Bahasa Indonesia

87% Perusahaan Besar Gagal Mencapai Target Pendapatan Meski Pengeluaran AI Cetak Rekor. Solusinya Dimulai dari Data Anda

87% perusahaan besar gagal mencapai target pendapatan meski pengeluaran AI cetak rekor

Anggaran naik. Alat-alat bertambah banyak. Target tetap meleset.

Itulah temuan tidak nyaman dari riset terbaru Clari Labs yang dipublikasikan Januari 2026. Studi tersebut menemukan bahwa 87% perusahaan besar gagal mencapai target pendapatan 2025 meski pengeluaran AI untuk pendapatan mencapai rekor tertinggi. Survei ini melibatkan pemimpin pendapatan di berbagai organisasi penjualan enterprise dan mengungkap pola yang sudah lama dicurigai oleh sebagian besar tim Sales Ops: masalahnya bukan pada kelengkapan alat, melainkan pada data yang menopang alat-alat tersebut.

Menurut Clari Labs, 48% tim pendapatan menyatakan data mereka belum siap untuk implementasi AI. Sementara itu, 55% mengalami sinyal pipeline yang saling bertentangan akibat sumber data yang tidak terhubung, yang berarti AI tidak menghasilkan kejelasan, melainkan mempercepat produksi kekacauan.

Mengapa Lebih Banyak AI di Atas Data Buruk Justru Memperparah Keadaan

Inilah bagian yang jarang muncul dalam keynote para vendor. Model AI tidak memperbaiki masalah data. AI memperbesar masalah tersebut.

Ketika data pendapatan Anda tersimpan di silo-silo terpisah (CRM, otomasi pemasaran, tiket dukungan, log penggunaan produk), setiap sistem memberikan narasi berbeda tentang kondisi sebuah deal. Seorang analis manusia dapat merekonsiliasi narasi-narasi tersebut dengan konteks. Agen AI tidak bisa. AI mencocokkan pola terhadap sinyal yang dapat dilihatnya, dan jika sinyal-sinyal itu saling bertentangan, AI menghasilkan keluaran yang juga bertentangan. Itulah persis yang dialami oleh 55% perusahaan dalam studi Clari Labs.

87% perusahaan besar gagal mencapai target pendapatan 2025 dibandingkan akurasi forecast 96% pada tim dengan data terpadu

Kontras dalam riset ini sangat mencolok. Perusahaan yang menyatukan dan mengelola data pendapatan mereka mencapai akurasi forecast 96%, kenaikan tingkat pembaruan kontrak sebesar 20 poin, dan ROI sebesar 398%, setara dengan manfaat senilai sekitar 96,2 juta dolar AS selama tiga tahun. Kemampuan AI yang sama. Hasil yang jauh berbeda. Variabel pembedanya adalah kualitas dan tata kelola data, bukan infrastruktur AI itu sendiri.

Fakta Kunci

  • 87% perusahaan besar gagal mencapai target pendapatan 2025 meski investasi AI cetak rekor (Clari Labs, Januari 2026)
  • 55% mengalami sinyal pipeline yang saling bertentangan akibat sumber data yang tidak terhubung (Clari Labs, Januari 2026)
  • Perusahaan dengan data pendapatan yang terpadu dan terkelola mencapai akurasi forecast 96% dan ROI 398% (Clari Labs, Januari 2026)

Kesenjangan tata kelola juga nyata. Clari Labs menemukan bahwa 42% perusahaan besar tidak memiliki kerangka formal untuk konsistensi dan akuntabilitas data di seluruh operasi pendapatan. Dan 39% hanya melakukan kalibrasi ulang model forecast secara mingguan atau bulanan, bukan secara berkelanjutan. Keduanya adalah masalah struktural yang tidak bisa ditutup-tutupi oleh pengeluaran AI sebesar apa pun.

Pasar Mulai Mengejar Apa yang Sudah Lama Diketahui Sales Ops

Entitas gabungan Clari dan Salesloft, yang telah bergerak dari integrasi menuju penskalaan Predictive Revenue System sejak penggabungan selesai, masuk dalam Gartner Magic Quadrant pertama untuk kategori yang kini disebut Gartner sebagai "Revenue Action Orchestration." Nama kategori itu sendiri sudah berbicara banyak.

Orkestrasi. Bukan generasi. Bukan otomasi. Orkestrasi.

Gartner secara resmi mengakui bahwa keunggulan kompetitif berikutnya dalam teknologi pendapatan bukan terletak pada penambahan satu lagi alat AI ke dalam tumpukan teknologi, melainkan pada pengkoordinasian aksi AI di atas lapisan data yang bersih, terpadu, dan terkelola. Itulah argumen Sales Ops selama bertahun-tahun. Pasar akhirnya mulai mengejar.

