“95% of AI projects aren’t failing — far from it. According to new data from G2, nearly 60% of companies already have AI agents in production.” Berita sebelumnya menyebut 95% proyek AI dinilai gagal, tapi konon ada riset baru yang membantah.
Klaim ini muncul dari laporan VentureBeat, membandingkannya dengan hasil riset G2 yang dirilis belakangan. G2 adalah platform software marketplace yang populer. Berikut kutipan dari laporan hasil riset G2:
“In contrast to recent reports, such as MIT’s The GenAI Divide, that question AI’s success in producing value or moving from pilot to production, our findings suggest that agents are succeeding more often than not.“
Inilah pangkal keanehan berita-berita yang mengangkat hasil riset tersebut. Apakah benar keduanya bisa diperbandingkan? Klaim ini secara teknis ada benarnya tetapi memerlukan penjelasan konteks yang penting.
Data G2 memang menunjukkan tingkat keberhasilan AI agents, dan benar bahwa studi MIT tentang “95% proyek AI gagal” memiliki keterbatasan metodologi. Namun, kedua riset ini mengukur hal yang berbeda dan tidak bertentangan seperti yang mungkin dipahami pembaca awam.
Kesimpulan: It’s complicated.
Konteks Lengkap
Studi MIT: 95% Proyek GenAI Custom Gagal
Pada Juli 2024, MIT merilis studi bertajuk “The GenAI Divide: State of AI in Business 2025” yang menyatakan bahwa 95% program pilot AI generatif di perusahaan gagal memberikan bukti dalam laporan laba rugi (P&L).
Studi ini berbasis pada 150 wawancara dengan pemimpin perusahaan, survei terhadap 350 karyawan, dan analisis pengumuman publik.
Yang perlu dicatat, studi MIT ini secara spesifik meneliti proyek AI generatif custom yang dikembangkan khusus oleh perusahaan, bukan produk AI siap pakai atau AI agents yang tersedia di pasaran.
Contoh proyek AI generatif custom yang diteliti MIT:
- Bank yang membangun chatbot customer service dari nol menggunakan GPT-4 API, melatih dengan data internal, membuat infrastruktur sendiri
- Perusahaan retail yang mengembangkan sistem rekomendasi produk custom dengan tim data science internal
- Perusahaan manufaktur yang membuat AI untuk analisis dokumen teknis dengan model yang dilatih khusus untuk industri mereka
- Startup yang membangun asisten virtual proprietary untuk niche market tertentu
Proyek-proyek ini memerlukan:
- Tim developer dan data scientist khusus
- Investasi infrastruktur besar (server, GPU, cloud computing)
- Waktu pengembangan berbulan-bulan hingga bertahun-tahun
- Budget jutaan dollar untuk R&D
- Risiko teknis tinggi dan hasil tidak pasti
Kritik terhadap metodologi MIT: Tim Sanders dari G2 menunjukkan bahwa peneliti MIT menganalisis pengumuman publik, bukan data internal perusahaan. Jika perusahaan tidak mengumumkan dampak P&L, proyek dianggap gagal—meski dalam kenyataannya belum tentu.
Riset G2: 60% Perusahaan Telah Gunakan AI Agents dalam Produksi
Pada Oktober 2025, G2 merilis “2025 AI Agents Insights Report” yang mengungkap 57% organisasi sudah memiliki AI agents dalam tahap produksi. Riset ini melibatkan survei pada lebih dari 1.000 pembeli perangkat lunak B2B dan analisis ribuan ulasan di platform G2.
Contoh AI agents siap pakai yang diteliti G2:
- Salesforce Einstein GPT: AI agent untuk otomasi sales dan customer service yang langsung terintegrasi dengan CRM
- Zendesk AI Agent: Chatbot customer service yang bisa diaktifkan dalam hitungan hari tanpa coding
- GitHub Copilot: AI coding assistant yang langsung bisa dipakai developer tanpa perlu setup kompleks
- Intercom Fin: AI agent untuk customer support yang sudah pre-trained dan siap deploy
- HubSpot ChatSpot: AI agent untuk marketing dan sales automation yang plug-and-play
AI agents ini memiliki karakteristik:
- Sudah siap pakai (plug-and-play atau konfigurasi minimal)
- Tidak perlu tim development khusus
- Bisa diimplementasikan dalam hitungan hari atau minggu
- Model pricing subscription bulanan/tahunan yang jelas
- Dukungan vendor dan dokumentasi lengkap
- Risiko lebih rendah karena sudah terbukti di ribuan perusahaan
Temuan kunci dari riset G2:
- 57% perusahaan sudah mengimplementasikan AI agents dalam produksi
- 40% perusahaan memiliki anggaran AI agent lebih dari $1 juta di tahun 2025
- 83% pembeli puas dengan performa AI agents
- Median waktu untuk mencapai hasil bermakna adalah 6 bulan atau kurang
Apa yang Perlu Dipahami dari Klaim Ini?
