Membantu Pelanggan Mengubah Cara Kerja dengan AI

Oleh Brian Tr · Diperbarui 7 Oktober 2026

Produk AI hanya bertahan bila orang-orang yang membelinya mengubah cara kerja mereka. Menandatangani kontrak adalah bagian yang mudah. Jika tim dukungan masih menjawab tiket dengan cara lama, atau para analis masih menyusun ulang laporan secara manual "demi amannya," produk itu terpasang tetapi tidak dipakai, dan perangkat lunak yang tidak dipakai akan dibatalkan saat perpanjangan.

Halaman ini menjelaskan masalah tersebut melalui lima model perubahan dan adopsi yang terkenal dan telah dipublikasikan: ADKAR dari Prosci, delapan langkah Kotter, difusi inovasi Rogers, Technology Acceptance Model dari Davis, dan jurang (chasm) Moore. Tidak ada yang ditulis tentang AI. Semuanya menjelaskan mengapa orang menolak, menunda, atau mengadopsi cara kerja baru, yang persis dihadapi vendor AI. Untuk metrik yang menunjukkan apakah adopsi sedang terjadi, lihat metrik adopsi produk AI. Untuk apa yang terjadi bila tidak, lihat mengapa produk AI mengalami churn.

Mengapa Perubahan Adalah Hambatan yang Sebenarnya

Perangkat lunak yang mengotomatiskan tugas yang tidak diawasi siapa pun itu langka. Sebagian besar produk AI menyentuh pekerjaan yang dimiliki orang, yang menjadi dasar penilaian mereka, dan yang terikat kebiasaan kuat. Menyalakan alatnya tidak menyalakan kebiasaannya.

Bukti bahwa celahnya terletak pada organisasi, bukan model, konsisten. Laporan MIT NANDA 2025 "The GenAI Divide," seperti dijelaskan Fortune, menyimpulkan bahwa AI enterprise kesulitan terutama karena integrasi yang cacat dan "celah pembelajaran" (learning gap), bukan kualitas model. Fortune melaporkan bahwa riset itu bersumber dari 150 wawancara dengan para pemimpin, survei terhadap 350 karyawan, dan analisis atas 300 penerapan AI publik, dan menemukan bahwa alat yang dibeli dari luar berhasil sekitar dua kali lebih sering daripada yang dibangun sendiri (sekitar 67 persen berbanding 33 persen). Judul bahwa 95 persen pilot menunjukkan dampak P&L yang nyaris tak terukur banyak dikutip. Sampelnya sederhana dan standarnya keras, jadi gunakan sebagai arah, bukan angka yang presisi. Kami memperoleh temuan ini melalui liputan pers, bukan dari laporannya langsung.

Karyawan juga mengadopsi lebih cepat daripada perusahaan. Work Trend Index 2024 dari Microsoft mensurvei 31.000 pekerja pengetahuan di 31 pasar pada Februari dan Maret 2024 dan menemukan 75 persen sudah memakai AI generatif di tempat kerja. Dari para pengguna itu, 78 persen membawa alat AI mereka sendiri alih-alih memakai yang disediakan perusahaan. Itu adalah adopsi individu yang melaju lebih cepat daripada adopsi organisasi, yang merupakan masalah berbeda dari yang harus dipecahkan vendor yang menjual ke sebuah perusahaan.

Secara bersama-sama semuanya menunjuk hal yang sama. Orang akan mencoba AI sendiri. Membuat sebuah tim mengubah proses bersama di sekitar produk Anda adalah pekerjaan terpisah yang lebih sulit.

Lima Model, Lima Pelajaran bagi Vendor

Setiap model menjawab pertanyaan yang sedikit berbeda. Bersama-sama, mereka membentuk daftar periksa yang dapat dipakai.

ADKAR: Mengubah Satu Orang pada Satu Waktu

Model ADKAR dari Prosci menjelaskan lima hasil yang perlu dicapai seseorang agar perubahan melekat: Awareness (memahami mengapa perubahan diperlukan), Desire (memilih untuk berpartisipasi dan mendukungnya), Knowledge (mengetahui cara berubah dan apa yang dibutuhkan untuk berhasil), Ability (mempraktikkan keterampilan dan perilaku baru) dan Reinforcement (mempertahankan cara baru dan mencegah kemunduran).

Sifat ADKAR yang berguna adalah bahwa elemen-elemennya berurutan dan masing-masing dapat gagal secara mandiri. Pengguna yang tahu cara memakai asisten AI Anda tetapi tidak melihat mengapa mereka harus memakainya (Desire rendah) tidak akan memakainya. Pengguna yang ingin memakainya tetapi belum pernah ditunjukkan bagaimana ia cocok dengan tugas nyata mereka (Knowledge atau Ability rendah) akan mencobanya dua kali lalu berhenti.

