Setiap minggu selalu ada berita utama baru tentang AI berbasis agen. Gartner mengatakan pengeluaran SaaS sebesar $234 miliar berisiko. Meta baru saja meluncurkan API pengembang berbayar untuk model berbasis agennya sendiri. Google menambahkan "agen informasi" ke Pencarian. Angka adopsi terdengar tak terbendung. Tetapi hampir tidak ada yang membandingkan berita utama adopsi tersebut dengan data kegagalan dari perusahaan riset yang sama — dan ketika Anda melakukannya, gambaran yang sangat berbeda akan muncul. Artikel ini menyajikan kedua set angka tersebut berdampingan, di satu tempat, sehingga Anda dapat melihat kesenjangan nyata antara apa yang dibeli perusahaan dan apa yang benar-benar terjadi. apa yang sebenarnya berhasil.
Kisah Adopsi yang Sudah Diketahui Semua Orang
Sebelum membahas data kegagalan, berikut gambaran adopsi yang telah banyak dibahas:
Metrik Adopsi | Angka |
Aplikasi perusahaan diperkirakan akan menyematkan agen AI pada akhir tahun 2026. | 40% (naik dari kurang dari 5% pada tahun 2025) |
Organisasi yang melaporkan penerapan aplikasi GenAI | ~78-80% |
Para eksekutif mengatakan bahwa perusahaan mereka agen AI yang dikerahkan dalam setahun terakhir | 97% |
Perusahaan yang menjalankan setidaknya satu agen AI dalam produksi. | ~ 31% |
Gartner memprediksi pengeluaran untuk SaaS. akan terkena “arbitrase agen” pada tahun 2030 | $234 miliar (sekitar 20% dari pengeluaran SaaS perusahaan) |
Jika dilihat secara terpisah, ini tampak seperti teknologi yang menyebar di dunia bisnis dengan kecepatan luar biasa. Dan memang diadopsi dengan cepat—bagian itu benar. Yang kurang dibahas dalam sebagian besar pemberitaan adalah apa yang terjadi setelah adopsi.
Angka Kegagalan yang Tak Pernah Diliput Media Massa
Berikut data yang jarang muncul dalam artikel yang sama dengan statistik adopsi di atas.
Metrik Kegagalan | Angka | sumber |
Proyek percontohan AI generatif yang gagal memberikan dampak laba rugi yang terukur. | ~ 95% | Studi MIT NANDA |
Secara keseluruhan, proyek AI yang gagal memiliki tingkat kegagalan sekitar 2 kali lipat dibandingkan proyek IT biasa. | ~80%+ | RAND Corporation |
Organisasi yang melihat ROI signifikan dari AI generatif | ~ 29% | Data survei industri |
Organisasi yang melihat ROI signifikan khususnya dari agen AI | ~ 23% | Data survei industri |
Para CEO melaporkan peningkatan pendapatan dan pengurangan biaya berkat AI. | ~ 12% | Data survei industri |
Gartner memperkirakan proyek AI berbasis agen akan dibatalkan pada akhir tahun 2027. | 40% + | Gartner |
Perusahaan yang mengembangkan AI berbasis agen melampaui tahap uji coba, meskipun sebagian besar hanya melakukan eksperimen. | Di bawah 10% | Gartner |
Sederhananya: hampir semua perusahaan mengatakan mereka telah menerapkan agen AI. Kurang dari satu dari empat perusahaan mengatakan mereka benar-benar melihat pengembalian yang berarti. Dan Gartner — perusahaan yang sama yang memprediksi pengeluaran SaaS yang terganggu sebesar $234 miliar — secara terpisah memprediksi bahwa 4 dari 10 proyek AI berbasis agen akan ditutup dalam waktu dua tahun setelah perkiraan tersebut.
Angka-angka ini bukanlah angka yang saling bertentangan dari perusahaan riset saingan dengan agenda yang berbeda. Angka-angka ini seringkali berasal dari sumber yang sama, diterbitkan dalam beberapa bulan yang berdekatan. Kisah adopsi dan kisah kegagalan jarang diceritakan bersamaan.
Mengapa Kesenjangannya Begitu Besar: Apa yang Sebenarnya Ditemukan MIT
Proyek NANDA MIT meneliti sekitar 300 implementasi AI publik nyata di dalam perusahaan — bukan survei yang menanyakan kepada para eksekutif bagaimana perasaan mereka tentang AI, tetapi hasil terukur yang sebenarnya. Kesimpulan mereka: sekitar 95% dari proyek percontohan AI generatif tidak menunjukkan dampak yang terukur pada laba dan rugi.
