Adopsi teknologi kecerdasan buatan (AI) di kalangan korporasi Indonesia menunjukkan pertumbuhan yang sangat pesat. Berdasarkan survei ‘The State of Enterprise AI 2026: The New Rules of Scale’ dari Cloudera, investasi AI enterprise di Indonesia melonjak hingga 88% secara tahunan. Sebanyak 70% perusahaan bahkan mengalokasikan anggaran minimal US$500 ribu per tahun untuk kebutuhan ini.
Namun, ketika perusahaan beralih ke fase produksi, banyak yang belum merasakan nilai AI melebihi biaya yang telah dikeluarkan. Country Manager Cloudera Indonesia, Sherlie Karnidta, menyatakan bahwa kini saatnya perusahaan di Indonesia mengevaluasi kembali keekonomian setiap workload AI sebelum memperluas penerapannya.
“Masalahnya bukan terletak pada teknologinya; melainkan pada perusahaan yang memperlakukan AI sebagai pos pengeluaran operasional tanpa batas, alih-alih mengevaluasi unit economics dari setiap workload AI mereka,” tutur Sherlie dalam keterangan tertulisnya di Jakarta, Jumat (13/11/2026).
Pengembangan AI di Indonesia memang menghadapi tantangan yang pelik. Studi yang sama dari Cloudera menemukan bahwa 65% perusahaan di Indonesia mengidentifikasi tata kelola sebagai penghambat utama. Selain itu, 55% organisasi menghadapi keterbatasan keterampilan, sementara 45% perusahaan mengeluhkan integrasi data serta kedaulatan data.
Maraknya hambatan ini memicu timbulnya AI fatigue, di mana puluhan proyek pilot terpisah tak kunjung mencapai fase produksi. Sebanyak 95% organisasi melaporkan penundaan atau pembatalan proyek AI akibat kendala infrastruktur dan tata kelola.
Tekanan biaya juga menjadi persoalan penting dalam meningkatkan skala AI. Studi Cloudera mendapati sebanyak 35% perusahaan Indonesia menyebut biaya token dan inference sebagai hambatan utama. Lonjakan biaya konsumsi token memaksa 89% organisasi mendesain ulang use case AI mereka. Tanpa strategi yang tepat, investasi AI enterprise berisiko menjadi pos pengeluaran yang tidak efisien.
Sherlie menjelaskan, perusahaan dapat mengoptimalkan pengeluaran dengan mengukur biaya AI berdasarkan outcome bisnis, bukan sekadar volume penggunaan. Perhitungan tersebut mencakup biaya inference, komputasi, persiapan data, dan governance. Perusahaan juga perlu menghubungkannya dengan indikator bisnis, seperti pengurangan processing time dan retensi pelanggan.
Selanjutnya, penting untuk memilih model sesuai kompleksitas pekerjaan. Model yang lebih kecil atau arsitektur Retrieval-Augmented Generation (RAG) dapat menangani tugas tertentu dengan biaya inference yang lebih rendah. Terakhir, mengintegrasikan governance sejak awal. “Mengintegrasikan compliance sedari awal mencegah kemunduran setelah deployment dan denda karena masalah regulasi,” ucapnya.
Fondasi data yang kuat juga tak kalah penting untuk penciptaan nilai AI bagi bisnis, dimulai dari integrasi data yang mumpuni. Hal ini menjadi semakin krusial karena hanya 43% organisasi Indonesia melaporkan sumber datanya terintegrasi sepenuhnya. Sebanyak 48% pemimpin IT di Indonesia melaporkan masalah keterbatasan visibilitas data, sementara 26% perusahaan menghadapi masalah data silo.
Tantangan lain muncul dari kebutuhan menjaga kedaulatan data. Sebanyak 88% perusahaan Indonesia menghadapi ketentuan data residency yang ketat. Kondisi-kondisi tersebut akan menyulitkan perusahaan membangun sistem AI yang andal. Oleh sebab itu, Sherlie menyarankan pendekatan arsitektur hybrid yang memungkinkan perusahaan menjalankan AI sesuai kebutuhan keamanan, kinerja, dan regulasi.
Cloudera mendukung pendekatan tersebut melalui platform hybrid data dan AI yang berlandaskan tiga prinsip arsitektur utama: true workload portability, open standard seperti Apache Iceberg dan Kubernetes, serta tata kelola melalui data fabric yang terpadu. Dengan platform ini, perusahaan dapat menjalankan workload AI mereka di public cloud, private cloud, pusat data on-premises, maupun lingkungan edge.
Sherlie juga menyinggung soal kemitraan Cloudera dengan Mistral AI yang memungkinkan AI inference secara privat menggunakan data proprietary perusahaan. Pendekatan ini membantu mengendalikan biaya API sekaligus mengurangi kebutuhan memindahkan data sensitif ke layanan eksternal.
Sementara itu, kendala ketersediaan tenaga kerja yang punya skill AI mumpuni juga dialami oleh 55% perusahaan di Indonesia. Namun, sekadar menaikkan anggaran pelatihan atau merekrut lebih banyak data scientist tidak akan menyelesaikan masalah bila orang-orang ahli itu tetap tersita waktunya oleh hal-hal yang tidak kritikal.
Bagaimanapun, keahlian manusia tetap menjadi fondasi utama dalam eksekusi AI. Teknologi tidak dapat menggantikan penilaian manusia. Pada platform data dan AI yang terintegrasi, tersedia agen-agen AI dengan tugas-tugas khusus seperti data engineering, analitik, dan visualisasi, yang mampu mengotomatiskan tugas-tugas operasional rutin serta memangkas waktu pengerjaan dari hitungan bulan menjadi hitungan jam.
Berkat agen-agen AI tersebut, tenaga spesialis manusia dapat bekerja lebih efisien dalam kerangka kerja human-in-the-loop. Mereka akan bekerja lebih efektif dalam memasok logika bisnis, memeriksa output AI, dan menangani tugas kompleks. Namun, mengharuskan manusia menyetujui tiap output AI secara manual dapat menimbulkan hambatan operasional yang signifikan.
Pendekatan yang lebih efektif adalah mengintegrasikan guardrail otomatis langsung ke workflow, supaya organisasi dapat menyeimbangkan kecepatan dengan pengawasan. “Tugas rutin dengan risiko rendah dapat berlanjut secara otomatis di dalam batasan yang sudah ditentukan sebelumnya, sementara keputusan yang lebih sensitif harus dicek oleh manusia dengan lebih seksama,” ujar Sherlie.
Pada akhirnya, pemenang di era AI ini bukanlah perusahaan yang mengeluarkan biaya penerapan AI paling besar. Pemenangnya adalah perusahaan yang membangun fondasi data yang terkelola baik dan tepercaya, yang mampu secara andal mendukung AI dalam skala besar.
Komentar