Sebelum Lebih Banyak Model, AI di Perdagangan Membutuhkan Revolusi Infrastruktur

Implementasi kecerdasan buatan dalam perdagangan bergerak dengan kecepatan yang luar biasa. Investasi AI di ritel dipercepat dengan cepat, dengan pasar yang diperkirakan tumbuh dari $11,6 miliar pada 2024 menjadi lebih dari $40 miliar pada 2030.

Demikian pula, model baru dirilis dengan cepat, vendor terus memperluas kemampuan mereka, dan pengecer berada di bawah tekanan yang meningkat dari dewan dan investor untuk menunjukkan bahwa mereka secara aktif mengintegrasikan AI ke dalam operasi mereka.

Di permukaan, ini menciptakan kesan bahwa industri mengalami transformasi yang cepat dan pasti. Namun, di bawah aktivitas tersebut, sebagian besar inisiatif ini dilapiskan pada sistem yang tidak pernah dirancang untuk mendukungnya.

Batasan ini bukanlah ketersediaan atau kualitas model. Ini adalah kondisi infrastruktur di bawahnya.

Saat mengimplementasikan AI, anggaran pertama tidak boleh digunakan untuk AI itu sendiri. Ini harus digunakan untuk apa yang kami sebut “kepercayaan data”, yang merupakan infrastruktur data. Ini adalah koneksi antara sistem, deduplikasi data, dan pembaruan waktu nyata.

Gagal melakukan hal ini adalah mengapa AI gagal dalam perdagangan, dan mengapa banyak upaya dimulai dengan momentum tetapi berjuang untuk menerjemahkan menjadi dampak yang berkelanjutan. Untuk mengimplementasikan AI dengan sukses, kita perlu memulai dengan infrastruktur.

Sebaliknya, dalam perdagangan, percakapan itu sendiri cenderung dimulai satu lapisan terlalu tinggi, fokus pada memilih model atau mengidentifikasi kasus penggunaan yang berpotensi tinggi. Apa yang mendapat perhatian yang jauh lebih sedikit adalah apakah arsitektur data yang mendasarinya dapat mendukung keputusan tersebut dengan cara yang bermakna.

Jika data yang mendasarinya terfragmentasi, AI hanya akan menghasilkan output yang dapat berbahaya atau menyesatkan.

Di organisasi yang lebih besar, kecenderungan ini diperkuat oleh kebutuhan untuk menunjukkan kemajuan. “Melakukan sesuatu dengan AI” menjadi tujuan dalam dirinya sendiri, dan memperkenalkan model sering kali merupakan cara yang paling langsung untuk mencapai itu, terlepas dari apakah itu menghasilkan nilai yang dapat diukur.

Di tingkat dewan, harapan sekitar AI dipercepat dalam bentuk personalisasi yang lebih baik dan peningkatan yang dapat diukur dalam efisiensi dan margin. Di tingkat sistem, kesiapan tidak mengikuti. Semakin lama kesenjangan ini berlanjut, semakin mahal untuk memperbaikinya, karena lapisan teknologi ditambahkan di atas fondasi yang tetap tidak berubah.

Apa yang terlihat “tidak siap untuk AI” dalam praktek

Masalah utama adalah kurangnya konsistensi di seluruh sistem. Misalnya, pelanggan tunggal dapat ada secara bersamaan di platform ERP, lingkungan e-niaga, dan sistem offline atau loyalitas, masing-masing instance membawa sejarah dan asumsi yang berbeda.

Data produk, meskipun secara teknis lengkap, terbatas dalam hal memberikan konteks yang akan memungkinkan model untuk menafsirkan atau bernalar tentangnya secara efektif. Kualitas data yang buruk saja diperkirakan akan menghabiskan biaya organisasi hampir $13 juta per tahun, menekankan bagaimana keterbatasan ini menjadi fondasi.

Tim manusia belajar untuk menavigasi inkonsistensi ini dari waktu ke waktu, membangun jembatan informal antara sistem. Sebuah model, di sisi lain, beroperasi secara ketat dalam struktur yang diberikan, dan output yang dihasilkannya terbatas pada itu.

Saat AI diperkenalkan ke dalam lingkungan ini, hasilnya bukanlah kurangnya output tetapi degradasi bertahap dalam kualitasnya.

Sebuah model dapat memproses data dan menghasilkan output, tetapi tidak akan menghubungkan sistem secara otomatis.

Di praktek, ini mungkin muncul sebagai mesin personalisasi yang mulai menawarkan rekomendasi produk yang sangat spesifik yang mengkategorikan pelanggan dengan cara yang tidak mencerminkan preferensi atau niat sebenarnya mereka.

Di sistem yang didorong AI, pengalaman pelanggan sering menjadi lebih presisi tetapi kurang relevan.

Perubahan ini dari relevansi umum ke ketidakrelevanan khusus dapat lebih merusak daripada yang tampak, karena ini mengubah bagaimana pelanggan memandang merek itu sendiri. Dalam kasus terburuk, sistem ini tidak hanya berkinerja buruk. Mereka secara aktif merusak pengalaman pelanggan.

