Apakah Infrastruktur Anda Benar-Benar Siap untuk AI?

Sampai sekarang, setiap orang memiliki strategi AI. Namun, jauh lebih sedikit organisasi yang memiliki infrastruktur untuk mendukungnya.

Selama setahun terakhir, saya telah berbicara dengan puluhan pemimpin IT yang berada di bawah tekanan nyata untuk menghadirkan pengalaman yang ditenagai oleh AI. Mereka diharapkan memiliki alat produktivitas yang lebih cepat, otomatisasi cerdas, dan manajemen endpoint yang lebih pintar. Dan tekanan tersebut meluas tidak hanya untuk pekerja manusia: organisasi sekarang diminta untuk menyediakan dan mengelola agen AI yang memerlukan komputasi, lingkungan desktop, dan model tata kelola mereka sendiri.

Setelah menghabiskan beberapa tahun membantu membangun Windows 365 dan Azure Virtual Desktop di Microsoft, saya telah mengembangkan gambaran yang jelas tentang apa yang membedakan organisasi yang berhasil mengimplementasikan AI dari mereka yang terhambat. Ini hampir selalu berkaitan dengan tiga hal: pemanfaatan cloud, kualitas data, dan disiplin biaya.

Apakah Anda Menggunakan Apa yang Sudah Anda Miliki?

Pertanyaan pertama yang saya tanyakan kepada setiap pemimpin IT adalah: seberapa baik Anda menggunakan kemampuan cloud yang sudah Anda bayar?

Sebagian besar organisasi, jika mereka jujur, menggunakan lingkungan cloud mereka dengan sangat tidak efektif. Mereka telah bermigrasi beban kerja, tetapi mentalitas lift-and-shift berarti mereka menjalankan pola lama di lingkungan modern dan melewatkan fitur optimasi yang dibangun ke dalam platform penyedia cloud mereka.

Hal ini sangat penting untuk AI. Beban kerja ini intensif sumber daya dan dinamis. Mereka meningkat, mereka berkembang, dan mereka memerlukan elastisitas. Lingkungan yang belum dioptimalkan untuk operasi cloud-asli akan runtuh di bawah tekanan seperti itu, atau biaya Anda jauh lebih banyak daripada yang diperlukan ketika tidak.

Sebelum berinvestasi dalam kemampuan AI baru, lihatlah lingkungan Anda saat ini dan tanyakan pada diri Anda sendiri pertanyaan-pertanyaan berikut:

• Apakah mesin virtual Anda berukuran tepat, atau apakah Anda menjalankan instance yang terlalu besar?
• Apakah kebijakan auto-scaling Anda benar-benar disesuaikan dengan pola beban kerja Anda, atau apakah mereka disetel dan dilupakan?
• Apakah Anda menggunakan instance yang dipesan dan rencana hemat, atau default ke harga on-demand di seluruh papan?

Penyedia cloud telah berinvestasi dalam alat bantu optimasi. Gunakanlah. Dan jika lapisan manajemen Anda tidak menampilkan wawasan ini, itu adalah celah yang patut ditutup sebelum Anda melanjutkan.

Data Adalah Fondasi, dan Sebagian Besar Data Organisasi Rusak

Faktor kesiapan kedua, dan secara jujur lebih kritis, adalah data. Bukan strategi data abstrak. Keadaan nyata data Anda saat ini.

Sistem AI hanya sebaik data yang mereka latih atau operasikan. Itu bukanlah wawasan baru, tetapi implikasi praktisnya masih kurang dihargai di sebagian besar organisasi IT. Ketika saya berbicara tentang kesiapan data untuk AI, saya maksudkan tiga dimensi spesifik: kebersihan, kelengkapan, dan ketepatan waktu.

Kebersihan berarti data Anda tidak memiliki duplikat, inkonsistensi, atau kesalahan yang dapat merusak output. Untuk manajemen endpoint, ini mungkin berarti catatan pengguna dengan atribut yang sudah ketinggalan, profil perangkat yang belum diperbarui selama berbulan-bulan, atau penugasan kebijakan yang tidak mencerminkan struktur organisasi saat ini.

