I.   Pendahuluan: Ketika Mesin Belajar Mengoptimasi Dunia

(Gambar 1: Arsitektur Smart Grid berbasis AI dan IoT untuk manajemen energi cerdas. Sumber: Genus Power)

Kecerdasan buatan atau artificial intelligence (AI) telah menjadi kata kunci yang menghiasi hampir setiap diskusi teknologi di dekade terakhir. Dari ruang rapat korporasi hingga laboratorium penelitian, janji akan revolusi optimasi melalui algoritma cerdas menggema dengan lantang. Namun, di balik gemerlap prestasi yang dipamerkan dalam konferensi-konferensi teknologi, muncul pertanyaan fundamental: apakah pemanfaatan AI untuk optimasi benar-benar menghasilkan dampak positif yang signifikan, atau ia hanyalah euforia teknologi yang akan pudar seiring waktu? Pertanyaan ini bukanlah skeptisisme belaka, melainkan kehati-hatian ilmiah yang diperlukan ketika sebuah teknologi mengklaim transformasi fundamental terhadap cara kita mengelola sumber daya, energi, dan proses produksi.

Optimasi, dalam konteks rekayasa dan manajemen, merujuk pada proses mencari solusi terbaik dari berbagai alternatif yang tersedia berdasarkan kriteria tertentu. Tradisionalnya, tugas ini dilakukan melalui metode matematika konvensional, pengalaman manusia, atau kombinasi keduanya. Kehadiran AI, khususnya melalui teknik machine learning dan deep learning, menawarkan pendekatan baru yang mampu memproses data dalam skala masif dan mengidentifikasi pola yang tidak terlihat oleh mata manusia. Sebuah studi kasus yang dilakukan di perusahaan manufaktur Jerman menunjukkan bahwa model AI berbasis Long Short-Term Memory (LSTM) mampu memprediksi konsumsi energi dengan akurasi yang menakjubkan serta mengidentifikasi deviasi yang sistem konvensional lewatkan [1]. Temuan ini mengindikasikan potensi nyata, namun juga menimbulkan pertanyaan mengenai generalisasi hasil tersebut di berbagai konteks industri.

Artikel ini akan mengkaji secara kritis pemanfaatan AI untuk optimasi melalui lima sub-pembahasan komprehensif. Kita akan menelusuri dari fondasi teknologi hingga implementasi nyata, dari janji manufaktur cerdas hingga realitas tantangan yang dihadapi. Setiap bagian dirancang untuk memberikan pemahaman mendalam tanpa mengorbankan keterbacaan, menggunakan data dan studi empiris dari publikasi ilmiah terkini. Tujuannya bukan untuk memihak pada optimisme atau pesimisme, melainkan untuk membangun pemahaman yang seimbang berdasarkan bukti ilmiah yang ada.

 II.   Bagian I: Fondasi Teknologi – Bagaimana AI Benar-Benar Bekerja dalam Optimasi

Memahami apakah AI untuk optimasi merupakan terobosan nyata atau sekadar hype memerlukan pemahaman mendalam mengenai mekanisme kerja teknologi ini. Pada intinya, AI untuk optimasi bekerja melalui tiga komponen utama: pengumpulan data masif, algoritma pembelajaran yang mampu mengenali pola kompleks, dan sistem pengambilan keputusan yang dapat diotomatisasi atau digunakan sebagai rekomendasi bagi operator manusia. Berbeda dengan pemrograman tradisional di mana aturan ditulis secara eksplisit oleh manusia, sistem AI menemukan aturan tersebut sendiri melalui exposure terhadap data historis dan real-time.

Dalam konteks optimasi energi, misalnya, algoritma machine learning menganalisis pola konsumsi listrik, suhu lingkungan, jadwal produksi, dan variabel operasional lainnya untuk memprediksi kebutuhan energi di masa depan dan mengidentifikasi ineffisiensi. Studi yang diterbitkan dalam jurnal Energy and AI menunjukkan bahwa integrasi AI ke dalam sistem manajemen energi tidak hanya meningkatkan efisiensi operasional tetapi juga memfasilitasi kepatuhan terhadap standar ISO 50001 [1]. Lebih jauh, penelitian dari International Energy Agency (IEA) menyoroti bahwa aplikasi AI dalam operasi dan pemeliharaan pembangkit listrik berpotensi menghasilkan penghematan biaya hingga USD 110 miliar per tahun pada tahun 2035 melalui pengurangan penggunaan bahan bakar dan biaya operasional yang lebih rendah [2].

