AI mengotomatisasi pekerjaan yang 'dibenci' karyawan, bukan pekerjaan yang 'menghasilkan uang'.
Beberapa hari yang lalu, GeekPark melaporkan bahwa Microsoft, perusahaan yang menginvestasikan besar-besaran pada AI, diam-diam menghentikan lisensi Claude Code untuk sebagian besar karyawan internalnya.
Hal ini sangat aneh, karena dalam gelombang adopsi AI ini, poin pemasaran terbesar untuk pengguna perusahaan adalah 'meningkatkan efisiensi'. Jika bisa meningkatkan efisiensi, mengapa Microsoft justru menghentikan karyawannya menggunakan Claude Code?
Microsoft bukan satu-satunya perusahaan yang melakukan ini. 'Mengencangkan penggunaan Token', tidak lagi mendorong karyawan untuk melakukan Vibe Coding secara gila-gilaan, telah menjadi tren baru di perusahaan teknologi Silicon Valley.
Uber menghabiskan anggaran token AI tahunan dalam empat bulan. Cek tahunan Salesforce untuk Anthropic sekitar $300 juta. Seorang konsultan AI mengungkapkan, salah satu kliennya menghabiskan biaya AI hingga $500 juta per bulan. Meta bahkan diam-diam menurunkan 'peringkat tokenmaxxing' internal — papan peringkat itu awalnya dirancang untuk mendorong karyawan lebih banyak menggunakan AI.
Sekarang, perusahaan-perusahaan sedang melakukan hal yang beberapa tahun lalu tidak terbayangkan:
Membatasi, dan memantau penggunaan AI oleh karyawan.
Mengapa perusahaan besar beralih arah?
'Tokenmaxxing', Cerminan Zaman
Untuk memahami krisis biaya hari ini, kita harus paham dulu apa itu 'tokenmaxxing'.
Istilah ini mulai populer sekitar tahun 2025, arti harfiahnya adalah 'memaksimalkan penggunaan token'. Di baliknya ada logika manajemen — karena perusahaan menghabiskan banyak uang untuk membeli alat AI, karyawan harus menggunakannya semaksimal mungkin, semakin banyak digunakan semakin membuktikan Anda semakin 'bertansformasi digital', semakin sedikit digunakan berarti menyia-nyiakan sumber daya. Banyak perusahaan kemudian menetapkan kuota penggunaan, papan peringkat, bahkan evaluasi kinerja, mendorong karyawan untuk menggunakan AI.
Hasilnya?
Karyawan mulai menggunakan model AI tingkat perusahaan untuk mengecek cuaca, menulis ucapan ulang tahun, bertanya mau makan apa hari ini.
Sebuah penelitian terhadap 2444 perusahaan menemukan, untuk setiap $1 yang dihabiskan perusahaan untuk token AI, $0.44 digunakan untuk memperbaiki bug yang dihasilkan AI, $0.27 untuk menulis ulang kode yang dihasilkan AI, $0.11 habis dalam peninjauan dan penundaan penggabungan.
Artinya, di balik setiap dolar biaya pengadaan AI, masih ada kerugian tersembunyi hampir 80%.
Investor Shruti Gandhi menggunakan perumpamaan yang tepat: "Perusahaan tokenmaxxing, seperti perusahaan yang mengukur produktivitas dengan menyalakan semua lampu — menghabiskan lebih banyak uang, tidak sama dengan menghasilkan lebih banyak."
Yang lebih ironis, kebanyakan perusahaan ini bahkan tidak tahu apa yang sedang dilakukan karyawan dengan AI, apalagi apakah penyelesaian tugas-tugas itu membawa perubahan apa pun karena AI.
Perlombaan 'membakar uang' ini berlangsung dari 2024 hingga 2025, dan akhirnya meledak tahun ini. JPMorgan menerbitkan laporan dengan kata-kata keras, judulnya sangat lugas dan tidak nyaman — 'Biaya Token AI Sedang Melahap Keuntungan Internet'.
Shopify, Spotify, ServiceNow, Roku dalam panggilan konferensi keuangan menyebutkan, AI menjadi sumber tekanan utama belanja operasional. Suasana industri secara keseluruhan, mulai beralih dari 'keren menggunakan AI' menjadi 'apakah uang ini benar-benar sebanding'.
Saat CEO Mulai Meragukan ROI
Hanya 14% CFO yang menyatakan dapat melihat pengembalian yang terukur dan jelas dari investasi AI.
Andrew Macdonald, Chief Operating Officer Uber, dalam podcast mengatakan sesuatu yang sangat jujur — mereka merasa sulit menghubungkan peningkatan produktivitas individu karyawan dengan dampak bisnis perusahaan secara keseluruhan. "Jika Anda tidak bisa melihat berapa banyak fitur bernilai yang didorong AI kepada pengguna, biaya token lebih sulit dipertanggungjawabkan."
Kalimat ini menyentuh inti dari dilema AI perusahaan: peningkatan efisiensi individu, tidak sama dengan pertumbuhan pendapatan perusahaan.
