Paradoks Produktivitas AI: Mengapa Adopsi Belum Terlihat dalam Angka

Oleh Victor Hoang · Diperbarui 22 September 2026

Paradoks produktivitas AI adalah kesenjangan antara seberapa luas perusahaan telah mengadopsi AI generatif dan seberapa sedikit adopsi itu tercermin dalam kinerja keuangan yang terukur. Survei menempatkan penggunaan AI di perusahaan di atas 80%, tetapi McKinsey menemukan hanya 39% perusahaan yang mengaitkan dampak apa pun pada EBIT dengan AI, dan peneliti MIT menemukan 95% pilot AI generatif tidak menunjukkan hasil yang terukur. Kesenjangan ini nyata, tetapi bukan bukti bahwa AI tidak berfungsi. Ini adalah jeda pengukuran dan implementasi dengan preseden yang terdokumentasi dengan baik.

Jika Anda memimpin sebuah perusahaan dan merasakan ketegangan ini secara langsung, Anda tidak sedang membayangkan. Tim Anda terus-menerus memakai alat AI. P&L Anda tidak bergerak. Keduanya benar sekaligus, dan memahami alasannya lebih berguna daripada siklus hype maupun siklus penolakan yang sedang ramai ditawarkan. Artikel ini hanya membahas kesenjangan P&L; untuk kumpulan studi terkontrol yang lebih luas tentang AI dan pekerjaan secara umum, lihat bagaimana AI mengubah pekerjaan dan apa yang ditunjukkan buktinya.

Fakta Utama

• 95% pilot AI generatif tidak memberikan dampak P&L yang terukur, berbanding 5% yang menangkap sebagian besar nilainya, menurut "The GenAI Divide: State of AI in Business 2025" dari MIT NANDA, berdasarkan 300+ deployment, 52 wawancara, dan 153 survei pemimpin (MIT NANDA, "The GenAI Divide: State of AI in Business 2025", via Fortune).
• 88% organisasi melaporkan menggunakan AI di setidaknya satu fungsi bisnis, tetapi hanya 39% yang mengaitkan dampak apa pun pada EBIT dengan AI, dan hanya 6% yang memenuhi syarat sebagai "AI high performers" dengan dampak EBIT 5% atau lebih (McKinsey, The State of AI: Global Survey 2025).
• Gartner memprediksi lebih dari 40% proyek AI agentik akan dibatalkan pada akhir 2027 karena biaya yang membengkak, nilai bisnis yang tidak jelas, atau kontrol risiko yang tidak memadai (Gartner forecast, dilaporkan oleh RCR Wireless).
• Ekonom Erik Brynjolfsson dan rekan penulisnya memodelkan "Productivity J-Curve": teknologi serbaguna menekan produktivitas terukur di awal karena investasi tak berwujud yang dibutuhkan (pelatihan ulang, perancangan ulang proses, peran baru) baru muncul dalam statistik resmi belakangan (Brynjolfsson, Rock, Syverson, NBER Working Paper 25148).
• Pada 1987, ekonom Robert Solow menulis bahwa "you can see the computer age everywhere, except in the productivity statistics," menggambarkan jeda puluhan tahun antara investasi TI dan peningkatan output yang terukur (Solow, New York Times Book Review, 1987, dikutip via Stand-Up Economist).

Apa Arti Sebenarnya Paradoks Produktivitas AI

Istilah ini menggambarkan ketidaksesuaian yang spesifik dan terukur: kurva adopsi yang berbentuk tongkat hoki, bersanding dengan kurva kinerja yang datar. Ini bukan klaim bahwa AI tidak berguna. Ini adalah pengamatan bahwa nilai yang diciptakan AI belum sampai melewati saluran yang menghubungkan penggunaan alat oleh individu dengan hasil keuangan tingkat perusahaan.

Ada tiga hal yang sedang dipadatkan menjadi satu kata ("AI") dan perlu dipisahkan:

• Penggunaan: apakah karyawan membuka sebuah alat dan mendapatkan sesuatu darinya. Ini memang tersebar luas.
• Perubahan alur kerja: apakah proses yang mendasarinya, bukan hanya satu langkah di dalamnya, telah dirancang ulang berdasarkan hal-hal yang benar-benar dikerjakan AI dengan baik. Ini jarang terjadi.
• Dampak P&L: apakah perubahan alur kerja itu muncul sebagai biaya yang lebih rendah, pendapatan yang lebih tinggi, atau siklus yang lebih cepat pada skala yang akan disadari seorang CFO. Ini lebih jarang lagi.