Gambar 2: Berbagai aplikasi AI dalam sektor manufaktur modern. Sumber: OrangeMantra

Namun, kekuatan AI tidak terbatas pada prediksi semata. Teknik optimasi berbasis AI, seperti reinforcement learning, memungkinkan sistem untuk belajar dari interaksi dengan lingkungan dan secara kontinu menyempurnakan strategi untuk mencapai tujuan tertentu. Sebuah contoh menarik datang dari Google DeepMind yang berhasil mengoptimasi penggunaan energi untuk pendinginan data center, mencapai pengurangan konsumsi energi hingga 40% [3]. Algoritma ini belajar dari ribuan sensor yang memonitor suhu, tekanan, dan parameter operasional lainnya, kemudian menyesuaikan pengaturan sistem pendinginan secara real-time untuk mencapai efisiensi maksimal.

Penting untuk dicatat bahwa keberhasilan AI dalam optimasi sangat bergantung pada kualitas dan kuantitas data yang tersedia. Sistem AI memerlukan data yang representatif, bebas dari bias signifikan, dan mencakup berbagai skenario operasional untuk belajar secara efektif. Dalam konteks industri, ini sering kali menjadi tantangan karena banyak perusahaan, khususnya usaha kecil dan menengah (SME), memiliki infrastruktur data yang terbatas atau data yang tersimpan dalam silo yang terpisah [2]. Oleh karena itu, meskipun potensi teknologi ini jelas, implementasinya memerlukan investasi signifikan tidak hanya dalam perangkat keras dan perangkat lunak, tetapi juga dalam infrastruktur data dan pengembangan kapasitas sumber daya manusia.

 

III.   Bagian II: Manufaktur Cerdas – Revolusi Produksi atau Peningkatan Inkremental?

Sektor manufaktur sering disebut sebagai salah satu bidang yang paling diuntungkan dari penerapan AI untuk optimasi. Klaimnya sangat menggoda: pengurangan downtime, peningkatan kualitas produk, efisiensi energi yang signifikan, dan prediksi kebutuhan perawatan yang akurat. Namun, realitas di lantai pabrik sering kali lebih kompleks daripada yang digambarkan dalam presentasi vendor teknologi. Apakah kita menyaksikan revolusi fundamental dalam cara barang diproduksi, atau hanya peningkatan inkremental yang dibungkus dengan terminologi futuristik?

Bukti empiris menunjukkan hasil yang bervariasi. Sebuah studi kasus yang detail dari perusahaan semen global mengungkapkan bahwa solusi AI berhasil menghemat lebih dari 2 juta Euro dalam dua tahun melalui perampingan pemeliharaan dan peningkatan aliran produksi [4]. Lebih spesifik, sistem AI yang diimplementasikan menggunakan sensor IoT untuk memantau penggunaan energi secara real-time dan menganalisis pola konsumsi historis untuk memprediksi kebutuhan energi di masa depan. Hasilnya adalah pengurangan biaya operasional energi yang signifikan dan peningkatan efisiensi produksi secara keseluruhan.

Gambar 3: Transformasi lantai produksi manufaktur melalui optimasi berbasis AI. Sumber: Praxie

Namun, di balik kisah sukses ini, terdapat narasi alternatif yang tidak kalah penting. Penelitian dari IBM Institute for Business Value menemukan bahwa tim pengembangan produk yang mengikuti praktik terbaik AI secara ekstensif melaporkan median ROI sebesar 55% dari generative AI [5]. Angka ini mengesankan, namun studi yang sama menyoroti bahwa pencapaian ROI yang tinggi memerlukan pendekatan yang sangat terstruktur: bekerja secara iteratif, belajar dari data pengguna, membangun tim multidisiplin, dan merayakan feedback secara aktif. Ini mengindikasikan bahwa keberhasilan AI tidak otomatis, melainkan memerlukan transformasi budaya dan operasional yang mendalam.

