The Nanggung Trap

Perusahaan Anda mungkin sudah melakukan beberapa hal berikut:

• Membeli ChatGPT Enterprise atau Copilot untuk seluruh karyawan.
• Memasang chatbot di situs support.
• Memakai AI untuk menulis email, merangkum rapat, atau melakukan code review.
• Membentuk tim "inisiatif AI" yang melapor ke jajaran direksi.

Namun begitu ada yang bertanya, "Berapa dampak AI ke P&L?", jawabannya biasanya "produktivitas naik" tanpa angka, "karyawan lebih efisien" tanpa pembanding sebelum dan sesudah, atau, kalau jujur, "belum kelihatan."

Survei BCG terhadap 1.250 perusahaan pada 2025 menemukan pola yang sama di seluruh dunia: 60% nyaris tidak mendapat hasil berarti dari investasi AI, 35% baru mulai memperluas adopsi dengan hasil terbatas, dan hanya 5% yang mendapat hasil besar.^[3] Laporan McKinsey State of AI 2025 menguatkan temuan itu. Sebanyak 88% organisasi sudah memakai AI di setidaknya satu fungsi bisnis, tapi hanya 39% yang mencatat dampak ke EBIT tingkat perusahaan, dan sebagian besar dampak itu masih di bawah 5%.^[2]

Adopsi AI di mayoritas perusahaan masih sebatas teater. Perusahaan terlihat sibuk, modern, dan progresif, tapi angka bisnis yang penting tidak bergerak.

MIT NANDA memakai istilah yang lebih halus, "adoption without transformation".^[7] Saya menyebutnya The Nanggung Trap.

Half-Baked AI adalah kondisi ketika perusahaan membayar tagihan AI secara penuh tanpa mengubah proses lamanya. AI hanya ditaburkan di atas alur kerja yang sama, seperti bumbu di piring nasi goreng yang sudah dingin.

Kondisi ini biasanya terlihat dari empat ciri:

1. AI hanya membuat draf, keputusan tetap di tangan manusia. AI menyiapkan balasan tiket support, tapi setiap balasan masih menunggu persetujuan agen. AI merangkum email sales, dan staf sales tetap menulis ulang isinya. AI menyusun analisis root cause, engineer masih memeriksanya baris per baris.
2. Handoff antar-tool tidak berkurang. AI di CRM tidak bicara dengan AI di helpdesk. AI di editor kode tidak bicara dengan AI di CI/CD. Setiap tool menyimpan konteksnya sendiri, dan manusia yang jadi kabel penghubung di antaranya.
3. Feedback loop tidak pernah tertutup. Ketika AI salah, tidak ada mekanisme yang otomatis memperbaiki proses berikutnya. Koreksi dari manusia hilang begitu saja. MIT NANDA menyebutnya "learning gap": tool tidak menyimpan feedback, tidak menyesuaikan diri dengan alur kerja, dan tidak membaik seiring waktu.^[1]
4. Yang diukur tingkat pemakaian, bukan hasil bisnisnya. "70% karyawan memakai AI setiap minggu" jadi KPI. "Cycle time turun 40%" tidak pernah dihitung. Riset MIT Sloan menemukan 73% proyek AI yang gagal tidak punya definisi sukses sebelum dimulai, dan 61% disetujui berdasarkan proyeksi ROI yang tidak pernah diukur ulang setelah peluncuran.^[6]

Kalau tiga dari empat ciri di atas terasa tidak asing, perusahaan Anda kemungkinan besar sedang berada di The Nanggung Trap.

Orang-orang di perusahaan yang terjebak di sini sebetulnya bertindak rasional. Mereka mengikuti insentif yang ada di depan mata. The Nanggung Trap adalah pilihan yang paling murah dan paling aman untuk diambil, dan justru itu yang membuatnya susah ditinggalkan meski merugikan perusahaan.