Sebagian besar percakapan publik menganggap penggunaan sebagai pengganti dampak. Data menunjukkan itu keliru, dan itu kekeliruan yang sama dengan yang dilakukan para ekonom saat mengamati bisnis membeli komputer pada 1980-an.

Angka Adopsi Itu Nyata

Mulailah dari hal yang tidak diperdebatkan. Penggunaan AI generatif di dalam perusahaan tumbuh lebih cepat daripada hampir semua teknologi enterprise yang pernah tercatat. Banyak survei besar yang dijalankan secara independen sampai pada tingkat adopsi di atas 80% untuk setidaknya satu fungsi bisnis. Karyawan memakainya untuk menyusun draf, merangkum, membantu coding, dan riset, sering kali tanpa persetujuan resmi dari TI.

Bagian cerita ini terus-menerus diceritakan, karena itu bagian yang mudah diukur. Jumlah login, kursi lisensi, dan survei penggunaan yang dilaporkan sendiri murah dikumpulkan dan menyenangkan untuk dilaporkan. Justru bagian kedua dari cerita, apa yang sebenarnya dilakukan penggunaan itu terhadap bisnis, yang jauh lebih sulit dipastikan, dan jauh kurang menyenangkan. Angka adopsi agregat itu juga menyembunyikan pembelahan di dalam satu perusahaan: lihat kesenjangan adopsi AI untuk mengetahui mengapa sebagian karyawan telah membangun ulang alur kerja mereka di sekitar alat-alat ini sementara yang lain belum pernah membukanya.

Angka Dampak Menceritakan Kisah yang Berbeda

McKinsey: adopsi tinggi, atribusi rendah

Survei State of AI 2025 dari McKinsey, yang dilakukan terhadap hampir 2.000 partisipan di 105 negara, menemukan 88% organisasi menggunakan AI di suatu bagian bisnis, naik dari 78% tahun sebelumnya. Namun ketika diminta mengaitkan hasil keuangan dengan penggunaan itu, hanya 39% yang dapat menunjuk dampak apa pun pada EBIT, dan sebagian besar melaporkan dampaknya di bawah 5% dari EBIT. Hanya 6% responden yang memenuhi syarat sebagai "AI high performers," yaitu organisasi yang melaporkan nilai bermakna sekaligus dampak EBIT 5% atau lebih dari AI.

Penjelasan laporan itu sendiri atas pembelahan ini bukanlah bahwa AI tidak memenuhi janji. Penjelasannya, high performers melakukan sesuatu yang berbeda secara struktural: mereka hampir tiga kali lebih mungkin telah merancang ulang alur kerja yang mendasarinya di sekitar AI, alih-alih menjatuhkan sebuah chatbot ke dalam proses yang tidak berubah. Pembedaan itu (perancangan ulang versus tempelan) adalah benang merah dalam setiap studi kredibel tentang topik ini, dan layak Anda pegang saat membaca sisa artikel ini.

MIT NANDA: the GenAI Divide

Angka paling mencolok yang beredar berasal dari Project NANDA milik MIT, diterbitkan sebagai MIT NANDA, "The GenAI Divide: State of AI in Business 2025", via Fortune Para peneliti meninjau lebih dari 300 deployment AI publik, menjalankan 52 wawancara terstruktur, dan mensurvei 153 pemimpin senior, semuanya antara Januari dan Juni 2025. Temuan utama mereka: meskipun diperkirakan ada investasi AI generatif enterprise sebesar $30 hingga $40 miliar, 95% pilot tidak menghasilkan dampak P&L yang terukur. Sebanyak 5% deployment yang terkonsentrasi menangkap sebagian besar nilai yang memang ada.

Diagnosis laporan itu lebih penting daripada angka yang mengejutkan tadi. Laporan itu menunjuk "kesenjangan pembelajaran": sebagian besar alat AI enterprise tidak mempertahankan konteks, tidak membaik dari umpan balik di dalam alur kerja spesifik tempat alat itu dipasang, dan ditinggalkan oleh staf garis depan yang mencari jalan memutar begitu muncul hambatan. Itu bukan masalah data atau talenta. Itu masalah integrasi, dan masalah integrasi bisa diperbaiki dengan cara yang tidak berlaku bagi masalah "teknologinya tidak berfungsi".

