Ada miskonsepsi yang masih bertahan di kalangan investor dan analis pasar soal gelombang adopsi Kecerdasan Buatan (AI) di Indonesia. Sementara narasi publik merayakan setiap peluncuran chatbot perbankan atau personalisasi feed di aplikasi D2C (Direct-to-Consumer), realitas di laporan laba rugi menceritakan kisah yang lebih rumit. Setelah beberapa tahun adopsi massal, pertanyaan kritisnya bukan lagi "siapa yang memakai AI?", melainkan "apakah investasi miliaran rupiah ke AI benar-benar menekan biaya operasional, atau menjadi pusat pembakaran modal (cash-furnace) baru yang lebih canggih?"
Datanya, sejauh ini, cenderung mendukung sikap skeptis — meski tidak mutlak. Riset IBM Institute for Business Value menemukan inisiatif AI tingkat perusahaan rata-rata baru menghasilkan ROI sekitar 5,9%, di bawah biaya modal (~10%). Berbagai analisis industri memperkirakan 80–85% proyek AI/GenAI gagal memenuhi janji awalnya — paling sering karena persoalan kualitas data. Namun survei McKinsey (2025) menunjukkan 92% eksekutif justru berniat menaikkan belanja AI. Artinya: belanja naik, sementara bukti pengembalian masih tipis dan belum merata.
Analisis Struktural: Biaya Tersembunyi di Balik Janji Efisiensi
Akar masalah dari rendahnya efektivitas AI dalam menekan biaya bukanlah pada keterbatasan model algoritmanya, melainkan pada realitas fisik dan organisasional di lapangan. Implementasi AI yang sukses bergantung pada tiga pilar yang sering diabaikan:
- Data Hygiene (Kebersihan Data): Prinsip fundamental "Garbage In, Garbage Out" tetap menjadi kendala utama. Mayoritas korporasi masih bergulat dengan data yang terfragmentasi, tidak terstruktur, dan terkunci di sistem lawas (legacy systems). Pekerjaan membersihkan, melabeli, dan menstandardisasi data ini mahal dan padat karya — berbagai survei menunjukkan tim data menghabiskan 60–80% waktunya untuk menyiapkan data sebelum satu baris model pun benar-benar bekerja.
- Kelangkaan Talenta & Perang Gaji: Kebutuhan akan Data Scientist, AI Engineer, dan MLOps Engineer yang kompeten menciptakan perang talenta dengan inflasi gaji yang ekstrem. Biaya akuisisi dan retensi talenta ini menjadi komponen signifikan dalam Beban Operasional (OPEX), dan kerap mengimbangi — bahkan melebihi — penghematan yang dihasilkan otomatisasi.
- Cloud Compute Cost & Utang Infrastruktur: Melatih dan menjalankan model kompleks — terutama Large Language Models (LLM) — menuntut daya komputasi GPU yang besar. Membangun kapabilitas on-premise butuh CAPEX raksasa, sementara ketergantungan pada cloud (AWS, Google Cloud, Azure) menciptakan beban OPEX variabel yang sulit diprediksi. Tren positifnya, persaingan antarpenyedia cloud dan efisiensi chip mulai menekan komponen biaya ini.
Dampak Sektoral: Menakar Efektivitas pada Emiten Kunci
Tekanan untuk berinovasi paling terasa di sektor perbankan—yang berupaya mempertahankan margin di tengah gempuran bank digital—dan sektor teknologi, yang berada dalam "adu balap" retensi pengguna.
Sektor Perbankan: AI Sebagai Senjata Defensif
Bagi bank-bank raksasa, AI lebih berfungsi sebagai alat pertahanan (defensive tool) ketimbang motor pencipta profitabilitas baru. Tesis utamanya adalah AI dapat menekan Cost-to-Income Ratio (CIR) atau Beban Operasional terhadap Pendapatan Operasional (BOPO) melalui otomatisasi layanan pelanggan dan asesmen kredit. Mari kita uji tesis ini:
- PT Bank Central Asia Tbk (BBCA): Meskipun gencar berinvestasi pada digitalisasi, **CIR BBCA dari ~34,8% (2021) ke 33,9% (2023), 31,3% (2024), dan 30,7% (2025) — sudah di bawah 32%. Catatannya: perbaikan ini lebih masuk akal dikaitkan dengan skala ekonomi yang masif dan biaya dana (Cost of Funds) yang rendah ketimbang AI semata. Mengisolasi kontribusi AI terhadap efisiensi tetap sulit dibuktikan dari angka agregat.
- PT Bank Mandiri (Persero) Tbk (BMRI): Melalui platform Livin', BMRI mengintegrasikan AI untuk personalisasi penawaran, risk scoring, dan analisis sentimen. Dalam paparan Q4 2025, manajemen menyatakan AI di divisi TI memangkas waktu pengembangan hingga ~50%, dan ekspansi Livin' berjalan "tanpa kenaikan biaya yang signifikan"; CIR berada di kisaran ~35% (bank saja) / ~40% (konsolidasi). Klaim efisiensi ini menjanjikan, tetapi — seperti BBCA — membuktikan penghematan netto yang murni berasal dari AI di laporan keuangan masih menjadi pekerjaan rumah.
Sektor Teknologi: AI Sebagai Biaya Wajib (Cost of Doing Business)
Bagi emiten seperti GOTO, AI adalah urat nadi operasional untuk logistik, dynamic pricing, dan mesin rekomendasi. Namun, alih-alih menjadi pengungkit profitabilitas, AI justru menjadi biaya yang wajib dikeluarkan untuk tetap kompetitif.
