Eduwebmu

Menghitung ROI otomasi AI tanpa angka bombastis

Oleh Terbit 15 menit baca

Sampul putih dengan logo Eduwebmu di kanan atas dan judul besar berbunyi ROI otomasi: Berapa wajarnya?
Daftar isi

ROI otomasi AI adalah perbandingan antara manfaat bersih sebuah otomasi dan seluruh biayanya. Caranya: ukur waktu manual, kalikan dengan volume dan nilai per jam, lalu potong porsi yang tidak benar-benar terpakai. Setelah itu kurangi biaya membangun, langganan, perawatan, dan koreksi kesalahan. Hasilnya biasanya jauh lebih kecil dari angka di materi pemasaran.

Tesis artikel ini: angka ROI hanya berguna kalau rumus dan asumsinya bisa kamu periksa. Angka 954% terdengar meyakinkan, tetapi tanpa rumus ia sekadar kalimat. Sebaliknya, ROI 22% yang asumsinya jelas jauh lebih berguna untuk memutuskan apakah sebuah workflow layak dibangun. Saya akan membedah satu klaim terkenal, lalu memberi rumus yang bisa kamu pakai sendiri.

Yang perlu diluruskan dulu

ROI, singkatan dari return on investment, adalah persentase keuntungan bersih dibanding biaya yang dikeluarkan. ROI 100% artinya kamu mendapat kembali modal plus keuntungan sebesar modal itu. ROI 0% artinya impas. Konsepnya sederhana, dan justru karena sederhana, angkanya mudah dipoles.

Ada tiga salah kaprah yang paling sering saya lihat saat orang membicarakan ROI otomasi.

  • Waktu hemat dianggap sama dengan uang hemat. Kalau staf hemat dua jam sehari tetapi gajinya tetap dan dua jam itu tidak dipakai untuk pekerjaan bernilai, kas perusahaan tidak berubah.
  • Biaya yang dihitung hanya langganan. Waktu membangun workflow, waktu memperbaikinya saat API berubah, dan waktu membereskan hasil yang salah sering tidak masuk hitungan.
  • Angka hemat waktu berasal dari perasaan. Survei "berapa jam yang kamu hemat?" menghasilkan angka yang terdengar presisi, tetapi tetap perkiraan orang yang sedang senang dengan alat barunya.

Peta artikel ini:

Bab Pertanyaan yang dijawab
Membedah ROI 954% Apa yang sebenarnya diukur Credit Saison, dan apa yang tidak dipublikasikan?
Rumus yang bisa dipertahankan Komponen manfaat dan biaya apa saja yang wajib masuk?
Satu workflow, tiga angka ROI Kenapa proses yang sama bisa menghasilkan 560%, 71%, atau 22%?
Mengukur, bukan menebak Bagaimana mendapatkan angka waktu yang tidak berasal dari perasaan?
Kapan ROI tidak perlu dikejar Kapan sebaiknya otomasi tidak dibuat sama sekali?
Ringkasan Apa yang dicek sebelum mengajukan anggaran otomasi?

Catatan jujur. Artikel ini ditulis 2 November 2026. Data Credit Saison saya ambil langsung dari materi pemaparan resmi mereka (PDF berbahasa Jepang di situs korporat Credit Saison). Kisah pelanggan di situs OpenAI yang sering dikutip untuk angka ini tidak bisa saya buka saat menulis, jadi isinya belum terverifikasi dan tidak saya kutip. Semua angka rupiah di bab contoh adalah angka ilustrasi buatan saya, bukan data pasar, bukan hasil uji.

Artikel ini untuk kamu yang harus meyakinkan atasan, klien, atau dirimu sendiri bahwa sebuah otomasi layak dibuat. Cocok untuk pemilik usaha kecil, admin yang ingin mengotomasi pekerjaannya, dan freelancer yang menjual jasa otomasi. Artikel ini bukan untuk kamu yang butuh analisis investasi formal dengan NPV, diskonto, dan pajak. Untuk itu, ajak orang keuangan.

Membedah angka ROI 954% Credit Saison

Credit Saison adalah perusahaan kartu kredit dan jasa keuangan Jepang. Dalam materi pemaparan program CSAX, program transformasi AI mereka, ada satu halaman yang menjadi sumber angka terkenal itu. Isinya kira-kira begini.