Konflik mendasar di sini adalah antara janji teknologi yang universal dengan realitas implementasi yang kontekstual. AI tidak bekerja dalam kehampaan; ia memerlukan data berkualitas tinggi, infrastruktur digital yang memadai, dan tenaga kerja yang terampil untuk menginterpretasi dan bertindak berdasarkan rekomendasi algoritma. Sebuah tinjauan sistematis terhadap implementasi AI dalam pelayanan kesehatan primer menemukan bahwa kendala paling sering dikutip adalah masalah teknis dan performa, bersama dengan kualitas data dan aksesibilitas yang buruk [6]. Meskipun konteksnya berbeda, temuan ini mencerminkan tantangan universal dalam implementasi AI: teknologi tersebut hanya sebaik data dan infrastruktur yang mendukungnya.

Pro dari pendekatan optimasi berbasis AI adalah potensi untuk mencapai efisiensi yang tidak mungkin dilakukan oleh manusia sendiri, terutama dalam sistem yang sangat kompleks dengan variabel yang saling berinteraksi. Kontra, bagaimanapun, mencakup biaya implementasi yang tinggi, risiko ketergantungan pada sistem yang tidak transparan (black box), dan potensi gangguan terhadap tenaga kerja manusia yang perlu beradaptasi dengan peran baru sebagai pengawas dan pengambil keputusan berbasis AI.

 

IV.   Bagian III: Optimasi Energi – Solusi Iklim atau Beban Karbon Baru?

Salah satu aplikasi paling menjanjikan dari AI untuk optimasi adalah dalam sektor energi, baik untuk efisiensi konsumsi maupun integrasi sumber energi terbarukan. Dengan urgensi krisis iklim yang semakin mendesak, kemampuan AI untuk mengoptimalkan penggunaan energi dan mengurangi emisi karbon dipandang sebagai salah satu solusi teknologi yang paling berpotensi. Namun, paradoks ironis muncul: AI itu sendiri adalah konsumen energi yang sangat besar, terutama dalam melatih model besar dan mengoperasikan data center skala besar.

Gambar 4: Arsitektur sistem manajemen energi berbasis machine learning untuk microgrid. Sumber: Scientific Reports, Nature

Studi kasus dari sektor kelistrikan menunjukkan dampak positif yang signifikan. Sebuah kolaborasi antara perusahaan minyak dan gas midstream dengan Neuralix Inc. menggunakan AI dan analitik time series berbasis prinsip pertama untuk mengoptimalkan efisiensi pompa disposal air asin (SWD). Hasilnya sangat mengesankan: pengurangan konsumsi listrik hingga 40% di beberapa lokasi injeksi selama Fase 1, dengan proyeksi perbaikan tahunan melebihi 40% setelah diperluas [7]. Sistem ini bekerja dengan menganalisis data SCADA yang kompleks untuk mengidentifikasi konfigurasi pompa yang tidak efisien dan memberikan rekomendasi operasional yang transparan dan dapat ditindaklanjuti oleh insinyur lapangan.

Di sisi lain, optimasi energi terbarukan juga menunjukkan hasil yang menjanjikan. Google DeepMind berhasil memprediksi output tenaga angin 36 jam sebelumnya, meningkatkan nilai energi angin sebesar 20% [3]. Demikian pula, sebuah studi kasus dari Technical University of Denmark menunjukkan bahwa tata letak turbin angin yang dioptimalkan menggunakan AI menghasilkan peningkatan produksi energi sebesar 12% [3]. Angka-angka ini menunjukkan bahwa AI dapat berperan penting dalam transisi energi dengan memaksimalkan efisiensi sumber daya terbarukan yang bersifat intermiten.

Namun, kita harus menghadapi realitas bahwa infrastruktur AI sendiri memiliki jejak karbon yang signifikan. Data center yang menjalankan model AI besar memerlukan pendinginan yang intensif dan konsumsi listrik yang masif. Sebuah laporan dari IEA menyoroti bahwa meskipun AI dapat mengoptimalkan efisiensi data center, pertumbuhan eksponensial dalam penggunaan AI berpotensi menimbulkan beban energi baru yang substansial [2]. Ini menciptakan dilema etis dan teknis: apakah penghematan energi yang dihasilkan oleh AI di sektor lain cukup untuk mengimbangi konsumsi energi oleh infrastruktur AI itu sendiri?

Solusi alternatif yang sedang dikembangkan termasuk penggunaan AI untuk mengoptimalkan operasi data center itu sendiri, seperti yang dilakukan Google dengan pengurangan 40% dalam penggunaan energi pendinginan [3]. Pendekatan lain adalah pengembangan algoritma yang lebih efisien yang memerlukan daya komputasi lebih sedikit untuk pelatihan dan inferensi. Namun, ini memerlukan trade-off antara performa model dan efisiensi energi, sebuah kompromi yang belum sepenuhnya dipahami dampaknya dalam aplikasi kritis.