1. AI tempelan jauh lebih mudah dijual ke dalam. Melapor ke direksi bahwa "AI sudah dipasang untuk seluruh tim sales" jauh lebih enak daripada mengusulkan perombakan sales pipeline yang hasilnya baru terlihat enam bulan lagi. Usulan pertama dapat tepuk tangan, usulan kedua dapat pertanyaan sulit.
2. Vendor SaaS menjual AI tempelan karena itu yang laku. Hampir semua tool sekarang punya "fitur AI": Notion AI, Salesforce Einstein, Zendesk AI, GitHub Copilot. Semuanya dijual per seat dengan pesan yang sama, tinggal tambahkan AI dan sisanya jalan seperti biasa. Menyuruh calon pembeli merombak alur kerjanya lebih dulu sama saja dengan bunuh diri komersial.
3. Manajer menengah punya alasan untuk mempertahankan status quo. Kalau AI benar-benar memegang satu proses end-to-end, sebagian tugas manajer menengah ikut hilang. Wajar kalau mereka lebih suka versi "AI membantu tim saya" daripada "AI mengambil alih sebagian pekerjaan tim saya mulai hari ini". Tidak perlu penjelasan yang lebih rumit dari itu.
4. Infrastruktur data belum siap. MIT CSAIL menyebutnya "80/20 problem": hanya 20% informasi penting perusahaan yang tersimpan sebagai data terstruktur, yaitu baris dan kolom yang mudah dibaca AI. Sisanya yang 80% tercecer di email, transkrip rapat, kontrak, percakapan, dan dokumen.^[10] Sistem AI end-to-end butuh akses ke 80% itu, dan mayoritas perusahaan belum sampai ke sana.

Dari dalam perusahaan, The Nanggung Trap memang terlihat sebagai pilihan paling aman. Tahap nanggung sendiri wajar, selama diperlakukan sebagai masa peralihan dengan tenggat yang jelas. Masalah mulai menumpuk ketika perusahaan menetap di sana.

Banyak eksekutif berpikir, "Kalau ROI dari AI belum jelas, setidaknya kami sudah mencoba dan kerugiannya tidak besar." Padahal pendekatan setengah matang bisa lebih mahal daripada tidak memakai AI sama sekali.

Half-baked AI membakar uang di tiga tempat sekaligus:

1. Tagihan token dan lisensi tetap penuh. Anda membayar OpenAI, Anthropic, atau vendor SaaS dengan harga penuh. Draf yang dibuat lalu dibuang tetap dihitung. Seat yang jarang dipakai tetap masuk tagihan bulanan.
2. Waktu orang-orang terbaik habis untuk mengawasi AI. Engineer senior memeriksa kode buatan AI. Manajer sales mengedit email susunan AI. Manajer produk menyaring ringkasan user feedback. Jam kerja yang seharusnya dipakai untuk pekerjaan bernilai tinggi berubah jadi lapisan QC untuk mesin yang baru jalan setengah.
3. Pembengkakan biaya yang tidak terlihat di awal. Analisis The Data Experts menemukan biaya proyek AI perusahaan sering membengkak 500 sampai 1.000% dari perkiraan awal. Sebanyak 91% CIO juga menyebut pengelolaan biaya sebagai penghambat terbesar untuk mendapat hasil dari AI.^[9] Pendekatan half-baked membuat biaya merayap naik karena tidak ada satu penanggung jawab yang memantau total tagihan.

Studi RAND Corporation pada 2025 menemukan 80,3% proyek AI perusahaan gagal menghasilkan nilai bisnis, dua kali lipat tingkat kegagalan proyek IT non-AI.^[4] Selisih itu tidak melulu soal kesulitan teknis. Banyak proyek berhenti sebelum sempat keluar dari fase nanggung.

Gartner memprediksi 40% proyek agentic AI akan dibatalkan pada 2027 karena biaya yang terus naik, ROI yang tidak jelas, dan tata kelola yang tidak memadai.^[5] Ketiganya gejala klasik perusahaan yang terlalu lama berada di zona nanggung.

Karyawan merasakan beban ini setiap hari. Kalau perusahaan gagal keluar dari The Nanggung Trap dalam 12 sampai 18 bulan, sentimen internal bisa berubah dari "AI terasa menjanjikan" menjadi "AI terasa menyebalkan". Perubahan itu bisa merusak budaya adopsi selama bertahun-tahun.

