Mengapa 95% Pilot AI Gagal — dan Cara Anda Menghindarinya

• Perusahaan terobsesi pada ROI jangka pendek dalam adopsi AI, sehingga tanpa sadar merusak lingkungan akumulasi nilai jangka panjang dan meningkatkan probabilitas kegagalan
• Menurut MIT, McKinsey, Upwork, HBR, dan lainnya, tidak adanya hasil, burnout karyawan, dan kebingungan strategi menumpuk, menciptakan lingkaran setan yang berujung pada hengkangnya pengguna terdepan dan runtuhnya kepercayaan
• Dalam kasus di lapangan, setelah hasil awal tercapai, kenaikan harga dan target kinerja justru mengeringkan ruang untuk inovasi, memicu penundaan pengambilan keputusan dan stagnasi perluasan produk, sebuah fenomena stag hunt
• Kunci solusinya adalah menyentuh leverage point Donella Meadows ke arah yang benar: bukan memperkuat kontrol atau fokus pada ekstraksi, melainkan memastikan wewenang terdistribusi, reinvestasi, dan ruang adaptasi
• Seperti pada kasus SharkNinja, Johnson Hana, dan Shopify, ketika beralih ke sistem operasi berbasis kepercayaan, inovasi yang bertumbuh secara majemuk muncul sebagai produk sampingan alami dari ROI

---

Rumusan masalah dan latar belakang

• Menurut hasil riset MIT terbaru, 95% proyek adopsi AI di perusahaan gagal. Angka ini dinilai bukanlah sesuatu yang dilebih-lebihkan
  • Dalam survei McKinsey, lebih dari 80% eksekutif menjawab bahwa AI generatif belum menghasilkan perubahan yang terlihat pada pendapatan perusahaan
  • Riset Upwork mengungkap bahwa semakin tinggi penggunaan AI oleh karyawan, semakin tinggi pula niat mereka untuk resign, semakin rendah pemahaman mereka terhadap strategi AI perusahaan, dan 88% mengalami burnout
• Akar masalah dari fenomena ini adalah perusahaan mengorbankan dampak jangka panjang karena tekanan untuk cepat memulihkan hasil investasi AI
  • Artinya, pada tahap awal, memang muncul efek positif seperti peningkatan efisiensi dan otomatisasi kerja, tetapi ketika tuntutan manajemen untuk membuktikan ROI dalam waktu singkat datang, proyek pun berhenti atau berujung gagal
• Saya memimpin proyek transformasi AI di sebuah firma konsultan menengah sejak 2023
  • Pendekatannya sistematis: menerapkan pilot project, perombakan workflow, dan strategi manajemen perubahan
  • Hasilnya, kami berhasil menciptakan lebih dari 40.000 jam produktivitas tenaga kerja, dan kepuasan klien juga tinggi
  • Namun ketika perusahaan mulai menuntut imbal hasil investasi yang langsung terlihat, capaian proyek mulai stagnan

• Implikasi

  • Pada saat transformasi AI berhenti, ada pola dan sinyal peringatan tertentu; bila diamati dengan baik, ini bisa diarahkan menjadi perubahan jangka panjang
  • Berdasarkan pengalaman ini, saya ingin menawarkan sinyal peringatan dini dan resep untuk menciptakan perubahan yang berkelanjutan

Mengapa ‘keberhasilan’ justru memicu ‘kegagalan’

• Perusahaan konsultan beranggotakan 300 orang tempat penulis bekerja meraih hasil kuat pada tahap awal adopsi AI dan mendapatkan momentum
  • Mereka menerapkan alat otomatisasi analisis panggilan riset yang dapat membuat transkrip, ringkasan, dan laporan klien secara otomatis, layaknya staf junior
  • Berkat itu, tim bisa fokus pada perombakan workflow inti dan menghasilkan insight yang dapat ditindaklanjuti, sehingga pada akhirnya meningkatkan kualitas hasil dan kepuasan klien
• Keberhasilan ini diyakini akan membuktikan potensi AI dan mempercepat adopsi di seluruh perusahaan, tetapi yang terjadi justru stagnasi hasil
  • Ini bukan masalah satu perusahaan tertentu, melainkan contoh dari kekuatan struktural yang dihadapi sebagian besar perusahaan mapan yang mencoba beradaptasi dengan AI