Clari dan Salesloft juga menunjuk Brian Benfer sebagai Chief Revenue Officer dan Rajesh Krishnaswami sebagai Chief Technology Officer pada Mei 2026, sinyal investasi berkelanjutan dalam dorongan enterprise platform gabungan mereka. Anda dapat mengikuti perkembangan tersebut di pusat pers Clari.

Jika Anda sedang mengevaluasi bagaimana lanskap platform secara keseluruhan bergeser, ulasan kami tentang tonggak ARR $500M Gong membahas apa yang sebenarnya dibutuhkan oleh "intelijen pendapatan dalam skala besar" dari infrastruktur data Anda. Dan panduan evaluasi CRO kami untuk merger Clari dan Salesloft membahas lebih dalam apa arti platform gabungan tersebut bagi tumpukan teknologi Anda yang ada.

Pemeriksaan Kesiapan Data Pendapatan (Diagnostik Sales Ops)

Sebelum organisasi Anda menyetujui penerapan agen AI berikutnya, Sales Ops perlu menjalankan apa yang kami sebut Pemeriksaan Kesiapan Data Pendapatan. Tiga pertanyaan. Jawaban jujur saja.

Pertanyaan 1: Apakah data pendapatan Anda sudah terpadu? Bisakah satu kueri menghasilkan tampilan kondisi deal yang konsisten di seluruh CRM, pemasaran, dukungan, dan penggunaan produk? Jika jawabannya memerlukan rekonsiliasi manual dari ekspor berbagai sistem, data Anda belum terpadu.

Pertanyaan 2: Apakah data pendapatan Anda sudah terkelola? Apakah Anda memiliki kepemilikan yang terdokumentasi, aturan validasi, dan akuntabilitas untuk setiap bidang data yang mengisi forecast Anda? Jika tim yang berbeda mendefinisikan "peluang terkualifikasi" secara berbeda, Anda memiliki masalah tata kelola, bukan masalah teknologi.

Pertanyaan 3: Apakah model forecast Anda sudah terkini? Seberapa sering tim Anda melakukan kalibrasi ulang model terhadap hasil aktual? Riset Clari Labs menemukan 39% perusahaan besar melakukan ini hanya mingguan atau bulanan. Di pasar di mana kecepatan deal berubah lebih cepat dari ritme kuartalan, keterlambatan ini terakumulasi menjadi kesalahan forecast yang sistemik.

Jika ada satu pun dari tiga jawaban ini yang "tidak" atau "kami tidak yakin," menambahkan lebih banyak agen AI akan mempercepat masalah kekacauan data, bukan menyelesaikannya.

Urutan Data-Sebelum-Agen

Berikut urutan praktis yang kami rekomendasikan untuk tim Sales Ops yang ingin mengubah pengeluaran AI menjadi kinerja pendapatan nyata:

Langkah 1: Audit sumber data Anda. Petakan setiap sistem yang berkontribusi data pada forecast pendapatan Anda. Tandai yang tidak sinkron otomatis, memerlukan rekonsiliasi manual, atau menghasilkan bidang dengan definisi tidak konsisten.

Langkah 2: Bangun lapisan tata kelola. Tetapkan kepemilikan untuk setiap bidang data kritis. Tugaskan seorang data steward per sistem. Dokumentasikan seperti apa "data bersih" untuk setiap metrik dan bangun pemeriksaan validasi ringan ke dalam alur kerja CRM Anda.

Langkah 3: Tetapkan ritme kalibrasi ulang. Beralih dari pembaruan model mingguan atau bulanan ke kalibrasi ulang berkelanjutan atau setidaknya mingguan yang terhubung ke data penutupan/kehilangan aktual. Akurasi forecast menurun ketika model menyimpang dari kondisi pasar saat ini.

Langkah 4: Baru terapkan AI. Dengan data yang terpadu, terkelola, dan terkini, agen AI akan beroperasi pada sinyal yang konsisten secara internal. Di situlah hasil akurasi forecast 96% menjadi dapat dicapai.

Urutan ini berlaku baik Anda sedang mengevaluasi platform baru maupun mencoba mendapatkan lebih banyak nilai dari tumpukan teknologi Anda saat ini. Bagi tim yang memikirkan kualitas data pipeline sebagai bagian dari pekerjaan ini, prinsip dasarnya tidak berubah: sampah masuk, sampah keluar, hanya saja sekarang dengan kecepatan AI.

