Semua Orang Sudah Pakai AI. Tapi Organisasinya Belum Jalan.
Ada angka yang menarik untuk kita bahas sebagai pembuka tulisan ini: 92% pekerja Indonesia sudah pakai AI di tempat kerja. Angka ini merupakan yang tertinggi di Asia Pasifik, di atas rata-rata global 75% (Microsoft Work Trend Index, 2024). Tools untuk AI-nya sudah sangat murah, sebagian bahkan gratis, cara menggunakannya pun tergolong mudah tanpa harus paham programming.
Tapi ada angka lain yang jarang dibahas: cuma 19% organisasi Indonesia yang benar-benar siap menerapkan AI (Cisco AI Readiness Index, 2024).
Jadi persoalannya terbesar itu bukan soal orang tidak mau atau tidak bisa pakai AI. Orang-orangnya sudah mulai duluan. Yang mandek itu organisasinya. Barrier teknis untuk pakai AI memang sudah rendah. Tapi barrier organisasi justru tumbuh dan menggantikannya.
Kenapa Organisasi Mandek?
Ada empat hal yang membuat adopsi AI di level enterprise tidak bergerak.
1. Data yang ter-silo. Di banyak enterprise Indonesia, terutama BUMN dan korporat besar, data tersebar di antar departemen yang tidak bicara satu sama lain dan tidak ada unified data governance. Setiap divisi manage data sendiri-sendiri dan ini menjadi bottleneck terbesar untuk pengambilan keputusan akurat dan cepat berdasarkan data.
2. Tidak ada roadmap adopsi AI yang jelas. Tanpa strategi AI yang terstruktur, adopsi AI menjadi scattered. Misalnya, satu tim coba pakai ChatGPT untuk bikin draft email dan tim lain coba Copilot untuk coding. Tidak ada keterhubungannya dan tidak ada yang mengukur dampaknya. McKinsey, EDB & Tech in Asia (2026), dalam survei terhadap 330 perusahaan di 6 negara Asia Tenggara, mencatat baru 46% yang berhasil melewati tahap pilot. Bukan karena pilotnya yang gagal tetapi karena organisasi tidak punya proses untuk belajar dari pilot kecil dan scale up secara terstruktur.
3. Leadership belum mengambil kendali atas masalahnya. AI project seringkali dipegang oleh teman-teman dari divisi IT untuk mempermudah workflow yang sudah mereka punya. Ini dapat dipahami karena source dan lingkungan mereka lebih dekat dengan update soal AI. Sedangkan dari unit bisnis, Mid-level manager tidak punya insentif untuk mengubah proses yang sudah jalan. Di atas itu, C-suite kesulitan untuk mengkuantifikasi AI value diluar operational cost savings. Ini pola yang berulang kali muncul di riset Salesforce secara global, meski angka pastinya untuk Indonesia belum ada.
4. Regulasi yang masih abu-abu. Di Indonesia sendiri belum ada pedoman yang jelas tentang bagaimana seharusnya regulasi dan governance data dilakukan. Aturan yang paling mendekati adalah UU Pelindungan Data Pribadi (Oktober 2022) yang sebenernya menciptakan compliance uncertainty. Dari sektor keuangan, OJK AI guidelines masih evolving. Bank dan financial institution juga berhati-hati soal penggunaan AI dalam infrastruktur mereka.
Keempat hal ini nunjukkin orangnya udah siap berubah, bahkan sudah menggunakannya dalam workflow mereka masing-masing. Yang belum siap itu organisasinya. Kondisi yang bikin adopsi AI bisa terjadi secara optimal dan terstruktur belum hadir.
A/B Testing sebagai Cara Mulai
Bagaimana organisasi bisa menciptakan kondisi tersebut? Kabar baiknya, tidak perlu budget besar atau approval dari board untuk mulai. Pendekatan yang paling realistis dan terbukti adalah small-scale rollout. Kalau kamu familiar dengan istilah product development atau marketing strategy, ini basically A/B testing untuk AI adoption.
Caranya sederhana. Ambil satu workflow yang sudah ada. Misalnya draft email ke klien, bikin laporan bulanan, riset kompetitor, atau update CRM. Kamu bisa lakukan percobaan dengan menjalankan versi tanpa AI bersamaman dengan AI, di tim yang sama. Ukur waktu, kualitas, effort, output, terus bandingkan. Jika versi AI lebih baik, scale up. Kalau enggak ada bedanya, drop aja. Cost-nya bisa sangat minimal.
