Adopsi AI Indonesia: Apakah Kita Sudah di Jalur yang Benar?

Di tengah scoping call ERP bulan Agustus lalu, seorang klien manufaktur bertanya apakah kami bisa menambahkan AI ke alur purchase requisition mereka. Semua orang di ruangan itu punya chat window terbuka di layar kedua. Tiga pertanyaan kemudian — sistem mana yang menyimpan daftar supplier, siapa yang memilikinya, dan apakah product master-nya cukup bersih untuk dicocokkan — idenya diparkir diam-diam dan kami kembali membahas layout laporan. Dua puluh menit itu adalah versi mini dari seluruh cerita AI di Indonesia.

Tulisan ini soal kedalaman adopsi, bukan soal data center, bukan pasokan GPU, dan bukan mekanika compliance. Saya membangun dan menjual software ERP ke perusahaan mid-market Indonesia, jadi angka 26 persen implementasi di berbagai survei itu bukan abstraksi buat saya — itu ruangan tempat saya duduk. Untuk lapisan yang tidak bisa saya lihat langsung saya memakai data survei yang sudah dipublikasikan, dan pengamatan pribadi saya tandai sebagai pengamatan.

Dua angka yang tidak terlihat berasal dari negara yang sama

Mulai dari lapisan individu. Survei PwC Global Workforce Hopes and Fears 2025 mencakup 49.843 pekerja di 48 negara dan lintas sektor, termasuk 812 responden di Indonesia, dan menemukan 69 persen pekerja Indonesia sudah memakai AI untuk pekerjaannya dalam dua belas bulan terakhir, dibanding 54 persen secara global. Microsoft Work Trend Index 2026 menempatkan 33 persen pekerja Indonesia dalam kategori advanced user, lebih dari dua kali rata-rata global yang 16 persen, dan mencatat 72 persen pengguna AI di Indonesia mengatakan mereka kini bisa menghasilkan pekerjaan yang setahun lalu tidak mungkin mereka hasilkan, dibanding 58 persen global.

Sekarang lapisan institusi. Pertama Partners SEA mid-market AI Adoption Index 2026 memberi Indonesia skor 27 dari 100 dan menempatkannya pada tahap Early Experimentation, di bawah rata-rata regional 31 dan jauh di bawah Singapura yang 52. Hanya 26 persen organisasi Indonesia yang sudah mengimplementasikan tool AI. Pada index yang sama, 93 persen pelaku usaha Indonesia menyatakan yakin akan kemampuan mereka men-deploy AI.

Dua paragraf itu menggambarkan dua negara yang berbeda. Bacaan yang jujur bukan bahwa Indonesia tertinggal soal AI. Indonesia justru unggul di lapisan yang biaya adopsinya satu malam, dan tertinggal di lapisan yang biaya adopsinya satu siklus procurement. Jalurnya benar, lapisannya yang salah.

Seperti apa 93 persen yakin dan 26 persen jalan itu kalau dilihat di dalam rapat

Saya belum pernah duduk berhadapan dengan klien Indonesia yang menolak AI. Tidak sekali pun. Angka keyakinan itu sangat masuk akal buat saya, karena yang diukur survei tersebut adalah keyakinan terhadap tool-nya, dan tool-nya memang mudah. Semua orang di ruangan sudah memakainya. Beberapa memakainya setiap hari. Ketika seorang finance manager bilang ini pasti bisa, dia sedang melaporkan fakta yang benar tentang sebuah chat window.

Implementasi artinya lain lagi. Artinya sebuah model membaca data perusahaan, artinya perusahaan menyimpan data dalam bentuk yang bisa dibaca model, artinya ada orang yang harus memiliki bentuk itu. Index-nya sendiri menyebut bagian yang jarang diucapkan: angka keyakinan tersebut mencerminkan sentimen, bukan kapabilitas yang terbukti. Jarak antara 93 dan 26 bukan jarak kemauan. Itu jarak pada urusan pipa data dan kepemilikan.

Index yang sama menemukan hanya 63 persen perusahaan mid-market yang mengaku punya strategi AI yang jelas. Segmen itulah tempat saya bekerja. Sebuah pabrik mid-market di Indonesia punya ERP, satu grup WhatsApp, dan tiga spreadsheet yang tidak diketahui ERP-nya. Perusahaan itu tidak punya strategi AI karena tidak ada orang yang memang tugasnya menyusun strategi itu — IT memegang server, finance memegang prosesnya, dan model-nya harus duduk di antara keduanya.

