Mengapa AI Gagal Menciptakan Nilai Meski Sudah Diadopsi Sepenuh Hati

Intisari Artikel

• Mengapa AI gagal menciptakan nilai bukan karena pilotnya rusak secara teknis, melainkan karena tujuannya tidak pernah diukur dengan outcome bisnis yang jelas dan sisi psikologis manusia yang harus mempercayainya diremehkan.
• Kernel Future memperkenalkan AI Value Realization Framework, Nilai AI yang Terealisasi sama dengan Kejelasan Tujuan dikalikan Disiplin Penskalaan dikalikan Kepercayaan Manusia.
• McKinsey menemukan tidak lebih dari 10 persen perusahaan berhasil menskalakan AI agent di luar tahap pilot, di fungsi bisnis mana pun.
• Sebelum menambah lebih banyak pilot AI, ukur dulu kesiapan organisasi lewat AI Value Realization Check di lima dimensi, Outcome Metric, Scaling Plan, Worker Trust, Leadership Literacy, dan Override Tracking.

Siapa yang tidak bangga kalau perusahaannya sudah “mengadopsi AI”? Pilot sudah jalan, demo ke direksi berjalan mulus, semua orang di rapat mengangguk setuju ini adalah masa depan. Tapi tahukah Anda, dari semua kebanggaan itu, hampir semuanya berhenti di titik yang sama, pilot yang tidak pernah benar benar menciptakan nilai bisnis yang bisa dihitung.

Kernel Future ingin meluruskan satu hal sejak awal. Masalahnya bukan karena pilot AI tersebut gagal secara teknis. Masalahnya adalah karena organisasi mengukur kesuksesan AI dengan tujuan yang salah, sekadar demi terlihat inovatif, sambil meremehkan sisi psikologis manusia yang harus mempercayainya setiap hari di lapangan.

Kenapa Pilot AI Selalu Terlihat Menjanjikan, Tapi Jarang Naik Kelas?

Menurut riset MIT yang dilaporkan IT Pro, sekitar 95 persen proyek AI generatif perusahaan gagal menghasilkan return on investment yang nyata. Angka ini bukan berarti sistemnya rusak, melainkan menunjukkan bahwa mayoritas pilot AI tidak pernah sampai ke titik menghasilkan dampak finansial yang bisa dipertanggungjawabkan ke direksi.

Yang lebih menarik, riset McKinsey dalam laporan State of AI 2025 menemukan bahwa tidak lebih dari 10 persen perusahaan yang disurvei berhasil menskalakan AI agent di fungsi bisnis mana pun, meskipun 62 persen mengaku sedang bereksperimen dengan teknologi tersebut. Artinya, gap terbesar bukan di titik mulai mencoba, tapi di titik memutuskan untuk benar benar memperluas penggunaannya secara serius.

Kernel Future AI Value Realization Framework

Untuk menjelaskan kenapa gap ini begitu lebar, Kernel Future melihat nilai AI yang benar benar terealisasi sebagai hasil dari tiga variabel yang saling bergantung, bukan sekadar fungsi dari seberapa canggih modelnya.

Nilai AI yang Terealisasi = Kejelasan Tujuan × Disiplin Penskalaan × Kepercayaan Manusia

Kejelasan Tujuan Seberapa jelas target bisnis yang terukur di balik sebuah proyek AI, bukan sekadar dorongan untuk terlihat inovatif.

Disiplin Penskalaan Seberapa disiplin organisasi merancang jalan dari pilot kecil menuju implementasi penuh di seluruh fungsi bisnis.

Kepercayaan Manusia Seberapa besar kepercayaan pekerja dan pengambil keputusan di lapangan terhadap output AI yang mereka pakai setiap hari.

Karena ketiganya berbentuk perkalian, proyek AI dengan model paling canggih sekalipun akan tetap gagal menciptakan nilai kalau salah satu dari ketiga variabel ini nol. Tiga bagian berikutnya membedah masing masing variabel ini secara lebih dalam.

Deep Dive 1, Kejelasan Tujuan yang Sering Hilang di Tengah Jalan

AI yang dibangun tanpa tujuan bisnis yang terukur, pada akhirnya cuma jadi proyek yang mencari alasan untuk terus hidup.

Riset yang dipublikasikan di jurnal Smart Cities oleh Yigitcanlar dan timnya menemukan bahwa inisiatif AI yang selaras dengan outcome spesifik dan terukur, jauh lebih sering berhasil dibanding yang tidak. Sebaliknya, banyak proyek AI justru didorong oleh semangat inovasi semata, tanpa pertanyaan mendasar soal masalah apa yang sebenarnya sedang diselesaikan, bagaimana ini memperbaiki pengambilan keputusan, dan metrik apa yang menentukan keberhasilannya.