Gartner: gelombang pembatalan

Prakiraan Gartner pada Juni 2025 menambahkan titik data ketiga dari sudut yang berbeda: angka kematian proyek. Firma itu memprediksi lebih dari 40% proyek AI agentik, yakni inisiatif yang dibangun di sekitar AI agent otonom multilangkah, bukan obrolan satu giliran, akan dibatalkan sebelum akhir 2027. Alasan yang dikutip Gartner adalah biaya yang membengkak, nilai bisnis yang tidak jelas, dan kontrol risiko yang tidak memadai, ditambah pasar yang dibanjiri apa yang disebut firma itu "agent washing," yaitu vendor yang melabeli ulang otomatisasi biasa atau bot berbasis aturan sebagai sistem agentik tanpa kemampuan yang mendasarinya.

Dibaca bersama, McKinsey, MIT, dan Gartner tidak sedang menggambarkan tiga fenomena yang tidak berhubungan. Mereka menggambarkan corong yang sama dari tiga sudut pandang: adopsi yang luas di bagian atas, hambatan perancangan ulang di tengah, dan penyaring kegagalan proyek di bagian bawah yang secara tidak proporsional mematikan inisiatif yang tak pernah melewati tahap pilot.

Kita Pernah Menonton Film Ini: Paradoks Solow

Pada 1987, di puncak ledakan komputer pribadi, ekonom Robert Solow menulis satu kalimat yang bertahan lebih lama daripada hampir semua tulisan lain untuk khalayak umum: "You can see the computer age everywhere, except in the productivity statistics." Bisnis telah mengeluarkan banyak uang untuk PC dan perangkat lunak enterprise sepanjang 1980-an. Statistik produktivitas nasional saat itu tidak menunjukkan percepatan yang sepadan. Investasinya terlihat. Hasilnya belum, setidaknya belum.

Yang menyelesaikan paradoks Solow bukanlah chip yang lebih baik atau jaringan yang lebih cepat. Itu adalah gelombang perubahan organisasi pada 1990-an yang menyusul perangkat kerasnya: sistem ERP yang memaksa perusahaan merancang ulang cara pesanan, inventaris, dan keuangan saling berkomunikasi, perusahaan ritel dan logistik yang membangun ulang rantai pasok di sekitar data waktu nyata alih-alih pembaruan batch berkala, dan satu dekade praktik manajemen yang mengejar apa yang sebenarnya sudah dimungkinkan teknologi bertahun-tahun sebelumnya. Pertumbuhan produktivitas melonjak tajam pada paruh akhir 1990-an, kira-kira satu dekade setelah adopsi massal PC, begitu investasi pelengkap itu terpasang.

Paralel dengan AI generatif bukanlah metafora. Ini adalah pola terdokumentasi yang punya nama dalam literatur ekonomi, dan ia mengimplikasikan klaim yang dapat diuji: keuntungan produktivitas AI akan muncul dalam data begitu perusahaan melakukan kerja organisasinya, bukan sebelumnya, dan tidak otomatis hanya karena lebih banyak orang telah login ke sebuah chatbot.

J-Curve: Mengapa Produktivitas Terukur Tertinggal dari Investasi Nyata

Erik Brynjolfsson, Daniel Rock, dan Chad Syverson memformalkan pola ini dalam model Productivity J-Curve mereka, yang diterbitkan melalui National Bureau of Economic Research. Argumen mereka: teknologi serbaguna (listrik, komputasi, dan kini AI termasuk kategori ini) membutuhkan investasi pelengkap yang sangat besar agar membuahkan hasil. Melatih ulang staf. Membangun ulang proses bisnis di sekitar hal yang benar-benar dikerjakan teknologi itu dengan baik, alih-alih memaksanya masuk ke bentuk proses lama. Mengembangkan produk dan model bisnis baru yang tidak bisa didukung infrastruktur lama.

Inilah bagian yang menjelaskan paradoks itu secara langsung: investasi pelengkap tersebut sebagian besar tak berwujud, dan investasi tak berwujud diukur dengan buruk, atau tidak sama sekali, dalam statistik yang dilaporkan sebagai "produktivitas." Perusahaan yang menghabiskan enam bulan merancang ulang alur kerja layanan pelanggannya di sekitar sistem AI sedang melakukan investasi nyata dengan hasil nyata di masa depan. Pada tahun hal itu terjadi, pengeluaran tersebut muncul sebagai biaya, menekan produktivitas terukur, bukan sebagai aset yang membangun output masa depan. Hasilnya datang belakangan, begitu alur kerja yang dirancang ulang berjalan pada skala penuh, tetapi saat itu sering kali dikreditkan kepada "manajemen yang lebih baik" dan bukan kepada investasi AI yang dilakukan bertahun-tahun sebelumnya.

