka. Akan tetapi, hanya 33% pemimpin yang paling ambisius memperkirakan inovasi menyumbang lebih dari 20% pendapatan dalam tiga tahun mendatang.

Di antara harapan besar dan hasil yang belum pasti itu, ada satu teknologi yang sering disebut sebagai jalan keluar: kecerdasan artifisial atau artificial intelligence (AI). Masalahnya, AI tidak otomatis mengubah data menjadi produk sukses. Perusahaan tetap membutuhkan proses yang disiplin, pemahaman konsumen yang tajam, dan keberanian untuk menguji gagasan sebelum mengeluarkan biaya besar.

Angka 82% menunjukkan keyakinan, bukan jaminan

Angka 82% perlu dibaca secara tepat. Studi tersebut mengukur pandangan eksekutif C-suite mengenai inovasi sebagai penggerak pertumbuhan, bukan survei yang hanya mengukur penggunaan AI. Dengan kata lain, banyak perusahaan sudah menempatkan inovasi di pusat agenda pertumbuhan, tetapi belum tentu memiliki mesin eksekusi yang mampu menghasilkan pendapatan sesuai target.

Kesenjangan itu terlihat dari angka lain. Responden melaporkan bahwa kurang dari 75% peluncuran inovasi memenuhi seluruh sasaran peluncuran. Sasaran yang dimaksud dapat mencakup penjualan, adopsi pelanggan, margin, kecepatan masuk pasar, atau tujuan merek. Jika satu dari empat peluncuran tidak memenuhi seluruh target, perusahaan yang menetapkan target pertumbuhan agresif akan menghadapi risiko yang nyata.

Hambatan terbesar bukan kekurangan data

Perusahaan kerap merespons ketidakpastian dengan mengumpulkan lebih banyak data. Padahal, data yang menumpuk tidak selalu menghasilkan pemahaman yang lebih baik. Dalam studi tersebut, 32% eksekutif menyebut kurangnya pemahaman konsumen sebagai penghalang penting bagi inovasi yang bermakna. Sebanyak 46% perusahaan merasa kekurangan insight, meskipun telah berinvestasi dalam riset konsumen.

Penyebabnya cukup praktis. Sebanyak 28% responden mengkhawatirkan akurasi data, sementara 24% merasa memiliki terlalu banyak data tetapi terlalu sedikit insight. Perbedaan ini penting. Data menjawab apa yang terjadi. Insight membantu menjelaskan mengapa hal itu terjadi dan tindakan apa yang layak diambil.

Misalnya, kenaikan keluhan pelanggan tidak langsung berarti perusahaan harus menambah fitur. Keluhan dapat disebabkan oleh harga, proses pembayaran, komunikasi yang tidak jelas, atau pengalaman purnajual. Tim inovasi perlu menghubungkan percakapan pelanggan, tren pasar, aktivitas pesaing, dan kinerja produk sebelum memilih solusi.

Peran AI: mempercepat kerja, bukan mengambil alih penilaian

Studi Ipsos, Alchemy-RX, dan Market Logic menemukan bahwa 83% responden mengharapkan AI memberi dampak sangat atau amat besar terhadap innovation pipeline dalam tiga tahun ke depan. Pemanfaatan yang paling banyak disebut adalah mencari atau merangkum basis data riset sebesar 45%, menulis atau mengoptimalkan konsep produk dan jasa sebesar 45%, serta menguji konsep dengan AI sebagai pelengkap atau pengganti responden manusia sebesar 41%.

Namun, hasil AI tetap bergantung pada mutu pertanyaan, data, dan pengawasan manusia. Model AI dapat merangkum ribuan dokumen dengan cepat, tetapi belum tentu mengetahui data mana yang paling relevan bagi keputusan perusahaan. AI juga dapat menghasilkan banyak konsep, tetapi tidak otomatis memahami batasan regulasi, kemampuan produksi, atau sensitivitas budaya.

Temuan Thomson Reuters memperkuat pentingnya strategi yang terlihat dan terdefinisi. Dalam survei terhadap 2.275 profesional global, hanya 22% yang menyatakan organisasinya memiliki strategi AI seperti itu. Organisasi dengan strategi AI yang jelas tercatat dua kali lebih mungkin mengalami pertumbuhan pendapatan yang berkaitan langsung atau tidak langsung dengan AI dibandingkan organisasi yang mengadopsinya secara informal atau ad hoc.

