AI Untuk UMKM Indonesia

Overview

A sales team that “coba-coba” AI biasanya ketemu masalah yang sama: datanya berantakan, prosesnya tidak jelas, dan outputnya tidak bisa dipakai untuk keputusan harian. Di UMKM Indonesia, AI harus dimulai dari konteks bisnis yang nyata - bukan dari alatnya - lalu dipetakan ke use case yang benar-benar menghemat waktu, mengurangi biaya, atau menaikkan penjualan.

Bab ini membangun pondasi supaya tim kamu bisa jalan terukur: set business context (target, proses, kendala), cek readiness (data, sistem, orang), lalu mapping use case berdampak tinggi. Kamu juga akan dapat kerangka kerja dan contoh prompt (AI prompts #1 - #200) yang siap dipakai untuk tahap awal.

Buku ini: AI untuk UMKM Indonesia: 1000 Prompt AI + Workbook + Studi Kasus + Template Bisnis dengan Total Halaman: 600-800 halaman, Format Akhir: PDF siap jual + DOCX siap edit, dan Kerangka Lengkap E-Book Judul: AI untuk UMKM Indonesia: 1000 Prompt AI + Workbook + Studi Kasus + Template Bisnis. Gunakan bab ini sebagai “peta” - biar 1000 prompt di buku itu tidak jadi tumpukan, tapi jadi eksekusi.

Takeaway cepat: sebelum kamu pakai prompt apa pun, kamu harus bisa menjawab: “Use case apa, KPI apa, dan cara ukurnya apa?” Kalau itu belum jelas, output AI akan terasa bagus tapi tidak kepakai.

---

The Breakdown

#1: Set Your UMKM Business Context in 15 Lines

Problem: Tim sering langsung cari prompt “biar cepat”. Akhirnya mereka tidak menyambungkan AI ke proses yang benar, jadi hasilnya tidak nyambung ke kerja harian (misal: laporan tidak sesuai format toko). Dalam 2-4 minggu pertama, ini bikin AI terasa “tidak ada gunanya” karena tidak ada baseline bisnis yang jelas.

Solution: Isi 15 baris berikut: (1) nama usaha, (2) produk/jasa utama, (3) target pelanggan, (4) lokasi/area layanan, (5) channel penjualan, (6) proses order dari masuk sampai selesai, (7) proses produksi/penyediaan, (8) proses after-sales, (9) masalah terbesar saat ini, (10) target 90 hari, (11) KPI yang ingin diperbaiki, (12) data yang tersedia (mis. WhatsApp chat, invoice, Excel), (13) data yang tidak tersedia, (14) waktu tim yang bisa dialokasikan per minggu, (15) batasan (biaya, tools, aturan). Lalu minta AI merangkum konteks itu jadi 1 halaman rencana kerja.

Result: Kamu punya “bahasa yang sama” antara tim dan AI, sehingga prompt berikutnya langsung mengarah ke use case yang relevan.

#2: Identify Your 3 Biggest Bottlenecks (With Evidence)

Problem: Banyak UMKM bilang “ingin naik penjualan”, tapi bottleneck-nya tidak spesifik. Akibatnya AI dipakai untuk hal yang salah, misalnya konten tapi lead tidak pernah ditindaklanjuti. Biasanya baru ketahuan setelah 1 siklus promosi gagal.

Solution: Tulis 5 bottleneck yang kamu rasakan, lalu pilih 3 yang paling “menghambat”: untuk tiap bottleneck, tulis bukti singkat (angka sederhana: waktu tunggu, jumlah komplain, jumlah lead tanpa follow-up). Minta AI mengubahnya jadi daftar prioritas dengan skor (impact, frequency, cost).

Result: Kamu bisa fokus ke use case yang paling mungkin menghasilkan perubahan dalam 30-60 hari.

#3: Map Your End-to-End Workflow (Order-to-Delivery)

Problem: AI tidak bisa memperbaiki proses yang tidak terlihat. Kalau alur order-to-delivery tidak dipetakan, tim tidak tahu titik mana yang bisa diotomasi atau dipercepat. Dampaknya: output AI tidak masuk ke langkah kerja yang tepat.

Solution: Buat flow singkat: Lead masuk → follow-up → penawaran → closing → produksi/fulfillment → pengiriman/penyerahan → after-sales. Untuk tiap langkah, tulis: input data, output yang dihasilkan, dan siapa yang bertanggung jawab. Minta AI menandai langkah yang cocok untuk AI (chat, klasifikasi, ringkasan, template balasan).

Result: Kamu dapat peta proses yang langsung jadi dasar mapping use case.

#4: Build a Data Inventory for AI (What You Have vs Need)

Problem: Prompt yang bagus tetap gagal kalau datanya tidak ada atau formatnya kacau. UMKM sering hanya punya “data di kepala” atau chat tersebar di WhatsApp tanpa struktur. Ini bikin AI menghasilkan asumsi dan output jadi tidak bisa diverifikasi.

Solution: Buat tabel inventaris data: sumber (WhatsApp, marketplace, kasir, Google Sheets), format (text, invoice PDF, foto), kualitas (bagus/sedang/jelek), akses tim (siapa), frekuensi update. Minta AI menyusun “data gaps” paling kritis untuk 2-3 use case prioritas.

Result: Tim tahu data apa yang harus dibenahi dulu, bukan menunggu AI “ajaib”.

#5: Choose 5 Candidate Use Cases from Your Workflow

Problem: Tanpa kandidat use case, diskusi jadi panjang dan berputar-putar. Tim akhirnya memilih use case “yang paling terdengar keren”, bukan yang paling berdampak. Akibatnya biaya waktu dan energi habis.

Solution: Dari workflow yang kamu petakan, pilih 5 bagian yang paling sering terjadi atau paling banyak memakan waktu....