 

  V.   Bagian IV: Menghitung Keuntungan – ROI yang Nyata atau Angka Manipulasi?

Dalam diskusi bisnis, metrik yang paling sering dikutip untuk membenarkan investasi AI adalah Return on Investment (ROI). Vendor teknologi dengan bangga menampilkan angka-angka mengesankan: peningkatan produktivitas 40-60%, pengurangan biaya proyek riset 40%, atau pengembalian investasi 3,7 kali lipat untuk setiap dolar yang diinvestasikan dalam teknologi AI [8]. Namun, di balik angka-angka ini, terdapat pertanyaan metodologis yang serius: bagaimana ROI ini diukur, dan apakah angka-angka tersebut mencerminkan realitas operasional yang berkelanjutan?

Gambar 5: Kontras antara ekspektasi hype AI dengan realitas implementasi. Sumber: Exquitech

Tantangan fundamental dalam mengukur ROI AI adalah kompleksitas isolasi kontribusi AI dari faktor-faktor lain yang mempengaruhi performa bisnis. Sebuah implementasi AI sering kali berjalan paralel dengan perubahan proses bisnis, pelatihan karyawan, atau investasi infrastruktur lainnya. Studi dari Wizata menunjukkan bahwa meskipun penghematan €2 juta dalam dua tahun tercatat jelas, mengukur kontribusi spesifik dari AI versus perbaikan proses manual yang terjadi bersamaan sulit dilakukan dengan presisi [4]. Selain itu, banyak manfaat AI bersifat intangible, seperti peningkatan kualitas pengambilan keputusan atau pengurangan risiko operasional, yang sulit dikonversi menjadi metrik keuangan yang konkret.

Waktu untuk mencapai nilai (time-to-value) juga merupakan faktor kritis yang sering diabaikan dalam presentasi ROI yang optimistik. AI sering memerlukan investasi besar di muka, dan pengembaliannya mungkin memerlukan waktu bertahun-tahun untuk terwujud. Penelitian dari McKinsey mengindikasikan bahwa perencanaan kapasitas berbasis AI dapat mengurangi biaya infrastruktur sebesar 15-25% sambil meningkatkan performa dan ketersediaan [9]. Namun, pencapaian penghematan ini memerlukan implementasi yang matang dan integrasi data yang komprehensif, proses yang bisa memakan waktu 12-24 bulan atau lebih.

Narasi alternatif yang perlu dipertimbangkan adalah bahwa ROI AI sering kali tidak merata terdistribusi. Perusahaan besar dengan sumber daya teknis yang kuat mungkin mencapai ROI yang signifikan, sementara usaha kecil dan menengah (SME) bisa terjebak dalam siklus investasi tanpa pengembalian yang memadai karena keterbatasan data dan keahlian teknis. Studi kasus dari perusahaan manufaktur Jerman menekankan bahwa model AI yang terintegrasi dapat dilaksanakan oleh SME dengan sumber daya teknis terbatas, namun hal ini memerlukan kerangka kerja yang jelas seperti CRISP-DM dan dukungan eksternal yang signifikan [1].

Pro dari fokus pada ROI adalah memaksa organisasi untuk berpikir kritis tentang nilai bisnis nyata dari investasi teknologi, menghindari jebakan mengadopsi AI demi AI semata. Kontra adalah bahwa metrik ROI yang terlalu sempit mungkin mengabaikan manfaat jangka panjang atau transformasi strategis yang tidak terlihat dalam perhitungan keuangan jangka pendek. Organisasi perlu mengembangkan kerangka kerja pengukuran yang holistik yang mencakup metrik operasional, kepuasan pelanggan, dan kemampuan adaptasi strategis, bukan hanya penghematan biaya langsung.

 

VI.   Bagian V: Tantangan dan Keterbatasan – Mengapa AI Tidak Selalu Menjawab Segalanya

Setelah menelusuri potensi dan pencapaian AI dalam optimasi, kita harus menghadapi realitas yang lebih suram: keterbatasan fundamental dan tantangan implementasi yang sering kali diabaikan dalam narasi hype. AI bukanlah sihir yang dapat mengubah organisasi secara instan; ia adalah alat yang kuat namun flawed, dengan batasan teknis, etis, dan operasional yang signifikan.