Lima blocker, dalam urutan kemunculannya yang sebenarnya

Urutannya tetap dan saya sudah berhenti kaget. Masing-masing menghentikan porsi deal yang berbeda, dan yang muncul belakangan justru lebih murah diperbaiki daripada yang muncul di awal — kebalikan dari dugaan kebanyakan orang saat masuk ruangan.

1. Tidak ada fondasi data. Supplier master memuat vendor yang sama empat kali dengan empat ejaan, unit of measure berupa field teks bebas, dan history yang berguna tersimpan di PDF hasil scan. Tidak ada hal berikutnya yang relevan sebelum ini beres, dan ini yang mahal.
2. Tidak ada owner. IT memiliki infrastruktur, finance memiliki prosesnya, dan sebuah fitur AI bukan milik keduanya. Komite tidak pernah men-deploy model. Satu orang dengan satu baris budget yang melakukannya.
3. Procurement. AI datang sebagai langganan bulanan per seat ke dalam organisasi yang alur approval-nya dirancang untuk pembelian modal tahunan. Saya pernah melihat satu langganan bulanan kecil lebih lama disetujui daripada satu unit mesin pabrik, semata karena hanya salah satunya punya form.
4. ROI belum jelas. Mereka mau angkanya sebelum pilot. Pilot justru cara mendapatkan angka itu. Harus ada orang yang cukup senior dan bersedia membelanjakan satu kuartal tanpa angka, dan di perusahaan keluarga orang itu biasanya pemiliknya sendiri.
5. Pertanyaan UU PDP. Ini datang paling akhir dan paling cepat menutup pembicaraan, karena jawaban jujurnya hari ini adalah undang-undang pelindungan data pribadi ditambah selera risiko perusahaan itu sendiri. Belum ada aturan AI sektoral yang bisa ditunjuk.

Blocker pertama satu-satunya yang benar-benar mahal, sekaligus satu-satunya yang balik modal terlepas dari AI-nya jadi atau tidak. Sebelum saya menghitung harga sebuah fitur AI di atas ERP yang sudah berjalan, saya menjalankan tiga query ke database-nya. Kira-kira satu menit, dan hasilnya menentukan seluruh arah pembicaraan.

-- Three queries I run against a prospect's ERP database before quoting
-- any AI feature. They take a minute and they decide the conversation.

-- 1. How badly duplicated is the master data a model would have to match on?
--    A model cannot reconcile what the humans never reconciled.
SELECT lower(regexp_replace(name, '[^a-z0-9]', '', 'gi')) AS squashed,
       count(*)                                            AS variants,
       string_agg(name, ' | ' ORDER BY id)                  AS spellings
FROM suppliers
GROUP BY 1
HAVING count(*) > 1
ORDER BY variants DESC
LIMIT 20;

-- 2. Is unit of measure a controlled vocabulary, or a free-text field?
--    Past roughly 30 distinct values on a real product master it is free text,
--    and every quantity the model reads becomes untrusted.
SELECT uom, count(*) AS rows
FROM products
GROUP BY uom
ORDER BY rows DESC;

-- 3. How much usable history is there, really?
--    Rows are not history. Rows with a filled-in reason column are history:
--    that column is the only place the WHY of a decision was ever written down.
SELECT date_trunc('month', created_at) AS month,
       count(*)                        AS total_rows,
       count(*) FILTER (
         WHERE reason IS NOT NULL AND btrim(reason) <> ''
       )                               AS rows_with_reason
FROM purchase_requisitions
GROUP BY 1
ORDER BY 1;

Kalau query pertama mengembalikan dua puluh baris supplier duplikat dan query ketiga menunjukkan kolom reason kosong selama dua tahun, saya katakan apa adanya, dan kami bicara soal data cleanup dulu. Itu bukan deal yang hilang. Membersihkan supplier master balik modal dari pembayaran ganda yang tercegah, ada model atau tidak, dan itu satu-satunya bentuk kesiapan AI yang tetap bernilai kalau pilot-nya dibatalkan.

Lapisan individu berhadapan dengan lapisan institusi, pada dimensi yang sama

Sandingkan kedua lapisan itu pada hal-hal yang benar-benar menentukan terjadi tidaknya adopsi, dan polanya berhenti terlihat seperti karakter bangsa lalu mulai terlihat seperti struktur biaya.

