ACE Framework: Tabel Periodik untuk Business AI

Kenalkan Sarah. Ia mengelola perusahaan B2B SaaS dengan 180 karyawan. Bisnisnya berjalan baik. Kuartal lalu adalah yang terbaik sepanjang sejarah perusahaan.

Tapi ada sesuatu tentang AI yang diam-diam mulai mengganggu timnya, dan ia merasakannya sebelum bisa menamakannya.

Puncaknya terjadi Rabu lalu. Sales Director-nya menaruh kontrak vendor di mejanya: $180 ribu per tahun, tanda tangan dibutuhkan sebelum Jumat, "AI-powered sales intelligence." Sarah membolak-balik slide-nya. Ia tidak bisa mengerti apa yang sebenarnya dilakukan produk itu. Menganalisis panggilan sales? Menilai lead? Menyusun email untuk para rep? Demo menampilkan ketiganya. Deck vendor menyebut "transformasikan sales motion Anda" dan "AI-powered insights." Sales Director-nya siap menandatangani.

Ia meminta direktur tersebut menjelaskannya. Dua puluh menit kemudian, keduanya menyadari tidak satu pun dari mereka bisa menjelaskan apa yang sedang mereka beli.

Sarah tidak butuh framework strategi AI yang kesekian. Ia butuh kosakata. Cara untuk mengetahui, dalam lima menit, apa yang sebenarnya dilakukan AI seorang vendor, dan apakah timnya membutuhkannya.

Framework ini untuk Sarah. Dan untuk setiap founder, pemilik bisnis, dan pemimpin yang membangun sesuatu yang cukup ambisius sehingga AI penting — yang perlu mengevaluasi vendor tanpa membutuhkan penerjemah.

Insight: alfabet terbatas, ekspresi tak terbatas

Sejumlah kecil primitif fundamental, jika dikombinasikan, dapat menggambarkan segalanya. Karbon, hidrogen, oksigen, dan nitrogen membangun sebagian besar kimia organik. Nol dan satu membangun setiap program yang pernah ditulis. Dua puluh enam huruf membangun setiap karya berbahasa Inggris. Kimia bekerja dengan cara ini karena memang harus demikian. Alam semesta bersifat komposisional.

Business AI bekerja dengan cara yang sama. Setiap use case AI dalam bisnis Anda, baik itu Salesforce Einstein yang menilai lead, Intercom Fin yang menjawab tiket support, atau Gong yang mentranskripsikan panggilan sales, dapat digambarkan sebagai resep dari lima kapabilitas inti yang beroperasi pada data. Pahami kelimanya, dan Anda bisa membaca pitch produk AI apa pun, menandai inisiatif internal mana pun, atau mengaudit alat apa pun dalam stack Anda.

Itulah yang dilakukan framework ini. Memberikan kosakata. Bukan strategi. Bukan roadmap. Kosakata.

5 Kapabilitas: Ingest, Analyze, Predict, Generate, Execute

Ingest menerima informasi. OCR pada struk. Transkripsi panggilan sales. Parsing invoice PDF. Mengambil data CRM via API. Apapun yang mengonversi sinyal mentah (gambar, audio, dokumen, stream) menjadi sesuatu yang bisa dioperasikan AI.

Analyze memahami apa yang telah di-ingest. Mengklasifikasikan email sebagai mendesak atau sekadar info. Mengekstrak nama vendor dari kontrak. Merangkum laporan 60 halaman. Mendeteksi sentimen dalam ulasan pelanggan. Analyze menjawab pertanyaan: apa ini?

Predict memperkirakan apa yang akan terjadi selanjutnya. Menilai sebuah lead pada 87% kemungkinan untuk ditutup. Memperkirakan $4,2 juta pendapatan closed-won untuk Q2. Menandai transaksi sebagai 99,5% anomali. Predict menjawab: apa yang kemungkinan besar terjadi?