Bagi vendor, ADKAR adalah alat diagnosis untuk akun yang macet. Tanyakan di mana hambatannya. Celah Awareness membutuhkan business case yang jelas, yaitu pekerjaan di menyusun business case ROI AI. Celah Desire biasanya berarti pengguna takut alat itu menggantikan mereka, atau sekadar menambah langkah. Celah Knowledge dan Ability adalah soal pelatihan dan panduan di dalam workflow. Reinforcement adalah tempat sebagian besar peluncuran AI gagal secara diam-diam: tak seorang pun memeriksa penggunaan setelah peluncuran, dan kebiasaan lama kembali.

Kotter: Mengubah Organisasi, Bukan Hanya Pengguna

ADKAR bekerja pada tingkat individu. Delapan langkah Kotter bekerja pada tingkat organisasi: menciptakan rasa urgensi, membangun koalisi pemandu, membentuk visi strategis, merekrut pasukan sukarelawan, memungkinkan tindakan dengan menyingkirkan hambatan, menghasilkan kemenangan jangka pendek, mempertahankan akselerasi, dan melembagakan perubahan. Kotter memaparkan urutan ini dalam buku Leading Change, dan modelnya telah direvisi sejak itu.

Tiga dari langkah tersebut langsung terpetakan ke perilaku vendor.

Koalisi pemandu. Peluncuran AI yang hanya digerakkan oleh orang yang membelinya itu rapuh. Koalisi berarti pemilik bisnis, seseorang dari IT atau keamanan, dan pengguna yang dihormati dari tim yang akan berubah. Komite pembelian yang menyetujui pembelian adalah titik awal yang alami, tetapi sering bubar setelah kontrak ditandatangani. Kumpulkan kembali.

Kemenangan jangka pendek. Nilai AI bisa butuh berbulan-bulan untuk tampak di P&L. Menunggu selama itu mengundang keraguan. Vendor dapat membantu pelanggan memilih satu workflow, satu tim, dan satu hasil terukur yang dapat didemonstrasikan dalam hitungan minggu, lalu mempublikasikannya secara internal.

Menyingkirkan hambatan. Hambatan biasanya bersifat praktis: pengaturan izin yang memblokir data yang dibutuhkan AI, tinjauan kepatuhan yang belum dijadwalkan siapa pun, atau manajer yang masih mewajibkan format laporan lama. Vendor yang menganggap ini sebagai masalah pelanggan akan melihat penggunaan tetap datar. Vendor yang membantu menyingkirkannya cenderung melihat adopsi bergerak.

Rogers: Adopsi Menyebar Melalui Orang, Bukan Pengumuman

Diffusion of Innovations karya Everett Rogers, pertama kali terbit pada 1962, mensintesis ratusan studi terdahulu. Buku itu mengelompokkan pengadopsi menjadi innovators, early adopters, early majority, late majority, dan laggards, serta menyebut lima atribut yang membentuk seberapa cepat inovasi menyebar: keunggulan relatif, kompatibilitas, kompleksitas, kemampuan dicoba, dan keteramatan.

Dibaca sebagai daftar periksa untuk produk AI, atribut-atribut itu bersifat praktis.

• Keunggulan relatif: apakah jelas lebih baik daripada cara saat ini, untuk tugas ini?
• Kompatibilitas: apakah cocok dengan alat, nilai, dan kebiasaan yang ada, atau menuntut cara kerja baru?
• Kompleksitas: seberapa sulit dipahami dan dipakai?
• Kemampuan dicoba: dapatkah seseorang mencobanya pada pekerjaan nyata tanpa komitmen?
• Keteramatan: dapatkah rekan kerja melihat orang lain mendapat hasil?

Keteramatan adalah atribut yang kurang dimanfaatkan vendor. Orang meniru apa yang mereka lihat berhasil. Dashboard bersama berisi waktu yang dihemat, kanal tim tempat prompt yang bagus dibagikan, atau perbandingan sebelum dan sesudah yang terlihat pada satu proses, berbuat lebih banyak daripada webinar pelatihan lainnya.

Davis: Kegunaan Mendahului Kemudahan

Technology Acceptance Model dari Fred Davis, diperkenalkan dalam makalah 1989 di MIS Quarterly (volume 13, nomor 3, halaman 319 hingga 340), mengusulkan bahwa dua keyakinan menentukan apakah seseorang mengadopsi teknologi: kegunaan yang dipersepsikan, yaitu sejauh mana mereka percaya teknologi itu akan meningkatkan kinerja kerja mereka, dan kemudahan penggunaan yang dipersepsikan, yaitu sejauh mana mereka percaya teknologi itu bebas dari usaha. (Davis, 1989)

Dua hal penting untuk AI. Pertama, kegunaan adalah keyakinan tentang pekerjaan seseorang sendiri, bukan daftar fitur. Pengguna yang tidak melihat bagaimana alat itu membantu tugas yang menjadi dasar penilaian mereka tidak akan mengadopsinya seberapa pun bersihnya antarmuka. Kedua, AI memperkenalkan kekhawatiran ketiga yang tidak menjadi pusat model aslinya: apakah keluarannya dapat dipercaya. Riset-riset selanjutnya memperluas TAM ke berbagai arah, tetapi pelajaran bagi vendor sederhana. Jika pengguna tidak memercayai jawabannya, kegunaan yang dipersepsikan turun, karena mereka harus memeriksa segalanya. Itulah mengapa kepercayaan dan evaluasi adalah isu adopsi, bukan hanya isu keamanan.

