Kalau ada teknologi baru masuk kantor, refleks pertama biasanya sederhana: serahkan ke IT.
Beli lisensi.
Atur akses.
Pastikan security.
Integrasi ke sistem.
Selesai.
Untuk banyak software, pola itu masuk akal.
Untuk AI, kurang.
Karena AI tidak cuma tinggal di laptop atau cloud. Ia masuk ke cara orang membaca, menulis, menganalisis, memutuskan, melayani customer, dan mengatur pekerjaan. Begitu sebuah teknologi ikut menyentuh cara orang berpikir dan mengambil tindakan, kita sudah keluar dari wilayah proyek IT biasa.
Masalahnya, banyak perusahaan masih memulai AI seperti implementasi software.
Tim teknologi diminta mencari vendor.
Business menunggu.
Training dilakukan setelah tool siap.
Beberapa bulan kemudian license aktif, employee sudah bisa login, dan management bertanya kenapa dampaknya belum kelihatan.
Jawabannya sering bukan karena modelnya kurang pintar.
Cara kerja perusahaan belum berubah.
Adoption bukan login
Ada metric yang mudah dilihat setelah rollout.
Jumlah seat.
Active users.
Prompt.
Session.
Semua berguna untuk melihat penggunaan.
Tapi adoption yang sebenarnya lebih dalam.
Apakah proses kerja berubah?
Apakah ada task yang hilang?
Apakah meeting berkurang?
Apakah decision lebih cepat?
Apakah employee menggunakan AI dengan cara yang konsisten?
Apakah manager mengubah ekspektasi?
Apakah output quality naik?
Kalau employee login tiga kali seminggu hanya untuk merapikan email, technically mereka sudah menggunakan AI.
Apakah perusahaan sudah mengadopsi AI?
Belum tentu.
Bisa jadi itu cuma fitur baru dalam pola kerja lama.
Adoption yang meaningful terjadi ketika AI masuk ke workflow, bukan hanya toolbar.
KPMG pada 2026 bahkan menggambarkan bahwa perusahaan sudah tidak terlalu tertinggal soal penggunaan AI. Yang tertinggal justru perubahan organisasi yang seharusnya mengikuti penggunaan tersebut.
Ini distinction penting.
Tool adoption bisa cepat.
Organizational adoption lambat.
AI menyentuh lebih banyak fungsi daripada software biasa
ERP punya domain.
CRM punya domain.
Accounting software punya domain.
AI general-purpose bisa muncul di hampir semua fungsi.
Legal.
Finance.
Marketing.
Sales.
HR.
Customer service.
Engineering.
Operations.
Procurement.
CEO office.
Setiap fungsi punya data dan risiko berbeda.
Kalau seluruh tanggung jawab dilempar ke IT, mereka dipaksa membuat keputusan yang sebenarnya business decision.
Apakah AI boleh membantu menilai kandidat?
Itu bukan hanya pertanyaan teknis.
Apakah agent boleh memberi compensation ke customer?
Bukan hanya teknis.
Apakah AI boleh menentukan pricing recommendation?
Bukan hanya teknis.
IT bisa mengatur access.
Business harus menentukan keputusan apa yang pantas didelegasikan.
Ini sebabnya adoption harus lintas fungsi.
Technology team punya peran penting.
Tapi tidak bisa menjadi satu-satunya owner.
Workflow owner harus duduk di depan
Ambil proses proposal.
Sales tahu pain point.
Pricing tahu boundary.
Legal tahu clause.
Finance tahu margin.
IT tahu integration.
Kalau AI masuk, siapa seharusnya punya outcome?
Sales atau commercial operations.
Bukan IT.
IT membantu platform.
Security.
Access.
Architecture.
Tapi kalau proposal tetap lambat, business owner yang harus accountable.
Ini prinsip yang sangat penting.
AI use case harus punya pemilik yang hidup dengan hasilnya.
Kalau owner berada terlalu jauh dari workflow, project berubah menjadi eksperimen teknologi.
Team demo capability.
Business bilang menarik.
Tidak ada yang merasa wajib mengubah process.
Akhirnya pilot selesai.
Slide disimpan.
Kerja kembali seperti biasa.
Adoption berhenti di innovation theater.
Manager adalah titik kritis
Employee bisa belajar tool dengan cepat.
