Mengapa 88% perusahaan menggunakan AI tetapi gagal meraih value bisnis yang nyata? Temukan akar masalah gap adopsi AI, risiko halusinasi data, dan peran krusial analis.
Oleh: Davin Silitonga, Peneliti LPPI
Stabilitas.id – Bayangkan sebuah tim marketing bertanya kepada asisten AI perusahaan: “Berapa ROI kampanye email kita di kuartal ketiga?” AI menjawab dengan percaya diri: “327%.” Ada satu masalah. Kampanye email tersebut sebenarnya tidak pernah berjalan.
Contoh tersebut merupakan ilustrasi dari salah satu persoalan dalam penggunaan generative AI untuk analisis data. AI dapat menghasilkan jawaban yang terdengar masuk akal, tetapi belum tentu benar. Dalam konteks bisnis, masalah seperti ini bisa menjadi serius karena hasil analisis dapat digunakan untuk menentukan anggaran, strategi penjualan, risiko, sampai keputusan investasi.
Di sisi lain, perusahaan memang semakin banyak menggunakan AI. Survei McKinsey 2025 menunjukkan bahwa 88% responden mengatakan organisasi mereka telah menggunakan AI dalam setidaknya satu fungsi bisnis. Namun, adopsi tersebut belum berarti bahwa AI sudah sepenuhnya memberikan dampak di seluruh organisasi. Hanya 7% responden yang mengatakan organisasinya telah mencapai tahap scaling AI secara penuh (McKinsey & Company, 2025).
Angka tersebut menunjukkan adanya jarak antara adopsi dan penciptaan value. Perusahaan bisa saja sudah memiliki chatbot, copilot, dashboard berbasis AI, atau sistem analytics yang dapat menerima pertanyaan dalam bahasa sehari-hari. Namun, memiliki teknologi belum otomatis berarti perusahaan mampu menghasilkan keputusan yang lebih baik. Masalahnya ada pada apa yang terjadi setelah AI memberikan jawabannya.
AI Mulai Masuk ke Banyak Tahap Data Analytics
AI mulai digunakan dalam berbagai pekerjaan yang berkaitan dengan data analytics. Teknologi ini dapat membantu membuat query, menulis kode, mengeksplorasi data, merangkum hasil analisis, dan menyajikan informasi dalam bentuk yang lebih mudah dipahami.
Misalnya, seorang manajer ingin mengetahui: “Produk mana yang mengalami penurunan penjualan terbesar dalam tiga bulan terakhir?” Dalam sistem analytics yang sudah terintegrasi dengan AI, pertanyaan tersebut dapat diterjemahkan menjadi query, dijalankan terhadap data, kemudian ditampilkan dalam bentuk tabel atau grafik.
Bagi perusahaan, manfaatnya cukup jelas. Hambatan teknis untuk mengakses data menjadi lebih rendah. Orang yang tidak menguasai SQL atau Python pun dapat berinteraksi dengan data menggunakan bahasa yang lebih natural. Tetapi di titik ini muncul persoalan yang sering terlupakan.
AI bekerja berdasarkan data, definisi, konteks, dan instruksi yang tersedia. Jika data penjualan belum diperbarui, AI tidak otomatis mengetahui bahwa data tersebut belum lengkap. Jika definisi “penjualan” di sistem keuangan berbeda dengan definisi “penjualan” di sistem marketing, AI dapat menghasilkan analisis yang secara teknis benar tetapi secara bisnis keliru. Jika periode data yang digunakan berbeda, kesimpulannya juga dapat berubah.
Jadi, persoalan data analytics bukan sekadar apakah AI bisa membaca data. Pertanyaannya adalah apakah data yang dibaca AI memang tepat untuk menjawab pertanyaan bisnis yang diberikan.
Ketika Jawaban AI Terlihat Benar, Tetapi Sebenarnya Salah
Salah satu masalah yang perlu diperhatikan dalam penggunaan generative AI adalah hallucination. Hallucination terjadi ketika model menghasilkan informasi yang tidak sesuai dengan fakta atau sumber yang tersedia, tetapi menyampaikannya dalam bentuk jawaban yang terlihat meyakinkan.
Dahl et al. (2024) memberikan salah satu bukti empiris mengenai masalah ini. Dalam penelitian terhadap model bahasa besar pada tugas hukum, mereka menemukan bahwa model dapat menghasilkan informasi yang tidak konsisten dengan fakta hukum dan mengalami hallucination dalam proporsi yang signifikan. Penelitian tersebut juga menunjukkan bahwa model sering kesulitan mengenali kesalahannya sendiri.