Moore: Jurang antara Para Penggemar dan Arus Utama

Crossing the Chasm karya Geoffrey Moore, pertama kali terbit pada 1991, berargumen bahwa ada jurang antara early adopters (visioner yang membeli berdasarkan potensi) dan early majority yang pragmatis (yang membeli berdasarkan hasil terbukti dan referensi). Buku itu merekomendasikan untuk fokus pada satu segmen, membangun solusi lengkap untuk masalah spesifiknya, dan memakai segmen itu sebagai basis bagi segmen berikutnya.

Vendor AI menghadapi versi dari hal ini di dalam satu pelanggan. Tim pilot yang terdiri dari para penggemar mengadopsinya dengan senang. Departemen yang lebih luas, yang pragmatis dan sibuk, menginginkan bukti bahwa produk bekerja pada kasus seperti milik mereka, rekan bernama yang menjaminnya, dan dukungan ketika gagal. Perlakukan setiap tim sebagai jurang kecilnya sendiri. Jangan berasumsi antusiasme kelompok pilot berpindah. Pelajaran dari masalah pilot ke kontrak berlaku setelah penjualan juga.

Rangkuman Kelima Model: Playbook Vendor

Kupas kelima model hingga irisannya dan tersisa daftar praktik yang pendek.

1. Identifikasi champion sejak dini, dan bekali mereka. Pemimpin opini Rogers dan koalisi Kotter adalah orang yang sama dengan kata-kata berbeda. Champion membutuhkan materi, akses ke tim Anda, dan sesuatu untuk ditunjukkan kepada rekan-rekannya.
2. Rancang ulang workflow, bukan hanya tugas. Menambahkan langkah AI pada proses yang tidak berubah sering menambah pekerjaan. Sepakati dengan pelanggan langkah mana yang hilang, mana yang pindah, dan siapa pemilik versi baru. Kompatibilitas (Rogers) dan kemudahan penggunaan (Davis) sama-sama bergantung padanya.
3. Latih di dalam pekerjaan. Knowledge dan Ability dalam ADKAR datang dari praktik pada tugas nyata, bukan slide. Contoh singkat yang spesifik per peran mengalahkan tur umum. Untuk versi SaaS umumnya, lihat onboarding dan time to value.
4. Bangun kepercayaan dengan sengaja. Tunjukkan dari mana keluaran berasal, di mana kemungkinan salahnya, dan bagaimana seseorang dapat mengoreksinya. Tunjukkan sejak awal, sebelum jawaban buruk pertama, bukan sesudahnya.
5. Ukur perilaku, bukan login. Reinforcement berarti memeriksa apakah cara baru benar-benar dipakai pada proses nyata. Jumlah login adalah bukti yang lemah. Porsi workflow target yang diselesaikan melalui produk lebih baik.
6. Tetap hadir setelah peluncuran. Reinforcement adalah langkah yang paling sering terlewat. Check-in proaktif adalah cara vendor menangkap kemunduran sebelum percakapan perpanjangan. Untuk cara kerjanya khusus bagi produk AI, lihat customer success untuk produk AI.

Fakta Utama

• Di mana celahnya: studi MIT NANDA 2025, seperti dilaporkan Fortune, menyebut AI enterprise yang macet terutama karena integrasi dan celah pembelajaran, bukan kualitas model. Angka 95 persen yang banyak dikutip bertumpu pada 150 wawancara, survei 350 karyawan, dan 300 penerapan publik, jadi perlakukan sebagai petunjuk arah.
• Individu bergerak lebih dulu: Work Trend Index 2024 (31.000 pekerja pengetahuan, 31 pasar) menemukan 75 persen memakai AI generatif di tempat kerja dan 78 persen dari pengguna tersebut membawa alat mereka sendiri.
• ADKAR: lima elemen Prosci adalah Awareness, Desire, Knowledge, Ability, dan Reinforcement.
• Kotter: delapan langkah, dari menciptakan urgensi hingga melembagakan perubahan.
• TAM: Davis (1989) menyebut kegunaan yang dipersepsikan dan kemudahan penggunaan yang dipersepsikan sebagai dua pendorong penerimaan.
• Uji praktis: jika pengguna tidak dapat menyebutkan apa yang dilakukan alat itu untuk pekerjaannya sendiri, atau tidak memercayai keluarannya, adopsi akan macet terlepas dari kualitas antarmuka.