Pipeline deployment software adalah contoh yang paling konkret, dan polanya bisa dipindahkan ke bidang lain. Empat fase di bawah ini adalah tahapan migrasi di dalam satu pipeline yang sama, bukan izin untuk membuka banyak proyek paralel. Setiap fase boleh dipakai untuk belajar, asal tim punya target dan tenggat yang jelas untuk sampai ke fase 4.

Naik dari sekali per 1–2 minggu ke lebih dari 10 kali sehari berarti throughput 100 kali lipat, dengan kualitas yang ikut naik. Lompatan ini muncul ketika satu sistem AI memegang seluruh alur dengan shared context dan feedback loop yang tertutup. Menambah jumlah tool AI tidak akan memberi hasil yang sama.

Pola ini bisa dipindahkan ke bidang lain: penyelesaian tiket support, kualifikasi sales lead, pemrosesan invoice, moderasi konten, dan rekonsiliasi keuangan. Nama pipeline dan bentuk datanya berubah, polanya tetap sama.

Riset McKinsey dan BCG sampai ke kesimpulan yang mirip soal apa yang membedakan 5% teratas dari 95% sisanya.

Ada lima pola yang berulang di kelompok ini.

1. Mereka merombak alur kerja sampai ke akarnya. McKinsey menemukan perusahaan berkinerja tinggi tiga kali lebih mungkin merancang ulang satu alur kerja, dan langkah ini punya korelasi paling kuat dengan dampak AI ke EBIT.^[2] Di survei lain, 55% perusahaan berkinerja tinggi melaporkan perubahan proses yang mendasar saat menerapkan AI, dibanding hanya 20% di perusahaan lain.
2. Mereka memusatkan sumber daya ke satu masalah bernilai tinggi. MIT NANDA mencatat lima ciri pada 5% perusahaan yang berhasil: fokus ke satu masalah bernilai tinggi, menanam AI langsung di alur kerja yang berjalan, belajar dari feedback real-time, menyesuaikan diri dengan konteks tiap customer, dan menghindari tool generik yang dipakai untuk semua kebutuhan.^[1] "Alur kerja yang berjalan" di sini berarti lingkungan operasi sehari-hari, bukan urutan langkah lama yang dibiarkan utuh. AI bekerja di dalam operasi itu, sementara alur, handoff, dan decision rights tetap dirombak.
3. Mereka menutup feedback loop. Sistem yang berhasil terus membaik dari koreksi user dan data hasil kerjanya sendiri. Proses belajar tidak berhenti di deployment pertama, sehingga AI naik kelas dari asisten menjadi sistem yang belajar.
4. Mereka berinvestasi lebih agresif di area yang jarang disorot. BCG menemukan future-built companies, yaitu 5% teratas, berencana membelanjakan 26% lebih banyak untuk IT dan mengalokasikan sampai 64% lebih besar dari anggaran IT itu untuk AI pada 2025.^[3] Dana itu tidak hanya masuk ke tool sales dan marketing yang mudah terlihat, tapi juga ke back-office automation, infrastruktur data, dan perombakan alur kerja.
5. Mereka memanggil spesialis ketika butuh pengalaman dari luar. MIT NANDA menemukan proyek AI yang dipimpin vendor berhasil di 67% kasus, sementara proyek yang dibangun sendiri hanya 33%.^[1] Angka itu tidak otomatis berarti tim internal lebih lemah. Spesialis datang membawa pelajaran dari puluhan implementasi sebelumnya.

Implementasi yang benar-benar sampai produksi dan menjalankan disiplin ini mencatat rata-rata ROI 540% dalam 18 bulan.^[5] Jarak antara angka itu dan pengalaman perusahaan pada umumnya menunjukkan besarnya selisih antara implementasi yang punya tujuan jelas dan implementasi yang sekadar ikut tren.

End-to-end sering disalahartikan sebagai perintah untuk menyalakan semuanya sekaligus. Padahal satuan perubahannya adalah satu proses yang sempit tapi tuntas.

End-to-end berarti menuntaskan satu pipeline. Sepuluh pipeline yang semuanya setengah jadi hanya memecah biaya dan perhatian.