• Efek samping memanen ROI jangka pendek

  • Perusahaan mendorong kenaikan tarif penagihan ke klien dan pemangkasan jam kerja dengan dasar peningkatan efisiensi
  • Ini tampak sebagai strategi monetisasi langsung untuk cepat memulihkan ROI, tetapi sekaligus memicu kenaikan target kinerja
  • Akibatnya, seluruh karyawan menjadi terobsesi mengejar angka, dan ruang longgar (slack) untuk inovasi pun menghilang

• Stagnasi di dalam organisasi

  • Tekanan target jangka pendek memperbesar friksi internal, menyebabkan pengetatan standar pengambilan keputusan dan penundaan persetujuan
  • Akibatnya, proyek ekspansi produk inti berbasis AI tertunda hampir satu tahun karena tim kelebihan beban dan terus dibayangi tekanan

• Teori Stag Hunt

  • Ini bekerja persis seperti situasi stag hunt dalam teori permainan
    • Rusa (stag): hasil besar bersama yang hanya bisa diperoleh lewat kolaborasi jangka panjang
    • Kelinci (hare): ROI instan atau hasil kecil yang bersifat individual
  • Ketika perusahaan memanen ROI terlalu dini, itu menjadi sinyal bahwa mereka memilih mengejar kelinci alih-alih berkolaborasi, yang berujung pada runtuhnya kepercayaan kolektif

• Dilema para pelopor inovasi

  • Walau para pelopor internal mengembangkan workflow baru, otomatisasi, dan alat, kebanyakan perusahaan gagal mengubahnya menjadi perubahan struktural dan malah hanya memakainya untuk memperketat target kinerja
  • Para inovator dinilai berdasarkan aturan sistem lama, dan karena tidak ada imbalan maupun promosi, peluang mereka makin menyempit
  • Pada akhirnya, pilihan rasional yang tersisa hanyalah meninggalkan inovasi atau resign

Teori leverage

• Berdasarkan pengalaman sebelumnya, penulis mulai mencari cara mencegah kegagalan transformasi AI
  • Dalam proses itu, ia merujuk pada pemikiran sistem Donella Meadows dan esainya yang terkenal, "Leverage Points" (1997)
• Intuisi Meadows: untuk menciptakan perubahan yang berkelanjutan, kita harus menemukan titik intervensi yang tepat
  • Intervensi di permukaan hanya menghasilkan efek kecil meski usahanya besar, sedangkan tuas yang tak terlihat bisa menciptakan perubahan besar dengan intervensi kecil
  • Namun dalam sistem baru, intuisi manusia sering bergerak ke arah yang salah, sehingga bahkan ketika menemukan tuas yang kuat, kita justru mendorongnya ke arah yang terbalik
• Namun perusahaan menghabiskan terlalu banyak sumber daya pada solusi dan implementasi yang bersifat permukaan
  • Bahkan saat melakukan intervensi yang lebih dalam, mereka tetap mendorong ke arah yang salah seperti memperkuat kontrol, mengekstrak ROI terlalu cepat, atau mempercepat laju
  • Yang sesungguhnya dibutuhkan adalah perluasan otonomi, reinvestasi, dan penciptaan ruang adaptasi
• Perusahaan yang benar-benar memimpin justru membangun sistem penciptaan nilai yang sehat dan adaptif, sehingga ROI menjadi produk sampingan yang alami
• Tiga contoh berikut menunjukkan bagaimana memanfaatkan titik leverage tinggi dengan benar untuk mencapai hasil AI yang berkelanjutan

• SharkNinja — kepercayaan pada pengambilan keputusan terdistribusi

  • Dulu, mengkritik rencana yang salah akan dicap sebagai kurang kompak dalam tim
  • Produsen peralatan rumah tangga SharkNinja dibalikkan total budaya ini oleh CEO Mark Barrocas
    • Ia memberi karyawan tanggung jawab dan wewenang untuk menunjukkan kesalahan dalam rencana, serta memperkuat sistem pengambilan keputusan terdistribusi agar keputusan yang salah bisa cepat dikoreksi
    • Ia menyatakan, “Dulu saya bertindak bodoh, tetapi sekarang saya memutuskan untuk bertindak ‘tidak bodoh’,” sambil mendefinisikan ulang kegagalan sebagai data koreksi
  • Sistem operasi seperti ini meningkatkan kelincahan, kepercayaan, dan kolaborasi, dan menghasilkan kenaikan laba bersih 105% pada kuartal terbaru serta harga saham tertinggi sepanjang masa

