Tahap 1 ke 2: Dari Ad-Hoc ke Pilot, Titik Stagnasi AI yang Paling Umum

Tim Anda sudah menggunakan AI. ChatGPT, Copilot, Gemini, Perplexity, mungkin selusin lainnya. Tidak ada yang tahu persis alat mana yang digunakan. Tidak ada kebijakan. Tidak ada anggaran. Sebagian berjalan di akun pribadi. Dan Anda tidak tahu apa yang berhasil, apa yang mengekspos perusahaan pada risiko, atau apakah ada di antaranya yang mendorong bisnis maju. Itulah Tahap 1 (Ad-Hoc).

Di situlah sebagian besar perusahaan pada 2026 berada. Riset McKinsey menemukan bahwa hanya 11% perusahaan yang telah mengadopsi gen AI dalam skala penuh, dan hampir dua pertiga belum beranjak dari beberapa pilot. Anda tidak tertinggal. Anda berada di posisi mayoritas.

Transisi Tahap 1 ke Tahap 2 tidak glamor. Tidak melibatkan pembelian platform baru atau pengumuman inisiatif AI di hadapan seluruh karyawan. Yang diperlukan adalah satu pilihan yang disengaja: memilih satu use case, menunjuk pemilik, mendefinisikan seperti apa keberhasilan, dan mengukurnya. Hanya itu.

Namun inilah tepatnya langkah yang paling sering dilewati perusahaan. Mereka justru mengumumkan lebih banyak pilot, membentuk komite, atau terus menunggu "strategi AI yang tepat" muncul dengan sendirinya. Hasilnya adalah AI drag di Tahap 1: masalah shadow AI terus membesar, risiko compliance menumpuk, dan 12 bulan kemudian dewan direksi bertanya apa yang sebenarnya telah dilakukan perusahaan.

Artikel ini memberikan panduan konkret untuk membuat transisi tersebut.

Seperti apa sesungguhnya Tahap 1

Key Facts: Realita Tahap 1

• 78% knowledge worker menggunakan alat AI pribadi di tempat kerja tanpa persetujuan resmi dari perusahaan, dan sebagian besar organisasi tidak mengetahui alat mana yang digunakan di seluruh tenaga kerja mereka (Microsoft Work Trend Index, 2024)
• 60% proyek AI yang tidak didukung data yang AI-ready akan ditinggalkan sepanjang 2026, menjadikan audit kesiapan data sebagai tindakan dengan leverage tertinggi di Tahap 1 sebelum pilot apapun diluncurkan (Gartner, 2025)
• Hanya 11% perusahaan yang telah mengadopsi generative AI dalam skala penuh; hampir dua pertiga belum beranjak dari beberapa pilot, artinya transisi Tahap 1 ke Tahap 2 masih menjadi titik stagnasi paling umum di enterprise AI (McKinsey, 2025)

Sebelum Anda dapat keluar dari Tahap 1, Anda perlu mengakui bahwa Anda berada di sana. Berikut tanda-tanda diagnostiknya.

Penggunaan alat individual tanpa inventarisasi. Karyawan menggunakan AI yang belum Anda setujui, sebagian bahkan tidak Anda ketahui keberadaannya. Beberapa membayar dari kantong sendiri. Yang lain menggunakan paket gratis. Tidak ada yang pernah dilarang, karena tidak ada kebijakan.

Tidak ada anggaran resmi untuk AI. Semua pengeluaran AI tersembunyi dalam laporan pengeluaran individu, langganan software, atau anggaran departemen yang tidak menyebut AI sama sekali. Chief Financial Officer (CFO) tidak dapat memberi tahu Anda berapa yang dikeluarkan perusahaan untuk AI.

IT dan Legal khawatir tetapi tidak berdaya. IT mendengar tentang data yang masuk ke ChatGPT. Legal punya kekhawatiran samar soal IP. Namun keduanya tidak memiliki wewenang, mandat, atau panduan untuk melakukan apapun tentang itu.

Tidak ada data ROI. Karyawan individual akan mengatakan AI "menghemat waktu," tetapi tidak ada yang bisa mengkuantifikasi seberapa banyak atau mengaitkannya dengan hasil bisnis. Keuntungan produktivitas masih bersifat anekdotal.

