Gartner: 1 dari 5 Perusahaan Diprediksi Hentikan Proyek AI pada 2028 karena Biaya Tak Terkendali

Gelombang investasi AI di dunia usaha tengah menghadapi ujian realitas. Setelah bertahun-tahun diwarnai adopsi cepat dan pengeluaran besar-besaran, rentetan riset dari Gartner, Goldman Sachs, McKinsey, MIT, dan Sequoia Capital mengungkap sebuah kesenjangan yang melebar antara investasi AI dan keuntungan bisnis yang terukur. Kesimpulannya mengejutkan: sebagian besar organisasi belum bisa membuktikan bahwa pengeluaran AI mereka membuahkan hasil, dan banyak yang mulai menarik diri.

Prediksi Gartner: Gelombang Pengurangan AI

Gartner meramalkan bahwa pada tahun 2028, sekitar satu dari lima organisasi di seluruh dunia akan mengurangi atau meninggalkan penerapan AI di sebagian operasi mereka dan kembali ke pengembangan perangkat lunak konvensional. Penyebab utamanya adalah ketidakmampuan mereka mengendalikan biaya yang membengkak dan ketidakseimbangan antara biaya dan manfaat . Pengurangan ini diprediksi akan terjadi di area-area di mana nilai bisnis AI masih belum jelas .

Prediksi ini bukan sekadar isapan jempol. Riset Gartner yang lebih luas tentang kegagalan proyek AI menunjukkan sejumlah alasan non-teknis yang konsisten :

• Biaya melonjak tanpa model ROI yang jelas — Biaya infrastruktur AI (komputasi, API, integrasi, perawatan, dan pengawasan manusia) sangat signifikan dan sering kali di luar kendali. 90% CIO melaporkan bahwa biaya AI sudah membatasi kemampuan mereka untuk memaksimalkan nilai .
• Nilai bisnis yang tidak jelas — Banyak proyek ditinggalkan setelah tahap bukti konsep (proof-of-concept) karena organisasi tidak bisa menunjukkan dampak terukur pada laba .
• Kualitas data buruk dan kontrol risiko tidak memadai — Tata kelola yang lemah, masalah data, dan manajemen risiko yang buruk menyebabkan proyek ambruk . Gartner memprediksi hingga tahun 2026, organisasi akan meninggalkan 60% proyek AI yang tidak didukung data siap-pakai .
• "Agent washing" dan penyimpangan penggunaan — Organisasi mengejar AI demi AI itu sendiri tanpa kasus bisnis yang disiplin, yang berujung pada kegagalan. Analis Gartner, Anushree Verma, mencatat bahwa banyak vendor mengganti nama chatbot lama mereka sebagai "agen AI" tanpa memberikan hasil yang berarti .

Temuan ini selaras dengan perkiraan terpisah Gartner pada April 2026 bahwa 57% manajer infrastruktur TI dan operasional pernah mengalami setidaknya satu kegagalan proyek AI, dan satu dari lima proyek AI di bidang tersebut gagal total .

Jurang Belanja dan ROI: Fakta dari Berbagai Lembaga

Sejumlah lembaga riset terkemuka mengonfirmasi kesenjangan yang melebar antara investasi AI yang besar dan hasil bisnis yang terukur.

Goldman Sachs (Agustus 2026): Strategis Ben Snider melaporkan bahwa belanja AI melonjak tajam, tetapi teknologi ini belum memberikan dampak signifikan pada laba mayoritas perusahaan. Hanya 2% perusahaan S&P 500 yang bisa mengukur dampak AI terhadap laba mereka, dan sebagian besar melaporkan sedikit atau tanpa keuntungan langsung . Analis Jessica Rindels memperkirakan investasi AI AS pada 2026 akan mencapai hampir $600 miliar, setara dengan hampir 2% PDB, namun bukti keuntungan ekonomi yang sepadan masih sangat tipis .