Tapi manager menentukan apakah kebiasaan baru benar-benar diterima.
Misalnya employee menyelesaikan laporan dua kali lebih cepat dengan AI.
Manager bisa merespons dua cara.
Pertama:
“Bagus. Waktu sisanya kita pakai untuk analysis yang lebih dalam.”
Kedua:
“Bagus. Berarti target laporan kita dua kali lipat.”
Respons manager membentuk budaya.
Kalau setiap efisiensi langsung menjadi tambahan workload, employee akan berhenti membagikan productivity gain.
Kalau manager tidak percaya AI sama sekali, employee pakai diam-diam.
Kalau manager terlalu percaya, output lolos tanpa review.
Manager perlu literacy yang berbeda dari user biasa.
Bukan jago prompt.
Paham kapan AI membantu.
Kapan perlu verification.
Bagaimana menilai output.
Bagaimana mengubah target.
Bagaimana mengelola risk.
AI adoption tanpa manager adoption biasanya setengah jalan.
Change management bukan poster training
Perusahaan kadang menganggap change management berarti webinar.
“Cara menggunakan AI secara aman.”
Employee hadir.
Slide.
Quiz.
Selesai.
Padahal perubahan kerja terjadi setelah training.
Saat deadline.
Saat client minta revisi.
Saat model salah.
Saat employee bingung apakah data ini boleh dimasukkan.
Change management yang berguna harus hadir di workflow.
Template.
Approved use case.
Office hours.
Prompt atau agent yang sudah diuji.
Help channel.
Manager coaching.
Feedback loop.
Employee perlu melihat contoh dari pekerjaan mereka sendiri.
Finance tidak butuh demo bikin caption.
Sales tidak butuh training coding agent.
Role-specific use case jauh lebih efektif.
KPMG pada 2026 juga menemukan kurangnya use case yang jelas dan kesempatan praktik langsung menjadi hambatan penting dalam training AI di fungsi finance.
Masuk akal.
Orang belajar dengan melakukan.
Bukan melihat orang lain demo.
Kebijakan juga harus mengikuti behavior
Kalau employee sudah memakai AI tetapi policy belum ada, perusahaan punya shadow adoption.
Kalau policy terlalu ketat, shadow adoption tetap ada, cuma tidak kelihatan.
Governance harus realistis.
Tool apa approved?
Data apa boleh?
Action apa perlu approval?
Kalau ada use case baru, jalur review berapa lama?
Semakin sederhana jawabannya, semakin tinggi compliance.
Ini bukan sekadar legal.
Adoption membutuhkan rasa aman.
Employee perlu tahu mereka tidak sedang mengambil risiko career setiap kali mencoba tool.
Boundary jelas membuat eksperimen lebih berani.
Area merah jelas membuat risiko lebih terkendali.
Governance yang baik bukan rem.
Ia marka jalan.
Tanpa marka, orang juga jalan, tapi masing-masing memilih jalur sendiri.
AI mengubah pekerjaan lintas batas departemen
Ini salah satu alasan adoption sulit kalau diperlakukan sebagai proyek IT.
AI sering mempercepat satu tim lalu membuat masalah di tim lain.
Marketing menghasilkan campaign lebih banyak.
Legal kebanjiran review.
Developer membuat code lebih cepat.
QA jadi bottleneck.
Sales membuat proposal cepat.
Pricing approval tetap lambat.
Perusahaan harus melihat end-to-end.
Kalau tiap fungsi mengoptimalkan diri sendiri, total workflow belum tentu membaik.
Adoption perlu process owner yang melihat lintas fungsi.
Tidak selalu ada.
Organisasi terbiasa berpikir department.
AI memaksa berpikir flow.
Customer tidak peduli department mana yang lambat.
Mereka cuma merasa menunggu.
Transformasi terjadi ketika handoff ikut dibenahi.
Jakarta office punya contoh yang gampang
Banyak kantor modern sudah punya tools yang canggih.
Laptop bagus.
Cloud.
Chat.
Video call.
CRM.
AI.
Tapi sebuah approval masih bisa muter lewat tiga WhatsApp group karena tidak ada yang yakin siapa decision owner.
Itu bukan masalah teknologi.
AI tidak akan otomatis memperbaiki.
