AI untuk Bisnis: Apa yang Bisa (dan Tidak Bisa) Dilakukan

Promosi penjualan yang paling cepat berkembang dalam AI untuk bisnis saat ini adalah promosi yang kami dengar setiap minggu: seorang pendiri akan melewatkan seluruh percakapan dengan vendor perangkat lunak dan meminta AI membangun sistem point-of-sale mereka hanya dalam satu akhir pekan. Promosi tersebut terdengar masuk akal. Anda menjelaskan apa yang Anda inginkan, model menulis kodenya, Anda membuka bisnis pada hari Senin. Orang-orang melakukan hal-hal yang benar-benar mengesankan dengan cara ini: halaman pendaratan, dasbor internal, kerangka aplikasi seluler.

Kemudian mereka mencoba menerima pembayaran nyata, dan akhir pekan itu berubah menjadi satu kuartal penuh (paham pelesatannya?).

Ini bukan peringatan terhadap AI. Kami menggunakannya terus-menerus, dan para pedagang yang memahami kelebihan aslinya akan melangkah lebih maju daripada mereka yang tidak. Namun ada pola kegagalan khusus yang terjadi saat ini dalam perdagangan, dan penting untuk memahami mengapa hal itu terjadi, bukan hanya fakta bahwa hal itu terjadi.

Catatan tentang waktu: ini ditulis pada Juli 2026, ketika Claude Opus 4.8, Gemini 3.5 Flash, dan GPT-5.5 adalah model yang paling banyak digunakan orang. Jajaran tersebut akan terlihat usang dengan cepat. Alat-alat ini berubah dari bulan ke bulan, dan batasan yang nyata hari ini mungkin sudah teratasi pada saat Anda membaca ini, sementara keunikan baru muncul yang belum ditandai oleh siapa pun. Perlakukan rincian di bawah ini sebagai cuplikan, dan biasakan untuk memeriksa kemampuan saat ini serta kelemahan yang diketahui dari model apa pun yang sebenarnya Anda jalankan.

Bagaimana model-model ini sebenarnya bekerja

Model bahasa besar (LLM) adalah mesin prediksi. Model ini telah membaca sejumlah besar teks dan kode, dan pada intinya model ini melakukan satu hal dengan sangat baik: berdasarkan semua yang tertulis sejauh ini, model ini memperkirakan potongan teks berikutnya yang paling mungkin. Itu saja. Tidak ada basis data tempat ia mencari sesuatu, tidak ada buku besar internal berisi fakta-fakta benar yang ia periksa. Model ini menghasilkan kelanjutan yang paling masuk akal.

Desain itulah yang membuatnya terasa ajaib untuk beberapa tugas. Menulis deskripsi produk, menyusun draf email, menghasilkan komponen React yang merender kisi tombol yang rapi: ini adalah masalah penyelesaian pola, dan model telah melihat jutaan contoh. Outputnya terlihat benar karena memang benar, secara statistik.

Masalah dimulai ketika "paling masuk akal" dan "benar secara nyata" tidak lagi menjadi hal yang sama.

Halusinasi, secara sederhana

Ketika sebuah model menghasilkan sesuatu yang terdengar meyakinkan tetapi sepenuhnya salah, industri menyebutnya sebagai halusinasi. Kata tersebut membuatnya terdengar seperti gangguan sistem (glitch). Padahal bukan. Itu adalah sistem yang bekerja sesuai rancangan, menghasilkan teks yang masuk akal, dalam situasi di mana hal yang masuk akal dan kebenaran telah menyimpang.

Tanyakan kepada model tentang metode API untuk mengembalikan sebagian dana (refund), dan jika model tersebut belum melihat dokumentasi terkini yang tepat, model tersebut tidak akan mengatakan "Saya tidak tahu." Itu bukan kelanjutan yang mungkin. Sebaliknya, model tersebut akan menciptakan nama metode yang terlihat persis seperti metode nyata, dengan konvensi penamaan yang tepat dan parameter yang masuk akal. Ini terbaca sebagai hal yang berwenang. Metode ini akan gagal secara diam-diam saat pelanggan meminta uang mereka kembali.

Hal ini lebih penting dalam perdagangan daripada di tempat lain, karena dampak dari kesalahan kecil adalah perputaran uang yang tidak benar. Pengantar blog yang berhalusinasi memang memalukan. Namun, perhitungan pajak, alur pengembalian dana, atau pengurangan inventaris yang berhalusinasi adalah tolak bayar (chargeback), audit, atau pelanggan yang ditagih dua kali.