Kelengkapan berarti Anda memiliki luas sinyal yang AI butuhkan untuk membuat inferensi yang bermakna. Mesin rekomendasi untuk pengiriman aplikasi tidak berguna jika sebagian besar telemetri perangkat Anda hilang. Sistem deteksi anomali tidak dapat menetapkan baseline jika logging Anda memiliki celah. Sebelum mengimplementasikan fitur AI, buatlah peta tentang data apa yang Anda miliki versus apa yang dibutuhkan oleh kemampuan tertentu.

Ketepatan waktu adalah dimensi yang organisasi kurang menghargai. Ini tentang intelijen waktu nyata atau hampir waktu nyata. Data yang sudah ketinggalan menghasilkan wawasan yang sudah ketinggalan, dan wawasan yang sudah ketinggalan dapat lebih buruk daripada tidak ada wawasan sama sekali. Jika pipa data Anda menggabungkan secara batch pada malam hari apa yang seharusnya mengalir terus-menerus, itu adalah masalah struktural yang AI tidak akan menyelesaikan.

Higiene data, modernisasi pipa, dan instrumentasi telemetri tidak membuat presentasi dewan yang menarik. Namun, mereka adalah perbedaan antara fitur AI yang berfungsi dan fitur AI yang ditinggalkan tiga bulan setelah peluncuran.

Kontrol Biaya Bukanlah Hal yang Dapat Diabaikan

Dimensi ketiga kesiapan AI adalah keuangan, dan ini layak mendapatkan perhatian lebih dalam fase perencanaan.

Beban kerja AI mahal untuk dijalankan, mereka sulit diprediksi, dan mereka sering berkembang lebih cepat daripada anggaran dapat mengikuti. Saya telah melihat organisasi mendapatkan nilai yang signifikan dari pilot AI awal, dan kemudian menonton biaya melonjak ketika pilot tersebut pindah ke produksi, karena tidak ada yang merancang model tata kelola biaya untuk menyertainya.

Hal ini terutama benar dalam lingkungan desktop virtual dan endpoint, di mana fitur AI seperti kecerdasan sesi, penskalaan prediktif, dan perbaikan otomatis dapat menghasilkan permintaan komputasi yang substantial di seluruh ribuan sesi secara bersamaan.

Organisasi yang mengelola ini dengan baik berbagi beberapa karakteristik:

Mereka mengobati efisiensi infrastruktur sebagai prasyarat, bukan optimasi yang dilakukan kemudian. Mereka telah melakukan pekerjaan penyetelan yang tepat, menghilangkan pemborosan, dan menetapkan baseline biaya sebelum beban kerja AI tiba.

Mereka membangun visibilitas biaya ke dalam operasi. Mereka tahu apa biaya per-pengguna, per-sesi, dan per-beban kerja mereka, yang berarti mereka dapat mendeteksi ketika fitur AI mengemudi pengeluaran yang tidak terduga lebih awal untuk mengoreksi.

Dan yang penting, mereka telah memilih lapisan manajemen yang menampilkan sinyal biaya secara proaktif, sehingga mereka tidak menemukan tentang kelebihan biaya dalam tagihan cloud bulanan, tetapi melalui dasbor waktu nyata yang memungkinkan keputusan yang lebih cepat.

Celahnya Dapat Ditutup, Tetapi Memerlukan Kejujuran Terlebih Dahulu

Organisasi yang paling saya optimis adalah mereka yang mau mengambil pandangan jujur tentang di mana mereka berdiri.

Celahn antara ambisi AI dan eksekusi adalah nyata, tetapi tidak permanen. Dan frontier berikutnya sudah terlihat: ketika AI agenik berpindah dari pilot ke produksi, pertanyaan tentang kesiapan infrastruktur berkembang melampaui pengguna manusia untuk mencakup agen itu sendiri.

Itu berarti mengaudit pemanfaatan cloud sebelum memperluasnya dan berinvestasi dalam kualitas data sebelum melapisinya dengan AI. Itu juga berarti mengobati tata kelola biaya sebagai kepedulian arsitektur, bukan masalah tim keuangan.

Celahn antara ambisi AI dan eksekusi adalah nyata, tetapi tidak permanen. Itu adalah masalah teknik dan operasional, dan itu adalah masalah yang tepat yang komunitas IT kita kuasai untuk menyelesaikan.