• Johnson Hana — dari jam tagih ke nilai klien

  • Firma hukum nontradisional Johnson Hana yang berbasis di Dublin, Irlandia, mengadopsi tarif tetap dan biaya berbasis proyek alih-alih penagihan per jam
    • Tujuannya diubah dari sekadar memaksimalkan waktu menjadi memaksimalkan talenta dan nilai bagi klien
  • AI tertanam di seluruh proses kerja dan, melalui otomatisasi peninjauan dokumen, memungkinkan pengacara fokus pada negosiasi kreatif, pemecahan masalah kompleks, dan pengambilan keputusan
  • Model ini membuat para pengacara “lebih bahagia dan lebih unggul”, sementara klien mendapatkan hasil yang lebih cepat dan lebih baik
  • Pada Juli 2025, platform legal AI Eudia mengakuisisi Johnson Hana seharga US$50 juta, memilih perusahaan yang sudah membangun sistem operasi berbasis kepercayaan dan stag hunt

• Shopify — penggunaan AI sebagai metrik kinerja

  • Di organisasi dengan tingkat kepercayaan rendah, menjadi pilihan rasional bagi karyawan untuk menyembunyikan penggunaan AI atau menghindari pembelajaran
  • Namun Shopify, atas arahan CEO Tobi Lütke, merancang ulang pemanfaatan AI sebagai aturan inti organisasi
    • Dalam perekrutan baru, tanpa “bukti bahwa AI tidak mungkin melakukannya”, penambahan tenaga kerja tidak diperbolehkan
    • Kemahiran AI dimasukkan sebagai elemen inti dalam evaluasi kinerja
  • Hasilnya, pilihan rasional karyawan bergeser ke arah menguasai dan menggunakan AI secara terbuka
    • Organisasi lalu disusun ulang dengan fokus pada kapabilitas kreativitas, strategi, dan inovasi yang sulit digantikan AI
  • Shopify membangun sistem yang memaksa stag hunt, dan Lütke mengatakan tujuannya adalah membuat AI mencapai hasil kerja 100 kali lipat agar manusia dapat menyelesaikan tantangan yang sebelumnya mustahil

Apa arti transformasi yang sesungguhnya

• Seperti diagnosis Meadows, untuk mencapai ROI AI yang berkelanjutan, yang dibutuhkan bukan sekadar penerapan alat, melainkan perubahan pada sistem operasi itu sendiri
• Selama sebagian besar abad lalu, kebanyakan perusahaan beroperasi seperti jaringan listrik terpusat
  • Tujuannya: kontrol dari atas ke bawah, prediksi linear, serta memaksimalkan efisiensi dan skalabilitas
  • Namun AI bukan sekadar bahan bakar yang lebih efisien untuk dimasukkan ke sistem ini; AI adalah bentuk energi yang sepenuhnya baru
• Kekuatan AI lahir dari eksperimen dan aktivitas inovasi karyawan maupun tim secara individual → energi terdistribusi yang muncul dari edge organisasi
  • Perusahaan-perusahaan terdepan menyadari hal ini dan memilih untuk menyatakan jaringan lama sebagai usang, atau mendefinisikan ulang cara mengukur nilai, atau merancang insentif agar setiap karyawan menjadi net-positive producer
  • Ini terwujud secara konkret dalam kasus SharkNinja, Johnson Hana, dan Shopify
• Menurut survei, 95% karyawan mengakui potensi AI, tetapi kekhawatiran terbesar mereka adalah ketidakpercayaan bahwa “organisasi tidak akan berbagi manfaatnya”
  • Karena itu, karyawan beralih menjadi shadow workforce, menyembunyikan penggunaan AI dan hanya mengejar hasil jangka pendek—masuk ke kondisi berburu kelinci
  • Ketiadaan kepercayaan menghambat inovasi kolaboratif
• Sistem operasi baru berlandaskan kepercayaan mendalam bahwa nilai yang diciptakan akan diakui dan diberi imbalan meskipun tidak bisa diprediksi atau dikendalikan sepenuhnya
  • Perusahaan yang membangun kepercayaan ini pada level model operasi tidak hanya memperoleh efisiensi sementara, tetapi juga memiliki inovasi majemuk (compounding innovation) yang tidak dapat ditiru pesaing
  • ROI yang berkelanjutan tidak lahir dari apa yang bisa dilakukan AI, tetapi dari apa yang bisa dicapai oleh orang-orang yang percaya pada tujuan bersama dan mau berkolaborasi