Tantangan teknis paling mendasar adalah kualitas data. Sebagian besar organisasi menghadapi masalah data yang terfragmentasi di berbagai departemen (data silos), kurangnya standardisasi, atau data yang tidak representatif terhadap kondisi operasional yang sebenarnya. Sebuah tinjauan sistematis terhadap implementasi AI dalam pelayanan kesehatan primer menemukan bahwa masalah kualitas data dan aksesibilitas merupakan hambatan signifikan dalam generasi sumber daya [6]. Tanpa data yang bersih, lengkap, dan representatif, model AI akan menghasilkan prediksi yang tidak akurat atau bias, yang dalam konteks optimasi bisa berarti keputusan yang merusak efisiensi daripada meningkatkannya.

 

Gambar 6: Sistem pendingin cair untuk data center AI yang menunjukkan kompleksitas infrastruktur. Sumber: Data Center Resources

Isu transparansi dan interpretabilitas juga menjadi concern utama. Banyak model AI, terutama deep learning, beroperasi sebagai “black box” di mana bahkan pengembangnya kesulitan menjelaskan mengapa model membuat rekomendasi tertentu. Dalam konteks optimasi industri, ini menciptakan risiko signifikan: jika operator tidak memahami logika di balik rekomendasi AI, mereka mungkin ragu untuk mengikutinya atau salah menginterpretasi dalam situasi kritis. Pendekatan berbasis prinsip pertama, seperti yang digunakan Neuralix dalam optimasi pompa SWD, menawarkan alternatif dengan menyediakan wawasan yang transparan dan dapat ditindaklanjuti, namun pendekatan ini memerlukan keahlian domain yang mendalam dan tidak selalu dapat diterapkan pada masalah yang sangat kompleks [7].

Tantangan ketiga adalah resistensi organisasi dan perubahan budaya. Implementasi AI sering kali mengganggu alur kerja yang sudah mapan dan memerlukan karyawan untuk mengembangkan keterampilan baru. Sebuah studi dari IBM menekankan pentingnya bekerja secara iteratif dan membangun tim multidisiplin untuk mengatasi resistensi ini [5]. Namun, transformasi budaya ini sulit dan memakan waktu, sering kali lebih sulit daripada tantangan teknisnya.

Terakhir, ada risiko over-reliance atau ketergantungan digital yang berlebihan. Sebuah tinjauan sistematis terhadap AI dalam pendidikan menemukan bahwa tantangan terkait ketergantungan digital atau risiko etis muncul dengan variabilitas yang lebih tinggi dalam interpretasi, menunjukkan ketidakkonsistenan dalam bagaimana risiko ini diidentifikasi dan dikelola [10]. Dalam konteks optimasi industri, ketergantungan yang berlebihan pada AI bisa membuat organisasi rentan terhadap kegagalan sistem, serangan siber, atau perubahan kondisi yang tidak terduga di mana model AI tidak dilatih dengan data yang mumpuni dan andal.

 

VII.   Kesimpulan: Menemukan Keseimbangan antara Optimisme dan Skeptisisme

Setelah menelusuri berbagai dimensi pemanfaatan AI untuk optimasi, dari fondasi teknologi hingga tantangan implementasi, kita kembali ke pertanyaan awal: apakah ini revolusi nyata atau sekadar euforia? Jawabannya, seperti sering terjadi dalam teknologi kompleks, berada di tengah spektrum. AI untuk optimasi bukanlah ilusi belaka—bukti empiris menunjukkan penghematan energi yang signifikan, peningkatan efisiensi produksi, dan kemampuan prediksi yang superior dalam berbagai konteks. Namun, ia juga bukan sihir universal yang secara otomatis mengubah setiap organisasi yang mengadopsinya.

Realitas adalah bahwa AI merupakan alat yang sangat kuat namun sangat kontekstual. Keberhasilannya bergantung pada kualitas data, kesiapan infrastruktur, keahlian teknis, dan kemampuan organisasi untuk beradaptasi. Seperti yang ditunjukkan studi kasus dari berbagai sektor, dari manufaktur Jerman hingga pembangkit listrik global, AI dapat memberikan ROI yang signifikan ketika diimplementasikan dengan benar [1][7]. Namun, kegagalan sering kali disebabkan oleh ekspektasi yang tidak realistis, persiapan yang tidak memadai, atau kurangnya pemahaman bahwa AI adalah komplemen bagi kecerdasan manusia, bukan penggantinya.