Baris satu sampai tiga dan baris tujuh berasal dari survei yang dipublikasikan. Baris empat sampai enam milik saya sendiri — yang saya lihat di scoping call, bukan angka terukur, dan silakan dibaca sebagai sampel satu vendor. Justru baris-baris itu yang menjelaskan sisanya. Seorang individu menjalankan eksperimen AI secara gratis dan mendapat putusan dalam hitungan detik. Sebuah perusahaan menjalankannya selama satu kuartal, lintas tiga departemen, di atas data yang belum pernah diaudit siapa pun. Dengan dua struktur biaya seperti itu, 69 persen dan 26 persen justru angka yang paling bisa diperkirakan.

Pesan paling nyaring justru dialamatkan ke lapisan yang sudah mendengar

Raymond Chin mengelola channel YouTube RaymondChins sejak 2015; jumlah pelanggannya kini 3,47 juta, di samping Sevenpreneur dan, sejak 2021, Ternak Uang. Bulan Juli lalu ia menjawab di Threads orang-orang yang menuduhnya ikut-ikutan tren AI:

Dia benar, dan datanya sependapat dengannya. Saya ingin tepat soal ini, karena langkah termudah di sini adalah menjadikan figur publik sebagai lawan tanding, dan itu tidak adil sekaligus keliru secara fakta. Literasi AI individu di Indonesia memang soal survival, dan angka survei menunjukkan orang Indonesia sudah memperlakukannya begitu: 85 persen pengguna AI di Indonesia khawatir tertinggal, dibanding 65 persen global, dan porsi advanced user-nya dua kali rata-rata dunia. Pesannya sampai.

Yang menarik buat saya adalah ketidakcocokan alamatnya. Lapisan yang belum bergerak bukan associate marketing yang menonton konten bisnis di YouTube jam dua belas malam. Lapisan itu adalah finance director yang menandatangani langganan, IT manager yang memegang database, dan pemilik keluarga yang memutuskan apakah data cleanup dapat baris budget. Saya tidak punya data audiens channel mana pun dan saya tidak akan berpura-pura punya. Yang bisa saya katakan: di scoping call yang saya ikuti, orang yang menghentikan sebuah fitur AI tidak pernah orang yang perlu diyakinkan bahwa AI itu penting. Mereka butuh jalur procurement dan seseorang yang bertanggung jawab atas hasilnya, dan literasi individu tidak menyediakan keduanya.

Lapisan kebijakan lebih lambat daripada keduanya

Indonesia punya strategi AI nasional sejak 2020. Stranas KA, Strategi Nasional Kecerdasan Artifisial, berjalan sampai 2045 dan menyebut lima bidang prioritas: layanan kesehatan, reformasi birokrasi, pendidikan dan riset, ketahanan pangan, serta mobilitas dan kota cerdas. Sebagai pernyataan arah umurnya sekarang enam tahun, dan memang bacanya arah, bukan instrumen.

Instrumen operasionalnya masih belum diteken. Dua Peraturan Presiden dijadikan prioritas 2026, satu untuk peta jalan AI nasional dan satu untuk etika serta keamanan AI. Portal JDIH Komdigi sendiri mencatat peta jalan itu mencakup 2026 sampai 2029, dibahas lintas kementerian lewat forum yang dibentuk berdasarkan Keputusan Presiden Nomor 38 Tahun 2025, dengan target penetapan kuartal pertama 2026. Pada 4 September 2026 Direktur Jenderal Ekosistem Digital dikutip mengatakan tinggal tanda tangan Presiden. Setelah diteken, tiap kementerian menurunkan aturan sektoralnya sendiri, dengan Komdigi sebagai orkestrator tata kelola lintas sektor.

Buat vendor ini bukan abstraksi, ini jawaban yang harus saya berikan pada sepuluh menit terakhir sebuah scoping call. Ditanya aturan mana yang mengatur fitur AI yang membaca data karyawan atau pelanggan, jawaban jujurnya hari ini adalah UU Pelindungan Data Pribadi ditambah selera risiko perusahaan itu sendiri, karena belum ada regulasi AI sektoral yang bisa dikutip. Bagian legal yang mendengar frasa selera risiko sendiri tidak akan menyetujui; mereka menunggu. Ketiadaan aturan bukan hal netral bagi adopsi. Itu blocker yang tidak punya tempat eskalasi.