Langganan alat yang saling bersaing. Beberapa tim sedang mengevaluasi atau menggunakan alat berbeda untuk masalah yang sama. Sales sedang melihat satu alat AI sales. Marketing baru saja mendaftar ke alat yang berbeda. Mereka tidak saling berkomunikasi.

Tidak ada security review untuk alat AI. Vendor belum melalui security review pengadaan standar yang berlaku untuk SaaS lain Anda. Mereka hanya mendapat kartu kredit karyawan.

Jika tiga atau lebih dari kondisi ini berlaku, Anda berada di Tahap 1. Itu tidak apa-apa. Sebagian besar perusahaan pada 2026 pun demikian. Tapi ini bukan kondisi yang stabil.

Mengapa Tahap 1 sekaligus normal dan berisiko

Tahap 1 bukan kegagalan. Itulah cara AI masuk ke setiap organisasi. Karyawan bereksperimen sebelum kepemimpinan memiliki kerangka kerja. Itu sebenarnya sehat di awal. Masalahnya adalah bertahan di sana.

Risiko menumpuk di tiga dimensi. Dan risikonya nyata: Gartner menemukan bahwa organisasi akan mengabaikan 60% proyek AI yang tidak didukung data yang AI-ready sepanjang 2026, artinya perusahaan di Tahap 1 yang melewatkan governance dan pekerjaan data sedang mempersiapkan kegagalan yang mahal.

Eksposur data. Karyawan menempelkan konten ke alat AI publik tanpa mengetahui apakah konten tersebut sensitif. Catatan pelanggan, proyeksi keuangan, draft kontrak, dokumen strategi internal. Setiap paste adalah potensi kebocoran data. Tanpa kebijakan yang mendefinisikan apa yang boleh dan tidak boleh masuk ke alat AI, default-nya adalah "semua bisa masuk."

Risiko IP dan compliance. Jika karyawan menggunakan AI untuk menghasilkan konten, kode, atau analisis, pertanyaan tentang kepemilikan IP, bias, dan kepatuhan regulasi tidak memiliki jawaban yang disanksi perusahaan. Karyawan bertindak sendiri. Perusahaan yang menanggung tanggung jawabnya.

Biaya peluang. Semakin banyak tim bereksperimen tanpa koordinasi, semakin sedikit pembelajaran organisasi yang terakumulasi. Setiap tim menemukan ulang prompt yang sama. Tidak ada yang berbagi apa yang berhasil. Perusahaan membayar untuk upaya AI tanpa mendapatkan nilai AI.

Kabar baiknya adalah Anda tidak perlu menyelesaikan semua ini untuk pindah ke Tahap 2. Anda hanya perlu menyelesaikan cukup banyak untuk membuat satu pilot terstruktur menjadi mungkin.

Kriteria keluar Tahap 2

Tahap 2 bukan tujuan akhir. Ini adalah lantai baru. Berikut tiga persyaratan untuk menyebut diri Anda organisasi Tahap 2.

Ketiga hal ini harus terpenuhi. Jika Anda memiliki kebijakan tapi tidak ada pilot, Anda masih di Tahap 1 dengan governance yang lebih baik. Jika Anda memiliki pilot tapi tidak ada kebijakan, Anda masih di Tahap 1 dengan eksperimentasi yang lebih baik. Tahap 2 membutuhkan keduanya.

Cara memilih pilot pertama

Pemilihan use case adalah tempat di mana sebagian besar transisi Tahap 1 ke Tahap 2 gagal. Tim memilih use case yang paling menarik (customer-facing, visibilitas tertinggi, masalah data tersulit) atau membiarkan departemen paling vokal yang menentukan pilihan. Tidak ada pendekatan yang berhasil.

Kerangka yang tepat memiliki tiga filter. Terapkan secara berurutan.

Filter 1: Kesiapan data. Sebelum memilih use case apapun, tanyakan apakah Anda memiliki data yang bersih, dapat diakses, dan sudah mendapat izin kebijakan untuk mendukungnya. Kesiapan data adalah pembunuh diam-diam paling umum dalam AI pilot. Use case dengan daya tarik bisnis yang besar tetapi kesiapan data yang buruk akan gagal. Use case dengan daya tarik lebih rendah tetapi data yang kuat akan mengajarkan Anda sesuatu yang nyata. Mulailah dengan data yang Anda miliki, bukan data yang Anda inginkan.

