Pendahuluan
Hampir semua perusahaan di Indonesia kini bicara soal kecerdasan buatan (AI). Namun antara "sudah mencoba AI" dan "AI benar-benar menghasilkan dampak bisnis" ada jurang yang lebar. Laporan Suara.com dari ajang BytePlus Indonesia AI Day 2026 mengutip riset PwC: 96% bisnis di Indonesia sudah mengadopsi teknologi AI, tetapi hanya 12% yang melaporkan dampak bisnis yang nyata dan terukur.
Studi "Unlocking Indonesia's AI Potential 2026" dari Amazon Web Services (AWS) dan Strand Partners, yang dipaparkan di AWS Summit Jakarta 2026, memberi gambaran serupa. Adopsi AI di kalangan perusahaan Indonesia naik menjadi 40% dari 25% pada tahun sebelumnya, tetapi 56% di antaranya masih berada di tahap eksplorasi awal. Hanya 12% yang sudah mengintegrasikan AI secara penuh ke dalam proses bisnisnya.
Artinya, banyak proyek AI berhenti di tengah jalan. Berikut lima kesalahan paling umum saat bisnis memulai proyek AI, beserta cara praktis menghindarinya.
| Indikator (studi AWS & Strand Partners 2026) | Angka |
|---|---|
| Perusahaan yang sudah mengadopsi AI | 40% (tahun lalu 25%) |
| Masih tahap eksplorasi awal | 56% |
| Sudah memakai AI di sebagian fungsi bisnis | 18% |
| Menskalakan AI ke banyak fungsi | 14% |
| Integrasi penuh ke proses bisnis | 12% |
| Melaporkan kenaikan produktivitas | 75% (sebelumnya 68%) |
1. Mulai dari Teknologi, Bukan dari Masalah Bisnis
Kesalahan pertama adalah berangkat dari pertanyaan "AI apa yang bisa kita pakai?" alih-alih "masalah apa yang paling mahal bagi bisnis kita?". Hasilnya, tim membeli langganan model bahasa atau membangun chatbot tanpa tahu indikator keberhasilannya. Country Manager AWS Indonesia, Anthony Amni, menyebut kesiapan strategi bisnis dan pengukuran ROI sebagai dua di antara hambatan utama yang dihadapi organisasi.
Cara menghindarinya:
- Tuliskan satu masalah spesifik dalam satu kalimat, misalnya "waktu respons layanan pelanggan terlalu lama".
- Tetapkan metrik sebelum proyek dimulai: waktu proses, biaya per transaksi, tingkat konversi.
- Ukur kondisi awal (baseline) agar hasil pilot bisa dibandingkan.
Contoh yang baik datang dari Transjakarta. Masalahnya jelas, yaitu ribuan pertanyaan pengguna di media sosial pada jam sibuk. Dengan chatbot AI, waktu penanganan pertanyaan pelanggan turun 93,82%. Angka itu bisa dilaporkan justru karena masalah dan metriknya sudah terdefinisi.
2. Mengejar Use Case Ambisius Sebelum Data Rapi
Banyak bisnis langsung ingin membangun asisten AI yang "tahu segalanya" tentang perusahaan, padahal datanya tersebar di spreadsheet, email, dan aplikasi yang tidak saling terhubung. AI hanya sebaik data yang bisa ia akses.
Kasus Volantis Technology yang dipaparkan di BytePlus AI Day menunjukkan urutan yang lebih masuk akal: AI dipakai lebih dulu untuk konsolidasi data dan otomatisasi, baru kemudian berkembang menjadi produk seperti asisten AI "Sophia" dan perluasan pasar ke segmen B2C.
Cara menghindarinya:
- Inventarisasi sumber data: di mana disimpan, siapa pemiliknya, seberapa lengkap.
- Pilih use case awal yang datanya sudah tersedia dan cukup bersih.
- Anggarkan pekerjaan pembersihan dan integrasi data sebagai bagian resmi proyek, bukan pekerjaan sampingan.
3. Tidak Ada Pemilik Proyek, Pilot Berhenti di Demo
Fakta bahwa lebih dari separuh pengadopsi masih di tahap eksplorasi menunjukkan pola yang sering terjadi: pilot berjalan, demo terlihat menjanjikan, lalu proyek menggantung. Penyebab umumnya adalah tidak ada satu orang pun dari sisi bisnis yang bertanggung jawab membawa hasil pilot ke operasional sehari-hari. Studi AWS juga menyoroti tata kelola AI sebagai salah satu hambatan.
Cara menghindarinya:
- Tunjuk pemilik proyek dari unit bisnis yang merasakan masalahnya, bukan hanya dari tim IT.
- Tetapkan kriteria "lulus pilot" dan tenggat keputusan: lanjut, ubah, atau hentikan.
- Rencanakan sejak awal siapa yang memakai, memelihara, dan mengawasi sistem setelah go-live.
4. Hanya Menganggarkan Biaya Pembuatan
Proyek AI tidak selesai saat aplikasinya jadi. Ada biaya berjalan: pemakaian API atau komputasi model, penyimpanan data, pemantauan kualitas jawaban, pembaruan prompt atau model, serta waktu staf yang mengelolanya. Bisnis yang hanya menganggarkan biaya pengembangan sering kaget ketika tagihan bulanan naik seiring jumlah pengguna, lalu menghentikan sistem yang sebenarnya berguna. Ini terkait langsung dengan sulitnya mengukur ROI yang disebut AWS.
Cara menghindarinya:
- Hitung biaya per transaksi atau per percakapan, lalu proyeksikan untuk volume 6–12 bulan.
- Pisahkan anggaran pembangunan (sekali bayar) dan anggaran operasional (bulanan).
- Bandingkan biaya berjalan itu dengan penghematan atau pendapatan yang diukur di poin pertama.
5. Tidak Menyiapkan Tim
Teknologi bisa dibeli, tetapi kemampuan memakainya harus dibangun. Studi AWS menempatkan pengembangan talenta sejajar dengan strategi, ROI, dan tata kelola sebagai hambatan utama. Kesenjangan keterampilan membuat karyawan ragu memakai alat baru, atau sebaliknya memakainya tanpa memahami batasannya.
Cara menghindarinya:
- Petakan keterampilan yang dibutuhkan: pengguna harian, pengelola data, dan pengambil keputusan.
- Adakan pelatihan singkat berbasis kasus nyata di pekerjaan masing-masing, bukan teori umum.
- Libatkan calon pengguna sejak tahap pilot agar mereka ikut membentuk solusinya.
Penutup
Data dari dua studi di atas sejalan: AI sudah luas dicoba di Indonesia, dan 75% pengadopsi melaporkan kenaikan produktivitas, tetapi hanya sebagian kecil yang benar-benar mengintegrasikannya atau merasakan dampak terukur. Pembedanya jarang soal model AI mana yang dipilih. Yang menentukan adalah hal-hal mendasar: masalah yang jelas, data yang siap, pemilik proyek, anggaran operasional yang realistis, dan tim yang terlatih. Mulailah kecil, ukur hasilnya, lalu skalakan.