Goldman Sachs (Mei 2026): Analis Jim Covello mencatat bahwa sebagian besar perusahaan belum menghasilkan imbal hasil apa pun dari belanja AI mereka, mengutip studi MIT yang menemukan 95% proyek percontohan AI perusahaan tidak memberikan dampak laba-rugi yang terukur . Covello berpendapat bahwa ekonomi AI "lebih dipertanyakan hari ini dibandingkan dua tahun lalu" .

Goldman Sachs (Juli 2026): Ekonom Jan Hatzius dan analis David Peng memberikan kenyataan pahit — adopsi AI dan imbalhasil produktivitasnya mungkin memakan waktu jauh lebih lama dari yang diharapkan pasar. Analisis mereka menunjukkan dampak produktivitas mengikuti kurva-J: sedikit tekanan di empat tahun pertama, keuntungan signifikan secara statistik hanya setelah delapan tahun, dan puncak dampak sekitar 0,6 poin persentase di tahun ke-12. Jika peluncuran ChatGPT pada 2022 adalah analogi dengan debut PC pada 1981, maka keuntungan masih membutuhkan waktu bertahun-tahun lagi .

McKinsey (2026): Kurang dari 20% penerapan AI di perusahaan menunjukkan dampak bisnis yang terukur .

Sequoia Capital: Telah menandai kesenjangan pendapatan sekitar $600 miliar antara investasi AI dan imbal hasil AI .

Risiko arus kas penyedia cloud raksasa: Goldman Sachs memperingatkan bahwa empat vendor cloud dominan (Amazon, Alphabet/Google, Microsoft, Meta) secara kolektif berada di jalur untuk menghabiskan lebih dari seluruh arus kas operasional mereka untuk infrastruktur AI, tanpa ROI perusahaan yang terbukti untuk membenarkan pengeluaran tersebut . Total belanja modal (capex) gabungan keempat perusahaan ini pada 2026 diproyeksikan sekitar $650 miliar .

Mengapa Proyek Gagal: Ini Bukan Soal Teknologi

Temuan yang konsisten di semua analisis utama adalah bahwa kegagalan proyek AI bersifat organisasional dan strategis, bukan teknis. Model AI-nya jarang yang gagal — justru kasus bisnis, fondasi data, dan pengendalian biayalah yang jebol.

Gartner mengidentifikasi tiga mode kegagalan utama yang mendorong prediksi ini: biaya yang melonjak tanpa model ROI yang jelas, nilai bisnis yang tidak jelas, dan kontrol risiko yang tidak memadai . Seperti yang diungkapkan seorang analis Gartner, "sebagian besar proyek AI agentik saat ini masih dalam tahap eksperimen awal atau bukti konsep yang sebagian besar didorong oleh kegembiraan (hype) dan sering kali salah terapan" .

Konsekuensinya sudah terlihat. Gartner memprediksi pada tahun 2028, 70% inisiatif AI akan dihentikan karena ledakan biaya yang tidak terkendali dan penyimpangan nilai di organisasi yang tidak memiliki praktik manajemen keuangan AI yang khusus .

Artinya bagi Para Pemimpin Bisnis

Pola yang terlihat dari riset Gartner, Goldman Sachs, McKinsey, MIT, dan Sequoia sangat konsisten: belanja AI berada pada titik tertinggi sepanjang masa, tetapi sebagian besar organisasi belum bisa menunjukkan keuntungan bisnis yang terukur dari pengeluaran tersebut. Banyak yang sudah mulai mengurangi atau gagal membawa proyek melewati tahap percontohan.

Bagi organisasi yang berinvestasi di AI, riset ini memberikan peta jalan yang jelas: identifikasi hambatan operasional spesifik yang dampak biaya atau kualitasnya terukur, bangun solusi AI untuk masalah spesifik tersebut, ukur dampak sebelum dan sesudah secara ketat, lalu skalakan hanya yang berhasil . Proyek yang gagal menetapkan metrik ROI dari hari pertama kemungkinan besar tidak akan selamat dari gelombang koreksi yang akan datang.