Intelligent Automation: Ketika RPA Bertemu AI Generatif
RPA pandai mengikuti aturan, AI generatif pandai menangani ambiguitas. Digabung, keduanya membuka otomasi proses yang sebelumnya mustahil. Begini caranya.
N
Nyuhani PrasastiApril 29, 2026
StrategyIntelligent AutomationRPA
Selama satu dekade terakhir, RPA (Robotic Process Automation) menjadi tulang punggung otomasi di banyak perusahaan besar Indonesia. Bank merekam ribuan jurnal dengan bot, perusahaan asuransi memindahkan data antar sistem warisan, dan tim keuangan menutup buku bulanan tanpa harus menyalin angka secara manual. Tapi ada batas yang selalu dihantam RPA klasik: ia hanya pandai mengikuti aturan yang kaku. Begitu input menyimpang sedikit—format faktur berubah, ejaan nama tidak konsisten, atau pelanggan menulis keluhan dalam bahasa sehari-hari—bot itu mogok.
Want to run this playbook with us?
A 30-minute scoping call. We listen, ask three questions, tell you if we can help.
Di sinilah AI generatif mengubah permainan. RPA pandai mengeksekusi langkah deterministik dengan presisi sempurna; LLM pandai menafsirkan ambiguitas, membaca dokumen tak terstruktur, dan mengambil keputusan kontekstual. Gabungan keduanya—yang kini disebut intelligent automation atau hyperautomation—membuka kelas proses yang sebelumnya mustahil diotomasi: proses yang penuh dokumen bebas, email pelanggan, dan keputusan yang butuh pemahaman, bukan sekadar pencocokan pola.
Mengapa RPA Murni Sudah Tidak Cukup
RPA klasik bekerja dengan asumsi yang rapuh: dunia akan selalu terstruktur dan konsisten. Bot diprogram untuk klik di koordinat tertentu, baca sel di kolom tertentu, dan pindahkan nilai ke field tertentu. Selama tata letak tidak berubah, bot berjalan mulus. Masalahnya, proses bisnis nyata jarang sebersih itu.
Pikirkan proses verifikasi pengajuan kredit di sebuah bank. Nasabah mengunggah slip gaji, mutasi rekening, dan KTP. RPA bisa memindahkan file, tapi tidak bisa memahami bahwa "Rp 8.500.000" di slip gaji bulan ini dan "8.5jt" di formulir adalah angka yang sama. RPA tidak bisa membaca surat keterangan kerja yang ditulis dengan format berbeda-beda per perusahaan. Akhirnya, langkah-langkah "kognitif" ini tetap dikerjakan manusia, dan bottleneck-nya tidak benar-benar hilang.
Studi internal di banyak perusahaan menemukan pola yang sama: RPA menyelesaikan 60-70% langkah dalam sebuah proses, tapi 30-40% sisanya—yang justru paling memakan waktu—membutuhkan penilaian manusia. Itulah celah yang diisi AI generatif.
RPA mengotomasi *gerakan*; AI generatif mengotomasi *penilaian*. Proses yang utuh membutuhkan keduanya.
Anatomi Intelligent Automation
Arsitektur intelligent automation yang matang biasanya terdiri dari beberapa lapisan yang saling melengkapi, bukan satu teknologi tunggal.
Lapisan pemicu (trigger): Email masuk, dokumen diunggah ke portal, pesan WhatsApp Business, atau event di sistem inti. Inilah titik masuk proses.
Lapisan persepsi: OCR dan Vision-Language Model untuk membaca dokumen, LLM untuk memahami teks bebas dan mengekstrak entitas terstruktur (nominal, tanggal, nama, nomor kontrak).
Lapisan keputusan: LLM atau model klasifikasi yang menentukan rute proses—apakah klaim disetujui otomatis, butuh review manusia, atau ditolak—berdasarkan aturan bisnis dan konteks.
Lapisan eksekusi (RPA): Bot deterministik yang menulis ke core banking, mengupdate ERP, membuat tiket, atau mengirim notifikasi. Bagian ini tetap milik RPA karena butuh presisi dan auditabilitas.
Lapisan kontrol: Human-in-the-loop, audit trail, logging keputusan AI, dan guardrail untuk kasus yang tidak yakin.
