Teknologi

Korporasi mulai mengadopsi AI: Adopsi dan Laba Masih Tipis

Per 20 November 2026. Artikel ini merangkum data penetrasi AI di Indonesia, pola adopsi korporasi, cara memakai AI tanpa membocorkan data sensitif, dan kerangka biaya yang masuk akal.

Ada paradoks yang sulit diabaikan di pasar AI Indonesia. Survei Google, Temasek, dan Bain menemukan 105 juta orang Indonesia sudah memakai AI generatif pada 2026, atau 54% populasi pekerja. Angkanya besar: Indonesia adalah basis pengguna AI terbesar di Asia Tenggara. Tapi rata-rata pengguna hanya membuka AI 1,76 sesi per minggu, terendah di antara enam ekonomi utama ASEAN. Artinya, adopsi sudah luas, tetapi kedalamannya masih dangkal.

Pola yang sama muncul di dunia korporasi. Survei UOB Business Outlook 2026 menemukan 74% perusahaan Indonesia sudah memakai AI, dan 90% berencana menambah anggaran AI. Namun separuh responden masih berada di tahap awal, dan hanya sekitar seperempat yang mengaku sudah advanced. Survei AWS yang dirilis Agustus 2026 lebih ketat: 40% perusahaan memakai AI, naik dari 28% setahun sebelumnya, tetapi 56% masih bereksplorasi dan hanya 12% benar-benar terintegrasi.

Jadi pertanyaan yang tepat bukan lagi “apakah perusahaan Indonesia memakai AI?” Melainkan: di mana AI benar-benar menghasilkan margin, bagaimana ia dipakai tanpa membocorkan data, dan berapa biaya sebenarnya per hasil?

Penetrasi besar, pendalaman kecil

Data e-Conomy SEA 2026 memberi gambaran yang jernih. Dari 105 juta pengguna AI generatif, 47% memakai AI setiap minggu dan hanya 16% setiap hari. Indonesia menyumbang 43% pengguna AI di ASEAN-6, tetapi hanya 37% dari total penggunaan token. Ini bukan pasar yang kekurangan minat; ini pasar yang kekurangan kebiasaan kerja yang dalam.

Di tingkat perusahaan, McKinsey, EDB Singapore, dan Tech in Asia melaporkan bahwa 46% perusahaan Asia Tenggara sudah melewati tahap pilot dan sedang melakukan scaling, di atas rata-rata global 35%. Untuk Indonesia, laporan yang sama menempatkan 51% perusahaan di tahap scaling atau lebih, kedua setelah Singapura (56%). Namun angka itu perlu dibaca bersama temuan lain: 60% perusahaan di kawasan ini melihat dampak AI kurang dari 5% terhadap EBIT, dan hampir satu dari lima melihat dampak finansial nol.

Microsoft Work Trend Index 2026 menambahkan sisi manusianya. Sebanyak 33% pekerja Indonesia masuk kategori “Frontier Professionals”, dua kali lipat rata-rata global 16%. Sebanyak 72% pengguna AI Indonesia mengatakan mereka bisa menghasilkan pekerjaan yang setahun lalu tidak mungkin mereka buat. Tapi 93% memperlakukan output AI sebagai titik awal, bukan jawaban final. Ini sinyal bagus: pekerja sudah lebih matang daripada sistem perusahaan tempat mereka bekerja.

Kesimpulannya: penetrasi AI Indonesia tinggi di sisi konsumen dan luas di sisi korporasi, tetapi konversi ke nilai finansial masih tertinggal. Masalahnya bukan adopsi, melainkan integrasi, tata kelola, dan disiplin biaya.

Apa yang sebenarnya didapat korporasi

Manfaat AI yang paling cepat terasa biasanya ada di tiga area: biaya layanan, kecepatan proses, dan kualitas keputusan. Di layanan pelanggan, chatbot dan agen virtual memotong waktu tunggu dan volume tiket level pertama. Di operasi, AI membaca dokumen, faktur, kontrak, dan klaim lebih cepat daripada tim manual. Di risiko, model machine learning membantu deteksi fraud, credit scoring, dan e-KYC. Di rantai pasok, AI membantu peramalan permintaan dan optimasi stok.

Contoh yang sudah berjalan di Indonesia bukan sekadar pilot. Bank Syariah Indonesia (BSI) memakai Microsoft 365 Copilot dan Copilot Chat untuk pembuatan dokumen, analisis informasi, dan komunikasi internal. Karena AI tertanam di Teams, SharePoint, dan OneDrive, adopsinya masuk ke alur kerja yang sudah dikenal karyawan. BSI menekankan bahwa transformasi ini dibangun di atas prinsip keamanan, tata kelola informasi, dan kepatuhan regulasi—bukan sekadar efisiensi.