Biayanya: ChatGPT Plus atau Claude Pro, $20/bulan per orang. Untuk pilot 3 orang selama 1 bulan, total cost sekitar $180 termasuk waktu setup. Atau bisa dengan menggunakan 1 akun premium yang dishare. Kalau workflow-nya menghemat 2 jam per minggu per orang, payback period-nya 1 minggu (IDC/Microsoft, 2023).
Ada beberapa data yang mendukung argumen ini:
- Harvard/BCG (Dell’Acqua et al., 2023): Konsultan yang pakai GPT-4 menyelesaikan 12% lebih banyak tugas, 25% lebih cepat, dan 40% dari mereka menghasilkan kualitas yang lebih tinggi.
- Nielsen Norman Group (2023): Penulis yang pakai AI menyelesaikan 59% lebih banyak dokumen per jam.
- GitHub/Accenture (2024): Developer dengan Copilot selesai 55% lebih cepat.
- IDC/Microsoft (2023): Setiap $1 yang diinvestasikan di AI menghasilkan $3.5 return.
Ambil otomasi email sebagai contoh. Seorang konsultan di BCG bisa menyelesaikan draft proposal dalam setengah waktu dengan AI sebagai first draft generator, lalu review dan refine sendiri. Atau riset kompetitor, yang dulu butuh 2 hari browsing dan compile, sekarang bisa jadi 2 jam dengan AI sebagai research assistant, lalu manusia yang analisis dan memutuskan. Semua ini bisa di-A/B test tanpa mengganggu existing workflow.
Yang penting untuk dipahami: tujuannya membantu orang bekerja lebih efisien dengan AI, mengukur dampaknya, baru diimplementasikan ke skala yang lebih besar. Bukan mengganti orang dengan AI.
Dari Internal ke Tim lain atau Komunitas
Dari sini kita dapat melihat kalau dari level perseorangan, para talent sudah menggunakan AI entah untuk generate draft atau sekedar brainstorming. Tapi implementasi seperti ini hanya membantu workflow personal mereka, bukan mengadopsi AI dengan sistemik. Kalau hasilnya penggunaan AI atau eksperimen ini cuma tinggal di dalam tim maupun individu, pembelajarannya jadi terbatas. Yang membuat eksperimen ini lebih powerful adalah ketika hasilnya dibagikan. Baik secara internal antar tim, atau secara external ke komunitas.
Internal sharing itu artinya cross-team learning. Misal tim marketing yang sudah berhasil pakai AI untuk bikin campaign brief bisa share bagaimana AI diimplementasikan dalam workflow-nya ke tim divisi lain yang belum mencoba. Satu eksperimen saja tapi yang merasakan dampaknya lebih dari satu tim.
Sedangkan external sharing artinya community learning. Di luar organisasi, ada komunitas yang terbuka untuk hal ini. Salah satu yang inspiratif adalah “How I AI” oleh Claire Vo. Series konten di mana orang-orang share screen dan demo workflow AI mereka secara praktis. Para pembicara nunjukkin cara mereka pakai AI untuk kerja sehari-hari. Series ini sudah 99 episode, tersedia di YouTube, Spotify, dan Apple Podcasts.
Kami di Labtek Indie juga terbuka untuk hal serupa. Dari Knods dan Knods playground, kami mengadakan sharing session secara offline dan online tentang cara dan workflow menggunakan AI. Baik dari yang sudah kami implementasikan maupun trend yang selama ini kami observasi di dunia maya. Kegiatan ini seringkali berbentuk peer-to-peer, dari orang yang benar-benar pakai di kondisi kerja yang mirip dengan kondisimu. Tunggu infonya di Knods Events untuk workshop/sharing session seperti ini ya.
Mulai dari Mana?
Kamu enggak perlu nunggu organisasi punya AI strategy, approval dari board, atau budget ratusan juta buat mulai.
Yang kamu butuhkan: satu workflow yang mau kamu test, satu tools AI ($20/bulan), satu minggu untuk mencoba dan mengukur, dan satu tempat untuk share hasilnya, baik internal ataupun komunitas.
Barrier teknisnya sudah hilang. Siapapun bisa menggunakan AI. Yang tersisa sekarang pertanyaan di level organisasi: apakah kita mau menciptakan proses untuk belajar, atau tetap menunggu sampai kompetitor yang lebih kecil duluan jalan?