1. Membandingkan Teknologi yang Berbeda
Tim Sanders, VP of Research Insights di G2, menjelaskan kepada VentureBeat bahwa studi MIT hanya mempertimbangkan proyek AI generatif custom, sementara riset G2 fokus pada AI agents—teknologi yang berbeda dengan karakteristik deployment yang berbeda pula.
“Laporan kami benar-benar menunjukkan bahwa agentic adalah makhluk yang berbeda dalam hal AI terkait kegagalan atau kesuksesan,” ujar Sanders kepada VentureBeat.
2. Keterbatasan Metodologi MIT
Sanders mengkritik bahwa studi MIT yang dirilis Juli 2024 hanya menganalisis pengumuman publik perusahaan, bukan data internal yang sebenarnya.
Jika sebuah perusahaan tidak mengumumkan dampak P&L dari proyek AI mereka, proyek tersebut dianggap gagal—meskipun dalam kenyataannya belum tentu demikian. Ini menimbulkan bias signifikan dalam pengukuran tingkat kegagalan.
Selain itu, banyak media menggeneralisasi temuan MIT sebagai “AI gagal 95% dari waktu ke waktu” padahal studi tersebut spesifik hanya untuk proyek AI generatif custom.
3. Waktu dan Evolusi Teknologi
Studi MIT dirilis Juli 2024, sementara data G2 dikumpulkan sepanjang 2025. Dalam industri yang bergerak secepat AI, selisih waktu beberapa bulan hingga satu tahun sangat signifikan. AI agents mengalami perkembangan pesat dan tingkat adopsi yang meningkat drastis dalam periode tersebut.
4. Jenis Implementasi AI yang Berbeda
Mari kita lihat perbedaan konkret antara kedua pendekatan:
Skenario: Perusahaan ingin AI untuk customer service
Pendekatan GenAI Custom (yang diteliti MIT):
- Perusahaan e-commerce memutuskan membangun chatbot AI dari nol
- Merekrut 5-10 data scientist dan ML engineer (biaya $500k-$1juta/tahun)
- Membeli akses GPT-4 API dan infrastruktur cloud (biaya $50k-$200k/tahun)
- Mengumpulkan dan membersihkan data chat history (3-6 bulan)
- Melatih dan fine-tuning model (2-4 bulan)
- Testing dan debugging (2-3 bulan)
- Total waktu: 9-15 bulan, biaya $1-3 juta
- Risiko: Tinggi – mungkin tidak sesuai ekspektasi, performa buruk, atau tidak bisa scale
- Hasil MIT: 95% proyek seperti ini gagal memberikan ROI
Pendekatan AI Agents (yang diteliti G2):
- Perusahaan yang sama membeli Zendesk AI Agent atau Intercom Fin
- Sign up dan setup dalam 1-3 hari
- Konfigurasi dengan knowledge base existing (1-2 minggu)
- Training minimal karena model sudah pre-trained
- Deploy ke production (1 minggu)
- Total waktu: 3-4 minggu, biaya $50k-$200k/tahun (subscription)
- Risiko: Rendah – sudah terbukti di ribuan perusahaan, ada demo, trial, dan customer reviews
- Hasil G2: 57% perusahaan berhasil implementasi dengan tingkat kepuasan 83%
Perbedaan Fundamental:
| Aspek | AI Generatif Custom | AI Agents Siap Pakai |
|---|---|---|
| Waktu Deploy | 9-15 bulan | 3-4 minggu |
| Biaya Awal | $1-3 juta | $50k-$200k/tahun |
| Tim Required | 5-10 spesialis | 1-2 admin/manager |
| Risiko | Sangat tinggi | Rendah-medium |
| Maintenance | Tim full-time | Vendor yang handle |
| Skalabilitas | Harus bangun sendiri | Built-in |
| Support | Internal only | Vendor + community |
AI agents memiliki keunggulan dibanding proyek Gen AI custom karena:
- Lebih cepat diimplementasikan (hitungan minggu vs bulan)