- PT GoTo Gojek Tokopedia Tbk (GOTO): Sepanjang 2025, rugi bersih GOTO menyusut ~73% menjadi ~Rp1,5 triliun (dari ~Rp5,4 triliun pada 2024), dengan adjusted EBITDA rekor ~Rp2 triliun yang melampaui panduan, dan pendapatan naik ~24% ke ~Rp18,3 triliun. Pendisiplinan biaya berperan besar: beban kas turun 7,8% YoY pada semester I-2025 (antara lain dari pemangkasan gaji dan insentif), didukung rampungnya migrasi cloud pada Juni 2025. GOTO bahkan membukukan laba bersih pertamanya pada Q1 2026 dan memandu adjusted EBITDA 2026 di Rp3,2–3,4 triliun. Artinya, kombinasi disiplin biaya, skala, dan efisiensi operasional (termasuk yang dioptimalkan AI) bisa berujung pada profitabilitas — sinyal bahwa, untuk platform, tesis "pembakar modal" mulai bergeser.
Peta Pemain: Siapa Pemenang Sesungguhnya?
Jika para pengguna akhir AI masih dalam fase "investasi berdarah", maka pemenang sesungguhnya dalam jangka pendek hingga menengah adalah para penyedia infrastruktur—mereka yang menjual "sekop dan cangkul" di tengah demam emas AI.
| Tier | Jenis Aset | Pemain Kunci | Analisis |
|---|---|---|---|
| Tier 1 | Penyedia Infrastruktur Inti | PT Telkom Indonesia (TLKM), PT Indosat Ooredoo Hutchison (ISAT) | Diuntungkan secara langsung dari lonjakan permintaan data center, konektivitas fiber optic, dan layanan cloud. Bagi mereka, semakin besar "kebakaran modal" di sisi pengguna AI, semakin besar pendapatan mereka. Mereka adalah toll road operators dalam ekonomi digital. |
| Tier 2 | Adopter Skala Besar | BBCA, BMRI, BBRI, BBNI | Posisi defensif. Investasi AI adalah keharusan untuk mempertahankan pangsa pasar dan mencegah disrupsi dari fintech. ROI finansial belum terlihat jelas dan masih tertutup oleh skala operasional yang gigantis. |
| Tier 3 | Platform Berbasis AI | GOTO, BUKA | AI adalah produk inti sekaligus pusat biaya terbesar. Pertaruhan high-risk, high-reward. Keberhasilan mereka bergantung pada kemampuan AI untuk menciptakan efisiensi operasional netto setelah dikurangi biaya talenta dan komputasi yang masif. |
Analisis Risiko Pembalikan Arah
Tesis "AI sebagai pembakar modal" ini memiliki beberapa risiko. Katalis yang dapat membalikkan arah dan membuktikan efektivitas AI adalah:
- Maturitas Teknologi: Munculnya platform AI low-code/no-code yang lebih matang dapat mendemokratisasi adopsi dan menekan biaya talenta engineer yang mahal.
- Regulasi Data (UU PDP): Jika implementasi UU Pelindungan Data Pribadi ternyata lebih longgar, perusahaan dapat lebih leluasa memanfaatkan data historis untuk melatih model AI yang lebih akurat dan efisien tanpa biaya kepatuhan yang membengkak.
- Penurunan Biaya Komputasi: Persaingan antar penyedia cloud atau terobosan dalam efisiensi chip GPU dapat secara struktural menurunkan salah satu komponen biaya terbesar dari operasionalisasi AI.
Namun, risiko sebaliknya juga sama besarnya. Resesi ekonomi atau kenaikan suku bunga dapat memaksa korporasi memangkas anggaran "eksperimental". Jika proyek-proyek AI menjadi yang pertama dipotong, hal ini akan mengonfirmasi statusnya sebagai "kemewahan" strategis, bukan kebutuhan operasional yang terbukti efisien.
Kesimpulan Strategis: Pisahkan Hype dari Realitas Neraca Keuangan
Memasuki paruh kedua dekade 2020-an, narasi mengenai AI di korporasi Indonesia perlu bergeser dari selebrasi adopsi menuju audit yang tajam atas laba atas investasi. Bukti empiris saat ini menunjukkan bahwa bagi sebagian besar perusahaan, AI masih lebih dekat ke pusat biaya (cost center) ketimbang pusat laba (profit center). Namun gambarannya tidak statis: efisiensi mulai muncul di sejumlah emiten (CIR perbankan menurun, platform seperti GOTO mencetak laba) — meski belum merata dan belum selalu bisa diatribusikan langsung ke AI.
Bagi investor, strategi paling rasional tetap: (1) memberi bobot pada infrastruktur pendukung yang diuntungkan secara agnostik dari tren ini; dan (2) bagi para adopter di sektor perbankan & teknologi, memantau metrik efisiensi fundamental — CIR, BOPO, dan biaya R&D sebagai persentase pendapatan — serta tren biaya cloud tahunan. Selama perbaikan itu konsisten dan dapat dikaitkan secara kredibel dengan inisiatif AI, tesis akan terus teruji. Pasar selalu memberi premium pada harapan, tetapi pada akhirnya, neraca keuangan tidak pernah berbohong.
Referensi Riset:
- Indonesian Corporate IT Spending Report Q2 2024, Gartner Consulting.
- The State of AI in Southeast Asia's Financial Services, McKinsey & Company, 2024.
- Financial Stability Review, Bank Indonesia, No. 42, 2024.
- Annual Reports & Financial Statements (2021-2023) of BBCA, BMRI, GOTO, TLKM.