Mereka menguji ChatGPT Enterprise dengan 315 peserta. Rinciannya 271 orang pendaftar sukarela tanpa syarat usia atau jabatan, 18 direktur dan pejabat eksekutif, 17 kepala divisi pilihan, serta 9 orang tim pengelola proyek. Targetnya ROI di atas 500% dan pengurangan kerja minimal 7,5 jam per orang per bulan, dipantau tiap minggu. Menurut materi itu, dalam sekitar satu bulan semua indikator tercapai. ROI tercatat 954%, dan pengurangan kerja rata-rata 14,3 jam per orang per bulan. Perlu jelas sejak awal: 954% adalah klaim Credit Saison tentang proyeknya sendiri, bukan hasil audit pihak ketiga.

Materi yang sama menampilkan angka per divisi:

Divisi Jumlah responden Total jam hemat per bulan Rata-rata per orang
Penjualan 31 827 jam 26,7 jam
Administrasi 25 505 jam 20,2 jam
Operasional 34 232 jam 6,8 jam

Ada juga angka penggunaan. Target pengguna aktif mingguan 90%, tercapai 96%. Target 20.000 percakapan, tercapai 57.586. Skor kepuasan 4,6 dari target 4,2. Dalam survei yang sama, 70% dari 163 peserta sukarela dan 75% dari 28 responden manajemen menjawab "kesulitan kalau tidak ada" ChatGPT Enterprise.

Saya tidak menganggap angka ini bohong. Credit Saison mempublikasikan targetnya lebih dulu, memantau mingguan, dan menyebut jumlah responden. Itu lebih transparan daripada kebanyakan klaim vendor. Masalahnya ada pada hal yang tidak tertulis.

Lima pertanyaan yang tidak terjawab dari materi itu

  1. Rumus ROI-nya apa? Materi tidak menyebut biaya apa saja yang dihitung. Harga lisensi, waktu pelatihan, waktu tim pengelola, dan biaya integrasi tidak dirinci. Tanpa penyebut yang jelas, 954% tidak bisa diperiksa ulang.
  2. Jam hemat diukur atau dilaporkan? Tabel divisi memakai keterangan "n = jumlah responden". Ini mengisyaratkan angka jam hemat berasal dari jawaban survei. Materi itu tidak menunjukkan adanya pengukuran waktu kerja.
  3. Siapa yang menjawab? Tabel tiga divisi itu berisi 90 responden dari 315 peserta. Peserta mayoritas sukarelawan yang memang ingin memakai AI. Orang yang antusias cenderung melaporkan manfaat lebih besar.
  4. Waktu hemat dipakai untuk apa? Materi tidak menjelaskan apakah jam hemat berubah menjadi lembur berkurang, output bertambah, atau sekadar ruang bernapas.
  5. Satu bulan cukup? Menurut saya, masa uji sekitar sebulan baru menangkap fase bulan madu. Biaya perawatan dan penurunan antusiasme baru terlihat setelah berbulan-bulan.

Pelajaran praktisnya: angka ini adalah ROI dari asisten AI umum untuk karyawan kantor. Bentuknya berbeda dengan workflow otomasi yang berjalan sendiri tanpa orang mengetik prompt. Kalau kamu menjual jasa otomasi n8n lalu mengutip 954% sebagai janji, kamu membandingkan dua hal yang tidak sejenis.

Rumus yang bisa dipertahankan

Saya memakai rumus yang sengaja membosankan. Tujuannya supaya setiap komponen bisa ditanyakan "angka ini dari mana?" dan ada jawabannya.

ROI = (manfaat total dikurangi biaya total) dibagi biaya total, dikali 100%.

Rumus ini dihitung untuk periode tertentu. Saya biasanya memakai 12 bulan, karena biaya membangun workflow perlu dibagi ke periode yang masuk akal.