Para peneliti mengidentifikasi apa yang mereka sebut sebagai "kesenjangan pembelajaran." Bukan berarti model AI itu buruk. Melainkan sebagian besar organisasi tidak tahu bagaimana merancang alur kerja yang dapat memanfaatkan kekuatan AI sekaligus mengelola kelemahannya. Masalah umum dan spesifik meliputi:
Definisi yang tidak jelas tentang apa sebenarnya yang dimaksud dengan "kesuksesan" untuk proyek tersebut.
Data perusahaan yang mendasarinya lemah atau berantakan yang harus diolah oleh AI.
Kurangnya integrasi dengan cara orang-orang sebenarnya sudah melakukan pekerjaan mereka.
Mengejar teknologi itu sendiri daripada hasil bisnis yang jelas.
Para sponsor eksekutif kehilangan minat atau mengundurkan diri sebelum proyek tersebut matang.
Satu Angka yang Benar-Benar Memprediksi Kesuksesan: Membangun Sendiri vs. Membeli
Jika ada satu statistik dalam keseluruhan dataset ini yang patut diingat, itu adalah statistik ini. Penelitian MIT menemukan perbedaan besar dalam hasil berdasarkan bagaimana perusahaan mendapatkan alat AI mereka:
Pendekatan | Tingkat kesuksesan |
Membeli perangkat AI dari vendor khusus atau membentuk kemitraan | ~ 67% |
Membangun alat AI sepenuhnya secara internal. | ~ 33% |
Implementasi AI yang bersumber dari vendor atau berbasis kemitraan berhasil sekitar dua kali lebih sering daripada yang dibangun secara internal. Ini adalah sinyal praktis yang kuat yang terkubur di dalam segudang statistik adopsi: teknologi itu sendiri biasanya bukanlah faktor penentu keberhasilan suatu proyek AI. Siapa yang membangunnya, dan seberapa banyak pengalaman khusus yang mereka bawa, tampaknya lebih penting.
Di mana Kegagalan Terkonsentrasi
Tidak semua kasus penggunaan mengalami kegagalan dengan tingkat yang sama. Berdasarkan data yang tersedia, pola-pola tertentu muncul berulang kali:
Agen back-office dan administrasi (penjadwalan, dokumentasi internal, entri data rutin) cenderung memiliki tingkat keberhasilan tertinggi, karena tugas-tugasnya spesifik dan dapat diulang.
Agen yang berinteraksi langsung dengan pelanggan atau yang banyak mengambil keputusan (layanan pelanggan yang kompleks, nasihat keuangan, tugas-tugas terkait medis) menunjukkan tingkat kegagalan dan pembatalan yang jauh lebih tinggi, karena kesalahan lebih mahal dan alur kerja kurang dapat diprediksi.
Proyek dengan satu KPI yang jelas. (seperti “mengurangi waktu penanganan rata-rata sebesar X menit”) lebih sering berhasil daripada proyek yang berfokus pada tujuan yang samar seperti “menjadi lebih berbasis AI”
Proyek-proyek dengan dukungan eksekutif berkelanjutan hingga tahun kedua kemungkinan besar untuk bertahan melewati tahap uji coba dibandingkan dengan proyek yang dukungan sponsornya memudar setelah pengumuman peluncuran awal.
Mengapa Angka Adopsi Terus Meningkat?
Jika tingkat kegagalannya setinggi ini, mengapa adopsinya terus meningkat? Ada beberapa hal yang terjadi secara bersamaan:
Para vendor, termasuk Meta, Google, Microsoft, dan Anthropic, semuanya berlomba untuk menyematkan agen ke dalam produk yang sudah ada, sehingga "adopsi" semakin menjadi sesuatu yang terjadi secara otomatis ketika sebuah perusahaan memperbarui perangkat lunaknya — bukan lagi taruhan strategis yang disengaja.
Program percontohan murah untuk dimulai dan mudah diumumkan secara publik, yang menyebabkan angka adopsi meningkat dibandingkan dengan jumlah proyek yang benar-benar berkembang menjadi implementasi permanen dan berskala besar.
Tekanan persaingan memainkan peran — perusahaan seringkali bersedia mendanai proyek percontohan yang gagal daripada mengambil risiko dianggap ketinggalan zaman dalam hal AI.