Bank Rakyat Indonesia (BRI) mengembangkan Sabrina, asisten virtual berbasis AI untuk membantu nasabah mengakses informasi perbankan, termasuk mencari cabang dan ATM terdekat, melalui WhatsApp. Ini contoh use case yang tepat: dampak operasional jelas, risikonya relatif terkendali, dan metriknya mudah diukur—waktu penyelesaian, volume percakapan yang ditangani, dan pengurangan eskalasi ke agen manusia.

Namun inilah jebakan yang harus dihindari: banyak perusahaan mengukur keberhasilan dari jumlah pilot, jumlah pengguna, atau jumlah prompt. Padahal dewan direksi tidak membeli pilot. Mereka membeli margin, pendapatan, risiko yang turun, atau biaya yang lebih rendah per transaksi. McKinsey menemukan hanya sekitar 6% perusahaan global yang benar-benar menangkap nilai besar dari AI, dengan kontribusi 11% atau lebih terhadap EBIT. Yang membedakan mereka bukan model terbaru, melainkan cara mereka mengubah proses kerja.

Empat cara perusahaan mengadopsi AI

Tidak ada satu arsitektur yang cocok untuk semua perusahaan. Dalam praktiknya, ada empat pola yang dominan.

Pertama, SaaS siap pakai. Perusahaan membeli aplikasi yang sudah dilengkapi AI, seperti Copilot di Microsoft 365, AI di CRM, atau alat analitik dengan fitur generatif. Cara ini paling cepat, biayanya relatif prediktabel, dan tidak butuh tim ML besar. Kekurangannya: kontrol atas model dan data terbatas, serta biaya per kursi bisa membengkak ketika fitur AI dipakai luas.

Kedua, API model. Tim produk memanggil model pihak ketiga lewat API untuk membangun chatbot, ringkasan dokumen, pencarian internal, atau agen otomatis. Cara ini memberi fleksibilitas dan waktu rilis cepat, tetapi biaya bersifat variabel dan bisa meledak jika prompt panjang, agen melakukan banyak langkah, atau model yang dipakai terlalu besar untuk tugas sederhana.

Ketiga, private cloud atau VPC. Perusahaan memakai model di lingkungan cloud terisolasi, dengan private endpoint, kunci enkripsi sendiri, dan kontrol akses berbasis identitas. Ini kompromi yang sering paling realistis untuk bank, asuransi, dan perusahaan besar: model tetap canggih, tetapi data tidak berpindah ke lingkungan publik.

Keempat, on-premise atau open-weight. Perusahaan menjalankan model di infrastruktur sendiri, atau di “AI factory” internal. Biaya awalnya tinggi dan butuh kapabilitas GPU, jaringan, serta MLOps. Tetapi untuk workload yang volumenya besar, sensitif, dan stabil, biaya per token bisa turun drastis setelah utilisasi penuh. Deloitte menyebut pola ini sebagai AI factory: infrastruktur, software, dan layanan yang dioptimalkan untuk seluruh siklus hidup AI.

Yang penting bukan memilih salah satu secara ideologis. Perusahaan yang matang biasanya hybrid: workload eksploratif dan sensitivitas rendah lewat API atau SaaS; workload sensitif dan bervolume tinggi lewat private cloud atau on-prem. Mereka juga membangun AI center of excellence kecil—bukan birokrasi baru—yang menetapkan standar model, evaluasi, keamanan, dan biaya.

Tapi ada syarat yang sering dilewatkan. Survei AWS menemukan hanya 24% perusahaan pengadopsi AI yang punya strategi AI formal, 21% punya tata kelola data, dan 17% punya kerangka responsible AI. Hanya 14% merasa siap untuk AI agen. Ini menjelaskan kenapa banyak pilot berhenti di fase demo: fondasinya belum dibangun.

Cara memakai AI tanpa data keluar

Ini bagian yang paling sering ditanyakan direksi: bagaimana memakai AI tanpa menyerahkan data pelanggan, kontrak, atau rahasia dagang ke pihak luar?

Jawabannya bukan “jangan pakai cloud”. Jawabannya adalah memisahkan data berdasarkan tingkat sensitivitas, lalu memilih kontrol yang sesuai. Data publik boleh lewat API biasa. Data internal butuh kontrak yang jelas dan logging. Data rahasia butuh private processing, enkripsi dengan kunci perusahaan sendiri, dan sering kali tetap di dalam negeri.