Diagram rumus ROI otomasi: manfaat dihitung dari menit hemat per tugas dikali volume, nilai per jam, dan porsi yang benar-benar terpakai, lalu dikurangi biaya membangun, langganan dan API, perawatan, serta koreksi kesalahan
Komponen manfaat dan biaya yang wajib masuk hitungan ROI otomasi

Sisi manfaat

  • Menit hemat per tugas. Selisih waktu manual dan waktu yang masih dibutuhkan manusia setelah otomasi. Jarang sekali otomasi menghapus 100% pekerjaan, karena hampir selalu ada pengecekan.
  • Volume. Berapa kali tugas itu terjadi per bulan. Ambil dari data nyata: jumlah pesanan, jumlah email masuk, jumlah baris di spreadsheet.
  • Nilai per jam. Biaya per jam orang yang mengerjakannya. Pakai biaya total perusahaan untuk orang itu dibagi jam kerja, bukan angka dari internet.
  • Porsi terpakai. Persentase waktu hemat yang benar-benar berubah menjadi nilai. Ini komponen yang paling sering dilewati, dan menurut saya paling jujur.

Porsi terpakai perlu penjelasan. Misalnya admin hemat 70 jam sebulan. Kalau 70 jam itu dipakai menangani lebih banyak pelanggan tanpa menambah staf, nilainya nyata. Kalau 70 jam itu menguap jadi rapat tambahan, nilainya hampir nol. Saya biasanya memakai 50% sampai 70% kecuali ada bukti jelas, misalnya rencana rekrutmen yang batal karena otomasi.

Sisi biaya

  • Biaya membangun. Jam kerja orang yang merancang, membuat, dan menguji workflow, atau tagihan freelancer. Ini biaya sekali bayar.
  • Langganan dan API. Biaya platform otomasi, server, dan pemakaian model AI per bulan. Model AI biasanya ditagih per pemakaian, jadi naik kalau volume naik.
  • Perawatan. Waktu memperbaiki workflow saat aplikasi pihak ketiga mengubah API, saat format data berubah, atau saat platform otomasi melakukan upgrade besar.
  • Koreksi kesalahan. Waktu manusia membereskan hasil otomasi yang salah. Untuk otomasi berbasis AI, komponen ini tidak boleh nol, karena keluaran model bahasa tidak selalu benar.

Satu workflow, tiga angka ROI

Supaya rumus di atas terasa nyata, saya pakai satu contoh. Semua angka di bab ini adalah ilustrasi. Ganti dengan angka dari prosesmu sendiri.

Bayangkan toko online kecil. Admin mencatat pesanan dari formulir ke spreadsheet, mengecek stok, lalu mengirim email konfirmasi. Setiap pesanan memakan 6 menit. Volume rata-rata 40 pesanan per hari selama 22 hari kerja, jadi 880 pesanan per bulan. Total kerja manual 88 jam sebulan.

Rencananya, sebuah workflow mengambil pesanan baru, menulisnya ke spreadsheet, dan memakai model AI untuk menyusun email konfirmasi yang dipersonalisasi. Admin tetap memeriksa setiap pesanan sekitar 1 menit. Jadi menit hemat per pesanan adalah 5 menit, atau sekitar 73,3 jam per bulan.

Asumsi lain untuk ilustrasi:

Komponen Angka ilustrasi
Nilai per jam admin Rp30.000
Biaya membangun (20 jam x Rp100.000) Rp2.000.000 sekali
Langganan platform, server, dan API AI Rp400.000 per bulan
Perawatan (2 jam x Rp100.000) Rp200.000 per bulan
Koreksi kesalahan (2% pesanan x 15 menit) Rp132.000 per bulan

Dari asumsi yang sama, saya buat tiga skenario untuk 12 bulan.

Skenario Cara hitung Manfaat 12 bulan Biaya 12 bulan ROI
Versi brosur Hemat 6 menit penuh, porsi terpakai 100%, biaya hanya langganan Rp31.680.000 Rp4.800.000 560%
Realistis Hemat 5 menit, porsi terpakai 70%, semua biaya masuk Rp18.480.000 Rp10.784.000 sekitar 71%
Konservatif Hemat 5 menit, porsi terpakai 50%, semua biaya masuk Rp13.200.000 Rp10.784.000 sekitar 22%

Proses dan workflow-nya sama persis. Perbedaannya hanya pada asumsi yang dipilih dan biaya yang sengaja dilupakan. Versi brosur menghasilkan 560%, padahal tidak ada satu pun angka yang dikarang. Semua komponennya "benar", hanya dipilih yang paling enak.

