Delapan puluh persen proyek AI gagal memberikan nilai bisnis yang diharapkan. Menurut sebuah studi MIT di tahun 2025, sebanyak 95% pilot AI generatif tidak menghasilkan pengembalian yang terukur. Ketika inisiatif ini terhenti, insting pertama biasanya adalah menyalahkan model. Tapi ini adalah diagnosis yang salah, dan bisa jadi sangat mahal.
Pada pengalaman saya membangun sistem data skala besar di berbagai sektor seperti jasa keuangan, properti, dan asuransi, pola ini seringkali terulang. Namun, model AI jarang menjadi masalah utama; lebih sering, tantangannya terletak pada lingkungan di sekitarnya. Berbeda dengan kemampuan model, lingkungan ini sepenuhnya berada dalam kendali organisasi.
Model AI dievaluasi dalam kondisi yang terkontrol, dengan input yang bersih, tujuan yang jelas, dan variabel yang stabil. Sementara itu, lingkungan perusahaan biasanya adalah sistem yang kompleks dan terlapisi, dibangun selama bertahun-tahun dengan struktur data yang berbeda-beda, siklus pembaruan, dan logika bisnis yang tersemat. Model yang digunakan tidak datang dengan penyesuaian untuk kerumitan tersebut.
Penting untuk secara cermat mempertimbangkan bagaimana data mengalir, bagaimana sistem berinteraksi, dan bagaimana hasil keluaran akan digunakan. Pekerjaan implementasi ini seringkali kurang dipahami oleh berbagai organisasi. Di sinilah sebagian besar nilai dari AI hilang.
Kenapa AI di Perusahaan Sering Gagal
Dari pengalaman, kegagalan dalam penerapan AI biasanya jatuh ke dalam salah satu dari tiga kategori berikut. Setiap masalah ini sebenarnya bisa diatasi, dan perusahaan yang berhasil melakukannya sudah membuktikan bahwa mereka bisa mendapatkan hasil yang positif.
1. Sistem Tidak Siap
Mayoritas kegagalan penerapan AI di perusahaan bukanlah tentang AI itu sendiri. Masalah sebenarnya adalah banyaknya sistem bisnis yang berantakan di belakang layar dan tidak dibangun untuk bekerja sama sejak awal; banyak yang menggunakan kombinasi software lama, sistem cloud dan lokal yang terputus, serta integrasi yang rumit.
Hasilnya adalah data yang tidak konsisten, dengan informasi yang sama terlabel dengan cara berbeda tergantung dimana ia berada. Karyawan pun harus terus memperbaiki kesalahan atau kekurangan untuk menjaga semuanya berjalan. Semua kompleksitas ini harus diatasi agar AI dapat berfungsi dengan baik.
Solusi masalah ini adalah fokus pada integrasi; menegakkan kontrak skema saat pengambilan data, menggunakan pipeline perubahan data untuk menjaga kondisi konsisten, dan memisahkan inferensi model dari alur kerja operasional. Input juga harus distandarisasi sebelum mencapai model, dengan output yang dirancang agar dapat terintegrasi langsung ke dalam proses berikutnya.
2. Data Tidak Siap
Walaupun ada mitos yang terus beredar bahwa AI bisa memperbaiki data yang buruk, kenyataannya malah sebaliknya. AI akan lebih cepat memperlihatkan data buruk daripada teknologi manapun sebelumnya.
Terra terlalu lama, banyak organisasi mengandalkan orang berpengalaman untuk menutupi data yang tidak lengkap, format yang tidak konsisten atau konteks yang kurang baik. Ketika AI masuk, semua masalah struktural ini akan terungkap.
Tanpa adanya memori institusional dan toleransi pada ambiguitas, AI hanya akan memproses data seperti adanya, menyebarkannya ke hilir, dan memasukkannya ke dalam keputusan dengan skala dan kecepatan yang tinggi.
Penerapan AI yang benar-benar berhasil memiliki satu kesamaan: data mereka sudah siap sebelum model digunakan. Ini bukan tentang usaha kualitas data yang umum, tetapi tentang membangun data sebagai infrastruktur yang mencakup model data kanonik dengan pengidentifikasi permanen untuk entitas inti seperti pelanggan, kebijakan, dan klaim.
3. Struktur Organisasi Tidak Mendukung Penerapan
Penerapan AI membutuhkan lebih dari sekadar rekayasa perangkat lunak. Meskipun insinyur perangkat lunak sangat penting, sistem AI berperilaku berbeda dibandingkan perangkat lunak tradisional.
AI sensitif terhadap kualitas data, mengalami pergeseran seiring waktu ketika kondisi nyata tidak lagi sesuai dengan distribusi latihannya, dan memerlukan penilaian pemilihan model yang berasal dari disiplin yang berbeda sama sekali.
Para ilmuwan data membawa keahlian yang diperlukan untuk mengevaluasi apakah LLM (Large Language Model) umum adalah alat yang tepat atau apakah pendekatan yang lebih spesifik lebih cocok.
Perusahaan yang mengelola program AI mereka sebagai proyek perangkat lunak akan terus menemui batasan yang tidak bisa diatasi oleh peningkatan model.
AI adalah disiplin operasional yang berbeda, dan tujuannya adalah agar tidak ada satu disiplin pun yang memikul semua beban. Insinyur data menjaga keandalan pipeline; ilmuwan data merancang kerangka evaluasi dan memantau kinerja; tim platform mengelola penerapan; dan tim governance menangani kepatuhan dan jejak audit.
Apa yang Membedakan Perusahaan Sukses dalam AI
Perusahaan yang benar-benar mendapatkan nilai dari AI biasanya memiliki kesamaan: mereka melakukan pekerjaan operasional yang sulit terlebih dahulu.
Data mereka terorganisasi dengan baik, sistem mereka saling terhubung, dan output AI mereka terintegrasi ke dalam alur kerja sehari-hari, bukan hanya berada di dashboard yang tidak pernah digunakan. Ketika sesuatu berjalan tidak sesuai, ada proses yang memungkinkan untuk menanganinya.
Ini adalah celah yang banyak sekali bisnis lewatkan. Mengakses model yang kuat adalah bagian yang mudah. Membuatnya berfungsi dengan andal di dalam perusahaan yang nyata — dengan data yang berantakan, sistem yang terputus, dan tim yang bekerja dalam silo — adalah tempat di mana semuanya bisa hancur.
Pada akhirnya, AI bukanlah lapisan ajaib yang bisa diletakkan di atas fondasi yang rusak. Fondasi tersebut harus diperbaiki terlebih dahulu, yang berarti investasi dalam data yang lebih bersih, infrastruktur yang lebih baik, dan sistem yang benar-benar bisa mendukung otomatisasi dalam skala besar.