Tim Brynjolfsson memperkirakan bahwa menyesuaikan statistik produktivitas resmi dengan investasi terkait TI yang tak berwujud ini akan membuat total factor productivity terukur kira-kira 16% lebih tinggi daripada angka pemerintah sendiri, menggunakan data historis era komputer. Bentuk J-curve (turun dulu, lalu naik dengan jeda) adalah mekanismenya. Paradoks Solow dan paradoks produktivitas AI saat ini sama-sama potret yang diambil selama fase turun itu.

Klaim vs. Hasil Terukur vs. Apa yang Menjelaskan Kesenjangannya

Mengapa Pilot Mati di Produksi

Wawancara MIT menunjuk pola kegagalan yang konsisten dan dapat ditindaklanjuti. Pilot dibangun untuk mengesankan komite pengarah, bukan untuk bertahan dalam hari kerja nyata tim garis depan. Pilot didemokan sekali, disetujui, lalu diserahkan tanpa retensi konteks atau lingkaran umpan balik yang membuat alat itu membaik di dalam alur kerja tempatnya mendarat. Begitu pilot menimbulkan hambatan, yaitu jawaban yang salah, serah terima yang putus, atau langkah persetujuan tambahan yang tidak direncanakan siapa pun, staf diam-diam mencari jalan memutar, dan penggunaan kembali ke tingkat dasar sebelum pilot dalam hitungan bulan.

Itu kegagalan organisasi, bukan kegagalan kemampuan: tidak ada yang memiliki integrasinya, tidak ada yang mengukur apakah alur kerja menjadi lebih pendek, dan tidak ada yang membangun lingkaran umpan balik yang menumbuhkan kepercayaan dari waktu ke waktu. Itu juga sebabnya utang teknis dari pilot yang terburu-buru terus menumpuk dan tidak terselesaikan; alat yang ditempelkan pada proses yang belum dirancang ulang menjadi satu sistem lagi yang harus dipelihara, bukan pekerjaan yang berkurang. Staf yang mencari jalan memutar dari pilot penuh hambatan biasanya melakukannya di atas hari kerja yang sudah penuh, mekanisme yang sama di balik laju kerja dan burnout di era AI: alat yang menjanjikan kelegaan tetapi menambah langkah verifikasi yang tidak dijadwalkan siapa pun.

Rework Organisasi yang Benar-Benar Membuka Nilai

Setiap studi kredibel menunjuk perbaikan yang sama, dijelaskan dengan bahasa yang sedikit berbeda setiap kali.

Rancang ulang alur kerja, jangan menempelkan AI padanya

High performers McKinsey hampir tiga kali lebih mungkin telah membangun ulang proses di sekitar kemampuan AI yang sesungguhnya, alih-alih menyisipkan alat ke dalam proses yang dirancang untuk manusia yang mengerjakan setiap langkah secara manual. Sebanyak 5% yang berhasil di MIT menanamkan AI ke dalam alur kerja bernilai tinggi cukup dalam sehingga alat itu mempertahankan konteks dan membaik seiring pemakaian, alih-alih memperlakukan setiap interaksi sebagai kejadian sekali pakai. Benang merahnya: unit perubahan adalah alur kerja, bukan alatnya.

Beri seseorang kepemilikan nyata atas hasil, bukan hanya peluncurannya

Pilot tanpa pemilik yang ditunjuk dan bertanggung jawab atas suatu metrik bisnis (biaya per tiket, waktu siklus, tingkat kesalahan) cenderung bergeser menjadi metrik kosmetik berupa jumlah penggunaan. Organisasi yang memperoleh dampak P&L terukur menunjuk pemilik bisnis, bukan hanya sponsor TI, dan menuntut orang itu memenuhi standar hasil yang sama dengan inisiatif operasional lainnya.