Generate menghasilkan sesuatu yang baru. Menyusun email. Menulis kode. Membuat gambar. Menyusun rencana proyek. Generate menghasilkan sebuah artifact, sesuatu yang berada dalam bentuk draf sampai sesuatu yang lain (manusia atau sistem lain) mendorongnya keluar.

Execute mengubah kondisi di luar AI. Mengirim email. Men-commit kode. Memperbarui CRM. Menagih kartu. Menempatkan pesanan. Execute memiliki konsekuensi yang seringkali tidak bisa dibatalkan.

Itu saja. Lima kapabilitas. Setiap bagian dari business AI melakukan satu atau lebih dari ini.

Mengapa kelima ini bersifat lengkap

Telusuri produk AI apa pun yang Anda gunakan minggu ini. Produk tersebut akan menggunakan satu atau lebih kapabilitas ini. Bukan lima dari "sepuluh pilar transformasi" dari deck konsultan. Bukan "tujuh pendorong kesiapan AI." Lima kata kerja, diterapkan pada data, dikomposisikan menjadi workflow.

Setiap pemrosesan informasi yang dilakukan AI masuk ke dalam salah satu kategori ini. Menerima data (Ingest). Memahaminya (Analyze). Meramalkan dengannya (Predict). Menghasilkan sesuatu yang baru darinya (Generate). Menggunakannya untuk mengubah dunia (Execute). Tidak ada tindakan keenam yang tersembunyi di suatu tempat.

Apakah set ini bisa berubah seiring waktu? Ya. Dalam tiga tahun, "Remember" (memori AI persisten lintas sesi) atau "Coordinate" (orkestrasi multi-agen) mungkin layak dipromosikan menjadi kapabilitas kelas pertama. Tidak masalah. Framework harus berkembang. Hari ini, kelima ini mencakup bidangnya.

Yang tidak dilakukan framework ini adalah mengaburkan batasnya. Kebanyakan framework AI dari firma konsultan menggabungkan segalanya ke dalam "transformasi AI" atau "strategi AI", kategori kabur yang terasa penting tapi tidak membantu Anda memilih alat minggu depan. Kosakata yang tepat adalah prasyarat untuk berpikir jernih.

Stack enam lapisan

Kapabilitas tidak ada dalam isolasi. Mereka bertumpuk. Setiap level dibangun di atas yang di bawahnya.

Segalanya dimulai di Foundation. Sebelum kapabilitas apa pun berfungsi, Anda membutuhkan kesiapan data: data yang dapat diakses, terstruktur, segar, dan diizinkan. Data yang bersih biasanya merupakan perbedaan antara AI yang bekerja dan AI yang memalukan. Gartner melaporkan bahwa hingga 2026, organisasi akan meninggalkan 60% proyek AI yang tidak didukung data siap pakai. Pekerjaan yang membosankan, hasil yang menentukan.

Stack ini adalah model, bukan urutan. Anda tidak harus menguasai Level 1 sebelum menyentuh Level 3. Bisnis nyata mengadopsi alat AI (Level 3) sementara datanya (Foundation) masih berantakan dan strateginya (Level 5) setengah jadi. Stack ini memberi Anda peta, bukan rute.

Baca setiap use case AI dalam lima menit

Berikut cara menerapkan framework ini. Pilih produk AI yang Anda gunakan. Telusuri lima pertanyaan ini:

1. Data apa yang dikonsumsinya? (Text, structured, image, audio, video, code, time-series)
2. Kapabilitas mana yang digunakannya? (Ingest, Analyze, Predict, Generate, Execute)
3. Apa pola dominannya? (RAG, Scoring+Routing, Vision Extract, dll.)
4. Apa outputnya: artifact atau perubahan kondisi? (Generate saja, atau apakah ia Execute?)
5. Di mana manusia berada? (Pintu review, pemantauan, tidak hadir)

Contoh nyata: Gong, platform analisis panggilan sales.