Payback period lebih mudah dipahami

Payback period adalah berapa lama sampai biaya membangun kembali. Untuk pemilik usaha kecil, angka ini sering lebih mudah dicerna daripada persentase ROI.

Pada skenario realistis, manfaat bulanan Rp1.540.000 dikurangi biaya bulanan Rp732.000 menyisakan Rp808.000. Biaya membangun Rp2.000.000 kembali dalam sekitar 2,5 bulan. Pada skenario konservatif, sisa bulanan hanya Rp368.000, jadi butuh sekitar 5,4 bulan.

Keputusan saya untuk contoh ini: workflow-nya layak dibangun, karena bahkan skenario konservatif masih positif dan modal kembali dalam setengah tahun. Tetapi saya akan menyajikan angka 22% sampai 71% ke pemilik toko, bukan 560%. Kalau hasilnya ternyata lebih bagus, itu kejutan menyenangkan. Kalau saya menjanjikan 560%, setiap angka di bawahnya terasa seperti kegagalan.

Coba ubah satu asumsi saja di contoh ini. Kalau volume turun jadi 10 pesanan per hari, manfaat turun ke seperempat, sementara biaya membangun dan sebagian besar langganan tetap. Skenario konservatif langsung negatif. Volume adalah variabel yang paling menentukan, jauh di atas pilihan alat atau model AI.

Mengukur, bukan menebak

Rumus sebagus apa pun runtuh kalau angka menit hemat berasal dari tebakan. Ada bukti kuat bahwa perkiraan manusia soal efek AI pada kecepatan kerjanya sendiri bisa meleset jauh.

Lembaga riset nirlaba METR menjalankan uji acak terkontrol terhadap 16 developer open-source berpengalaman dengan data Februari sampai Juni 2025. Uji acak terkontrol adalah eksperimen yang membagi tugas secara acak ke kelompok "boleh pakai AI" dan "tidak boleh", sehingga perbandingannya adil. Hasilnya, tugas dengan AI justru memakan waktu 19% lebih lama. Sebelum mulai, para developer memperkirakan AI akan mempercepat mereka 24%. Setelah selesai pun mereka masih yakin AI mempercepat 20%.

Hasil itu jangan dibaca sebagai "AI bikin lambat". METR sendiri sudah menandai hasil tersebut kedaluwarsa. Dalam pembaruan Februari 2026, mereka menyatakan kemungkinan besar developer kini lebih terbantu dibanding awal 2025. Namun data eksperimen lanjutannya dianggap sinyal yang tidak andal, karena banyak developer menolak ikut atau tidak mau menyerahkan tugas tertentu untuk dikerjakan tanpa AI. METR juga menulis bahwa sebagian developer melaporkan percepatan sangat besar, tetapi perkiraan semacam itu bisa sangat tidak andal.

Yang saya ambil dari dua tulisan METR itu: jarak antara "terasa lebih cepat" dan "terukur lebih cepat" bisa besar, dan arahnya tidak selalu sesuai harapan. Itulah sebabnya angka jam hemat dari survei, termasuk milik Credit Saison, perlu diperlakukan sebagai perkiraan kasar.

Cara mengukur yang masuk akal untuk tim kecil

Kamu tidak perlu eksperimen ilmiah. Yang perlu adalah baseline, yaitu angka kondisi sebelum otomasi yang dicatat dengan cara yang sama dengan sesudahnya.

  • Catat waktu manual selama satu sampai dua minggu. Pakai stopwatch atau pencatat waktu sederhana untuk 20 sampai 30 kali tugas. Ambil median, bukan angka tercepat.
  • Catat volume dari sistem, bukan dari ingatan. Jumlah baris, jumlah tiket, jumlah email. Data sistem tidak ikut bersemangat.
  • Setelah otomasi jalan, ukur lagi waktu manusia yang tersisa. Termasuk waktu memeriksa hasil dan membereskan kesalahan.
  • Catat setiap kesalahan otomasi. Berapa kali terjadi, berapa menit untuk membereskannya.

