JPMorgan Chase mengelola anggaran teknologi yang masif tetapi secara terbuka mengakui keterbatasan progresnya yang belum sepenuhnya terukur. Pada musim panas 2024, bank ini meluncurkan LLM Suite tanpa mewajibkan karyawannya menggunakan platform kecerdasan buatan (AI) internal tersebut.
JPMorgan tidak menyuruh karyawannya menjadi analis riset. Sebaliknya, JPMorgan meminta karyawannya memperlakukan AI seperti seorang analis riset pribadi.
Jadi, saat karyawan butuh data, draf dokumen, atau ide, mereka tinggal meminta bantuan kepada AI tersebut. Akses diberikan secara bertahap kepada karyawan yang menggunakannya. Sementara itu pengenalannya mengalir organik dari mulut ke mulut.
Di saat industri berlomba-lomba mempublikasikan tingkat adopsi, JPMorgan justru mengabaikan metrik tersebut. Hasilnya, dalam kurun waktu delapan bulan, sebanyak 200.000 dari total lebih dari 300.000 karyawan mendaftarkan diri secara sukarela dan menghasilkan lebih dari 450 kasus penggunaan (use cases) dalam operasional produksi.
Dua tahun berselang, JPMorgan menasbihkan diri sebagai pemimpin global pemanfaatan AI, menduduki peringkat teratas bank pada daftar Fortune AIQ 50 dan posisi ketiga secara keseluruhan di bawah raksasa teknologi.
Kendati demikian, Kepala Analitik JPMorgan Derek Waldron menyoroti celah sistem teknologi AI-nya. ”Ada jarak antara kemampuan teknologi dan hasil bisnis yang benar-benar berhasil dicatatkan oleh bank,” ujar Waldron.
Sikap transparan inilah yang membedakan JPMorgan. Di balik pengakuan tersebut, terdapat kerangka inovasi terstruktur yang dikembangkan selama bertahun-tahun.
Indikator Jelas
Langkah krusial JPMorgan adalah menolak menjadikan tingkat adopsi sebagai tujuan utama. Tanpa paksaan, platform AI berfungsi sebagai barometer alami.
Platform AI yang efektif akan diadopsi secara mandiri. Sedangkan, yang gagal akan ditinggalkan dan memberikan umpan balik berharga.
JPMorgan mensurvei unit bisnisnya dan memetakan masalah nyata. Portal internal berhasil mengumpulkan hampir seribu gagasan dalam beberapa minggu, yang kemudian disaring melalui tim panelis ketat sebelum masuk tahap produksi.
Sebelum eksperimen diluncurkan, JPMorgan telah menetapkan indikator keberhasilan dan langkah tindak lanjut terlebih dahulu. Perencanaan matang itu memangkas keraguan dan salah persepsi terhadap kegagalan eksperimen.
Pendekatan Klinis dan Metrik Bisnis Menyeluruh
Menetapkan ambang batas (threshold) memerlukan verifikasi ketat akibat dinamika aktivitas bisnis nasabah yang fluktuatif. Untuk mengatasi bias kalender, JPMorgan mengadopsi metode uji klinis.
Perubahan dibagi secara acak ke separuh pengguna. Sedangkan, separuh lainnya bertindak sebagai kelompok kontrol untuk memisahkan kontribusi eksperimental dari faktor eksternal.
Melalui platform mandiri (self-service), bank menjalankan sekitar 300 pengujian per tahun. Puluhan ribu insinyur berhasil mendongkrak efisiensi kerja antara 10 persen hingga 20 persen melalui asisten pemrograman internal.
Praktek Terbaik untuk Perusahaan Lain
Metodologi JPMorgan dapat dicontoh oleh berbagai perusahaan tanpa bergantung pada skala besar maupun anggaran masif melalui sejumlah prinsip berikut:
- Inisiasi Skala Luas: Membuat banyak proyek sekaligus, lalu menganggap kegagalan atau pembatalan sebagai proses seleksi alami untuk mencari yang terbaik.
- Ambang Batas Penghentian: Menentukan kriteria penghentian proyek dan langkah selanjutnya sejak awal untuk menghindari ketidakpastian tim.
- Fokus Metrik Bisnis: Memantau hasil nyata AI sejak hari pertama dan memperlakukan tingkat adopsi sekadar sebagai sinyal awal.
Fokus korporasi sering kali terjebak pada penghematan biaya semata alih-alih membuka peluang pendapatan baru. Sebagaimana diingatkan oleh CEO JPMorgan Jamie Dimon, tidak ada perusahaan yang bisa selamanya menikmati keunggulan AI secara eksklusif karena para pesaing cepat atau lambat akan mengikutinya.
”Potensi diferensiasi terbesar terletak pada pemanfaatan AI untuk menemukan permintaan pasar yang selama ini belum terpenuhi,” ungkap Dimon.
Pada akhirnya, tolok ukur keberhasilan di masa depan bukanlah seberapa banyak teknologi AI yang diadopsi, melainkan proyek mana yang terbukti mendatangkan hasil nyata bagi bisnis.