Definisi "menggunakan agen AI" sangat luas dan tidak konsisten di berbagai survei, sehingga perusahaan yang menggunakan satu chatbot sederhana untuk FAQ internal dapat dianggap sama dengan perusahaan yang menjalankan puluhan agen produksi di seluruh bisnis.
Apa Artinya Ini bagi Bisnis yang Mengevaluasi AI Agentik?
Data tersebut menunjukkan kesimpulan praktis yang cukup jelas: kurva adopsi teknologi dan kurva realisasi nilai bukanlah kurva yang sama, dan memperlakukannya seolah-olah sama adalah penyebab sebagian besar pengeluaran yang terbuang. Perusahaan yang membeli alat-alat berbasis agen yang terbukti dan khusus, alih-alih membangun dari awal, yang menetapkan satu tujuan terukur yang jelas per proyek, dan yang menjaga keterlibatan sponsor senior jauh setelah tanggal peluncuran, melihat hasil yang jauh lebih baik daripada yang ditunjukkan oleh rata-rata yang lebih luas. Angka kegagalan 95% bukanlah alasan untuk menghindari AI berbasis agen — melainkan alasan untuk lebih berhati-hati dalam penerapannya.
Kesimpulan
Kisah AI berbasis agen yang banyak diberitakan hanyalah setengah dari keseluruhan cerita. Adopsinya nyata dan terus meningkat — 97% eksekutif mengatakan mereka telah menerapkan agen, dan Gartner memperkirakan AI berbasis agen akan mengubah seperlima pengeluaran SaaS perusahaan pada tahun 2030. Namun, di samping angka-angka tersebut, seringkali dari perusahaan riset yang sama, terdapat gambaran yang jauh kurang menggembirakan: 95% proyek percontohan tidak menunjukkan dampak finansial yang terukur, lebih dari 80% proyek AI secara umum gagal, dan 40% proyek AI berbasis agen diperkirakan akan dibatalkan dalam dua tahun. Kesenjangan antara kedua realitas tersebut bukanlah kontradiksi yang harus diselesaikan — itu adalah kondisi sebenarnya dari industri saat ini. Bisnis yang memahami kesenjangan ini, dan khususnya bahwa alat yang dibangun oleh vendor berhasil kira-kira dua kali lebih sering daripada alat yang dikembangkan sendiri, adalah bisnis yang paling mungkin berada dalam persentase kecil yang benar-benar berhasil.
Pertanyaan yang Sering Diajukan
Sebagian besar proyek percontohan agen AI gagal bukan karena teknologinya tidak berfungsi, tetapi karena strategi implementasi yang buruk, metrik keberhasilan yang tidak jelas, dan cakupan yang terlalu ambisius. Tingkat adopsi yang tinggi hanya berarti perusahaan memulai proyek, bukan berarti proyek-proyek tersebut bertahan cukup lama untuk memberikan nilai yang terukur.
Tugas-tugas administrasi yang sempit, berulang, dan memiliki satu metrik kinerja yang jelas cenderung lebih sering berhasil daripada proyek-proyek yang luas dan sarat dengan pertimbangan. Kasus penggunaan yang berhadapan langsung dengan pelanggan atau yang bersifat terbuka dengan tujuan yang samar-samar termasuk di antara titik kegagalan yang paling umum dalam penerapan AI berbasis agen.
Riset dari MIT menunjukkan bahwa membeli atau bermitra dengan vendor jauh lebih efektif, dengan tingkat keberhasilan sekitar 67% dibandingkan dengan sekitar 33% untuk alat yang dikembangkan secara internal. Vendor membawa keahlian khusus dan alur kerja yang matang yang sebagian besar organisasi belum kembangkan sendiri.
Perusahaan dapat meningkatkan tingkat keberhasilan dengan memulai dari kasus penggunaan yang sempit dan terdefinisi dengan baik, menetapkan satu metrik keberhasilan yang terukur sebelum peluncuran, dan mempertimbangkan dengan serius alat yang bersumber dari vendor daripada pengembangan internal. Menghindari tujuan yang samar dan ruang lingkup proyek yang terlalu luas adalah salah satu cara paling andal untuk menghindari bergabung dengan kelompok kegagalan 95%.
Sebagian besar peneliti memperkirakan tingkat kegagalan akan membaik secara bertahap seiring bertambahnya pengalaman perusahaan, matangnya alur kerja, dan vendor merilis lebih banyak solusi yang dirancang khusus. Namun, data hingga pertengahan tahun 2026 menunjukkan belum ada penurunan tajam, dan kesenjangan yang signifikan antara antusiasme adopsi dan nilai yang terealisasi masih ada.