Kalau kamu memakai n8n, ada fitur bawaan yang membantu sisi pencatatan. Menurut dokumentasi Insights n8n, setiap workflow bisa diberi pengaturan Estimated time saved. Pilihannya tetap (fixed), yaitu sekian menit per eksekusi, atau dinamis lewat node Time Saved yang menghitung berdasarkan jalur eksekusi. n8n lalu mengalikan angka itu dengan jumlah eksekusi produksi dan menampilkannya di banner ringkasan dan dashboard Insights.

Ada beberapa batas yang perlu kamu tahu dari dokumentasi itu:

  • Banner ringkasan 7 hari tersedia di semua paket. Dashboard Insights yang lebih rinci hanya ada di paket berbayar tertentu: Pro dan Enterprise di n8n Cloud, Business dan Enterprise untuk self-hosted.
  • Eksekusi manual (uji coba) dan sub-workflow tidak dihitung. Time saved dari sub-workflow belum didukung, dan eksekusi error workflow tidak menyumbang time saved.
  • Angka menit per eksekusi tetap kamu yang mengisi. n8n hanya mengalikan. Kalau kamu mengisi 10 menit padahal kenyataannya 4 menit, dashboard akan tampil rapi dan salah.

Pendapat saya: fitur ini bagus untuk memantau tren dan volume, dan berguna untuk menunjukkan ke atasan bahwa workflow benar-benar berjalan. Tetapi ia menghitung waktu hemat kotor. Porsi terpakai, biaya koreksi, dan biaya perawatan tetap harus kamu hitung di luar n8n.

Kapan ROI tidak perlu dikejar

Tidak semua otomasi harus lolos hitungan ROI, dan tidak semua yang lolos layak dibuat. Ada beberapa situasi yang menurut saya perlu diputuskan dengan pertimbangan lain.

Otomasi yang layak walau ROI-nya kecil

  • Mengurangi risiko kesalahan yang mahal. Misalnya pengingat jatuh tempo pajak atau tagihan. Waktu yang dihemat kecil, tetapi satu denda yang terhindar bisa menutup biaya setahun. Di sini hitung nilai risiko yang dicegah, bukan jam.
  • Kecepatan respons ke pelanggan. Balasan otomatis dalam hitungan detik bisa berpengaruh ke penjualan. Hanya saja, efek ini sulit dibuktikan tanpa data penjualan sebelum dan sesudah. Jangan mengarang angka konversinya.
  • Pekerjaan yang membuat orang berhenti. Tugas berulang yang membosankan berkontribusi pada staf yang tidak betah. Ini nyata, tetapi saya tidak memasukkannya ke angka ROI karena terlalu mudah dilebih-lebihkan. Sebut saja sebagai manfaat kualitatif.

Otomasi yang tidak saya sarankan walau ROI di atas kertas besar

  • Proses yang masih berubah tiap bulan. Setiap perubahan proses berarti workflow dibongkar ulang. Biaya perawatan akan memakan seluruh manfaat. Rapikan prosesnya dulu, otomasi belakangan.
  • Volume kecil. Tugas 15 menit seminggu jarang layak diotomasi dengan AI. Template atau checklist sering cukup.
  • Keputusan yang butuh tanggung jawab manusia. Persetujuan kredit, penolakan klaim, atau balasan ke keluhan serius. AI boleh membantu menyusun draf, tetapi kalau tiap keluaran tetap harus dicek penuh, menit hemat-nya mendekati nol.

Pertanyaan sederhana yang saya pakai sebelum menghitung apa pun: kalau otomasi ini mati seminggu, apa yang terjadi? Kalau jawabannya "tidak ada yang sadar", ROI-nya kemungkinan besar kecil. Kalau jawabannya "semua orang panik", kamu juga perlu menghitung biaya cadangan dan pemantauan.

Satu catatan untuk freelancer dan agensi. Menjual otomasi dengan janji ROI ratusan persen memang membantu menutup penjualan. Tetapi klien yang membayar karena janji 500% akan menilai hasilmu dengan standar 500%. Saya lebih memilih menunjukkan hitungan konservatif dengan semua asumsi terbuka, lalu menyepakati cara mengukurnya sebelum proyek dimulai.