Putuskan, dengan sengaja, apa yang tetap dikerjakan manusia

Membuat alur kerja yang dirancang ulang berjalan berarti bersikap eksplisit tentang di mana penilaian manusia, otoritas eskalasi, dan akuntabilitas akhir berada, alih-alih berasumsi bahwa agent akan "mencari tahu sendiri". Itu pertanyaan desain organisasi sebanyak pertanyaan teknis, dan terhubung langsung dengan cara tim manusia-agent disusun dari hari ke hari, serta pilihan sengaja beberapa perusahaan tentang apa yang dipertahankan tetap dikerjakan manusia sebagai strategi dan bukan sebagai renungan belakangan.

Bangun lingkaran umpan balik sebelum berskala, bukan sesudahnya

Alat yang tidak belajar dari konteks spesifik tempatnya dipasang adalah pola yang ditandai MIT sebagai pendorong utama tingkat kegagalan 95%. Artinya, alokasikan waktu dan kepemilikan untuk penyetelan dan pengumpulan umpan balik sebagai bagian dari peluncuran, bukan sebagai "fase dua" yang tidak pernah didanai begitu peluncuran tampak baik-baik saja di dashboard penggunaan.

Tidak ada yang eksotis dari semua ini. Ini disiplin yang sama yang menyelesaikan paradoks Solow pada 1990-an: membangun ulang prosesnya, bukan sekadar menambahkan alatnya, dengan anggaran dan perhatian eksekutif yang sama besarnya dengan alat itu sendiri. Perusahaan yang menutup kesenjangan ini juga memperlakukannya sebagai pertanyaan budaya, bukan hanya pertanyaan alur kerja; lihat membangun budaya yang siap AI dan seperti apa budaya AI-native yang sebenarnya untuk sisi norma dari masalah yang sama.

Apa Artinya bagi Pemimpin yang Mengambil Keputusan Sekarang

Tiga hal mengikuti langsung dari bukti di atas, bukan dari versi hype maupun versi penolakan atas cerita ini.

Perlakukan keberhasilan pilot dan keberhasilan produksi sebagai dua standar yang berbeda. Pilot yang mengesankan sebuah ruangan membuktikan bahwa model bisa mengerjakan tugas itu sekali, di bawah pengawasan. Itu tidak menjelaskan apa pun tentang apakah alur kerja bertahan enam bulan pemakaian nyata tanpa pemilik khusus, jadi anggarkan dan tempatkan staf untuk standar kedua itu secara terpisah.

Ukur metrik alur kerja, bukan metrik penggunaan. Jumlah login dan kursi lisensi selalu tampak bagus di awal. Biaya per tiket yang terselesaikan, waktu siklus, atau tingkat kesalahan dibandingkan baseline sebelum AI adalah angka yang benar-benar memprediksi P&L tahun depan. Jika Anda tidak bisa menyebutkan metrik spesifik yang seharusnya digerakkan sebuah inisiatif AI, perancangan ulang alur kerja belum terjadi, yang baru terjadi hanyalah peluncuran alatnya. Dan begitu perancangan ulang benar-benar membebaskan jam kerja di suatu tempat, waktu itu tidak membagikan dirinya sendiri. Lihat dividen produktivitas untuk keputusan yang tak pernah sengaja diambil sebagian besar pemimpin: siapa yang sebenarnya mendapatkan jam kerja yang dihemat AI.

Anggarkan untuk lini masa multitahun yang ditunjukkan pola historis, bukan lini masa satu kuartal yang ditawarkan vendor. Paradoks Solow butuh sekitar satu dekade untuk terselesaikan melalui investasi organisasi yang berkelanjutan, bukan peningkatan model. Jarak antara demo dan hasil yang bertahan itulah yang justru hendak ditutup oleh proses tata kelola AI dan penilaian dampak yang jujur, dengan memaksakan disiplin pengukuran yang nyata pada inisiatif yang jika tidak akan dinilai dari tampilannya di slide komite pengarah.

Paradoks ini bukan vonis atas teknologinya. Ini potret dari pekerjaan yang belum selesai, separuh organisasi dari kerja yang selalu dituntut teknologi serbaguna sebelum keuntungan produktivitasnya terlihat. AI generatif dan AI agent dapat benar-benar mengubah cara kerja dilakukan. Apakah itu muncul dalam angka Anda tahun depan atau lima tahun lagi lebih bergantung pada apakah ada seseorang di organisasi Anda yang diberi waktu, otoritas, dan akuntabilitas untuk menyelesaikan perancangan ulang yang dimungkinkan alat itu tetapi tidak dikerjakannya untuk Anda, daripada pada model mana yang Anda lisensikan.