Penelitian Magesh et al. (2025) menunjukkan bahwa persoalan tersebut tidak otomatis hilang ketika AI diberikan akses terhadap sumber khusus. Dalam evaluasi terhadap sejumlah perangkat AI untuk penelitian hukum, para peneliti menemukan bahwa sistem yang mereka uji masih menghasilkan hallucination, meskipun tingkatnya lebih rendah dibandingkan model AI umum.
Memang, kedua penelitian tersebut berada dalam konteks hukum, bukan business analytics. Karena itu, hasilnya tidak dapat diterjemahkan begitu saja menjadi tingkat kesalahan AI dalam analisis bisnis. Namun, ada pelajaran yang relevan. Output AI tetap harus diverifikasi ketika digunakan untuk pekerjaan yang memiliki konsekuensi bisnis.
Bayangkan sebuah sistem analytics mengatakan bahwa penjualan suatu produk turun 18%. Analis tidak seharusnya langsung membuat rekomendasi berdasarkan angka tersebut. Ia perlu memeriksa beberapa hal:
- Apakah periode perbandingannya sama?
- Apakah seluruh wilayah sudah masuk ke database?
- Apakah angka tersebut berasal dari transaksi aktual atau estimasi?
- Apakah penurunan terjadi karena jumlah transaksi turun atau karena harga rata-rata berubah?
- Apakah terdapat perubahan definisi atau metode pencatatan?
Di sinilah peran manusia tetap penting. AI dapat membantu menemukan angka dan pola. Manusia perlu memastikan bahwa angka tersebut memang menjawab pertanyaan yang benar.
Mastercard Menunjukkan Bahwa AI Tetap Bisa Menghasilkan Value
Masalah tersebut tidak berarti AI tidak menghasilkan manfaat. Mastercard memberikan contoh bagaimana AI dapat digunakan dalam sistem analitik yang memiliki tujuan bisnis yang jelas.
Pada Februari 2024, Mastercard memperkenalkan Decision Intelligence Pro, pengembangan dari sistem Decision Intelligence untuk membantu mendeteksi transaksi yang berpotensi fraud. Mastercard menyatakan bahwa teknologi tersebut menggunakan generative AI untuk menganalisis hingga satu triliun data points dan memprediksi apakah sebuah transaksi kemungkinan genuine atau fraudulent. Pemodelan awal yang dilaporkan Mastercard menunjukkan peningkatan fraud detection rata-rata 20% dan hingga 300% pada beberapa kondisi. Mastercard juga menyatakan bahwa sistem tersebut mengurangi false positives lebih dari 85% dalam analisis mereka (Mastercard, 2024).
Namun, contoh Mastercard perlu dibaca secara hati-hati. Ini bukan contoh chatbot yang berdiri sendiri. Decision Intelligence Pro bekerja dalam konteks sistem pembayaran dan memanfaatkan informasi mengenai akun, transaksi, merchant, dan perangkat secara real time. Mastercard menjelaskan bahwa teknologi tersebut menilai hubungan antara berbagai entitas yang berkaitan dengan sebuah transaksi.
Artinya, keberhasilan tersebut tidak dapat disederhanakan menjadi: “Mastercard menggunakan GenAI, lalu fraud turun.” Pelajarannya lebih tepat: AI dapat menghasilkan value ketika kemampuan teknologi ditempatkan dalam sistem yang memiliki data relevan, proses yang jelas, dan tujuan bisnis yang terukur.
Masalah Sebenarnya Adalah Jarak Antara Adopsi dan Value
Di sinilah perbedaan antara “menggunakan AI” dan “mendapatkan value dari AI” menjadi penting. Perusahaan bisa memasang AI dengan relatif cepat. Namun, membangun proses kerja yang membuat AI menghasilkan keputusan yang konsisten membutuhkan waktu lebih lama.
Boston Consulting Group menemukan bahwa 66% eksekutif yang mereka survei tidak puas dengan kemajuan GenAI di perusahaan mereka. BCG juga memperkirakan bahwa perusahaan dapat mencapai potensi ROI 10 hingga 15 kali dalam waktu kurang dari tiga tahun jika mampu mengidentifikasi target nilai yang realistis, memilih use case secara disiplin, dan menetapkan akuntabilitas yang jelas (Levin et al., 2024).