Kunci desain yang sering luput: AI generatif tidak menggantikan RPA, melainkan menjadi "otak" yang memberi instruksi ke "tangan" RPA. LLM mengekstrak dan memutuskan, lalu menyerahkan output terstruktur ke bot RPA untuk dieksekusi dengan presisi. Pembagian peran ini penting karena Anda tidak ingin LLM yang non-deterministik langsung menulis ke buku besar tanpa validasi.
Memilih Proses yang Tepat
Kegagalan terbesar dalam intelligent automation bukan teknis, melainkan pemilihan proses. Banyak tim tergoda mengotomasi proses yang paling terlihat atau paling sering dikeluhkan, padahal belum tentu itu yang paling layak. Gunakan tiga filter berikut.
Pertama, volume dan repetisi. Proses yang dilakukan ratusan atau ribuan kali per hari memberi ROI jauh lebih cepat daripada proses langka. Verifikasi dokumen onboarding nasabah, rekonsiliasi pembayaran, atau triase tiket support adalah kandidat kuat di konteks Indonesia.
Kedua, derajat ketidakterstrukturan. Jika input sudah terstruktur rapi, RPA murni sudah cukup—tidak perlu LLM yang lebih mahal dan lebih sulit diaudit. AI generatif baru memberi nilai ketika input berupa dokumen bebas, email, atau teks percakapan. Proses klaim asuransi, pemrosesan invoice dari ratusan vendor berbeda, dan penanganan keluhan adalah contoh ideal.
Ketiga, toleransi terhadap kesalahan. Proses dengan konsekuensi rendah dan mudah dikoreksi (mengkategorikan email masuk) cocok untuk otomasi penuh. Proses dengan risiko tinggi (menyetujui pencairan dana besar) harus mempertahankan human-in-the-loop. Petakan setiap proses pada matriks risiko sebelum memutuskan tingkat otonomi.
Pola yang Terbukti di Lapangan
Beberapa pola muncul berulang di implementasi Indonesia:
Pemrosesan invoice dan accounts payable: LLM membaca invoice dari vendor dengan format apa pun, mengekstrak nomor PO, nominal, dan PPN, mencocokkan dengan PO di ERP (three-way matching), lalu RPA memproses pembayaran. Yang sebelumnya butuh tim entri data kini berjalan dengan exception handling saja.
Onboarding dan KYC: Ekstraksi data KTP, NPWP, dan dokumen pendukung, validasi silang dengan Dukcapil atau data internal, dengan eskalasi ke compliance officer untuk kasus berisiko.
Triase dan penanganan tiket: LLM mengklasifikasikan tiket masuk, mengambil jawaban dari knowledge base, dan menyelesaikan kasus sederhana otomatis, sambil mengeskalasi yang kompleks ke agen manusia.
Tata Kelola: Bagian yang Sering Diabaikan
Begitu AI generatif masuk ke proses produksi yang menyentuh uang dan data nasabah, tata kelola berhenti menjadi pelengkap dan menjadi syarat mutlak. Regulator Indonesia—khususnya OJK untuk sektor keuangan—menuntut auditabilitas dan akuntabilitas keputusan otomatis. Ini menimbulkan tuntutan konkret pada desain sistem.
Audit trail keputusan AI: Setiap keputusan LLM harus tercatat lengkap—input apa yang diberikan, prompt apa yang dipakai, model versi berapa, dan output apa yang dihasilkan. Tanpa ini, Anda tidak bisa menjelaskan ke auditor mengapa sebuah klaim disetujui.
Penanganan data pribadi sesuai UU PDP No. 27/2022: Dokumen yang diproses sering mengandung data pribadi. Minimisasi data, kontrol akses, dan kehati-hatian saat mengirim data ke API LLM eksternal adalah keharusan. Banyak institusi memilih model yang di-deploy di lingkungan terkendali untuk data paling sensitif.
Guardrail dan ambang keyakinan: Sistem harus tahu kapan ia *tidak* yakin. Ketika confidence rendah atau dokumen tidak lazim, proses harus otomatis dieskalasi ke manusia, bukan dipaksakan diputuskan oleh model.