• Data: Audio (panggilan yang direkam) + Text (transkrip) + Structured (data CRM)
• Kapabilitas: Ingest (audio panggilan → transkrip), Analyze (topik, keberatan, sentimen), Generate (ringkasan + catatan CRM), Execute (menulis kembali ke Salesforce)
• Pola: Meeting Intelligence
• Output: Keduanya. Menghasilkan ringkasan yang dapat dibaca manusia. Execute dengan memperbarui data CRM.
• Manusia: Rep meninjau ringkasan. Manajer meninjau insight coaching. Tidak ada yang di Gong yang secara otomatis bertindak atas pelanggan.

Dalam lima poin, Anda telah sepenuhnya mendeskripsikan apa yang dilakukan Gong dan bagaimana ia cocok dalam stack Anda. Sekarang coba pada ChatGPT (Analyze + Generate, artifact murni, manusia harus Execute). Coba pada Stripe Radar (Ingest + Analyze + Predict + Execute, menandai penipuan secara otomatis). Coba pada Salesforce Einstein (Ingest + Analyze + Predict, kemudian manusia meninjau skor, opsional Execute via auto-routing).

Dalam seminggu berlatih seperti ini, Anda akan membaca pitch vendor secara berbeda. Anda tidak akan lagi terkesan oleh "AI-powered" dan mulai bertanya kapabilitas mana yang sebenarnya aktif dan di mana manusia tetap ada dalam loop.

Predictive AI vs. Generative AI: pemetaan

Industri teknologi saat ini membagi AI menjadi dua kelompok: Predictive AI (penilaian, peramalan, klasifikasi) dan Generative AI (pembuatan teks, gambar, kode). Pembagian ini menjadi populer setelah 2022 ketika ChatGPT membuat sisi Generative terlihat secara baru.

ACE Framework memetakan keduanya:

• Predictive AI menggunakan kapabilitas Predict (terutama) dengan Analyze yang mendukung. Ini adalah Salesforce Einstein, HubSpot Predictive Lead Scoring, Stripe Radar, mesin rekomendasi.

• Generative AI menggunakan kapabilitas Generate (terutama) dengan Analyze yang mendukung. Ini adalah ChatGPT, GitHub Copilot, Midjourney, Jasper, Writer.

Kebanyakan produk modern menggabungkan keduanya. Agen support pelanggan memprediksi intent (Predict) dan menyusun respons (Generate). Agen coding otonom menganalisis bug (Analyze), memprediksi pendekatan perbaikan (Predict), menulis kode (Generate), dan men-commit-nya (Execute). Biner "Predictive vs. Generative" adalah singkatan yang berguna, tapi ia melewatkan Ingest dan Execute sepenuhnya.

Pasar generative AI saja diproyeksikan mencapai $121 miliar pada 2026, tumbuh pada CAGR 33,2%. Pengeluaran enterprise AI telah tumbuh dari $1,7 miliar menjadi $37 miliar sejak 2023. Itulah mengapa setiap vendor perangkat lunak berlomba untuk mengklaim posisi di salah satu atau kedua kelompok.

Apa yang BUKAN framework ini

Batasan jujur, di muka:

Ini bukan resep. Framework ini memberi Anda kosakata dan struktur. Ia tidak memberi tahu Anda AI mana yang harus diadopsi Senin ini, vendor mana yang harus dibeli, atau bagaimana menjalankan manajemen perubahan. Untuk itu, Anda butuh playbook yang dibangun di atas ini.

Ini bukan model kematangan. Enam lapisan bukan tahap yang harus Anda lalui. Sebuah bisnis bisa memiliki Patterns yang canggih (Level 2) tanpa Transformation Strategy (Level 5), atau sebaliknya. Stack ini bersifat struktural, bukan berurutan.

Ini tidak statis. AI berkembang pesat. Framework ini membutuhkan revisi, mungkin setiap kuartal. Kapabilitas mungkin terpecah. Kapabilitas baru mungkin muncul. Kami berkomitmen untuk menjaganya tetap relevan, bukan selalu benar.