Angka ROI tersebut bukan berarti setiap perusahaan akan mendapatkan return 10 sampai 15 kali. Itu merupakan potensi yang diperkirakan BCG berdasarkan pengalaman dan analisis mereka terhadap berbagai proyek GenAI. Poin yang lebih penting justru ada pada cara perusahaan mengelola AI.
Perusahaan perlu tahu masalah apa yang ingin diselesaikan. Bukan sekadar: “Kita harus menggunakan AI,” tetapi: “Masalah bisnis apa yang ingin kita selesaikan dengan AI?”
Misalnya, perusahaan menghadapi masalah tingginya fraud pada transaksi digital. Itu merupakan masalah yang jelas. Perusahaan kemudian dapat menentukan data yang dibutuhkan, model yang sesuai, proses validasi, indikator keberhasilan, dan siapa yang bertanggung jawab ketika sistem menghasilkan keputusan yang salah. Pendekatan seperti ini berbeda dengan memasang AI terlebih dahulu lalu mencari masalah yang bisa diselesaikan setelahnya.
Data Analyst Tidak Hilang, Tetapi Pekerjaannya Berubah
Perubahan ini juga memengaruhi data analyst. Ketika AI mampu membantu membuat query, menghasilkan visualisasi, dan menyusun ringkasan, sebagian pekerjaan teknis yang sebelumnya membutuhkan waktu analis dapat dilakukan lebih cepat. Namun, ini tidak berarti pekerjaan analis otomatis hilang.
International Labour Organization (ILO) dalam penelitian 2025 memperkirakan sekitar satu dari empat pekerja di dunia berada dalam pekerjaan yang memiliki tingkat paparan terhadap GenAI. Namun, ILO menekankan bahwa sebagian besar pekerjaan terdiri dari berbagai tugas yang tetap membutuhkan input manusia. Karena itu, transformasi pekerjaan lebih mungkin terjadi daripada penghapusan pekerjaan secara keseluruhan (Gmyrek et al., 2025).
Dalam konteks data analytics, perubahan ini membuat kemampuan teknis tetap penting, tetapi tidak lagi cukup. Seorang analis perlu memahami konteks bisnis. Ketika AI menunjukkan bahwa penjualan turun, analis perlu tahu apa yang harus ditanyakan berikutnya:
- Apakah penurunan terjadi di semua wilayah?
- Apakah jumlah pelanggan turun?
- Apakah harga berubah?
- Apakah kompetitor meluncurkan produk baru?
- Apakah data bulan berjalan sudah lengkap?
- Apakah perubahan tersebut merupakan tren atau hanya anomali?
AI dapat membantu melakukan eksplorasi awal. Namun, pertanyaan lanjutan seperti ini membutuhkan pemahaman terhadap bisnis. Kemampuan membaca angka saja tidak cukup. Analis harus mampu menerjemahkan angka menjadi konteks dan keputusan.
Human Oversight Menjadi Semakin Penting
Semakin mudah AI digunakan, semakin penting pula proses pemeriksaannya. Ketika semakin banyak orang dapat menghasilkan analisis tanpa memahami cara kerja data di belakangnya, risiko salah interpretasi juga dapat meningkat.
Bayangkan seorang manajer mendapatkan laporan: “Revenue turun 12%.” Ia kemudian bertanya kepada AI: “Kenapa?” AI memberikan lima alasan lengkap dengan grafik. Masalahnya, belum tentu kelima alasan tersebut benar-benar berasal dari data yang relevan.
Proses yang lebih sehat adalah: AI menemukan pola > Analis memeriksa query > Analis memeriksa sumber data > Analis memeriksa definisi metrik > Analis menguji apakah pola tersebut konsisten > Kemudian hasilnya dibawa kembali ke konteks bisnis.
Pendekatan ini sejalan dengan temuan Magesh et al. (2025) bahwa penggunaan AI dalam domain berisiko tinggi tetap membutuhkan supervisi dan verifikasi manusia. Penelitian tersebut menunjukkan bahwa bahkan sistem AI yang dirancang dengan teknik retrieval untuk mengambil informasi dari sumber tertentu masih dapat menghasilkan hallucination. Dengan cara tersebut, AI menjadi alat untuk mempercepat pekerjaan, bukan pengganti proses berpikir.
Pertanyaan Berikutnya Bukan Lagi “Apakah Perusahaan Menggunakan AI?”