Apa yang benar-benar akan menggeser angka 26 persen

Bukan ajakan. Lapisan individu sudah menerima pesan itu; mengulanginya ke organisasi tidak berdampak, karena organisasi tidak merasakan takut tertinggal. Yang dirasakan organisasi adalah siklus budget. Lima perubahan yang, dari pengalaman saya, memisahkan pilot yang jadi dari pilot yang pelan-pelan berhenti disebut orang:

1. Buat deployment pertama read-only. Retrieval dan ringkasan atas dokumen yang sudah dipercaya perusahaan, bukan agent yang menulis ke ERP. Jawaban yang salah hanya menghabiskan satu kali baca ulang, bukan satu jurnal yang harus dibalik, dan justru selisih itu yang sedang ditimbang bagian legal.
2. Beri nama, bukan komite. Satu orang, satu baris budget, satu proses. Prediktor terkuat yang saya punya soal bertahannya sebuah pilot adalah apakah saya tahu harus menelepon siapa ketika ada yang rusak.
3. Jalankan data cleanup sebagai proyek tersendiri dengan return-nya sendiri. Deduplikasi supplier master dan pengetatan unit of measure balik modal dari berkurangnya pembayaran ganda dan salah stok. Kerjakan karena memang layak dikerjakan; fitur AI-nya kemudian jadi murah, bukan terhalang.
4. Beli AI di dalam software yang lisensinya sudah dimiliki perusahaan. Procurement adalah bottleneck yang sesungguhnya, dan menambah modul ke kontrak yang sudah ada adalah form yang berbeda dari meng-onboard vendor baru. Tidak keren, dan ini tuas terbesar yang saya temukan.
5. Pilih proses yang satuannya bisa dihitung. Invoice yang tercocokkan per hari, requisition yang disetujui per minggu, tiket yang ditutup per orang. Pilot-nya harus menghasilkan angka sendiri, kalau tidak, percakapan budget berikutnya tidak punya pijakan.

Tidak satu pun dari poin di atas soal model, dan itulah intinya. Lapisan institusi Indonesia tidak terutama terhalang kualitas model atau talent. Yang menghalangi adalah empat masalah organisasi biasa yang dihadapi sistem operasional baru mana pun, ditambah satu ketidakpastian regulasi. Semuanya bisa diselesaikan dengan alat-alat yang membosankan, dan alat membosankan memang tidak ada yang membuatkan videonya. Ini bentuk deployment pertama yang sekarang saya usulkan sebagai default:

-- The first deployment that actually survives procurement: read-only
-- retrieval over documents the company already owns. No personal data,
-- so no lawful-basis argument, and no write path into the ERP.

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE doc_chunk (
  id          bigserial PRIMARY KEY,
  doc_id      text        NOT NULL,   -- SOP-QC-014, contract no, spec sheet
  doc_title   text        NOT NULL,
  page_no     int,                    -- so the answer can cite a page
  body        text        NOT NULL,
  embedding   vector(1024) NOT NULL,  -- match the model you actually deployed
  indexed_at  timestamptz NOT NULL DEFAULT now()
);

-- IVFFlat needs data before it is built; building on an empty table gives
-- you an index that never gets used and a pilot that "feels slow".
CREATE INDEX ON doc_chunk USING ivfflat (embedding vector_cosine_ops)
  WITH (lists = 100);

-- Retrieval returns the citation with the text. If the pilot cannot show
-- the operator WHICH page it came from, nobody in QA will trust the answer,
-- and untrusted output is how a pilot dies without anyone cancelling it.
SELECT doc_id, doc_title, page_no, body,
       1 - (embedding <=> $1) AS similarity
FROM doc_chunk
ORDER BY embedding <=> $1
LIMIT 8;

Jadi, apakah Indonesia sudah di jalur yang benar? Di lapisan yang bisa bergerak tanpa izin, ya, dan buktinya kuat: lebih banyak pekerja yang memakai AI dibanding rata-rata global, porsi advanced user dua kali lipat, dan kekhawatiran tertinggal yang memang beralasan. Di lapisan yang butuh budget, owner, dan aturan, belum. Kalau Anda membangun software untuk perusahaan Indonesia, berhentilah menjual gagasan AI — gagasan itu sudah laku — dan mulailah menjual jalur procurement-nya, data cleanup-nya, dan orang yang namanya tertulis. Di lapisan itulah angkanya benar-benar bergerak.