Ada ironi yang terlalu rapi untuk diabaikan: di saat yang sama ketika sebuah survei mencatat tingkat adopsi kecerdasan buatan di Indonesia mencapai 92 persen pada Februari 2026, Gartner merilis data bahwa hanya 17 persen organisasi di tingkat global yang benar-benar telah men-deploy AI agents ke produksi. Dua angka ini — 92 dan 17 — tidak sedang mengukur hal yang berbeda. Mereka sedang mengukur hal yang sama dengan margin of error sebesar galaksi.
Dalam istilah infrastruktur, yang kita saksikan adalah overprovisioning harapan yang sistemik. Seperti menyewa cluster GPU untuk beban kerja yang masih berupa pseudocode di napkin — kapasitas terpasang jauh melampaui throughput yang terealisasi.
Arsitektur Dua Angka yang Tak Pernah Saling Menelepon
Angka 92 persen adopsi AI di Indonesia, yang dikutip dari laporan adopsi digital nasional dan dirayakan di berbagai forum strategis, sebenarnya mengukur sesuatu yang sangat spesifik: berapa banyak responden yang pernah menggunakan layanan berbasis AI dalam enam bulan terakhir. Dalam definisi itu, membuka Google Assistant untuk menanyakan cuaca, menggunakan fitur face unlock di ponsel, atau meminta ChatGPT menerjemahkan surel sudah cukup untuk dikategorikan sebagai “mengadopsi AI.”
Ini setara dengan menyatakan bahwa 92 persen penduduk Jakarta adalah penerbang karena pernah naik pesawat.
Sementara itu, Gartner mencatat bahwa lebih dari 60 persen organisasi berencana men-deploy AI agents dalam dua tahun ke depan — namun hanya 17 persen yang benar-benar melakukannya sekarang. Dari 17 persen itu, berdasarkan data industri, lebih dari separuhnya masih beroperasi dalam lingkup terbatas yang bahkan tidak layak disebut produksi. Di ruang operasional yang terbatas, perbedaan antara “pernah mencoba” dan “berjalan di produksi” adalah perbedaan antara prototype di laptop CTO dan load balancer yang menangani 10.000 permintaan per detik.
Dalam arsitektur sistem, ini adalah masalah separation of concerns antara niat dan eksekusi. Dan tidak ada middleware yang bisa menjembatani celah itu.
Pilot-to-Production Gap: Koridor yang Tidak Pernah Dilewati
Salah satu pola paling konsisten yang muncul dari laporan industri 2026 adalah fenomena yang bisa disebut demo-to-production graveyard. Sebuah tim menulis kode, membangun agen AI yang mengesankan, menunjukkan kemampuannya di hadapan board, mendapatkan aprobasi — dan kemudian proyek itu mati di meja tim keamanan, tim governance, atau tim infrastruktur.
Gartner memprediksi bahwa 40 persen proyek agentic AI akan dihentikan pada 2027, bukan karena teknologinya gagal, tetapi karena organisasi tidak mampu mengoperasionalkannya. Data dari Deloitte menunjukkan hanya 1 dari 5 perusahaan yang memiliki model governance yang matang untuk agen AI otonom. Ini bukan kegagalan teknis — ini kegagalan arsitektural yang dimulai sejak pilot didesain.
Dari lokalitas terbatas, pola ini punya resonansi khusus. Startup AI di Indonesia seringkali membangun demo dengan framework open-source seperti LangChain atau CrewAI, menghasilkan presentasi yang meyakinkan, dan kemudian berhadapan dengan tembok beton bernama enterprise security review. Tidak ada audit trail. Tidak ada identity management. Tidak ada least-privilege access. Yang ada hanyalah agen yang bisa melakukan apa saja — termasuk menghapus production database jika prompt yang masuk dirancang dengan baik.
Seorang CTO yang saya wawancarai secara anonim menyebutnya sebagai “cowboy deployment di iklim regulasi yang belum punya sheriff.” Di Indonesia, di mana Perpres Peta Jalan AI baru mulai mencari bentuk, celah antara pilot dan produksi ini bukan sekadar masalah teknis — ini adalah “surface area” serangan nasional yang menunggu untuk dieksploitasi.
Biaya Inferensi yang Tidak Pernah Masuk Business Case
Bagian paling menarik dari inflasi metrik adopsi adalah bahwa biaya operasional AI — yang dalam istilah teknis disebut cost of inference — hampir selalu diabaikan dalam perhitungan awal. Sebuah startup mengumumkan agen AI untuk layanan pelanggan, menunjukkan betapa murahnya menjalankan demo dengan 100 percakapan, dan kemudian mendapatkan tagihan API yang membuat CFO pingsan saat skala mencapai 10.000 percakapan per hari.