Pilih satu proses. Idealnya proses yang:

• Sudah dipahami tim dengan baik, termasuk bottleneck dan kasus-kasus anehnya.
• Punya volume data yang cukup untuk membentuk feedback loop. Proses yang jalan sebulan sekali biasanya terlalu jarang.
• Punya hasil yang jelas dan bisa diukur, misalnya cycle time atau biaya per kasus.
• Cukup penting untuk terasa dampaknya, tapi cukup sempit untuk selesai dalam 3 sampai 6 bulan.

Titik awal yang masuk akal: pipeline deployment, penyelesaian tiket support, kualifikasi sales lead, atau pemrosesan invoice. Target seperti "AI untuk seluruh tim marketing" atau "AI untuk product development" terlalu luas untuk percobaan pertama.

Dorong satu pipeline melewati fase-fase di Bagian 05 sampai satu sistem AI memegang seluruh alur dengan shared context dan feedback loop yang tertutup. Fase AI-assist dan AI-native yang masih dipicu manusia berguna sebagai jalur migrasi, tapi keduanya bukan garis akhir.

Setelah satu pipeline tuntas, perusahaan punya tiga hal: bukti internal bahwa pendekatan ini jalan, infrastruktur data dan playbook yang bisa dipakai ulang, dan tim yang sudah berpengalaman untuk menggarap pipeline kedua lebih cepat.

Desain end-to-end baru aman dijalankan kalau tim menjaga disiplin operasional. Gartner memprediksi 40% proyek agentic AI akan dibatalkan pada 2027.^[5] Otonomi menuntut observability, audit trail, dan human review pada kasus kritis. Pemeriksaan ini menangani pengecualian dan keputusan berisiko tinggi, bukan menjadi gerbang rutin di setiap langkah.

Kalau AI memegang seluruh alur, kesalahan, bias, dan masalah kepatuhan harus diperhitungkan sejak desain awal.

Riset alignment Anthropic pada 2026, "AI Organizations", menemukan bahwa menghubungkan banyak AI agent dalam satu organisasi membuat mereka lebih efektif, tapi bisa menurunkan alignment. Antar-agent bisa saling memisahkan konteks dan melepas pertimbangan etis masing-masing, sehingga safety satu agent tidak menjamin safety organisasinya secara keseluruhan.^[8]

Artinya sistem end-to-end wajib punya observability sejak hari pertama. Kalau pemeriksaan, batas kebijakan, dan recovery sudah berjalan otomatis, kasus rutin bisa melaju cepat. Perhatian manusia dipusatkan ke anomali dan keputusan berisiko tinggi, sehingga safety tidak berubah jadi alasan untuk memperlambat seluruh pipeline.

Sistem yang benar-benar keluar dari The Nanggung Trap punya lima sifat:

Perusahaan yang membangun kelima sifat ini sejak awal justru lebih aman daripada perusahaan yang nanggung. Di sistem yang nanggung, tidak ada satu pun pihak yang bisa melihat utuh apa yang dilakukan AI di tool-tool yang terputus satu sama lain. Efektivitas dan safety lahir dari arsitektur yang sama.

Pakai daftar ini untuk menilai satu proses yang Anda anggap sudah "memakai AI":

Kalau tiga jawaban atau lebih mengarah ke nanggung, posisi Anda sama dengan 95% lainnya. Setidaknya sekarang Anda tahu proses mana yang perlu dibereskan lebih dulu.

AI sekarang ada di hampir semua tech stack perusahaan. Untuk mengukur kemajuannya, periksa apakah AI sudah memegang satu alur secara utuh atau masih menempel di atas proses lama.

Half-Baked AI, atau The Nanggung Trap, adalah tahap yang wajar untuk dilalui. Masalah muncul ketika perusahaan bertahan di sana selama 12, 18, atau 24 bulan sambil terus membayar tagihan penuh dan menghabiskan waktu orang-orang terbaiknya untuk mengawasi mesin yang baru setengah jadi.

Ambil satu pipeline, bawa sampai end-to-end, tuntaskan, lalu ulangi pola yang berhasil di pipeline berikutnya. Menambah tool AI bisa menunggu.

Kalau pola 95% dan 5% ini bertahan sampai 2027, mayoritas perusahaan masih akan tertahan di titik yang sama sementara kelompok kecil di depan terus bergerak. Pilih satu pipeline sekarang, tetapkan hasil yang ingin dicapai, dan beri tim mandat untuk menuntaskannya.