Delapan puluh persen proyek AI gagal memberikan nilai bisnis yang diharapkan, dan menurut studi MIT pada tahun 2025, 95% pilot AI generatif tidak menghasilkan pengembalian yang terukur. Ketika inisiatif ini terhenti, insting kita biasanya menyalahkan modelnya. Namun, itu adalah diagnosis yang salah, dan lebih parah lagi, mahal.
Pengalaman dalam membangun sistem data untuk perusahaan di sektor jasa keuangan, real estat, dan asuransi menunjukkan bahwa pola ini terjadi berulang kali. Namun, masalahnya bukan pada modelnya, melainkan pada lingkungan di sekitarnya. Dan berbeda dari kemampuan model, lingkungan itu sepenuhnya bisa diatur oleh organisasi.
Model AI dievaluasi dalam kondisi terkontrol, dengan input yang bersih, tujuan yang jelas, dan variabel yang stabil. Sebaliknya, lingkungan perusahaan biasanya merupakan sistem berlapis yang dibangun selama bertahun-tahun, bahkan beberapa dekade, dengan struktur data, siklus pembaruan, dan logika bisnis yang terintegrasi masing-masing. Model tidak datang dengan adaptasi yang sudah disiapkan untuk kompleksitas tersebut.
Memperhitungkan bagaimana data mengalir, bagaimana sistem berinteraksi, serta bagaimana keluaran akan digunakan adalah pekerjaan implementasi yang sering diabaikan oleh banyak organisasi. Di sinilah sebagian besar potensi nilai AI hilang.
Mengapa AI di Enterprise Sering Gagal
Berdasarkan pengalaman, kegagalan AI umumnya masuk ke dalam tiga kategori berikut. Masalahnya mungkin berbeda, namun semuanya bisa diatasi, dan perusahaan yang berhasil sudah membuktikannya.
1. Sistem tidak siap
Kebanyakan kegagalan AI di perusahaan tidak ada hubungannya dengan AI itu sendiri. Masalah utamanya adalah bahwa banyak sistem bisnis berantakan di belakang layar dan tidak dirancang untuk bekerja sama. Mereka biasanya menjalankan campuran perangkat lunak jadul, sistem cloud dan lokal yang tidak terhubung, integrasi yang rumit, serta alat pihak ketiga yang disusun bertahun-tahun, yang semua itu menumpuk.
Akibatnya, muncul data yang tidak konsisten, dengan informasi yang sama diberi label atau disimpan secara berbeda tergantung pada tempatnya, dan staf harus memperbaiki kesalahan atau celah agar proses tetap berjalan. Semua kompleksitas ini harus ditangani agar AI dapat berfungsi dengan baik.
Untuk mengatasi masalah ini, perlu fokus pada integrasi; penegakan kontrak skema saat pengambilan data, penggunaan jalur perubahan data untuk menjaga konsistensi, dan memisahkan inferensi model dari alur kerja operasional agar kegagalan tidak terus berlanjut. Input juga harus distandarkan sebelum mencapai model, sementara keluaran dirancang untuk terintegrasi langsung ke dalam proses downstream.
2. Data tidak siap
Meski ada mitos yang salah bahwa AI bisa memperbaiki data yang buruk, kenyataannya tidak. AI justru lebih cepat menunjukkan data yang buruk daripada teknologi sebelumnya. Terlalu lama, organisasi menggantungkan pada orang berpengalaman untuk mengatasi data yang tidak lengkap, format yang tidak konsisten, atau konteks yang tidak tepat.
Akan tetapi, saat AI mulai diimplementasikan, masalah ini terungkap dengan jelas. Tanpa memori institusional, toleransi terhadap ambiguitas, dan kemampuan untuk mengkompensasi konteks yang tidak diberikan, AI hanya memproses data dengan secepat dan sebesar mungkin tanpa memperhatikan keakuratan.
Deploy AI yang benar-benar menghasilkan nilai bisnis terukur memiliki satu kesamaan: data mereka sudah siap sebelum modelnya. Ini bukan hanya tentang upaya kualitas data yang umum, tetapi lebih kepada membangun data sebagai infrastruktur, yang mencakup model data kanonik dengan pengenal permanen untuk entitas inti, seperti pelanggan, kebijakan, dan klaim.
3. Organisasi tidak terstruktur untuk mendukung penerapan
Penerapan AI memerlukan lebih dari sekadar rekayasa perangkat lunak. Meski insinyur perangkat lunak sangat penting, sistem AI berperilaku berbeda dari perangkat lunak tradisional. Mereka sangat sensitif terhadap kualitas data, mudah terpengaruh seiring waktu saat kondisi dunia nyata bergeser dari distribusi pelatihan mereka, dan memerlukan penilaian pemilihan model yang berada dalam disiplin berbeda sama sekali.
Data scientist menawarkan keahlian untuk menilai apakah LLM umum adalah alat yang tepat, atau pendekatan yang lebih terfokus lebih sesuai. Organisasi yang menugaskan proyek AI sebagai proyek perangkat lunak akan terus menemui batasan yang tidak bisa dipecahkan dengan peningkatan model.
AI adalah disiplin operasional yang berbeda, dan tujuannya adalah agar tidak satu disiplin pun yang memikul beban sendirian. Insinyur data memastikan keandalan jalur; data scientist merancang kerangka evaluasi dan memantau kinerja; tim platform mengelola penerapan dan observabilitas; dan tim tata kelola mengurus kepatuhan dan jejak audit.
Berdasarkan riset Deloitte pada tahun 2026, kesenjangan keterampilan adalah hambatan terbesar bagi integrasi AI, dan sebagian besar perusahaan meresponsnya dengan pelatihan daripada perubahan struktural. Yang benar-benar mengubah hasil adalah memperlakukan komposisi tim sebagai keputusan strategis yang diambil dengan keseriusan yang sama seperti pemilihan model.
Diferensiasi yang Sejati
Perusahaan yang mendapatkan nilai nyata dari AI biasanya memiliki satu kesamaan: mereka semua melakukan pekerjaan operasional yang sulit terlebih dahulu.
Data mereka terorganisir, sistem mereka saling terhubung, dan keluaran AI mereka langsung terintegrasi ke dalam alur kerja sehari-hari, bukan sekadar duduk di dasbor yang tidak pernah digunakan. Dan saat suatu sistem mengalami gangguan atau menyimpang dari kursus, ada proses untuk mendeteksinya.
Inilah celah yang sering terlewatkan banyak bisnis. Mengakses model yang kuat adalah bagian yang mudah. Namun, mendapatkan model tersebut bekerja secara handal dalam perusahaan yang sesungguhnya—dengan data yang berantakan, sistem yang tidak terhubung, dan tim yang bekerja dalam silo—adalah tempat di mana banyak usaha anjlok.
Pada akhirnya, AI bukanlah lapisan ajaib yang bisa diletakkan begitu saja di atas fondasi yang rusak. Fondasi itu harus diperbaiki terlebih dahulu, dan itu berarti berinvestasi pada data yang lebih bersih, infrastruktur yang lebih baik, dan sistem yang benar-benar bisa mendukung otomatisasi secara skala.