Data dari AI Empire Media menunjukkan bahwa perusahaan kecil rata-rata membayar 1.000 per bulan untuk subscription AI pada pertengahan 2026, dan perusahaan yang memproduksi konten dalam volume tinggi bisa menghabiskan 2.000 per bulan hanya untuk biaya API. Belum termasuk biaya listrik, cooling, dan tenaga spesialis prompt engineering yang gajinya berkisar 150.000 per tahun — angka yang absurd untuk pasar Indonesia, namun tetap harus dibayar dalam dolar karena talenta dengan kompetensi itu langka di lokalitas mana pun.
Dalam arsitektur sistem, ini adalah kegagalan resource allocation yang klasik. Anggaran proof-of-concept diisi dengan asumsi linear, sementara biaya operasional tumbuh secara eksponensial. Tidak ada vertical pod autoscaling yang bisa menyelamatkan business case yang dibangun di atas fondasi matematika yang salah.
Yang lebih ironis: saat startup-startup AI mulai kehabisan runway, tingkat kegagalan startup AI dari cohort 2024 mencapai 60 hingga 70 persen, menurut analisis industri. VC funding untuk AI turun 80 persen dari puncak 2024. Valuasi kembali ke level pra-2023. Artinya, overprovisioning terjadi tidak hanya pada infrastruktur komputasi, tetapi juga pada infrastruktur modal.
Signal-to-Noise Ratio yang Terbalik
Fenomena 92 persen adopsi vs 17 persen deployment ini, jika diterjemahkan ke dalam bahasa networking, adalah masalah signal-to-noise ratio yang kritis. Terlalu banyak sinyal yang dipalsukan oleh noise dari metrik yang dirancang untuk menciptakan ilusi kemajuan.
Beberapa perusahaan konsultan mulai menyebut fenomena ini sebagai “AI washing” versi kedua: setelah gelombang pertama di mana perusahaan mengklaim menggunakan AI untuk menaikkan valuasi, gelombang kedua adalah di mana negara dan ekosistem mengklaim adopsi AI untuk menaikkan daya tarik investasi. Keduanya sama-sama menghasilkan noise, dan keduanya sama-sama berbahaya bagi pengambilan keputusan yang rasional.
Untuk Indonesia, masalahnya lebih struktural. Infrastruktur AI nasional — dari pusat data hingga talent pipeline — masih dalam tahap pembangunan. Laporan ResearchGate mengidentifikasi enam area prioritas untuk adopsi AI di Indonesia, termasuk tata kelola, stabilitas regulasi, dan perluasan akses digital. Tapi angka 92 persen menciptakan ilusi bahwa semua prioritas itu sudah terpenuhi.
Dalam istilah sistem, ini feedback loop yang rusak. Metrik yang tinggi menghilangkan urgensi untuk memperbaiki infrastruktur yang sebenarnya masih underprovisioned.
Overprovisioning Harapan, Underprovisioning Realitas
Di akhir tahun 2025, Indonesia meluncurkan whitepaper Peta Jalan AI Nasional. Di tahun 2026, komitmen infrastruktur digital terus digembar-gemborkan. Tapi data deployment aktual — 17 persen secara global, dan kemungkinan lebih rendah untuk Indonesia — menunjukkan bahwa ada perbedaan besar antara kapasitas yang dipropagandakan dan kapasitas yang terealisasi.
Dalam arsitektur sistem, overprovisioning adalah strategi yang mahal tetapi terkadang diperlukan untuk mengantisipasi lonjakan. Tapi overprovisioning yang dilakukan pada metrik — bukan pada infrastruktur — adalah bentuk buffer overflow yang berbeda: data meluap ke wilayah yang seharusnya tidak bisa dimasukinya, menimpa variabel-variabel penting seperti anggaran, prioritas, dan ekspektasi publik.
Perusahaan AI yang bertahan di 2026 bukanlah yang paling pintar membangun demo, melainkan yang paling disiplin membangun governance, integrasi, dan workflow produksi. Mereka yang mengukur keberhasilan bukan dari “seberapa pintar agen ini?” tetapi dari “proses apa yang kita tingkatkan — dan seberapa banyak?”
Log ditutup di sini. Dua angka tidak pernah bertemu, namun keduanya terus dirujuk dalam rapat yang sama. Overprovisioning bukanlah strategi infrastruktur, melainkan arsitektur harapan yang tidak pernah di-deploy.