Dari sisi regulasi, Indonesia sudah punya lapisan yang harus dipatuhi. UU PDP No. 27/2022 menjadi payung perlindungan data pribadi. PP No. 33/2026 yang diundangkan 16 Juli 2026 dan berlaku 16 Januari 2027 mengatur lebih rinci: hak subjek data, kewajiban controller dan processor, penilaian dampak, penunjukan petugas perlindungan data pribadi dalam kondisi tertentu, serta persyaratan transfer data lintas negara. Untuk transfer keluar Indonesia, perusahaan wajib memetakan alur data, memastikan data yang dikirim minimal dan relevan, memilih instrumen hukum yang sah, menilai efektivitasnya, dan melakukan penilaian ulang berkala.

Di sektor keuangan, OJK menerbitkan Tata Kelola Kecerdasan Artifisial Perbankan Indonesia pada 29 April 2025. Panduan ini menekankan pengelolaan AI di sepanjang siklus hidup, secara etis, aman, dan sesuai regulasi, dengan tetap menjaga kepercayaan publik dan stabilitas sistem keuangan. Ringkasan industri menyebut elemen seperti komite AI internal, jejak audit keputusan algoritmik, kontrol human-in-the-loop untuk keputusan berisiko tinggi, dan model card. Untuk sektor lain, Surat Edaran Menkominfo No. 9/2023 memberikan pedoman etika AI: inklusivitas, transparansi, kemanusiaan, keamanan, perlindungan data pribadi, kekayaan intelektual, dan akuntabilitas.

Regulasi saja tidak cukup. Perusahaan perlu tiga lapis kontrol teknis dan kontraktual.

Lapis kontrak. Pastikan perjanjian dengan vendor memuat: larangan memakai data pelanggan untuk melatih model, lokasi pemrosesan dan penyimpanan, daftar subprosesor, kewajiban notifikasi insiden, hak audit, kewajiban penghapusan data, dan mekanisme exit. Untuk vendor global, minta addendum data processing yang eksplisit—bukan hanya merujuk pada kebijakan privasi di situs web.

Lapis arsitektur. Gunakan private endpoint atau VPC, enkripsi saat transit dan saat disimpan, kunci enkripsi yang dikelola perusahaan (BYOK/KMS), serta pemisahan lingkungan produksi dan pengembangan. Untuk data pribadi, terapkan redaction atau tokenisasi sebelum data masuk ke model. Untuk pengetahuan internal, gunakan retrieval-augmented generation (RAG) dengan kontrol akses per dokumen, bukan menempelkan seluruh basis pengetahuan ke prompt.

Lapis operasi. Terapkan DLP, logging akses, deteksi anomali, dan tinjauan berkala atas prompt yang dikirim. Batasi penggunaan AI publik untuk data rahasia. Latih karyawan membedakan “AI untuk ide” dan “AI untuk data pelanggan”. Dan siapkan prosedur insiden: siapa yang memanggil, apa yang dimatikan, bagaimana data dibersihkan.

Untuk perusahaan yang benar-benar tidak boleh mengirim data keluar, ada jalur yang lebih konservatif. Model open-weight bisa dijalankan di dalam negeri, di data center sendiri atau mitra lokal, dengan kontrol penuh atas jaringan dan penyimpanan. Alternatifnya, gunakan cloud region dalam negeri. Microsoft membuka Indonesia Central pada April 2025 dengan tiga availability zone; AWS sudah memiliki Asia Pacific (Jakarta) sejak Desember 2021; Google Cloud juga memiliki region Jakarta. Ini tidak otomatis menyelesaikan masalah tata kelola, tetapi menghilangkan satu risiko besar: data keluar dari yurisdiksi Indonesia.

Yang perlu diingat: vendor besar biasanya menyatakan bahwa prompt dan completion pelanggan tidak dipakai untuk melatih model dan tidak dibagikan ke pelanggan lain. Microsoft, misalnya, menyatakan data pelanggan Azure OpenAI tidak tersedia bagi pelanggan lain, tidak tersedia bagi OpenAI, dan tidak dipakai untuk meningkatkan model tanpa izin. AWS menyatakan konten di Amazon Bedrock tidak dipakai untuk memperbaiki model dasar dan tidak dibagikan ke penyedia model. Pernyataan ini penting, tetapi tetap harus dicocokkan dengan kontrak, konfigurasi, dan kebutuhan regulasi spesifik perusahaan.