Mengapa membangun Perdagangan lebih sulit daripada yang terlihat

Ketika seseorang berkata "buatkan saya POS" atau "buatkan saya toko," mereka biasanya membayangkan layarnya: kisi produk, keranjang belanja, tombol checkout. AI dapat menghasilkan layar itu dengan cepat dan akan terlihat profesional.

But layarnya adalah 10% bagian yang mudah. Bagian yang menjadikannya sebuah sistem perdagangan alih-alih sekadar gambar adalah semua hal di belakangnya, dan hampir semua itu adalah status (state) dan integrasi, bukan tata letak:

Pembayaran. Menerima uang melibatkan pemroses pembayaran, akun merchant, kepatuhan PCI, penanganan kartu yang ditokenisasi, dan selusin kasus khusus seperti kartu yang ditolak, penarikan sebagian, pengembalian dana, sengketa, dan konversi mata uang. Sebuah model dapat menulis kode yang terlihat seperti memanggil API pembayaran. Apakah kode tersebut aman, patuh, dan menangani kasus kegagalan dengan benar adalah pertanyaan yang sama sekali berbeda, dan itulah pertanyaan yang penting.

Inventaris. Stok bukan sekadar angka di halaman; itu adalah angka yang harus tetap benar saat dua pelanggan melakukan checkout untuk unit terakhir pada saat yang sama, saat pengembalian barang masuk, saat penghitungan manual menyesuaikannya. Jika konkurensi salah, Anda akan menjual secara berlebihan. Model terkenal sangat lemah dalam logika yang bergantung pada status dan rentan terhadap kondisi balapan (race condition) ini justru karena kebenaran di sini bergantung pada perilaku runtime yang tidak pernah dilihat oleh model.

Riwayat pesanan dan rekonsiliasi. Setiap transaksi harus dicatat sekali, secara tidak dapat diubah, dan direkonsiliasi dengan apa yang menurut pemroses benar-benar terjadi. Ini adalah logika pembukuan yang membosankan dan tidak menarik, dan ini adalah bagian yang menjauhkan Anda dari masalah dengan akuntan Anda dan otoritas pajak.

Pajak. Tarif bervariasi berdasarkan wilayah hukum, kelas produk, lokasi pelanggan, dan tarif tersebut berubah. Fungsi pajak yang terlihat masuk akal lebih buruk daripada tidak ada fungsi pajak sekali, karena fungsi tersebut akan salah dengan cara yang tidak Anda sadari sampai Anda melaporkannya.

Semua ini bukanlah masalah tata letak. Ini adalah masalah kebenaran dari waktu ke waktu, dan "menghasilkan kode yang paling masuk akal" secara struktural adalah alat yang salah untuk menjamin kebenaran dari waktu ke waktu.

Di mana AI benar-benar layak mendapatkan tempatnya

Kami tidak menyuruh Anda untuk menjauhkan AI dari bisnis Anda. Justru sebaliknya. Sebagian besar dari apa yang dibutuhkan toko kecil sehari-hari berada tepat di zona di mana AI memberikan keuntungan nyata, dan jika Anda tidak menggunakannya untuk hal-hal ini, Anda bekerja lebih keras daripada pesaing Anda.

Pola yang membuat sesuatu cocok: draf pertama yang meyakinkan menghemat waktu nyata Anda, dan Anda dapat melihat hasilnya serta mengetahui apakah itu bagus. Pekerjaan pemasaran dan konten sangat cocok dengan hal ini.

Menghasilkan gambar untuk iklan. Anda dapat menghasilkan visual iklan, maket produk, dan grafis sosial dalam hitungan menit alih-alih membayar untuk sesi pemotretan atau langganan stok foto. Untuk promo musiman atau uji coba A/B cepat dari dua materi iklan, ini sangat berguna dan biayanya mendekati nol.

Menulis postingan sosial dan teks takarir (caption). Berikan produk dan nada bicara Anda, dan AI akan menyusun draf postingan untuk seminggu lebih cepat daripada saat Anda menulis satu postingan. Anda tetap menjadi editornya, tetapi masalah halaman kosong akan hilang.

Menghasilkan ide iklan dan buletin. Di sinilah AI bersinar bahkan ketika hasilnya belum final. Mintalah dua puluh sudut pandang untuk kampanye kembali ke sekolah dan sebagian besar akan biasa saja, tetapi dua atau tiga akan layak dijalankan, dan Anda tidak akan pernah melakukan curah brainstorm untuk kedua puluh sudut pandang itu sendiri.

