Intisari Artikel
- Masalahnya bukan pada cepatnya adopsi AI, tetapi pada rendahnya AI Readiness perusahaan sebelum AI digunakan untuk mendukung pengambilan keputusan.
- Kernel Future memperkenalkan AI Value Framework, AI Value sama dengan Model dikalikan Data dikalikan Process dikalikan Human Judgment, empat variabel yang saling mengunci hasil akhirnya.
- McKinsey mencatat 88 persen organisasi sudah memakai AI pada 2025, tapi hanya 7 persen yang benar benar telah menskalakannya ke seluruh organisasi, gap ini adalah jantung masalah adopsi hari ini.
- Sebelum menambah investasi AI, ukur dulu kesiapan bisnis lewat AI Readiness Check di lima dimensi, Data, Process, People, Governance, dan Value.
Siapa yang tidak tergoda dengan janji AI? Efisiensi naik, biaya turun, keputusan jadi lebih cepat, begitu kira kira narasi yang beredar sejak ChatGPT meledak beberapa tahun lalu. Rasanya semua orang berlomba memasang label “AI powered” di produk mereka, seolah kata itu saja sudah cukup menjamin bisnis akan lebih pintar dan lebih untung. Tapi tahukah Anda, kenyataannya jauh lebih rumit dari itu?
Kernel Future ingin meluruskan satu hal sejak awal. Masalahnya bukan karena perusahaan terlalu cepat mengadopsi AI. Masalahnya adalah karena perusahaan mengadopsi AI sebelum membenahi sistem pengambilan keputusannya sendiri. Adopsi bukan value. Dan gap di antara keduanya jauh lebih lebar dari yang dibayangkan kebanyakan orang.
Mengapa Banyak Bisnis Mengadopsi AI tetapi Tidak Mendapatkan Value?
McKinsey mencatat bahwa penggunaan AI di organisasi melonjak dari 20 persen pada 2017 menjadi 88 persen pada 2025. Namun dari seluruh organisasi yang sudah memakai AI tersebut, McKinsey menemukan hanya sekitar 7 persen yang benar benar telah menskalakan AI ke seluruh organisasi mereka.
Angka ini penting untuk direnungkan. Adopsi mengukur seberapa banyak yang memakai. Value mengukur seberapa dalam AI benar benar mengubah hasil bisnis. Keduanya sering dianggap sama, padahal jaraknya bisa sangat jauh. Pertanyaannya bukan lagi apakah bisnis Anda sudah pakai AI, melainkan apa yang membuat sebagian kecil organisasi berhasil mendapat value sementara mayoritas lainnya tertahan di fase eksperimen.
Kernel Future AI Value Framework
Deep Dive 1: Human Trust
Manusia belum siap mempercayai AI sepenuhnya, dan itu bukan kelemahan, melainkan sinyal yang perlu didengarkan.
MarTech mencatat bahwa resistensi terhadap adopsi AI di dalam organisasi digerakkan oleh lima psychological drivers, bukan oleh keterbatasan teknis. Ketakutan kehilangan kendali, kekhawatiran soal risiko reputasi, dan persepsi ancaman terhadap pekerjaan sendiri jauh lebih menentukan nasib sebuah proyek AI dibanding kecanggihan algoritmanya.
Sejalan dengan itu, sebuah survei PwC tahun 2024, sebagaimana dikutip IEEE Computer Society, menemukan bahwa sekitar 80 persen business leader tidak percaya sistem AI agentic layak menangani keputusan otonom, dengan alasan utama kekhawatiran soal akurasi dan reliabilitas. Thomas Davenport dan Rajeev Ronanki, dalam tulisan mereka di Harvard Business Review, menegaskan bahwa AI paling efektif ketika berperan mengaugmentasi penilaian manusia, bukan menggantikannya sepenuhnya.
Kernel Future Insight Kalau tim Anda ragu memakai tools AI baru, jangan buru buru menyimpulkan mereka gagap teknologi. Bisa jadi mereka sedang merespons secara rasional terhadap risiko yang mereka lihat langsung di lapangan, tapi tidak terlihat dari kursi manajemen. Fakta bahwa mayoritas eksekutif sendiri masih menolak otonomi penuh AI seharusnya jadi alarm bagi siapa pun yang memaksakan AI mengambil keputusan strategis tanpa jalur eskalasi ke manusia. Itu bukan tanda keberanian, melainkan tanda risiko yang belum terkelola.
Deep Dive 2: Business Integration
AI yang bagus tidak otomatis masuk ke dalam workflow bisnis sehari hari.
McKinsey menemukan gap besar antara penggunaan AI di satu fungsi bisnis dengan penskalaan AI di seluruh organisasi, yaitu 88 persen berbanding 7 persen tadi. Forrester, melalui Chief Research Officer mereka Sharyn Leaver, menyebut empat sifat yang membedakan adopter AI paling berhasil, yaitu customer led, CEO driven, memiliki data dan platform yang siap, serta AIQ atau AI quotient yang tinggi di seluruh organisasi. IT Pro, dalam laporannya atas riset Forrester tersebut, juga mencatat bahwa perusahaan dengan tingkat adopsi tinggi lebih sering mencantumkan kebutuhan skill AI secara eksplisit dalam lowongan kerja, yaitu 47 persen dibanding 33 persen pada perusahaan lain.