Hitung biaya per hasil, bukan per token

Kesalahan umum dalam anggaran AI adalah bertanya “berapa harga per juta token?” lalu memilih model termurah. Token hanyalah satuan input. Biaya sebenarnya ditentukan oleh berapa banyak langkah yang dibutuhkan model untuk menyelesaikan tugas, berapa kali ia gagal, dan berapa banyak manusia yang harus memperbaiki hasilnya.

Databricks AI Index memberi contoh yang tajam. Dalam benchmark coding agent mereka, dua model bisa mencapai tingkat keberhasilan yang hampir sama, tetapi biaya per tugas berbeda sekitar 32 kali: sekitar US$0,05 versus US$1,62 per tugas. Model dengan harga token murah juga bisa menjadi mahal jika butuh 140 putaran untuk menyelesaikan satu tugas. Sebaliknya, model premium bisa lebih murah per hasil jika menyelesaikan tugas dalam satu atau dua langkah.

Databricks juga menemukan distribusi pengeluaran yang sangat timpang: median pengguna menghabiskan sekitar US$2,49 per minggu, sementara pengguna di persentil 99 menghabiskan US$699,74—sekitar 281 kali lipat. Artinya, anggaran AI tidak bisa dirata-ratakan per karyawan. Perusahaan perlu melihat siapa yang memakai AI secara intensif, untuk tugas apa, dan apakah biayanya sebanding dengan output.

Deloitte menambahkan konteks yang lebih luas: AI generatif sudah menjadi pos pengeluaran teknologi dengan pertumbuhan tercepat, di sebagian perusahaan mencapai separuh belanja TI. Tagihan cloud naik hampir 20% per tahun, didorong workload AI. Namun hanya 28% pemimpin keuangan mengatakan investasi AI mereka memberikan nilai yang jelas dan terukur. Inilah “paradoks biaya AI”: harga per token turun, tetapi tagihan tidak otomatis turun karena volume dan kompleksitas workload naik.

Karena itu, perusahaan perlu lima disiplin biaya.

Pertama, ukur biaya per hasil. Untuk layanan pelanggan, metriknya biaya per tiket selesai. Untuk dokumen, biaya per dokumen yang tervalidasi. Untuk coding, biaya per pull request yang lolos review. Untuk sales, biaya per lead yang berkualitas—bukan biaya per prompt.

Kedua, routing model. Tidak semua tugas butuh model terbesar. Gunakan model kecil untuk klasifikasi, ekstraksi, dan ringkasan; model besar hanya untuk penalaran kompleks atau keputusan berisiko tinggi. Databricks mencatat pangsa model open-weight di lalu lintas enterprise naik dari 7,3% pada Juli 2026 menjadi 30,9% pada November 2026, sebagian karena kualitasnya makin kompetitif dan biayanya lebih terkendali.

Ketiga, kurangi pekerjaan yang tidak perlu. Prompt yang terlalu panjang, konteks yang tidak relevan, dan agen yang melakukan loop tanpa batas adalah pemborosan. Gunakan caching untuk pertanyaan berulang, batasi jumlah langkah agen, dan rancang alur yang meminta manusia mengambil keputusan di titik kritis—bukan mengulang seluruh proses.

Keempat, pilih build atau buy dengan sadar. Untuk kebutuhan generik—email, dokumen, ringkasan rapat—SaaS atau API hampir selalu lebih murah daripada membangun sendiri. Untuk workload bervolume tinggi, sensitif, dan stabil, on-prem atau private cloud bisa lebih ekonomis dalam 18–36 bulan, tetapi hanya jika utilisasi GPU tinggi dan tim punya kapabilitas operasional. Jangan membangun AI factory untuk pilot yang belum terbukti.

Kelima, masukkan biaya tersembunyi. Integrasi ke sistem lama, pembersihan data, evaluasi kualitas, keamanan, pelatihan karyawan, dan perubahan proses sering lebih besar daripada biaya model. Anggaran yang hanya menghitung token akan selalu mengejutkan CFO di kuartal ketiga.

Tata kelola: bagian yang paling sering dilupakan

AI bukan proyek TI biasa. Ia menghasilkan output probabilistik, bisa salah dengan percaya diri, dan belajar dari data yang kualitasnya tidak selalu diketahui. Karena itu, tata kelola harus mencakup empat hal: kebijakan penggunaan, klasifikasi data, evaluasi model, dan akuntabilitas manusia.