Pertanyaan tersebut mulai kehilangan relevansinya. McKinsey menunjukkan bahwa 88% organisasi dalam survei mereka telah menggunakan AI dalam setidaknya satu fungsi bisnis. Namun, hanya sebagian kecil yang telah mencapai tahap scaling secara penuh (McKinsey & Company, 2025).
Artinya, tantangan berikutnya adalah bagaimana perusahaan mengubah penggunaan AI menjadi kemampuan organisasi. Perusahaan perlu membangun beberapa hal sekaligus:
- Kualitas data: AI yang semakin canggih tidak akan memperbaiki data bisnis yang buruk secara otomatis.
- Governance: Harus ada aturan mengenai data apa yang boleh digunakan, bagaimana output AI diperiksa, siapa yang bertanggung jawab, dan kapan keputusan AI harus dikonfirmasi manusia.
- Proses kerja: AI tidak akan memberikan manfaat maksimal jika hanya ditempelkan pada proses lama tanpa mengubah cara kerja yang memang bisa diperbaiki.
- Kemampuan manusia: Karyawan perlu memahami cara menggunakan AI, tetapi juga harus mampu mempertanyakan hasilnya.
- Ukuran keberhasilan: Perusahaan harus bisa menjawab apakah penggunaan AI benar-benar meningkatkan pendapatan, mengurangi biaya, mempercepat proses, menurunkan risiko, atau menghasilkan keputusan yang lebih baik. Tanpa ukuran tersebut, perusahaan mudah terjebak dalam aktivitas yang terlihat produktif tetapi belum tentu menghasilkan value.
AI Bukan Lagi Masalah Teknologi Semata
Perkembangan AI membuat kemampuan analisis data semakin mudah diakses. Orang yang sebelumnya harus menunggu analis untuk mendapatkan informasi tertentu kini dapat mengajukan pertanyaan langsung kepada sistem. Analis sendiri dapat menggunakan AI untuk mempercepat pekerjaan teknis dan menghabiskan lebih banyak waktu pada persoalan yang membutuhkan penilaian manusia.
Tetapi kemudahan tersebut memiliki konsekuensi. Semakin mudah menghasilkan jawaban, semakin penting kemampuan untuk mempertanyakan jawaban tersebut.
Inilah perubahan yang sering terlewat ketika perusahaan membicarakan AI. Perusahaan tidak cukup hanya memiliki model AI yang bagus. Mereka membutuhkan data yang dapat dipercaya, proses yang jelas, orang yang mampu memeriksa hasilnya, dan tujuan bisnis yang terukur. Adopsi AI bisa dilakukan dengan cepat. Membangun sistem yang membuat AI dapat dipercaya membutuhkan pekerjaan yang jauh lebih panjang.
Pada akhirnya, pertanyaan terpenting bukan: “Apakah perusahaan kita sudah menggunakan AI?” Pertanyaannya adalah: “Apakah keputusan yang dihasilkan dengan bantuan AI menjadi lebih baik?”
Karena AI dapat mempercepat analisis, membantu menemukan pola, dan membuat pekerjaan teknis menjadi lebih mudah. Tetapi perusahaan tetap harus memastikan bahwa data yang digunakan benar, pertanyaan yang diajukan tepat, dan keputusan yang diambil dapat dipertanggungjawabkan. Di situlah perbedaan antara sekadar menggunakan AI dan benar-benar mendapatkan value dari AI. ***
- Baca juga: The Busyness Trap
Daftar Referensi
- Boston Consulting Group. (2024). The Stairway to GenAI Impact. Boston Consulting Group.
- Dahl, M., Magesh, V., Suzgun, M., & Ho, D. E. (2024). Large legal fictions: Profiling legal hallucinations in large language models. Journal of Legal Analysis, 16(1), 64–93. https://doi.org/10.1093/jla/laae003.
- Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI and jobs: A refined global index of occupational exposure. International Labour Organization, Working Paper 140. https://doi.org/10.54394/HETP0387.
- Levin, A., Kallies, M., Kataeva, N., & Gauger, C. (2024). The Stairway to GenAI Impact. Boston Consulting Group.
- Mastercard. (2024). Mastercard supercharges consumer protection with gen AI. Mastercard Newsroom.
- Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., & Ho, D. E. (2025). Hallucination-free? Assessing the reliability of leading AI legal research tools. Journal of Empirical Legal Studies, 22(2), 216–242. https://doi.org/10.1111/jels.12413.
- McKinsey & Company. (2025). The State of AI: Global Survey 2025. McKinsey & Company.
