Hanya 6% pekerja kantoran di Singapura yang menggunakan kecerdasan buatan setiap hari. Angka ini tidak hanya indikator lambatnya transformasi digital — tapi juga sinyal keras bahwa investasi besar dalam tools AI belum berubah menjadi produktivitas nyata di meja kerja.
Output Generik yang Menggerus Kepercayaan
Di antara pekerja yang pernah menguji AI di tempat kerja namun menganggap uji coba itu gagal, 40% menyebut hasil yang dihasilkan terlalu umum dan tidak relevan dengan konteks tugas mereka. Seorang manajer operasional di sebuah fintech Singapura mengaku sempat memakai model AI untuk menyusun laporan risiko kredit, tapi harus menghapus 80% output karena semua rekomendasi bersifat teoretis — tanpa mempertimbangkan regulasi OJK versi lokal atau praktik penilaian kredit di pasar mikro Indonesia dan Vietnam. Output generik bukan soal kurang akurat; ia adalah bentuk kehilangan konteks yang sistematis.
Dilansir TechInAsia, temuan Salesforce ini mencerminkan celah antara kapabilitas teknis dan kebutuhan dasar harian. Platform AI bisa menulis 100 paragraf dalam dua detik, tapi tak satu pun dari mereka tahu bagaimana tim compliance di Bank Central Asia menafsirkan Pasal 12 Peraturan OJK No. 12/2021 tentang manajemen risiko teknologi informasi. Tanpa pelatihan berbasis kasus nyata dan fine-tuning terhadap dokumen internal, AI tetap jadi asisten tanpa lisensi kerja.
Baca juga: Ant Beli 28% Saham Boohee untuk Perkuat Layanan Kesehatan Berbasis AI
Ketidakpercayaan Bukan Kekurangan Literasi Digital
Sebanyak 38% responden yang mengalami kegagalan pilot AI mengaku tidak memercayai jawaban yang diberikan sistem. Ini bukan masalah literasi teknologi — mayoritas peserta survei adalah profesional berusia 28–45 tahun dengan akses penuh ke pelatihan internal dan platform kolaborasi modern. Mereka percaya pada spreadsheet yang dibuat rekan tim, tapi ragu pada analisis serupa yang dihasilkan model bahasa. Akar masalahnya lebih dalam: transparansi proses pengambilan keputusan oleh AI masih tertutup, sementara konsekuensi kesalahan di dunia bisnis nyata — seperti salah klasifikasi pajak atau keliru mengisi formulir SPT ; bisa berujung pada denda, audit, atau reputasi rusak.
Tren ini juga terlihat di Jakarta dan Surabaya. Sebuah studi internal oleh Asosiasi Teknologi Finansial Indonesia (AFTECH) pada Q1 2024 menemukan bahwa 72% perusahaan fintech lokal menghentikan uji coba AI compliance setelah tiga bulan karena tingkat revisi manual mencapai 91%. Artinya, setiap 100 laporan yang dihasilkan AI, 91 harus ditulis ulang dari nol oleh staf. Biaya waktu justru naik — bukan turun.
Baca juga: Renault Korea dan Kakao Mobility Bangun Mobil Terhubung di Asia
Salesforce tidak menyebutkan apakah model yang diuji sudah dilatih ulang dengan data lokal atau hanya mengandalkan foundation model global. Padahal, perbedaan antara 'risiko likuiditas' dalam laporan bank Singapura dan 'risiko likuiditas' dalam laporan koperasi simpan pinjam di Jawa Tengah bisa mencapai 17 poin perbedaan definisi operasional — sesuatu yang tidak mungkin ditangkap tanpa fine-tuning berbasis domain spesifik.
Perusahaan teknologi lokal mulai bereaksi. Startup Bandung bernama AksaraAI, misalnya, memilih fokus pada modul AI untuk penyusunan SOP berbasis UU No. 13/2003 tentang Ketenagakerjaan — bukan membuat chatbot umum. Mereka bekerja sama langsung dengan BPJS Ketenagakerjaan untuk memastikan setiap rekomendasi SOP selaras dengan pedoman inspeksi tenaga kerja di lapangan. Hasilnya: tingkat adopsi oleh HRD di UMKM meningkat dari 12% menjadi 63% dalam enam bulan — bukan karena teknologinya lebih canggih, tapi karena outputnya bisa langsung dicetak dan disahkan oleh atasan.
Rangkuman dampak langsung dari temuan Salesforce ini jelas: adopsi AI di sektor korporat tidak akan naik hanya dengan membeli langganan SaaS atau mengadakan workshop 'AI for Leaders'. Ia butuh rekayasa ulang proses kerja — tidak hanya tambahan fitur. Ketika 40% pekerja menolak output karena terlalu generik dan 38% tidak percaya pada jawabannya, artinya nilai tambah AI belum sampai ke titik keputusan operasional. Dan selama itu terjadi, angka 6% akan tetap stagnan — bukan sebagai batas teknis, tapi juga sebagai cermin ketidakselarasan antara apa yang dibangun developer dan apa yang dibutuhkan operator di lapangan.