Mendiskusikan keputusan. Gunakan AI sebagai papan diskusi untuk pertanyaan bisnis umum, seperti bagaimana menyusun penawaran loyalitas atau apa yang harus diuji selanjutnya. Perlakukan AI sebagai rekan kerja cerdas yang terkadang salah dengan meyakinkan, bukan sebagai peramal, dan ia akan menjadi mitra berpikir yang berguna.

Di samping itu, kemenangan yang kurang menarik: merangkum ulasan dan tiket dukungan sehingga Anda dapat melihat pola, menyusun versi pertama otomatisasi untuk diverifikasi oleh manusia, dan menjawab pertanyaan "bagaimana cara" tentang alat yang sudah Anda gunakan.

Dua peringatan yang membedakan hasil yang baik dari sampah AI yang jelas

Pertama, visual yang dihasilkan AI memiliki masalah kesamaan. Tampilan default, poster gradien yang mengilap dan agak terlalu sempurna itu, kini sangat umum sehingga pelanggan langsung mengenalinya, dan itu terbaca sebagai barang murah. Jika Anda menggunakan gambar yang dihasilkan, melangkahlah melampaui hasil pertama: ubah gayanya, masukkan warna merek dan foto produk Anda sendiri, pangkas dan edit seperti titik awal alih-alih karya yang sudah selesai. Poster yang terlihat seperti poster AI lainnya memberikan dampak yang lebih kecil bagi Anda daripada tidak ada poster sekali.

Kedua, koreksi kembali semuanya sebelum dikirimkan. Karena AI menyatakan hal-hal yang salah seyakin hal-hal yang benar, harga yang berhalusinasi, fitur produk yang dibuat-buat, atau statistik palsu akan langsung masuk ke buletin Anda jika Anda tidak memeriksanya. Aturannya sederhana: AI dapat menulis draf, tetapi manusia yang menyetujui sebelum apa pun sampai ke pelanggan. Bacalah setiap kata seolah-olah Anda akan bertanggung jawab atas kata tersebut, karena memang demikian adanya.

Benang merah dari semua itu: AI sangat bagus di mana draf yang meyakinkan menghemat waktu Anda dan Anda dapat dengan mudah memeriksa hasilnya.

It's berbahaya di mana kesalahan kecil yang meyakinkan merugikan uang Anda dan Anda tidak dapat dengan mudah memeriksa hasilnya.

Perbedaan yang benar-benar penting

Inilah bagian yang terlewatkan dari sebagian besar cerita "AI membangun POS saya". Ada perbedaan antara meminta AI untuk invent commerce logic dari awal dan memintanya untuk merakit toko di atas infrastruktur yang sudah menangani uang dengan benar.

Ketika sebuah model serbaguna menulis penanganan pembayaran Anda, matematika inventaris Anda, dan logika pajak Anda dari nol, setiap hal tersebut adalah kesempatan baru untuk menghalusinasikan sesuatu yang masuk akal tetapi salah. Anda memercayai mesin prediksi dengan bagian-bagian yang harus tepat. Itulah versi yang berubah menjadi proyek debugging selama satu kuartal.

But pemrosesan pembayaran, pengurangan stok, buku besar pesanan, rekonsiliasi: tidak satu pun dari ini perlu diciptakan kembali untuk setiap toko. Itu adalah masalah sulit yang sama yang dimiliki setiap pedagang, dan masalah tersebut harus diselesaikan sekali, dengan benar, oleh orang-orang yang menangani kasus-kasus khusus tersebut dengan sengaja. Ketika fondasi itu sudah ada dan diketahui berfungsi, pekerjaan yang tersisa untuk AI adalah bagian yang benar-benar dikuasainya: menyusun permukaan, mengatur tata letak, menghubungkan alur. Hal yang masuk akal tidak masalah di sana, karena manusia dapat melihat hasilnya dan uang di bawahnya sudah ditangani.

So pelajarannya bukanlah "jauhkan AI dari perdagangan." Melainkan: sangat curigai pengaturan apa pun di mana AI menghasilkan logika yang memindahkan uang, dan jauh lebih nyaman di mana AI membangun di atas infrastruktur yang sudah memindahkan uang dengan benar. Yang pertama adalah meminta mesin prediksi untuk menjadi tepat. Yang kedua adalah membiarkannya melakukan apa yang dikuasainya sementara sesuatu yang dibangun untuk kebenaran menangani sisanya.

Etalase toko harus benar. Uang harus bergerak dengan benar setiap saat, bukan sebagian besar waktu. Penggunaan AI yang cerdas dalam perdagangan adalah mengetahui di lapisan mana ia berada, dan memastikan lapisan di bawahnya tidak pernah dibiarkan begitu saja berdasarkan tebakan.