Validasi deterministik di akhir: Sebelum RPA menulis ke sistem inti, output AI harus melewati aturan validasi keras (rentang nominal masuk akal, format nomor rekening valid, total cocok). Lapisan ini menangkap halusinasi sebelum jadi transaksi.
Menghitung ROI dengan Jujur
Vendor RPA dan AI gemar menjual janji "FTE saving" yang fantastis. Eksekutif yang matang menghitung ROI dengan lebih hati-hati, memasukkan biaya yang sering disembunyikan.
Di sisi manfaat, ukur penghematan waktu siklus (cycle time), pengurangan kesalahan manual, peningkatan kapasitas tanpa menambah headcount, dan—yang sering paling bernilai—percepatan layanan ke pelanggan. Jika pemrosesan klaim turun dari tiga hari menjadi tiga jam, dampaknya bukan hanya efisiensi internal, tapi juga retensi dan reputasi.
Di sisi biaya, perhitungkan dengan jujur:
Biaya token LLM yang bersifat variabel per transaksi—berbeda dari lisensi RPA yang relatif tetap. Pada volume tinggi, ini bisa signifikan, jadi strategi seperti caching dan pemilihan model yang tepat penting.
Biaya exception handling. Tidak ada otomasi yang 100%. Selalu ada porsi kasus yang butuh manusia, dan biaya menangani sisa ini harus masuk hitungan.
Biaya pemeliharaan. Proses bisnis berubah, format dokumen berevolusi, dan model perlu dievaluasi ulang. Intelligent automation bukan proyek sekali jadi, melainkan sistem hidup yang butuh perawatan.
Aturan praktisnya: targetkan proses di mana otomasi parsial pun sudah memberi payback dalam 6-12 bulan. Jika sebuah proses hanya layak secara ekonomi saat otomasi 100%, itu tanda merah—karena 100% hampir tidak pernah tercapai.
Jebakan Otomasi yang Harus Dihindari
Pengalaman lapangan mengajarkan beberapa kesalahan yang berulang dan mahal.
Mengotomasi proses yang rusak. Mengotomasi proses yang buruk hanya membuat Anda menghasilkan kesalahan lebih cepat. Sebelum mengotomasi, sederhanakan dan perbaiki proses terlebih dahulu. Sering kali, setelah proses disederhanakan, kebutuhan otomasi berkurang drastis.
Over-engineering dengan AI. Tidak semua langkah butuh LLM. Memaksakan AI generatif ke langkah yang bisa diselesaikan aturan sederhana menambah biaya, latensi, dan permukaan kesalahan tanpa manfaat. Gunakan AI hanya di titik yang benar-benar butuh penilaian.
Mengabaikan manajemen perubahan. Karyawan yang merasa terancam akan menyabotase adopsi, secara halus maupun terang-terangan. Posisikan intelligent automation sebagai penghapus pekerjaan membosankan, bukan penghapus orang. Libatkan tim operasional sejak awal sebagai co-designer, bukan korban.
Lupa pada exception sebagai sumber pembelajaran. Kasus-kasus yang dieskalasi ke manusia bukan sekadar beban; mereka adalah data emas untuk memperbaiki sistem. Tim yang disiplin menganalisis exception secara berkala dan terus mempersempit celahnya, menaikkan tingkat otomasi dari waktu ke waktu.
Studi Mini: Pemrosesan Faktur Vendor di Perusahaan Distribusi
Untuk membuat konsep ini konkret, bayangkan sebuah perusahaan distribusi consumer goods di Indonesia dengan ratusan vendor. Setiap bulan tim accounts payable menerima ribuan faktur dalam puluhan format berbeda—ada yang PDF rapi, ada yang scan kertas miring, ada yang dikirim sebagai foto via email. Sebelum otomasi, lima staf menghabiskan hari-hari mereka mengetik ulang nomor faktur, nominal, PPN, dan nomor PO ke dalam ERP, lalu mencocokkannya secara manual dengan purchase order dan tanda terima barang.