Kernel Future Insight Gap besar antara memakai AI dan mengintegrasikan AI adalah jantung masalah adopsi hari ini. Banyak perusahaan berhenti di tahap uji coba, membuat pilot project yang hasilnya lumayan menjanjikan, lalu proyeknya jalan di tempat karena tidak pernah benar benar naik kelas menjadi bagian permanen dari cara bisnis beroperasi. Integrasi butuh kepemilikan yang jelas, dan pola CEO driven yang ditemukan Forrester menunjukkan integrasi paling kuat justru lahir ketika AI menjadi agenda pucuk pimpinan, bukan sekadar inisiatif IT yang berjalan sendirian di pinggir organisasi.
Deep Dive 3: Data Foundation
AI sulit menghasilkan keputusan berkualitas tanpa fondasi data yang memadai, meskipun ini bukan satu satunya penyebab kegagalan sebuah proyek AI.
Sebuah studi dari MIT NANDA berjudul The GenAI Divide menemukan bahwa sekitar 95 persen proyek AI generatif perusahaan yang mereka teliti gagal mencapai dampak bisnis yang diharapkan. Perlu dicatat, angka ini berasal dari studi awal berskala terbatas yang oleh penulisnya sendiri disebut sebagai preliminary findings, dan definisi gagal di sini secara spesifik berarti tidak menghasilkan percepatan revenue yang cepat, bukan berarti sistemnya rusak secara teknis. Sejalan dengan itu, survei PwC atas 4.454 CEO di 95 negara menemukan hanya sekitar satu dari delapan CEO, atau 12 persen, yang melaporkan AI memberi manfaat gabungan berupa kenaikan revenue sekaligus penurunan biaya sekaligus.
Untuk melihat wujud konkretnya, studi akademik yang diterbitkan di arXiv membedah dua studi kasus besar, IBM Watson for Oncology dan Google Health AI. Keduanya sempat digadang gadang bakal merevolusi industri masing masing, tapi berakhir jauh dari ekspektasi. Akar masalahnya konsisten, yaitu ada mismatch antara cara sistem AI dirancang bekerja dengan cara pekerja sesungguhnya bekerja di lapangan, termasuk soal data dan konteks yang tersedia bagi sistem tersebut.
Kernel Future Insight Penting untuk jujur di sini. MIT dan PwC menunjukkan skala kegagalan mencapai dampak bisnis secara statistik, tapi keduanya tidak membuktikan bahwa fondasi data adalah penyebab tunggal dari angka tersebut. Yang bisa dikatakan secara wajar adalah, ketiga bukti ini, statistik MIT, statistik PwC, dan studi kasus IBM Watson serta Google Health, sama sama mengarah ke kesimpulan yang sama dari sudut berbeda. Fondasi data yang kokoh adalah salah satu kondisi penting agar AI bisa menghasilkan business value, bukan jaminan tunggal, tapi prasyarat yang sulit dilewati.
Framework Second Order Impact AI
Bagian paling orisinal dari analisis Kernel Future adalah cara memahami dampak AI bukan sebagai kejadian tunggal, melainkan sebagai rantai sebab akibat yang bertingkat tiga.
First Order Impact AI mempercepat pekerjaan. Laporan selesai lebih cepat, jawaban tersedia dalam hitungan detik, dashboard terlihat meyakinkan.
↓
Second Order Impact AI tidak hanya mempercepat keputusan. AI mengubah bagaimana keputusan dibuat. Tim mulai bergantung pada output AI sebagai kebenaran, bukan sebagai bahan pertimbangan, terutama ketika fondasi data di baliknya tidak pernah benar benar divalidasi.
↓
Third Order Impact Struktur organisasi, skill, governance, customer experience, dan economics perusahaan ikut berubah. Perubahan di lapis ini biasanya baru terlihat setelah beberapa waktu, dalam bentuk:
- Bad decisions, keputusan strategis yang salah arah karena asumsi data tidak divalidasi ulang
- Trust erosion, kepercayaan internal terhadap teknologi runtuh setelah beberapa kali proyek AI gagal memberi hasil sesuai janji
- Higher remediation cost, biaya perbaikan jauh lebih besar dari biaya awal karena kesalahan baru terdeteksi setelah berdampak ke pelanggan atau operasional riil
- Talent loss, talenta terbaik pergi karena melihat perusahaan mengejar hype tanpa strategi data yang jelas
↓
Business Impact Value creation atau value destruction. AI yang dibangun di atas fondasi kuat menciptakan nilai yang bertahan lama. AI yang dibangun di atas fondasi rapuh menghancurkan nilai secara perlahan, sering kali baru terasa setelah terlambat diperbaiki dengan murah.
Pertanyaan yang seharusnya diajukan bukan “Apakah bisnis kita sudah pakai AI?”, melainkan “Apakah data dan proses kita sudah cukup matang untuk membuat AI benar benar berguna?”