Karena itu, pendekatan yang lebih aman adalah menempatkan AI sebagai kolaborator dalam empat tahap berikut.

1.Membaca sinyal pasar. AI membantu mengelompokkan topik, kebutuhan, keluhan, dan perubahan perilaku dari berbagai sumber.

2.Menyusun peluang. Tim mengubah temuan menjadi masalah pelanggan yang spesifik, bukan sekadar daftar tren.

3.Menguji dan memprioritaskan. Konsep diuji berdasarkan daya tarik, kelayakan, potensi bisnis, risiko, dan kesesuaian dengan strategi.

4.Belajar setelah peluncuran. Data penjualan, umpan balik, dan respons pasar dikembalikan ke proses inovasi untuk memperbaiki keputusan berikutnya.

Pelajaran dari L’Oréal: AI bekerja ketika terhubung dengan riset produk

L’Oréal memberikan contoh brand luar yang memakai AI untuk memperkuat riset dan inovasi, bukan sekadar membuat materi promosi. Pada Januari 2025, L’Oréal dan IBM mengumumkan kolaborasi untuk memanfaatkan AI generatif dalam menemukan pola baru dari data formulasi kosmetik. Tujuannya adalah membantu penggunaan bahan baku yang lebih berkelanjutan sekaligus mengurangi pemborosan energi dan material.

Menurut laporan Consumer Goods Technology, model AI tersebut akan dilatih menggunakan formula L’Oréal. Tim riset dan inovasi L’Oréal dapat memakainya untuk mengembangkan produk baru, menyusun ulang formula yang sudah ada, menguji bahan terbarukan, serta mengoptimalkan proses peningkatan skala produksi. Laporan yang sama menyebut L’Oréal memiliki sekitar 4.000 peneliti global yang terlibat dalam pengembangan produk.

Pelajarannya bukan bahwa setiap perusahaan harus langsung membangun foundation model sendiri. Pelajaran utamanya adalah memastikan AI bekerja pada masalah yang jelas dan memiliki data yang relevan. Dalam kasus L’Oréal, AI diarahkan pada penemuan formula, personalisasi, keberlanjutan, dan efisiensi produksi. Keputusan akhir tetap membutuhkan keahlian ilmuwan, pemeriksaan keamanan, serta pengujian produk.

Kasus L’Oréal menunjukkan pentingnya menghubungkan teknologi dengan tujuan bisnis dan pelanggan. AI menjadi lebih bernilai ketika mempercepat iterasi riset, membantu menemukan kombinasi bahan, dan mendukung produk yang lebih sesuai kebutuhan konsumen. Tanpa validasi ilmiah, tata kelola, dan ukuran keberhasilan, model AI hanya akan menjadi demonstrasi teknologi.

Cara mengoptimalkan proses inovasi berbasis AI

1. Mulai dari keputusan, bukan dari teknologi

Sebelum membeli alat AI, tetapkan keputusan yang ingin diperbaiki. Apakah perusahaan ingin memilih konsep produk, memprediksi permintaan, memahami alasan pelanggan berhenti menggunakan layanan, atau memetakan gerak pesaing? Pertanyaan ini menentukan data, model, dan ukuran keberhasilan yang diperlukan.

2. Bangun innovation funnel yang lebih tajam

Funnel inovasi adalah rangkaian tahap dari pengumpulan peluang sampai peluncuran. Perusahaan sebaiknya tidak hanya mengukur banyaknya ide. Ukur juga persentase ide yang memiliki masalah pelanggan yang jelas, lolos validasi, memenuhi kriteria kelayakan, dan menghasilkan kinerja setelah peluncuran.

Penilaian dapat menggunakan lima dimensi: relevansi kebutuhan, potensi pasar, keunikan solusi, kelayakan pelaksanaan, dan risiko. AI membantu menyusun bukti serta menemukan pola, sedangkan keputusan akhir tetap berada pada tim yang memahami konteks bisnis.