Ringkasan dan langkah berikutnya

Checklist sebelum mengajukan atau menerima angka ROI

  • Rumus ROI tertulis, termasuk periode hitung (misalnya 12 bulan)
  • Waktu manual diukur dari 20 sampai 30 kali tugas, bukan dari perkiraan
  • Volume diambil dari data sistem
  • Ada angka porsi terpakai, dan alasannya jelas
  • Biaya membangun, langganan dan API, perawatan, serta koreksi kesalahan semuanya masuk
  • Ada tiga skenario: versi brosur, realistis, konservatif
  • Keputusan diambil berdasarkan skenario konservatif
  • Sudah disepakati cara mengukur setelah otomasi jalan
  • Klaim vendor atau studi kasus dibaca sebagai klaim, lengkap dengan pertanyaan yang belum terjawab

Cheat sheet membaca klaim ROI

Kalau klaimnya... Tanyakan...
"ROI sekian ratus persen" Biaya apa saja yang masuk penyebut?
"Hemat sekian jam per orang" Diukur atau dilaporkan lewat survei? Berapa responden?
"Dalam satu bulan" Bagaimana angkanya setelah enam bulan, termasuk perawatan?
"Pengguna puas" Kepuasan tidak sama dengan penghematan. Apa yang berubah di output atau biaya?
Studi kasus dari vendor Apakah perusahaannya merilis data sendiri, dan apakah angkanya sama?

Langkah berikutnya

Mulailah dari satu proses yang volumenya tinggi dan aturannya jelas. Ukur waktu manualnya selama satu minggu sebelum menyentuh alat otomasi apa pun. Lalu isi rumus di atas dengan angka konservatif.

Kalau kamu belum yakin proses mana yang paling layak diotomasi, buka halaman Ide Otomasi di eduwebmu untuk mencari kandidat. Pilih yang volumenya paling besar di tempatmu, lalu hitung dengan tiga skenario sebelum mulai membangun.

Pertanyaan yang sering diajukan

Apa rumus ROI otomasi yang paling sederhana?

ROI sama dengan manfaat bersih dibagi total biaya, dikali 100%. Manfaat bersih adalah nilai waktu atau uang yang dihemat dikurangi semua biaya, termasuk biaya membangun, langganan, perawatan, dan koreksi kesalahan.

Apakah ROI 954% Credit Saison bisa dipakai sebagai patokan?

Tidak. Angka itu hasil hitungan internal Credit Saison dari uji coba sekitar satu bulan, dan rumus serta komponen biayanya tidak dipublikasikan. Pakai sebagai contoh klaim yang perlu dibaca kritis, bukan target.

Berapa ROI otomasi yang wajar?

Tidak ada angka wajar yang berlaku umum. Hitung tiga skenario untuk prosesmu sendiri, lalu pakai skenario konservatif sebagai dasar keputusan.

Apakah waktu yang dihemat otomatis berarti uang yang dihemat?

Belum tentu. Waktu yang dihemat baru bernilai kalau dipakai untuk pekerjaan lain yang berguna atau mengurangi biaya nyata seperti lembur. Karena itu rumus di artikel ini memakai porsi waktu terpakai, bukan 100%.

Bagaimana cara mengukur waktu yang dihemat workflow n8n?

n8n punya fitur Insights dengan pengaturan Estimated time saved per workflow, bisa tetap per eksekusi atau dinamis lewat node Time Saved. Angka menit per eksekusi tetap kamu yang menentukan, jadi ukur dulu waktu manualnya.

Kapan otomasi sebaiknya tidak dibuat?

Saat volume tugasnya kecil, prosesnya masih sering berubah, atau kesalahan otomasi lebih mahal daripada waktu yang dihemat. Dalam kondisi itu, merapikan proses manual sering lebih murah.

Sumber dan referensi

Semua sumber diakses 2 November 2026.

  1. 1.Credit Saison, materi pemaparan "CREDIT SAISON AI Transformation" (CSAX), halaman uji coba ChatGPT Enterprise, efek per divisi, dan hasil proyek CSAX#1corporate.saisoncard.co.jp(buka di tab baru)
  2. 2.METR, "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity" (10 Juli 2025)metr.org(buka di tab baru)
  3. 3.METR, "We are Changing our Developer Productivity Experiment Design" (24 Februari 2026)metr.org(buka di tab baru)
  4. 4.n8n Docs, "Track usage with Insights"docs.n8n.io(buka di tab baru)

roiotomasiain8nbisnis

Artikel terkait