Filter 2: Profil risiko. Untuk pilot pertama Anda, hindari kemampuan Execute yang customer-facing. Tindakan Execute memiliki konsekuensi langsung dan terlihat: email terkirim, catatan diperbarui, deals berubah, respons tersampaikan. Ketika hal buruk terjadi dalam pilot, Anda ingin dampaknya bersifat internal. Nilai setiap use case pada skala risiko sederhana: rendah (internal saja, manusia meninjau output), sedang (customer-facing, AI draft tetapi manusia yang mengirim), tinggi (interaksi pelanggan yang sepenuhnya otomatis). Pilih use case berisiko rendah untuk Pilot 1.

Filter 3: Potensi dampak. Di antara opsi yang data-ready dan berisiko rendah, pilih yang memiliki dampak bisnis paling jelas: jam yang dihemat, conversion rate yang ditingkatkan, error rate yang dikurangi. Ini tidak perlu besar. Harus terukur.

Contoh konkret. Sebuah perusahaan SaaS dengan 50 karyawan menerapkan kerangka ini dan menemukan tiga kandidat: (1) AI-assisted lead scoring menggunakan data CRM, (2) AI-generated first-draft outbound email sequence untuk sales development reps, dan (3) AI-powered kategorisasi dan routing tiket support.

Lead scoring (opsi 1) gagal Filter 1. CRM memiliki data yang tidak lengkap untuk 40% rekaman. Opsi 3 gagal Filter 2 untuk toleransi risiko mereka karena menyentuh respons pelanggan. Opsi 2 lulus ketiga filter. CRM dan sistem email mereka memiliki data yang bersih. Ini bersifat internal untuk tim SDR. Dan mereka dapat mengukur reply rate dan meeting booked rate secara langsung. Pilot 1 adalah AI-generated SDR email sequence.

Itulah seluruh kerangka pemilihan.

Membangun pilot charter

Setelah Anda memilih use case, formalisasikan. Pilot charter tidak perlu panjang. Yang penting, ia harus ada.

Pilot charter Tahap 2 memiliki lima elemen:

1. Hipotesis. Nyatakan apa yang Anda yakini akan terjadi dan mengapa. "Kami percaya AI-assisted SDR email akan meningkatkan reply rate sebesar 15% karena rep kami menghabiskan 40% waktu prospecting mereka untuk personalisasi email yang bisa dilakukan AI lebih cepat."

2. Metrik keberhasilan. Satu metrik utama. Bukan lima. Satu. Untuk contoh SDR: reply rate pada sequence yang dibantu AI vs. sequence kelompok kontrol selama 60 hari.

3. Pengukuran baseline. Kondisi saat ini, diukur sebelum pilot dimulai. Jika Anda tidak mengukur sebelumnya, Anda tidak dapat membuktikan sesudahnya. Tarik data reply rate saat ini sebelum Anda mengubah apapun.

4. Batas waktu. Pilot tanpa tanggal akhir berjalan selamanya. Tetapkan 60 atau 90 hari. Di akhirnya, Anda memutuskan: scale, perpanjang, atau hentikan. Ketiga hasil tersebut valid. Berjalan tanpa batas tidak.

5. Pemilik yang ditunjuk. Satu orang bertanggung jawab atas hasil pilot. Bukan komite. Bukan working group. Satu orang yang mempresentasikan hasil di akhir batas waktu.

Jika Anda tidak dapat mengisi kelima elemen ini, Anda belum siap memulai pilot.

"Transisi Tahap 1 ke Tahap 2 membutuhkan tepat satu hal: satu pilot dengan hipotesis, baseline yang terukur, dan pemilik yang ditunjuk. Bukan deck strategi, bukan komite governance, bukan kontrak platform AI enterprise. Satu eksperimen yang terbatas dan terukur. Itulah seluruh standarnya." (Rework)

Stage 1-to-2 Crossing Test

Diagnostik empat pertanyaan yang mengkonfirmasi bahwa sebuah organisasi telah benar-benar melintasi dari Tahap 1 ke Tahap 2, bukan sekadar memberi label ulang pada aktivitas Tahap 1. Pertanyaan 1: Apakah kebijakan penggunaan AI tertulis ada dan semua karyawan telah mengkonfirmasi penerimaannya? Pertanyaan 2: Apakah ada tepat satu pilot yang ditunjuk dengan hipotesis dan metrik keberhasilan yang terdokumentasi? Pertanyaan 3: Apakah pengukuran baseline diambil sebelum pilot dimulai? Pertanyaan 4: Apakah pilot memiliki pemilik yang ditunjuk dan tanggal akhir yang ditetapkan? Jika ada jawaban "tidak," organisasi masih berada di Tahap 1. Crossing Test dengan sengaja dibuat ketat: mudah untuk mengklaim status Tahap 2 berdasarkan aktivitas. Crossing Test mengukur governance dan struktur, bukan volume aktivitas.