Karyawan menggunakan AI untuk menulis laporan mingguan tiga kali lebih cepat, tetapi pendapatan perusahaan tidak berubah. Insinyur menggunakan AI untuk menghasilkan kode dengan kecepatan dua kali lipat, tetapi 'tingkat pergantian' kode — yaitu proporsi yang dibuang atau ditulis ulang — meningkat 800%.
Mantan Chief AI Officer Microsoft, Sophia Velastegui, mengatakan sesuatu yang membuat banyak manajer tidak nyaman: "Kebanyakan orang secara default mengotomatisasi tugas yang tidak mereka sukai, bukan tugas yang paling berharga bagi perusahaan."
Intinya, perusahaan mengotomatisasi pekerjaan yang 'dibenci' karyawan, bukan pekerjaan yang 'menghasilkan uang'.
Ini bukan masalah teknologi, tapi masalah prioritas. Itulah sebabnya mengapa sekitar 30% proyek AI generatif, macet di fase proof of concept dan kemudian ditinggalkan — biaya tidak jelas, nilainya juga tidak jelas, bos tentu tidak memperpanjang.
Cara penanganan CEO Salesforce, Marc Benioff, cukup representatif. Menghadapi tagihan Anthropic $300 juta per tahun, harapannya adalah sebuah 'router pintar': yang bisa menilai kueri mana yang layak menggunakan model teratas, dan mana yang cukup menggunakan model kecil yang lebih murah.
Ide ini sendiri tidak aneh — sejak era komputasi awan, 'bayar sesuai kebutuhan' dan 'optimasi sumber daya' sudah menjadi operasi standar. Tetapi gelombang AI kali ini datang terlalu cepat, semua orang membeli dulu berpikir belakangan, sekarang baru mulai mengejar ketinggalan.
Kembali ke Rasionalitas, atau Pertanda Musim Dingin?
Baru-baru ini Microsoft membatalkan sebagian besar lisensi perusahaan untuk Claude Code, alasan resminya mengarah pada faktor biaya. Hal ini memicu diskusi yang tidak kecil di industri — bagaimanapun juga Microsoft sendiri adalah investor terbesar OpenAI, sementara pada saat yang sama memotong langganan pesaing, seberapa banyak pertimbangan biaya, seberapa banyak tata letak strategis, sulit dikatakan.
Tapi bagaimanapun, itu mewakili sebuah sinyal: perusahaan mulai memilih dengan kaki mereka.
Harness dan CloudZero hampir pada hari yang sama — 28 Mei — masing-masing merilis alat manajemen biaya AI, yang satu fokus pada pemantauan real-time pengeluaran dan ROI AI, yang lain meluncurkan 'bidang kontrol keuangan AI', membantu perusahaan menghubungkan setiap dolar pengeluaran AI dengan hasil bisnis konkret.
Kemunculan kedua produk ini sendiri sudah menunjukkan masalah: ada permintaan pasar, dan permintaan itu mendesak.
HubSpot mulai April tahun ini menyesuaikan model penetapan harga agen AI, tidak lagi dikenakan biaya per token, diganti menjadi biaya per 'percakapan yang diselesaikan' atau 'prospek yang dihasilkan' — ini adalah perubahan arah, menyelaraskan kepentingan penjual dengan hasil aktual pembeli. ServiceNow juga melakukan penyesuaian serupa. Vendor AI mulai menyadari, jika mereka terus menjual 'penggunaan' daripada 'hasil', pelanggan perusahaan pada akhirnya akan melawan bersama.
Penyesuaian ini, adalah rasa sakit yang harus dialami industrialisasi AI, atau awal dari krisis yang lebih besar?
Saya cenderung menganggapnya sebagai yang pertama. Tetapi ada satu detail yang sedikit mengkhawatirkan: pengeluaran perangkat lunak AI global diperkirakan akan mencapai $2,59 triliun pada tahun 2026, meningkat 47%, tetapi pada saat yang sama, 94% kepala teknik menyatakan metrik ROI kunci masih hilang. Uang yang dihabiskan semakin banyak, tetapi tidak ada yang tahu dibakar di mana, apakah sepadan — kontradiksi ini jika tidak diselesaikan, momen 'tokenmaxxing' berikutnya hanyalah masalah waktu.
Sebuah analisis majalah Fortune mengatakan dengan sangat langsung: "Tokenmaxxing itu mudah, mendesain ulang alur kerja itu sulit." Kebanyakan perusahaan sekarang melakukan optimasi alur kerja yang ada, bukan menciptakan kembali model bisnis. Di sinilah nilai sebenarnya dari AI, dan di sinilah sebagian besar perusahaan belum mencapainya.
Kembali ke rasionalitas adalah hal baik. Tetapi setelah kembali ke rasionalitas, perusahaan masih perlu menjawab pertanyaan yang lebih sulit: AI untuk bisnis kita, seharusnya menjadi palu, atau kerangka berpikir baru?
Jika hanya menggunakan AI untuk melakukan pekerjaan lama dengan lebih cepat, tagihan suatu hari akan memaksa Anda kembali ke pertanyaan ini.
Artikel ini dari akun WeChat publik "GeekPark" (ID: geekpark), penulis: Hua Lin Wu Wang, editor: Jing Yu