Ini tidak spesifik pada teknologi tertentu. Tidak ada ketergantungan pada GPT-5, LangChain, atau alat spesifik apa pun. Hal-hal itu berubah setiap enam bulan. Kapabilitas bertahan lebih lama dari produk.

Ini tidak cukup sendiri. Mengutip framework ini bukan analisis. Artikel nyata yang dibangun di atasnya harus menambahkan contoh nyata, mode kegagalan, dan data ROI yang jujur.

Ini baru. Framework ini diterbitkan pada 2026. Ia perlu membuktikan dirinya seiring waktu. Beberapa bagian akan bertahan. Beberapa perlu revisi. Kami akan memperbarui artikel ini saat kami belajar.

Jika batasan-batasan tersebut masih menyisakan ruang untuk framework yang dapat Anda gunakan minggu ini, teruslah membaca.

Cara menggunakan framework ini

1. Audit stack AI Anda saat ini. Buat daftar setiap alat AI yang digunakan perusahaan Anda. Untuk masing-masing, tandai kapabilitas ACE yang dicakupnya. Anda akan menemukan redundansi (tiga alat melakukan Generate+Text), celah (nol kapabilitas Predict meski membayar untuk "predictive analytics"), dan kejutan (alat yang Anda pikir modern hanyalah Analyze dengan chat UI).

2. Baca pitch vendor secara skeptis. Kebanyakan pitch vendor AI menggunakan kata-kata seperti "intelligent," "automated," "transformative." Ganti kata-kata itu dengan kapabilitas ACE dan tiba-tiba pitch menjadi tepat. Sebuah alat yang "mentransformasi sales workflow Anda" secara konkret mungkin adalah Analyze + Generate + mungkin Execute. Jika vendor tidak bisa memberi tahu Anda dengan tepat kapabilitas apa yang dilakukan produknya, itu adalah informasi.

3. Evaluasi inisiatif AI Anda sendiri. Apakah Anda berinvestasi pada kapabilitas yang seimbang, atau semuanya pada Generate? Apakah workflow Anda yang paling berisiko memiliki human-in-loop yang tepat di batas Execute? Apakah Anda mengerjakan pekerjaan Foundation yang tidak glamor, atau mengejar LLM terbaru?

Menurut OECD, 61% UKM menyebut biaya sebagai hambatan utama adopsi AI, diikuti kurangnya keahlian (54%) dan kualitas data (41%). ACE Framework tidak menyelesaikan masalah biaya. Ia menyelesaikan kesenjangan keahlian: kosakata yang Anda butuhkan untuk membuat keputusan berdasarkan informasi tanpa membayar McKinsey $2 juta. Itu adalah klaim yang sempit, dan kami teguh dengan itu.

Apa yang berikutnya

Sisa koleksi ini membangun setiap lapisan:

• Foundation: tujuh tipe data dan pekerjaan kesiapan data yang membuat AI mungkin
• 5 Kapabilitas: satu deep-dive per kapabilitas dengan contoh nyata dan mode kegagalan: Ingest, Analyze, Predict, Generate, Execute
• Melampaui Kapabilitas: batas-batas, penggunaan praktis, evolusi, dan menandai inisiatif AI

Setelah koleksi ini, koleksi Patterns (Level 2) mencakup sepuluh kombinasi kapabilitas berulang yang memecahkan 90% masalah bisnis nyata. Kemudian AI untuk [peran Anda] (Level 3) untuk kedalaman spesifik peran. Kemudian konten industri dan strategi untuk level yang lebih tinggi.

ACE Framework adalah alat. Gunakan saat ia melayani pekerjaan. Sisihkan saat tidak. Pekerjaannya adalah pekerjaannya.

---

ACE Framework dibangun oleh tim konten dan riset Rework, April 2026. Dokumen ini adalah referensi yang terus berkembang dan akan direvisi seiring lanskap AI berevolusi. Jika Anda menemukan kesalahan atau memiliki saran, kami ingin mendengarnya.