3. Satukan data internal dan eksternal

Data penjualan dan penggunaan produk penting, tetapi tidak cukup. Perusahaan juga perlu membaca ulasan, pemberitaan, percakapan publik, tren pencarian, perubahan kebijakan, dan aktivitas pesaing. Penggabungan sumber membantu tim membedakan masalah yang bersifat sementara dari perubahan kebutuhan yang lebih mendasar.

Di sinilah solusi Strategic Intelligence dari Kazee dapat menjadi pertimbangan bagi organisasi yang ingin mempercepat tahap tersebut. Kazee menyediakan layanan berbasis data besar dan AI untuk membantu perusahaan memahami media, riset, kompetitor, lokasi, serta analisis berita. Pada area Research Intelligence, Kazee menawarkan dukungan untuk pengembangan produk, analisis kompetitif, efektivitas kampanye, dan kepuasan pelanggan.

Pendekatannya bukan sekadar menyajikan angka. Kazee menjelaskan bahwa prosesnya mencakup konsultasi perencanaan riset, metodologi yang disesuaikan, pengumpulan data, segmentasi, serta visualisasi yang lebih mudah dipahami. Bagi tim inovasi, hasil seperti ini dapat menjadi bahan untuk merumuskan masalah, memprioritaskan peluang, dan menguji asumsi sebelum peluncuran.

4. Tetapkan tata kelola AI sejak awal

Kecepatan tidak boleh menghapus tanggung jawab. Microsoft Indonesia menekankan bahwa sistem AI harus berada di bawah kendali manusia dan pengembangnya tetap tunduk pada hukum. Prinsip tersebut relevan bagi perusahaan yang mengolah data pelanggan atau menggunakan AI untuk keputusan produk.

Tata kelola minimum sebaiknya mencakup sumber data, hak akses, perlindungan informasi pribadi, pemeriksaan bias, pencatatan keputusan, dan mekanisme koreksi. Tim juga perlu menyatakan kapan hasil AI hanya menjadi rekomendasi dan kapan keputusan manusia wajib dilakukan.

5. Hubungkan inovasi dengan pendapatan

Target inovasi harus diturunkan menjadi indikator yang dapat diperiksa. Selain jumlah peluncuran, perusahaan dapat mengukur waktu dari ide ke uji pasar, tingkat konversi uji coba, tingkat penggunaan berulang, margin, biaya akuisisi, dan pendapatan tambahan. Indikator ini membantu pimpinan mengetahui apakah AI benar-benar meningkatkan pertumbuhan atau hanya mempercepat produksi dokumen dan konsep.

Berani bukan berarti gegabah

Angka 33% memberi pesan penting: hanya sebagian pemimpin yang berani memperkirakan inovasi menyumbang lebih dari 20% pendapatan dalam tiga tahun. Keberanian yang dibutuhkan bukan sekadar menggelontorkan anggaran. Keberanian berarti memilih masalah yang penting, menguji asumsi lebih awal, menghentikan ide yang tidak terbukti, dan mengalokasikan kembali sumber daya kepada peluang yang lebih kuat.

Perusahaan yang ingin masuk kelompok paling ambisius perlu menjawab tiga pertanyaan. Apakah keputusan inovasi didasarkan pada pemahaman konsumen yang cukup? Apakah setiap konsep memiliki ukuran keberhasilan sebelum diluncurkan? Apakah organisasi dapat belajar cepat dari hasil pasar?

Jika jawabannya belum, AI dapat membantu memperbaiki proses, tetapi tidak dapat menutupi kelemahan strategi. Sebaliknya, ketika data yang relevan, keahlian manusia, tata kelola, dan eksperimen terhubung, AI berpotensi mengubah inovasi dari daftar ide menjadi sistem pertumbuhan yang dapat diukur.

Pada akhirnya, 82% adalah sinyal bahwa perusahaan percaya pada inovasi. Angka kurang dari 75% mengingatkan bahwa eksekusi masih menentukan. Dan angka 33% menunjukkan siapa yang paling berani memasang taruhan besar. Pemenangnya bukan perusahaan yang paling banyak menggunakan AI, melainkan perusahaan yang paling mampu mengubah sinyal pasar menjadi keputusan, keputusan menjadi produk, dan produk menjadi nilai bagi pelanggan serta pendapatan yang berkelanjutan.