AI Readiness Check
Setelah memahami masalahnya, langkah berikutnya adalah menilai kesiapan bisnis Anda sendiri. Kernel Future menggunakan lima pertanyaan sederhana berikut, selaras dengan empat variabel dalam Kernel Future AI Value Framework di atas. Jawab setiap pertanyaan dengan Ya atau Belum, lalu hitung total jawaban Ya di akhir.
Data Apakah data yang akan dipakai AI benar benar reliable, terstruktur, dan mencerminkan kondisi operasional yang sebenarnya? (Ya / Belum)
Process Apakah workflow bisnis sudah cukup jelas sehingga AI tahu persis di titik mana ia harus masuk, dan di titik mana keputusan tetap harus melalui manusia? (Ya / Belum)
People Apakah tim di lapangan percaya pada AI dan benar benar mampu menggunakannya, bukan sekadar menerimanya karena diperintahkan dari atas? (Ya / Belum)
Governance Apakah jalur eskalasi dan akuntabilitas sudah jelas ketika AI membuat keputusan yang salah, sebelum sistem dijalankan? (Ya / Belum)
Value Apakah business outcome yang ingin dihasilkan dari AI ini sudah spesifik, bukan sekadar mengikuti tren agar terlihat inovatif? (Ya / Belum)
Hasil 0 sampai 2 jawaban Ya, artinya bisnis Anda Belum Siap dan perlu membenahi fondasi terlebih dahulu sebelum memperluas penggunaan AI. 3 sampai 4 jawaban Ya, artinya bisnis Anda sedang Bersiap dan sudah punya sebagian fondasi, tinggal menutup celah yang tersisa. 5 jawaban Ya, artinya bisnis Anda Siap untuk Scaling dan bisa mulai memperluas AI ke keputusan yang lebih strategis.
Kalau hasil Anda belum sampai lima, itu artinya bisnis Anda belum siap menaruh keputusan penting di tangan AI, apa pun canggihnya model yang ditawarkan vendor.
Pertanyaan yang Sering Diajukan (FAQ)
Apakah 95 persen proyek AI benar benar gagal total?
Tidak sepenuhnya seperti itu. Studi MIT NANDA yang menjadi sumber angka ini secara spesifik mengukur kegagalan mencapai dampak bisnis yang diharapkan, terutama percepatan revenue, bukan kerusakan teknis. Studi ini juga masih berupa preliminary findings dengan skala sampel terbatas, jadi angka 95 persen sebaiknya dibaca sebagai indikasi arah masalah, bukan angka final yang tidak bisa diperdebatkan.
Kenapa adopsi AI yang tinggi tidak menjamin hasil yang baik?
Karena adopsi hanya mengukur penggunaan, sementara penskalaan mengukur seberapa dalam AI benar benar menyatu dengan alur kerja inti. McKinsey mencatat 88 persen organisasi sudah memakai AI pada 2025, tapi hanya 7 persen yang benar benar telah menskalakannya ke seluruh organisasi.
Apa itu Second Order Impact dan Third Order Impact dalam konteks AI?
Second Order Impact adalah perubahan pada cara keputusan dibuat setelah AI masuk ke alur kerja. Third Order Impact adalah dampak yang lebih luas terhadap struktur organisasi, skill, governance, customer experience, dan economics perusahaan, yang biasanya baru terlihat setelah beberapa waktu berjalan.
Apakah AI seharusnya menggantikan pengambilan keputusan manusia sepenuhnya?
Tidak, menurut mayoritas pemimpin bisnis. Survei PwC 2024 menemukan sekitar 80 persen business leader lebih memilih AI berperan sebagai augmentasi alat bantu pengambilan keputusan, sejalan dengan argumen Davenport dan Ronanki di Harvard Business Review, bukan pengganti penuh penilaian manusia.
Sebelum bertanya AI apa yang harus digunakan, tanyakan terlebih dahulu apakah bisnis Anda siap menggunakannya. Mulai dari data, proses, people, governance, dan business value.
Daftar Pustaka
- McKinsey, The State of AI in 2025, Agents, Innovation, and Transformation, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- Forrester, Sharyn Leaver, Take Control of Your AI Voyage, Your Customers Deserve It, https://www.forrester.com/blogs/take-control-of-your-ai-voyage/
- PwC, 29th Global CEO Survey, CEOs, to Get Real Value from AI, Put the Right Foundations in Place, https://www.pwc.com/gx/en/issues/c-suite-insights/the-leadership-agenda/ceo-survey-ai.html
- Davenport, T. H. and Ronanki, R., Artificial Intelligence for the Real World, Harvard Business Review, https://hbr.org/2018/01/artificial-intelligence-for-the-real-world
- MarTech, 5 Psychological Drivers Penyebab Resistensi Adopsi AI, https://martech.org/ai-adoption-fails-at-the-human-level/
- IEEE Computer Society, The AI Adoption Gap, Why Enterprise AI Fails After Deployment, https://www.computer.org/publications/tech-news/build-your-career/ai-adoption-gap
- 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
- arXiv, Studi Kasus Kegagalan IBM Watson dan Google Health AI, https://arxiv.org/pdf/2605.03078
Google