Tujuh Biaya Adopsi AI yang Tidak Pernah Masuk Proposal

Angka di proposal hampir tidak pernah jadi angka yang kamu bayar. Bukan karena vendornya nakal, tapi karena sebagian besar biaya adopsi AI muncul di tempat yang tidak masuk kolom mana pun: waktu tim, waktu pengecekan, dan pekerjaan membereskan hal yang ternyata belum beres.

Tujuh ini yang paling sering saya lihat. Sebagian besar berulang tiap bulan.

1. Waktu Tim, yang Hampir Selalu Lebih Besar dari Fee-nya

Kalau 30 orang ikut training sehari, biaya sebenarnya adalah 30 hari kerja ditambah fee trainernya. Untuk kebanyakan perusahaan, bagian pertama lebih besar.

Ini bukan alasan untuk tidak training. Ini alasan untuk tidak memilih format yang menghabiskan waktu 30 orang tanpa mengubah apa pun. Yang mahal bukan trainingnya, tapi training yang tidak berdampak.

2. Biaya Per Task yang Berulang

Tiap kali AI menjalankan sesuatu, ada biaya token. Sepele per satuan, nyata kalau jalan ribuan kali sebulan.

Yang bikin kaget bukan besarnya, tapi bahwa dia tumbuh mengikuti keberhasilan. Makin dipakai, makin mahal. Itu terbalik dari kebanyakan software yang biayanya tetap. Minta angka biaya per task sebelum tanda tangan, lalu kalikan dengan volume bulanan yang realistis, bukan volume pilot.

3. Waktu Pengecekan Manusia

Kalau desainnya butuh manusia menyetujui di titik berisiko, dan seharusnya memang butuh, waktu orang itu adalah biaya operasional yang berulang.

Ini sering dianggap sementara, seolah nanti hilang setelah sistemnya "matang". Untuk pekerjaan yang menyentuh uang, janji ke customer, atau perubahan data, biasanya tidak hilang. Anggarkan sebagai permanen.

4. Biaya Ketika AI-nya Salah

Ini yang paling mahal dan paling jarang dihitung.

Oktober 2025, KPMG menerbitkan laporan berjudul Total Experience. Juni 2026 laporan itu ditarik. Tinjauan GPTZero menemukan dari 45 kutipan, hanya lima yang mengarah ke sumber yang benar. Beberapa organisasi yang namanya dicatut, termasuk UBS, NHS Greater Manchester, Swiss Federal Railways, dan Transport for London, menyatakan informasi soal mereka keliru.

Sebelumnya, Deloitte mengembalikan sebagian bayaran ke pemerintah Australia untuk laporan senilai 439 ribu dolar Australia setelah ditemukan referensi ke penelitian yang tidak pernah ada (CFO Dive).

Dua perusahaan itu punya proses review yang jauh lebih ketat dari kebanyakan bisnis di Indonesia. Biaya yang mereka tanggung bukan biaya token, tapi biaya menarik pekerjaan yang sudah terbit. Itu tidak ada di proposal mana pun.

5. Langganan yang Menumpuk Diam Diam

Satu tim pakai satu tool, tim lain pakai yang lain, dan setahun kemudian ada lima langganan yang tidak ada yang mengaudit.

Ini bukan biaya besar per item, itu sebabnya lolos. Yang bikin mahal adalah tidak ada yang tahu berapa seat yang benar benar aktif. Cek pemakaian aktual, bukan jumlah seat yang dibeli.

6. Perawatan Setelah Serah Terima

Agent atau workflow AI bukan barang kiriman, dia sistem yang butuh pemilik. Waktu vendor mengubah API, atau proses internal berubah, atau model diperbarui dan perilakunya sedikit bergeser, ada yang harus memperbaikinya.

Kalau tidak ada nama yang jelas untuk peran ini, biayanya tetap muncul, cuma dalam bentuk sistem yang pelan pelan berhenti dipakai karena tidak ada yang membetulkan.

7. Biaya Memilih Hal yang Salah

Ini yang terbesar, dan sepenuhnya tidak terlihat.

Studi MIT Media Lab lewat inisiatif NANDA, The State of AI in Business 2025, memetakan penyusutannya: sekitar 60% organisasi mengevaluasi tool AI, 20% sampai pilot, hanya 5% sampai production. Kebocoran terbesar terjadi antara evaluasi dan pilot, bukan di implementasi.

Artinya uang paling banyak terbuang bukan karena membangun dengan buruk, tapi karena membangun hal yang salah dengan baik.

Satu catatan kejujuran: laporan itu mengukur ROI dalam enam bulan setelah pilot, dan penulisnya sendiri menyebut data wawancaranya directionally accurate dan bukan pelaporan resmi perusahaan. Polanya nyata, angkanya lebih lunak dari cara "95% proyek AI gagal" biasa dikutip orang. Saya sebut karena kalimat itu sekarang dipakai sebagai bahan jualan oleh orang yang belum pernah membaca metodologinya.

Ringkasannya

Cara Menekannya

Satu prinsip: mulai dari yang murah dan gampang diubah, bukan dari yang mahal dan kaku. Anak tangga pertama sengaja murah supaya kamu bebas salah berkali kali sebelum ada yang mahal untuk dibongkar.

Praktiknya: catat dulu pekerjaannya secara manual selama sebulan, coba automation sederhana kalau langkahnya ternyata tetap, dan baru bangun sesuatu yang permanen setelah ada bukti dipakai berulang. Urutan lengkapnya saya tulis di Cara Menerapkan AI di Bisnis.

Dan sebelum menyetujui proposal apa pun, tanyakan dua hal: berapa biaya per task setelah live, dan siapa pemilik sistemnya setelah serah terima. Kalau dua pertanyaan itu tidak ada jawabannya, harganya belum lengkap.