Riset MIT yang dilaporkan IT Pro memperkuat pola ini, menemukan bahwa organisasi sering kali “paralyzed by a lack of understanding”, terjebak antara antusiasme mengadopsi AI dan ketidakjelasan soal apa sebenarnya yang ingin dicapai dari adopsi tersebut.

Kernel Future Insight Kalau ditanya “apa target bisnis dari proyek AI ini”, dan jawabannya masih berputar di sekitar kata “inovasi” atau “efisiensi” tanpa angka yang jelas, itu tandanya proyek tersebut belum siap diberi anggaran besar. Tujuan yang kabur akan selalu menghasilkan hasil yang kabur, seberapa pun canggih model yang dipakai untuk mengejarnya.

Deep Dive 2, Disiplin Penskalaan yang Tidak Pernah Direncanakan Sejak Awal

Kebanyakan organisasi tahu cara memulai pilot AI, tapi sangat sedikit yang tahu cara membawanya keluar dari fase eksperimen.

McKinsey menemukan bahwa 62 persen perusahaan mengaku sedang bereksperimen dengan AI agent, tapi tidak lebih dari 10 persen yang berhasil menskalakannya di fungsi bisnis mana pun. Bahkan di antara perusahaan besar dengan pendapatan tahunan di atas lima miliar dolar, yang secara statistik paling siap secara sumber daya, hanya sekitar 10 persen yang berhasil mencapai penskalaan penuh.

Kernel Future Insight Pola ini menunjukkan bahwa penskalaan bukan soal seberapa besar anggaran atau seberapa banyak pilot yang dijalankan, melainkan soal ada tidaknya rencana eksplisit sejak awal tentang kapan dan bagaimana sebuah pilot akan diperluas kalau terbukti berhasil. Organisasi yang menganggap penskalaan sebagai langkah “nanti dipikirkan belakangan”, hampir pasti akan terjebak selamanya di fase eksperimen, betapapun bagus hasil pilot awalnya.

Deep Dive 3, Kepercayaan Manusia, Variabel yang Paling Sering Diabaikan

AI bisa saja akurat secara teknis, tapi kalau manusia yang memakainya tidak percaya, nilai bisnisnya tidak akan pernah benar benar terealisasi.

International Institute for Analytics menjelaskan bahwa hambatan utama adopsi AI sebenarnya bukan soal teknis, melainkan psikologis. Menurut penjelasan mereka, kesenjangan performa finansial antara eksekutif yang punya keakraban kerja nyata dengan AI dan yang tidak, sebenarnya mengukur kesenjangan yang lebih dalam, yaitu jarak antara organisasi yang pengambil keputusannya benar benar paham cara kerja AI dan organisasi yang penerapannya sudah jauh melampaui perubahan nyata dalam cara keputusan dibuat.

Studi akademik yang membedah pengalaman pekerja dalam adopsi AI menemukan pola serupa di lapangan, implementasi AI di kasino, hotel, dan berbagai tempat kerja lain kerap terhambat karena skeptisisme pekerja dan ekspektasi yang tidak selaras dengan kenyataan. Di sektor kesehatan, kasus kegagalan IBM Watson dan sistem AI Google Health untuk deteksi retinopati menunjukkan pola yang sama, sistem gagal mendapat dukungan dari klinisi yang seharusnya memakainya sehari hari.

Kernel Future Insight Pekerja yang enggan memakai AI baru bukan sedang menolak teknologi, mereka sedang merespons rasional terhadap risiko kehilangan kendali atas keputusan yang menyangkut reputasi profesional mereka sendiri. Kepercayaan ini tidak bisa dibangun lewat pengumuman dari atas atau modul pelatihan singkat, ia harus dibangun lewat keterlibatan langsung sejak tahap paling awal, sebelum sistem selesai dibangun, bukan setelahnya.

Framework Second Order Impact, dari Pilot yang Terjebak ke Anggaran yang Terkuras

Bagian ini menunjukkan bagaimana ketiga gap di atas, kalau dibiarkan, merambat jadi kerugian yang jauh lebih besar dari sekadar satu pilot yang gagal.

First Order Impact Pilot AI diluncurkan, hasil awal terlihat menjanjikan, demo ke direksi berjalan mulus.

↓

Second Order Impact Karena tujuan bisnisnya tidak pernah diukur dengan jelas dan pekerja di lapangan tidak pernah dilibatkan membangun kepercayaan sejak awal, pilot tersebut tidak pernah naik kelas menjadi implementasi penuh, ia hanya terus “dieksperimenkan” tanpa arah yang jelas.