Minimum viable governance untuk Tahap 2

Kebijakan AI Anda di Tahap 2 tidak perlu menjadi dokumen hukum 40 halaman. Yang perlu dicakup adalah lima hal.

Daftar alat yang disetujui. Alat AI spesifik yang boleh digunakan karyawan, dengan kondisi penggunaannya. Mulailah dengan apa yang sudah digunakan orang dan jadikan itu resmi. Tambahkan kriteria persetujuan untuk alat baru.

Pembatasan data. Kategori data mana yang tidak boleh dimasukkan ke alat AI eksternal tanpa persetujuan eksplisit. Minimal: informasi identitas pribadi (PII) pelanggan, proyeksi keuangan, konten terkait merger dan akuisisi, dan kontrak rahasia. Satu keputusan ini menghilangkan sebagian besar risiko compliance di Tahap 1.

Proses permintaan alat baru. Bagaimana karyawan mendapatkan persetujuan alat AI baru. Buat ringan: sebuah formulir, seorang reviewer yang ditunjuk (IT atau Legal), dan penyelesaian dalam 5 hari kerja. Tujuannya bukan memblokir adopsi. Ini untuk membuat catatan.

Pelaporan insiden. Apa yang harus dilakukan karyawan jika alat AI melakukan sesuatu yang salah: output yang keliru dikirim ke pelanggan, data yang tanpa sengaja terekspos, model menghasilkan konten yang diskriminatif. Bahkan "email [nama] segera" yang sederhana pun menciptakan akuntabilitas.

Zona tanpa penggunaan. Keputusan spesifik yang tidak boleh dibuat AI tanpa tinjauan manusia. Keputusan yang diatur (kredit, perekrutan, medis) adalah batasannya. Tambahkan apapun yang spesifik untuk industri Anda.

Kebijakan ini tidak perlu mendapat persetujuan legal untuk berguna. Yang penting ada dan dibagikan. Anda menyempurnakannya seiring pembelajaran.

Membangun Kebijakan Penggunaan AI Anda mencakup ini secara lengkap dengan panduan per bagian.

Pemeriksaan kesiapan data sebelum berkomitmen

Sebagian besar perusahaan di Tahap 1 terkejut betapa tidak siapnya data mereka untuk AI pilot. Sebelum Anda berkomitmen pada sebuah use case, jalankan audit lima pertanyaan.

1. Dapatkah Anda mengakses data yang dibutuhkan AI hari ini, tanpa proyek IT yang memakan berminggu-minggu?
2. Apakah kolom kunci setidaknya 70% terisi, atau ada celah null yang signifikan?
3. Apakah data cukup baru untuk mencerminkan realita bisnis saat ini?
4. Apakah ada satu sumber yang otoritatif, atau sistem yang bersaing dengan catatan yang bertentangan?
5. Apakah legal atau security telah mengizinkan kategori data ini untuk digunakan dalam alat AI eksternal?

Jika Anda menjawab "tidak" atau "saya tidak tahu" untuk dua pertanyaan atau lebih, use case tersebut memiliki ketergantungan kesiapan data yang akan muncul sebagai kegagalan pilot. Perbaiki datanya terlebih dahulu atau pilih use case yang berbeda.

Mode kegagalan umum Tahap 1 ke Tahap 2

Mode kegagalan 1: Memilih pilot pertama yang salah. Use case dengan profil tertinggi dan paling menarik hampir tidak pernah menjadi pilot pertama yang tepat. Customer-facing, berisiko tinggi, miskin data. Pilih yang membosankan dan terukur daripada yang menarik dan kompleks.

Mode kegagalan 2: Melewatkan baseline. "Kita akan mencari tahu ROI setelah pilot" menghasilkan argumen, bukan bukti. Selalu ukur sebelum Anda mengubah apapun. Jika Anda lupa mengukur sebelumnya dan pilot sudah berjalan, berhentilah dan ukur sekarang. Baseline apapun lebih baik daripada tidak ada.