Solusi kondisional yang direkomendasikan adalah pendekatan bertahap dan berbasis bukti. Organisasi harus memulai dengan pilot project yang terdefinisi dengan baik, mengukur hasil dengan cermat, dan menskalakan hanya setelah membuktikan nilai nyata. Investasi dalam infrastruktur data dan pengembangan kapasitas sumber daya manusia harus didahulukan sebelum investasi dalam algoritma canggih. Lebih penting lagi, organisasi perlu mengembangkan literasi AI yang memungkinkan pengambilan keputusan yang kritis—memahami kapan harus mempercayai rekomendasi AI dan kapan harus mengandalkan penilaian manusia.

Masa depan optimasi bukanlah pilihan biner antara AI atau manusia, melainkan kolaborasi yang cermat di antara keduanya. AI unggul dalam memproses data skala besar dan mengidentifikasi pola yang tidak terlihat, sementara manusia unggal dalam penilaian kontekstual, kreativitas, dan pengambilan keputusan etis. Menemukan keseimbangan yang tepat antara keduanya adalah kunci untuk memaksimalkan manfaat AI sambil meminimalkan risikonya. Hanya dengan pendekatan yang terukur, transparan, dan berpusat pada manusia, kita dapat memastikan bahwa AI untuk optimasi menjadi revolusi positif yang berkelanjutan, bukan sekadar hype yang memudar.

 

 

Referensi

1. [1] R. Schmidt et al., “Integrating artificial intelligence into energy management: A case study on energy consumption data analysis and forecasting in a German manufacturing company,” Energy and AI, vol. 18, 2025. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2666546825001089
2. [2] International Energy Agency (IEA), “AI for energy optimisation and innovation,” in Energy and AI Report, Paris, France, 2025. [Online]. Available: https://www.iea.org/reports/energy-and-ai/ai-for-energy-optimisation-and-innovation
3. [3] A. Case Study on Solar and Wind Energy Optimization, “The transformative role of artificial intelligence in enhancing the efficiency of renewable energy systems,” Intersect: The Stanford Journal of Science, Technology, and Society, vol. 18, no. 1, 2025. [Online]. Available: https://ojs.stanford.edu/ojs/index.php/intersect/article/view/3541
4. [4] Wizata, “Tracking ROI in AI Implementation: A Strategic Guide for Businesses,” Wizata Resources, 2024. [Online]. Available: https://www.wizata.com/resources/tracking-roi-in-ai-implementation-a-strategic-guide-for-businesses
5. [5] IBM Institute for Business Value, “How to maximize ROI on AI in 2025,” IBM Think Insights, 2025. [Online]. Available: https://www.ibm.com/think/insights/ai-roi
6. [6] M. E. K. et al., “Opportunities, challenges, and requirements for Artificial Intelligence implementation in Primary Health Care: a systematic review,” BMC Medical Informatics and Decision Making, vol. 25, no. 1, 2025. [Online]. Available: https://pmc.ncbi.nlm.nih.gov/articles/PMC12147259/
7. [7] A. Lewis, “Case Study: AI-Driven Optimization of SWD Pumping Efficiency Using KPI-Based Time Series Analytics,” Journal of Petroleum Technology, Society of Petroleum Engineers, 2025. [Online]. Available: https://jpt.spe.org/case-study-ai-driven-optimization-of-swd-pumping-efficiency-using-kpi-based-time-series-analytics
8. [8] Infomineo, “AI for Business Research: Applications, ROI & Implementation Guide,” Infomineo Research, 2025. [Online]. Available: https://infomineo.com/artificial-intelligence/ai-for-business-research-applications-roi-implementation-guide/
9. [9] R. P., “ROI of AI in IT: How to Measure the Business Value of AI Investments,” LinkedIn Professional Insights, 2025. [Online]. Available: https://www.linkedin.com/pulse/roi-ai-how-measure-business-value-investments-ripla-pgcert-pgdip-cukne
10. [10] S. S. et al., “Systematic Review of Artificial Intelligence in Education: Benefits, Challenges, and Future Directions,” MDPI Education Sciences, vol. 9, no. 8, 2025. [Online]. Available: https://www.mdpi.com/2414-4088/9/8/84