↓

Third Order Impact Konsekuensi organisasional mulai menumpuk, biasanya baru terlihat setelah beberapa siklus pilot berulang, dalam bentuk,

• Budget fatigue, anggaran AI terus dikeluarkan untuk pilot baru tanpa pernah menghasilkan ROI yang bisa dipertanggungjawabkan
• Trust decay, setiap pilot yang gagal membangun kepercayaan membuat pekerja makin skeptis terhadap inisiatif AI berikutnya
• Leadership blind spot, pemimpin yang tidak punya keakraban kerja nyata dengan AI terus mengambil keputusan strategis berdasarkan asumsi yang keliru soal kemampuan teknologi tersebut
• Permanent pilot purgatory, organisasi terjebak selamanya di fase eksperimen karena tidak pernah membangun disiplin penskalaan sejak awal

↓

Business Impact Value creation atau value destruction. Perusahaan yang menetapkan tujuan terukur, merancang jalur penskalaan sejak awal, dan membangun kepercayaan pekerja secara sengaja, keluar dari fase pilot dengan nilai bisnis yang nyata. Perusahaan yang tidak, akan terus membakar anggaran eksperimen tanpa pernah benar benar mendapatkan hasilnya.

AI Value Realization Check

Setelah memahami masalahnya, langkah berikutnya adalah menilai apakah proyek AI Anda benar benar dirancang untuk menciptakan nilai. Kernel Future menggunakan lima pertanyaan berikut, selaras dengan tiga variabel dalam framework di atas. Jawab setiap pertanyaan dengan Ya atau Belum, lalu hitung total jawaban Ya di akhir.

Outcome Metric Apakah target bisnis yang terukur, bukan sekadar kata “inovasi”, sudah ditetapkan sebelum pilot ini dimulai? (Ya / Belum)

Scaling Plan Apakah ada rencana eksplisit kapan dan bagaimana pilot ini akan diperluas ke seluruh organisasi kalau terbukti berhasil? (Ya / Belum)

Worker Trust Apakah pekerja yang akan memakai AI ini dilibatkan sejak tahap paling awal, bukan cuma diberi tahu setelah sistemnya jadi? (Ya / Belum)

Leadership Literacy Apakah pemimpin yang mengambil keputusan strategis soal proyek ini punya pemahaman kerja nyata tentang cara kerja AI, bukan cuma tahu istilahnya? (Ya / Belum)

Override Tracking Apakah organisasi melacak seberapa sering manusia menolak rekomendasi AI dan alasan di baliknya, bukan cuma mengukur seberapa sering AI dipakai? (Ya / Belum)

Hasil 0 sampai 2 jawaban Ya, artinya proyek AI Anda berisiko besar terjebak selamanya di fase pilot tanpa pernah menciptakan nilai. 3 sampai 4 jawaban Ya, artinya proyek AI Anda punya fondasi yang cukup, tinggal menutup celah yang tersisa sebelum diperluas. 5 jawaban Ya, artinya proyek AI Anda punya peluang nyata untuk keluar dari fase pilot dan menciptakan nilai bisnis yang terukur.

Kalau hasil Anda belum sampai lima, itu artinya menambah lebih banyak pilot AI baru justru berisiko mengulang kegagalan yang sama, bukan memperbaikinya.

Pertanyaan yang Sering Diajukan (FAQ)

Sebelum bertanya kenapa pilot AI kami belum menghasilkan apa apa, tanyakan terlebih dahulu apakah tujuannya sudah terukur, jalur penskalaannya sudah jelas, dan kepercayaan pekerja sudah dibangun sejak awal.

Daftar Pustaka

1. IT Pro, Enterprises Paralyzed by Lack of Understanding dalam Adopsi AI, https://www.itpro.com/business/business-strategy/enterprises-are-paralyzed-by-a-lack-of-understanding-with-ai-adoption-and-theres-one-key-factor-that-decides-success
2. McKinsey, The State of AI in 2025, Agents, Innovation, and Transformation, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
3. Yigitcanlar, T., et al., Unlocking Artificial Intelligence Adoption in Local Governments, Best Practice Lessons from Real World Implementations, Smart Cities, https://doi.org/10.3390/smartcities7040064
4. International Institute for Analytics, Jack Phillips, The Enterprise AI Adoption Gap, Why Adoption Fails Before Training Begins, https://iianalytics.com/community/blog/the-enterprise-ai-adoption-gap-why-adoption-fails-before-training-begins
5. Making the Invisible Visible, Understanding the Mismatch Between Organizational Goals and Worker Experiences in AI Adoption, arXiv, https://arxiv.org/pdf/2605.03078