Mode kegagalan 3: Kelumpuhan kebijakan. Beberapa organisasi mencoba menulis kebijakan AI yang sempurna sebelum memulai pilot apapun. Mereka berkonsultasi dengan Legal, IT, Compliance, HR. Tinjauan kebijakan berjalan enam bulan. Sementara itu, shadow AI berkembang. Draft kerja dengan celah yang diketahui lebih baik dari kebijakan sempurna yang belum ada.

Mode kegagalan 4: Terlalu banyak pilot. "Kita harus menjalankan lima pilot secara paralel untuk belajar lebih cepat." Tidak. Lima pilot tanpa satu pemilik, tanpa kelompok kontrol, dan tanpa infrastruktur bersama menghasilkan lima data point yang tidak meyakinkan. Satu pilot yang dijalankan dengan baik dengan pengukuran yang tepat menghasilkan satu jawaban nyata.

Mode kegagalan 5: Mengubah metrik di tengah pilot. Jika pilot tidak menghasilkan hasil yang diharapkan, godaan adalah beralih ke metrik lain. Jangan. Metriknya ditetapkan dalam charter. Jika pilot gagal berdasarkan metrik aslinya, itu adalah informasi yang berguna. "AI email sequence tidak meningkatkan reply rate" adalah temuan yang nyata. Mengalihkan ke metrik berbeda di tengah jalan untuk menyelamatkan pilot yang gagal menghasilkan data yang menyesatkan.

Bagaimana rasanya Tahap 2

Organisasi Tahap 2 memiliki kebijakan yang dipasang di suatu tempat (shared drive, company handbook), satu pilot dengan charter dan pemilik, tanggal mulai, jadwal pembacaan hasil, dan pengukuran baseline yang tersimpan. Itu saja.

Ini tidak terasa seperti sebuah transformation. Ini terasa seperti satu proyek kecil yang dikelola dengan benar. Itulah intinya.

Transformation terjadi karena pilot tunggal ini, yang dijalankan dengan baik, menghasilkan data nyata yang membangun kasus untuk Tahap 3. Perusahaan yang melompat ke Tahap 3 tanpa fondasi Tahap 2 menemukan diri mereka dengan beberapa alat AI, tidak ada infrastruktur bersama, dan tidak ada bukti bahwa ada yang berhasil. Mereka telah membangun kompleksitas Tahap 3 di atas fondasi data Tahap 1.

Analisis Rework: Berdasarkan pola transisi AI enterprise, waktu median untuk menyelesaikan Stage 1-to-2 Crossing Test bagi perusahaan mid-market adalah 8-14 minggu ketika CEO telah menetapkan mandatnya. Penyebab paling umum keterlambatan adalah persyaratan pengukuran baseline: tim yang menemukan bahwa mereka tidak dapat dengan mudah menarik metrik pra-pilot menyadari bahwa mereka memiliki masalah kesiapan data yang harus ditangani sebelum pilot dimulai. Keterlambatan ini sebenarnya berharga. Ini memunculkan celah data sebelum mengacaukan pilot, bukan setelahnya.

Tahap 2 tidak glamor. Lakukan saja.

Apa yang akan datang

Setelah pilot pertama selesai dan Anda telah membuat keputusan scale/perpanjang/hentikan, Anda siap untuk memikirkan perpindahan dari pilot ke produksi. Transisi itu (menuju Tahap 3) memiliki persyaratan, keputusan infrastruktur, dan mode kegagalannya sendiri. Langkah berikutnya adalah yang paling sulit di seluruh maturity curve.

Baca: Tahap 2 ke 3: Dari Pilot ke Scaled untuk checklist deployment produksi dan persyaratan infrastruktur.

Baca: 5 Tahap Kematangan AI untuk melihat di mana transisi ini masuk dalam model kematangan penuh.

Dan jika Anda bertanya-tanya apakah transformation Anda akan bertahan: Mengapa Sebagian Besar AI Transformation Gagal mencakup alasan struktural mengapa sebagian besar organisasi macet di antara tahap.

Lihat juga:

• Agenda AI CEO 18 Bulan: bagaimana Fase 1 (Assess and Govern) memetakan ke transisi Tahap 1 ke Tahap 2
• ACE Framework: vocabulary kemampuan yang harus digunakan pilot charter Anda saat mendefinisikan tugas AI