Kebijakan penggunaan harus jelas: alat apa yang boleh dipakai, untuk data apa, siapa yang boleh mengakses, dan apa yang harus dilaporkan. Klasifikasi data harus menentukan apakah data boleh masuk ke AI publik, AI privat, atau tidak boleh keluar sama sekali. Evaluasi model harus mengukur akurasi, bias, latensi, dan biaya pada data perusahaan sendiri—bukan hanya benchmark vendor. Akuntabilitas manusia harus menetapkan siapa yang bertanggung jawab ketika AI salah, terutama di kredit, asuransi, kesehatan, dan keputusan SDM.

Survei AWS menunjukkan celahnya: hanya 17% perusahaan punya kerangka responsible AI, dan hanya 14% merasa siap untuk AI agen. Padahal AI agen—yang bisa memanggil API, mengubah data, dan mengambil tindakan—membawa risiko baru: akses berlebih, tindakan tak terduga, dan kesalahan berantai. Sebelum memberi agen akses ke sistem produksi, perusahaan perlu least privilege, sandbox, persetujuan manusia, dan batas anggaran per tugas.

Di tingkat dewan, metriknya juga harus berubah. Jangan hanya melaporkan jumlah pilot atau jumlah pengguna. Laporkan: biaya per hasil, tingkat akurasi pada data internal, waktu siklus, tingkat eskalasi, insiden data, dan kontribusi terhadap margin. Dengan begitu, AI berhenti menjadi proyek eksperimen dan menjadi bagian dari disiplin operasional.

Peta jalan 90 hari

Untuk perusahaan yang ingin bergerak tanpa membakar anggaran, urutan berikut lebih realistis daripada langsung membeli platform besar.

Hari 1–30: petakan data dan pilih tiga use case. Pilih proses yang biayanya jelas, datanya tersedia, dan risikonya terkendali—misalnya ringkasan dokumen internal, triase tiket layanan, atau pencarian kebijakan perusahaan. Klasifikasikan data yang terlibat. Tentukan siapa pemilik proses dan bagaimana keberhasilan diukur.

Hari 31–60: bangun guardrail. Pilih arsitektur: API dengan no-training clause, private cloud, atau on-prem. Terapkan enkripsi, kontrol akses, redaction, dan logging. Susun DPA dan daftar subprosesor. Untuk use case yang menyentuh data pribadi, lakukan penilaian dampak perlindungan data. Libatkan hukum, keamanan, dan risiko sejak awal—bukan setelah pilot selesai.

Hari 61–90: ukur dan putuskan. Jalankan pilot dengan kelompok kecil, ukur biaya per hasil, akurasi, waktu siklus, dan kepuasan pengguna. Bandingkan dengan baseline manual. Jika hasilnya positif, skalakan ke satu departemen lain dengan guardrail yang sama. Jika tidak, hentikan tanpa rasa malu. Pilot yang gagal cepat lebih murah daripada platform yang tidak pernah dipakai.

Setelah 90 hari, barulah perusahaan mempertimbangkan hal yang lebih berat: AI center of excellence, model routing, open-weight untuk workload bervolume tinggi, dan negosiasi harga enterprise. Urutannya penting. Membeli infrastruktur sebelum tahu use case adalah cara termahal untuk belajar.

Kesimpulan

Indonesia bukan pasar yang kekurangan adopsi AI. Dengan 105 juta pengguna, 74% perusahaan yang sudah memakai AI, dan 33% pekerja yang masuk kategori frontier, fondasinya sudah ada. Masalahnya adalah konversi: dari pilot ke proses, dari prompt ke margin, dari data yang tersebar ke tata kelola yang bisa diaudit.

Perusahaan yang menang bukan yang paling cepat membeli model terbaru. Mereka adalah yang paling disiplin dalam tiga hal: memilih use case yang biayanya jelas, membangun arsitektur yang menjaga data tetap di kendali perusahaan, dan mengukur biaya per hasil—bukan per token. AI yang aman dan hemat bukan AI yang paling canggih. AI yang aman dan hemat adalah AI yang bisa dijelaskan kepada dewan direksi, auditor, dan pelanggan—tanpa perlu berharap tidak ada yang bertanya.

Catatan riset: tidak ada akses database kampus yang terkonfigurasi untuk profil ini. Sumber yang dipakai adalah laporan industri, dokumen regulator, dokumentasi vendor, dan satu artikel jurnal terindeks Garuda. Angka survei berbeda karena definisi dan sampelnya berbeda; karena itu setiap angka diberi konteks, bukan digabung menjadi satu klaim tunggal.

Sumber

Penulis catatan di Hedwigus.

Belum ada komentar

Tinggalkan komentar

Your email address will not be published. Required fields are marked *