AI Multimodal untuk Bisnis: Suara, Gambar, dan Batasannya

Sebagian besar pekerjaan di bisnis Indonesia tidak datang dalam bentuk teks yang rapi. Pelanggan mengirim pesan suara di WhatsApp, pemasok mengirim foto nota, tim lapangan memotret barang yang rusak, dan rapat penting hanya terekam di ponsel. AI multimodal adalah AI yang bisa memahami bentuk-bentuk masukan seperti ini, bukan hanya teks. Artikel ini membahas apa yang bisa dikerjakannya, contoh penggunaan yang realistis, dan batasan yang perlu dipahami sebelum memakainya.

Apa itu AI multimodal

"Modal" di sini berarti jenis masukan: teks, gambar, atau suara. Chatbot biasa hanya menerima teks. AI multimodal bisa menerima lebih dari satu jenis sekaligus, misalnya sebuah foto nota disertai pertanyaan "berapa total belanjanya?". Beberapa model AI besar, seperti Gemini, sudah bisa menerima teks, gambar, dan audio dalam satu permintaan.

Untuk bisnis, ini berarti AI bisa dipasang di titik yang sebelumnya selalu butuh orang: mendengarkan, melihat, lalu menyalin ke sistem. AI tidak menggantikan keputusan, tetapi bisa menghemat waktu mengetik ulang dan merangkum.

Contoh penggunaan untuk suara

• Pesan suara jadi pesanan tertulis. Pesan suara pelanggan diubah menjadi teks, lalu poin pentingnya, seperti nama barang, jumlah, dan alamat, dirangkum untuk dicek admin.
• Rekaman rapat jadi notulen. Rekaman diubah menjadi teks, lalu diringkas menjadi keputusan, tugas, dan penanggung jawab.
• Laporan lapangan lewat suara. Petugas cukup bicara ke ponsel, dan laporannya masuk ke format yang seragam.
• Asisten yang menjawab dengan suara. Cocok untuk informasi yang sering ditanyakan, misalnya jam buka atau status pesanan, dengan jalan pintas ke manusia.

Contoh penggunaan untuk gambar

• Foto nota atau faktur jadi data. Tanggal, nama toko, item, dan total dibaca dari foto lalu dimasukkan ke spreadsheet atau sistem pembukuan.
• Foto formulir kertas jadi data digital. Berguna untuk bisnis yang masih menerima pendaftaran atau survei di kertas.
• Foto produk jadi draf deskripsi katalog. AI membuat draf nama, warna, dan ciri produk, lalu tim Anda menyunting sebelum tayang.
• Foto keluhan pelanggan. Foto barang rusak atau salah kirim dipilah lebih dulu, sehingga tim bisa memprioritaskan yang mendesak.

Batasan yang perlu Anda ketahui

AI multimodal sangat membantu, tetapi tidak sempurna. Beberapa batasan yang paling sering muncul:

• Suara bising dan logat. Rekaman di jalan atau di pasar, campuran bahasa daerah, dan istilah khusus bisnis Anda bisa salah ditangkap.
• Foto buram atau tulisan tangan. Nota yang terlipat, tinta pudar, atau tulisan tangan yang sulit dibaca akan menurunkan ketepatan.
• Angka bisa keliru. AI kadang salah membaca angka atau mengarang isi yang tidak ada. Untuk total, harga, dan jumlah, selalu sediakan pengecekan.
• Konteks bisnis. AI tidak tahu aturan internal Anda, misalnya kode barang atau batas diskon, kecuali Anda memberikannya.

Karena itu, sistem yang baik tidak langsung menyimpan hasil AI. Hasilnya ditampilkan sebagai draf, bagian yang meragukan ditandai, dan manusia memberi persetujuan akhir. Seiring waktu, Anda bisa melihat seberapa sering draf perlu dikoreksi, lalu memutuskan bagian mana yang aman diotomasi lebih jauh.

Privasi dan data pribadi

Suara dan foto sering berisi data pribadi: nama, nomor telepon, alamat, bahkan wajah. Di Indonesia, pengolahan data seperti ini diatur oleh UU Pelindungan Data Pribadi. Beberapa hal yang sebaiknya disiapkan sejak awal:

1. Beri tahu pelanggan bahwa pesan suara atau foto mereka diproses dengan bantuan AI.
2. Kirim ke layanan AI hanya data yang memang dibutuhkan. Hindari mengirim dokumen identitas bila tidak perlu.
3. Tentukan berapa lama rekaman dan foto disimpan, lalu hapus sesuai jadwal.
4. Batasi siapa di tim Anda yang bisa membuka rekaman dan foto asli.

Biaya: suara dan gambar lebih berat dari teks

Memproses audio dan gambar umumnya lebih mahal daripada teks, karena ukuran datanya jauh lebih besar. Biaya bisa dijaga dengan beberapa cara: memperkecil ukuran foto sebelum dikirim, memotong bagian rekaman yang hening, memakai model yang lebih ringan untuk pekerjaan sederhana, dan memasang batas biaya harian. Prinsip ini sama dengan yang kami terapkan pada tutor AI Numekara, yang memakai cadangan antar model serta kuota dan batas biaya harian.

Cara memulai dengan aman

1. Pilih satu alur kerja yang paling banyak menyita waktu, misalnya merekap pesan suara pesanan atau mengetik ulang nota.
2. Kumpulkan 20 sampai 50 contoh nyata dari bisnis Anda, termasuk yang kualitasnya jelek, setelah data pribadinya disamarkan.
3. Uji AI dengan contoh-contoh itu dan catat berapa yang benar, berapa yang perlu dikoreksi, dan jenis kesalahannya.
4. Pasang alurnya dengan pengecekan manusia, lalu pantau hasilnya selama beberapa minggu.
5. Baru setelah hasilnya stabil, pertimbangkan otomasi yang lebih jauh.

Uji coba kecil seperti ini memberi gambaran yang jujur sebelum Anda mengeluarkan biaya besar. Kalau ternyata ketepatannya belum cukup, Anda tahu lebih awal, dan bisa memilih jalan lain seperti formulir yang lebih rapi atau pembagian kerja yang berbeda.

AI multimodal paling berguna saat ia menyiapkan draf dari suara dan gambar, lalu manusia memeriksa dan memutuskan.