Malah bisa membuat dokumen approval lebih cepat, lalu dokumennya tetap menunggu.
Di gedung kantor Sudirman atau Kuningan, teknologi paling baru bisa hidup berdampingan dengan kebiasaan kerja yang sangat lama.
Itu normal.
Justru di sanalah adoption harus bekerja.
Bukan menambah software.
Mengubah kebiasaan.
Siapa harus hadir di meeting?
Apa bisa async?
Apa bisa auto-approved?
Apa perlu report?
Apa bisa dashboard?
Apa harus diketik ulang?
Pertanyaan seperti ini jauh lebih penting daripada benchmark model.
HR harus ikut karena pekerjaan ikut berubah
Kalau AI mengubah task, HR tidak bisa datang terakhir.
Job description berubah.
Training berubah.
KPI berubah.
Career path berubah.
Hiring berubah.
Junior development berubah.
Ada role yang kehilangan task rutin.
Ada role yang mendapat scope baru.
Kalau HR hanya menerima informasi setelah semua diputuskan, perusahaan berisiko punya technology operating model baru dengan people system lama.
Contohnya customer service.
AI mengambil pertanyaan mudah.
Human menangani kasus berat.
Tapi KPI masih jumlah ticket.
Agent manusia terlihat lebih lambat.
Performance review jadi tidak fair.
Adoption akhirnya ditolak.
Problem-nya bukan AI.
Measurement system belum berubah.
Ini alasan adoption harus melibatkan people function sejak awal.
Finance juga bukan cuma pihak yang membayar
AI punya economics sendiri.
License.
Usage.
Inference.
Agent loop.
Storage.
Integration.
Support.
Saat pilot, cost kecil.
Saat scale, berubah.
Finance perlu membantu menghitung cost per outcome.
Bukan hanya approve budget.
Kalau satu workflow hemat waktu tetapi biaya modelnya tinggi, mungkin perlu routing ke model lebih kecil.
Kalau AI memungkinkan perusahaan menahan hiring meski volume naik, itu value.
Kalau AI membuat team menghasilkan lebih banyak tapi revenue tidak naik, mungkin value capture belum ada.
Finance membantu menerjemahkan activity menjadi economics.
Ini membuat adoption lebih matang.
AI tidak lagi dianggap expense “IT”.
Ia bagian business model.
Adoption baru nyata saat orang berhenti menyebutnya adoption
Ada titik ketika teknologi menjadi normal.
Employee baru masuk dan langsung belajar workflow AI.
Manager tahu kapan pakai.
System punya logging.
Policy jelas.
Business metric berubah.
Tidak perlu campaign “AI Month”.
Itu maturity.
Mirip cloud.
Perusahaan tidak setiap hari bilang sedang melakukan cloud adoption.
Cloud sudah masuk operating model.
AI akan menuju sana.
Tapi untuk sampai situ, proyek tidak bisa berhenti di rollout.
Perlu perubahan cara kerja.
Bahkan mungkin ada keputusan uncomfortable.
Menghapus step.
Mengubah role.
Mengurangi meeting.
Mendelegasikan authority.
Menutup tool yang tidak dipakai.
Mengubah KPI.
Semua ini di luar job description IT.
IT tetap critical.
Mereka membuat fondasi aman.
Tapi business harus mau berubah.
Kalau setelah rollout AI semua proses, approval, target, dan role masih persis sama, perusahaan mungkin sudah berhasil memasang teknologinya.
Belum tentu berhasil mengadopsinya.
Karena AI adoption bukan momen ketika employee bisa login.
Ia mulai terasa saat pekerjaan Senin pagi tidak lagi dilakukan dengan cara yang sama seperti tahun lalu.
Ada satu indikator kecil yang sering lebih jujur daripada dashboard adoption: apa yang terjadi ketika tool AI tiba-tiba unavailable selama satu jam. Kalau tidak ada yang berubah, mungkin AI belum masuk workflow penting. Kalau beberapa proses benar-benar terasa kehilangan satu lapisan kerja, berarti adoption mulai menjadi operational. Bedanya bukan seberapa sering orang bilang “AI”, tapi seberapa jauh proses sudah bergantung pada capability yang sebelumnya tidak ada.
Bacaan terkait
Artikel ini berada dalam Business Transformation dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Reports dan analisis mendalam.