Jika Anda ingin memahami bagaimana AI mengubah peran Sales Ops itu sendiri, perpustakaan AI Sales Operator kami membahas empat pola yang mendefinisikan bagaimana fungsi ini berkembang.

Bacaan terkait tentang pertanyaan penerapan agen AI: Salesforce Agentforce kini menjadi rekan kerja, dan RevvyAI dari 6sense memindahkan kualifikasi akun ke AI. Kedua artikel tersebut membahas ketegangan yang sama: kemampuan AI sudah siap, tetapi pertanyaan kesiapan data masih menjadi faktor penentu.

Pertanyaan yang Sering Diajukan

Mengapa alat AI tidak meningkatkan akurasi forecast penjualan kami?

Sebagian besar alat forecasting AI hanya sebaik data yang dikonsumsinya. Jika data pendapatan Anda tersebar di sistem-sistem yang tidak terhubung, menggunakan definisi bidang yang tidak konsisten, atau jarang dikalibrasi ulang, AI akan memunculkan sinyal yang saling bertentangan alih-alih pandangan yang koheren. Clari Labs menemukan bahwa 55% perusahaan besar sudah mengalami hal ini. Solusinya adalah tata kelola dan unifikasi data terlebih dahulu, baru penerapan AI.

Apa arti "Revenue Action Orchestration" bagi Sales Ops?

Ini adalah kategori yang diperkenalkan Gartner untuk mendeskripsikan platform yang mengkoordinasikan aksi AI di seluruh siklus pendapatan di atas lapisan data yang terpadu. Bagi Sales Ops, ini berarti pasar memvalidasi apa yang sudah lama diketahui fungsi ini: nilainya bukan pada memiliki lebih banyak alat AI, melainkan pada memiliki satu lingkungan data yang terkelola yang menjadi fondasi semua alat. Sales Ops secara alami berada dalam posisi untuk memiliki lapisan tersebut.

Bagaimana kita mulai memperbaiki fragmentasi data pendapatan tanpa mengganti seluruh platform?

Mulailah dengan tiga pertanyaan diagnostik di atas (terpadu, terkelola, terkini). Pilih kesenjangan yang paling berdampak terlebih dahulu. Kerangka tata kelola seringkali dapat diimplementasikan dengan alat yang ada, penugasan kepemilikan di tingkat bidang, dan definisi yang terdokumentasi, sebelum pembelian teknologi baru apa pun. Pekerjaan dasar itu membuat setiap penerapan AI berikutnya lebih efektif, termasuk alat yang sudah Anda miliki.

Yang Harus Dilakukan Sales Ops Minggu Ini

  1. Jalankan Pemeriksaan Kesiapan Data Pendapatan. Jawab tiga pertanyaan di atas untuk data forecast Anda saat ini. Tulis jawabannya. Jika ada yang "tidak" atau "tidak jelas," itulah item risiko prioritas tertinggi Anda sebelum peluncuran AI baru apa pun.

  2. Petakan sumber data Anda. Buat daftar setiap sistem yang menyentuh forecast pendapatan Anda. Identifikasi mana yang sinkron otomatis dan mana yang memerlukan intervensi manual. Rekonsiliasi manual adalah tempat kesalahan terakumulasi.

  3. Jadwalkan tinjauan tata kelola. Kumpulkan admin CRM, pemimpin RevOps, dan setidaknya satu perwakilan AE dalam satu ruangan. Selaraskan apa arti "peluang terkualifikasi." Dokumentasikan. Jadikan resmi.

  4. Audit ritme kalibrasi ulang Anda. Jika model forecast Anda belum dikalibrasi ulang terhadap hasil aktual dalam 30 hari terakhir, jadwalkan sekarang. Model yang usang adalah pabrik kesalahan sistemik.

  5. Bangun business case. Angka-angka dari Clari Labs sangat meyakinkan: ROI 398% dan akurasi forecast 96% dari unifikasi data. Gunakan tolok ukur tersebut untuk menyusun proposal investasi kesiapan data kepada CFO Anda sebelum permintaan pembelian agen AI berikutnya datang.

Perusahaan-perusahaan dalam studi Clari Labs yang gagal mencapai target bukan karena kekurangan alat AI. Mereka kekurangan disiplin data. Sales Ops adalah pemilik disiplin tersebut. Inilah momen Anda.

Platform seperti Rework dibangun di atas premis bahwa data pendapatan yang terpadu dan terkelola adalah fondasi, bukan sekadar fitur. Namun apa pun tumpukan teknologi Anda, urutannya tetap sama: bersihkan data, kelola dengan baik, lalu biarkan AI bekerja.

Pelajari Lebih Lanjut