Proses ini gagal diotomasi dengan RPA murni karena variasi format faktur terlalu besar—bot tidak bisa menebak di mana letak nominal pada faktur vendor yang baru. Solusi intelligent automation membaginya menjadi beberapa tahap. Pertama, sebuah Vision-Language Model membaca faktur apa pun formatnya dan mengekstrak field terstruktur: nomor faktur, tanggal, nama vendor, line item, subtotal, PPN, dan total. Kedua, lapisan validasi deterministik memeriksa apakah hasil ekstraksi masuk akal—apakah PPN benar 11% dari subtotal, apakah nomor PO ada di database, apakah total cocok dengan penjumlahan line item.
Tahap ketiga adalah three-way matching: sistem mencocokkan faktur dengan PO dan tanda terima barang. Jika ketiganya cocok dalam toleransi yang ditetapkan, RPA memproses faktur untuk pembayaran secara otomatis. Jika ada selisih—harga berbeda, kuantitas tidak cocok, atau PO tidak ditemukan—faktur dieskalasi ke staf AP dengan penjelasan persis di mana letak masalahnya, sehingga manusia tinggal memutuskan, bukan mencari.
Hasilnya pada pola seperti ini biasanya: 70-80% faktur diproses tanpa sentuhan manusia, sisanya ditangani sebagai exception dengan konteks lengkap. Tim AP yang tadinya kewalahan mengetik kini fokus pada negosiasi dan penyelesaian selisih—pekerjaan yang benar-benar butuh penilaian. Cycle time pembayaran turun drastis, yang berdampak pada hubungan vendor dan kadang membuka diskon pembayaran lebih awal.
Pelajaran kuncinya bukan teknologinya, melainkan pembagian peran yang disiplin: AI menafsirkan dan memutuskan rute, validasi keras menangkap kesalahan, RPA mengeksekusi dengan presisi, dan manusia menangani exception. Inilah pola yang berulang di hampir semua implementasi intelligent automation yang sukses.
Mulai Kecil, Buktikan, lalu Skalakan
Pendekatan paling aman bukan transformasi besar bertahun-tahun, melainkan satu proses bernilai tinggi yang dieksekusi rapi end-to-end. Pilih satu proses dengan volume cukup dan input semi-terstruktur, bangun pipeline lengkap dengan human-in-the-loop dan audit trail sejak hari pertama, ukur baseline sebelum dan sesudah, lalu gunakan kemenangan itu untuk mendapatkan dukungan organisasi. Setelah pola dan komponen terbukti, mereplikasinya ke proses lain jauh lebih cepat karena fondasinya sudah ada.
Penting juga menyiapkan organisasi untuk merawat sistem ini. Bentuk semacam "automation center" kecil—tidak perlu besar—yang memegang tanggung jawab memantau kinerja, menganalisis exception, dan memperbaiki proses dari waktu ke waktu. Tanpa kepemilikan yang jelas, sistem intelligent automation cenderung membusuk diam-diam: format dokumen berubah, akurasi menurun, dan tidak ada yang menyadari hingga terjadi insiden. Otomasi cerdas adalah aset hidup yang menuntut perawatan, bukan proyek yang selesai saat go-live.
Wujudkan Otomasi Cerdas Bersama Sainskerta Solusi Nusantara
Menggabungkan RPA dan AI generatif terdengar sederhana di slide, tapi penuh keputusan halus di lapangan: proses mana yang layak, di mana batas otonomi, bagaimana menjaga auditabilitas yang dituntut OJK, dan bagaimana menghitung ROI yang benar-benar bertahan. Di sinilah pengalaman membangun sistem produksi—bukan sekadar demo—menjadi pembeda.
Tim Sainskerta Solusi Nusantara mendampingi perusahaan Indonesia dari fase strategi hingga operasi: memetakan proses yang paling layak diotomasi, merancang arsitektur intelligent automation yang patuh regulasi, dan membangunnya hingga andal di produksi. Jika Anda ingin tahu proses mana di organisasi Anda yang paling cepat memberi dampak, jadwalkan sesi konsultasi awal dengan tim kami melalui halaman Kontak. Kami akan bantu Anda memulai dari satu kemenangan nyata, bukan dari janji-janji besar.
Intelligent Automation: Ketika RPA Bertemu AI Generatif — Sainskerta Blog · Sainskerta