- Sudah teruji di berbagai kasus pemanfaatan
- Lebih rendah risikonya (teknologinya lebih sederhana, mudah dibuat hingga tahap produksi)
- Dukungan vendor yang lebih baik
- Biaya lebih mudah diprediksi (model berlangganan)
- Tidak perlu menggaji tim spesialis AI
Fakta Tambahan
Kesuksesan AI Agents Didukung Data Objektif
Riset G2 menunjukkan bahwa AI agents tidak hanya berhasil diimplementasikan, tetapi juga memberikan nilai bisnis nyata:
- Kecepatan: Median peningkatan 23% dalam speed-to-market, dengan beberapa kasus mencapai 50% di bidang marketing dan sales
- Kepuasan Karyawan: Hampir 90% partisipan melaporkan kepuasan karyawan yang lebih tinggi di departemen yang menggunakan AI agents
- Penghematan Biaya: Program dengan “human in the loop” dua kali lebih mungkin menghasilkan penghematan biaya 75% atau lebih
- Ekspansi: Lebih dari setengah perusahaan yang sudah menggunakan AI agents berencana memperluas cakupan atau anggaran dalam 12 bulan ke depan
Contoh Pemanfaatan yang Populer
Kasus penggunaan terpopuler untuk AI agents di perusahaan enterprise:
- Customer service
- Business intelligence
- Software development
Kesimpulan
Klaim bahwa “95% proyek AI tidak gagal” karena ada perbedaan definisi tentang “proyek AI”. Dari kaca mata MIT, proyek Ai dimaksud adalah Gen AI Custom, sementara data G2 menunjukkan tingkat keberhasilan tinggi dalam AI Agents, sehingga perlu pemahaman konteks yang penting:
Yang Benar:
- Data G2 valid: 57% perusahaan memang berhasil mengimplementasikan AI agents dalam produksi dengan tingkat kepuasan 83%.
- Kritik terhadap studi MIT ada dasarnya: metodologi yang mengandalkan pengumuman publik memiliki bias.
- Media banyak yang menggeneralisasi temuan MIT secara berlebihan.
Yang Perlu Dipahami:
- Studi MIT (Juli 2024) fokus pada proyek AI generatif custom yang dibangun dari nol
- Riset G2 (Oktober 2025) fokus pada AI agents – solusi siap pakai yang lebih mudah diimplementasikan
- Perbedaan hasil ini mencerminkan perbedaan antara:
- Membangun AI dari nol (risiko tinggi, tingkat kegagalan tinggi)
- Mengadopsi solusi AI siap pakai (risiko lebih rendah, tingkat keberhasilan lebih tinggi)
- Kedua temuan bisa benar secara bersamaan dan tidak saling bertentangan
Konteks Penting: Narasi “95% AI gagal” yang beredar luas di media adalah oversimplifikasi dari studi MIT yang sebenarnya lebih spesifik pada Gen AI Costom. Klaim yang menyatakan sebaliknya (bahwa AI agents berhasil) juga benar, tetapi mengacu pada jenis implementasi AI Agents.
Jadi, bila Anda membaca klaim tentang statistik AI, penting untuk memahami konteks:
- Perhatikan jenis teknologi AI: Generative AI custom, AI agents, machine learning—semuanya berbeda dengan tingkat kesuksesan yang berbeda.
- Periksa metodologi riset: Data internal vs pengumuman publik, survei vs analisis pasar.
- Waspadai generalisasi berlebihan: Studi spesifik tentang satu jenis AI sering digeneralisasi menjadi “semua AI”.
- Pertimbangkan waktu: Industri AI berubah sangat cepat, data 6-12 bulan yang lalu bisa sudah tidak relevan.
- Cari sumber primer: Jangan hanya mengandalkan headline, baca laporan lengkapnya.
*Photo by Alex Knight via Unsplash