Mengapa sebagian besar pilot AI macet, dan apa yang terjadi

Dinamika ini adalah salah satu alasan utama mengapa sebagian besar pilot AI di perdagangan gagal untuk berkembang di luar eksperimen. Data industri menunjukkan bahwa hanya sekitar setengah dari inisiatif AI mencapai produksi, meninggalkan sebagian besar terjebak di tahap eksperimen.

Masalahnya jarang merupakan kurangnya investasi atau niat. Keterbatasan muncul ketika output yang dihasilkan oleh sistem ini tidak membenarkan skala.

Di titik itu, organisasi menghadapi pilihan antara melanjutkan investasi dalam optimasi atau meninggalkan inisiatif secara keseluruhan. Dalam banyak kasus, mereka memilih yang terakhir karena lingkungan di mana itu diterapkan tidak dapat mendukung hasil yang konsisten.

Di seluruh industri, kesenjangan infrastruktur yang sama berulang. Data pelanggan tetap terfragmentasi daripada disatukan. Informasi produk ada, tetapi kekurangan kedalaman yang diperlukan untuk interpretasi. Sistem beroperasi secara paralel daripada sebagai aliran informasi yang koheren. Ketika model diperkenalkan ke dalam lingkungan ini, mereka memperluas masalah ini.

Biaya dari pendekatan ini meluas di luar biaya langsung. Ini muncul sebagai akumulasi rekomendasi yang gagal mengubah, personalisasi yang terasa tidak konsisten, dan otomatisasi yang memperkuat kesalahan yang ada.

Seiring waktu, ini menciptakan erosi kepercayaan yang halus tetapi signifikan dalam organisasi. Tim mulai mempertanyakan keandalan sistem yang mereka bangun, dan lapisan teknologi tambahan diperkenalkan dalam upaya untuk mengkompensasi. Hasilnya adalah penundaan dalam mencapai kejelasan yang diperlukan untuk membangun sistem yang berfungsi.

Alasan mengapa banyak perusahaan membangun pilot AI tetapi tidak pernah melampaui itu adalah karena mereka membangun pilot ini di atas fondasi yang lemah, yang seperti memasak dengan bahan yang buruk.

Anda mungkin memiliki resep Gordon Ramsay dan peralatan yang sangat baik, tetapi jika bahan-bahannya buruk, hasilnya masih akan negatif.

Perbedaan antara startup dan perusahaan besar

Organisasi yang lebih kecil, terutama yang berada di kisaran pasar menengah, sering menunjukkan kemampuan yang lebih besar untuk mengimplementasikan AI secara efektif. Ini karena sistem mereka kurang terfragmentasi dan proses pengambilan keputusan mereka lebih langsung.

Di organisasi yang lebih besar, struktur itu sendiri memperkenalkan hambatan potensial. Inisiatif sering didorong oleh kebutuhan untuk merespons harapan eksternal, dan AI menjadi kategori yang harus ditangani bukan kemampuan yang diintegrasikan dengan hati-hati.

Mengatakan “kami ingin mengimplementasikan AI” seperti membawa listrik ke pabrik tanpa mesin. Lampu menyala, tetapi produksi tidak meningkat, karena Anda berinvestasi pada teknologi tanpa mengetahui apa yang sebenarnya akan dilakukan.

Perubahan dari model ke infrastruktur

Pendekatan alternatif mulai terbentuk di antara organisasi yang telah mengalami keterbatasan ini secara langsung.

Sebagai gantinya mengalokasikan anggaran awal untuk model AI, mereka berinvestasi dalam apa yang dapat digambarkan sebagai “kepercayaan data”, yang merupakan pembuatan fondasi di mana data konsisten, terhubung, dan diperbarui secara terus-menerus. Tujuan adalah untuk memastikan bahwa data yang digunakan dapat mendukung keputusan yang bermakna.

Persiapan data dapat menghabiskan hingga 80% waktu yang dihabiskan pada proyek pembelajaran mesin, menekankan seberapa banyak pekerjaan yang berada di lapisan data yang mendasarinya daripada model itu sendiri.

Proses ini biasanya dimulai dengan pemetaan terperinci dari sistem yang ada dan identifikasi kesenjangan dalam aliran data dan integritas. 30 hingga 60 hari pertama sering didedikasikan untuk memahami bagaimana informasi bergerak atau gagal bergerak di seluruh organisasi. Ini diikuti oleh periode integrasi dan standarisasi, di mana data dibersihkan, dideduplikasi, dan diselaraskan di seluruh platform.

Di bulan berikutnya, perusahaan fokus pada membangun pipa data yang dapat diandalkan dan menghubungkan sistem yang berharga dalam cara yang mendukung kasus penggunaan yang nyata. Hanya setelah fondasi ini terbentuk, maka menjadi mungkin untuk memperkenalkan AI ke dalam alur kerja yang dapat menghasilkan hasil yang konsisten dan dapat diukur.

Di dalam horizon enam hingga sembilan bulan, organisasi yang mengikuti pendekatan ini biasanya mulai melihat hasil yang bermakna dalam bentuk proses yang didorong AI yang mempengaruhi metrik seperti konversi, retensi, dan perbaikan margin. Pada titik itu, model berhenti menjadi eksperimen dan menjadi bagian dari operasi. Kinerja mereka stabil dan output mereka menjadi dapat diandalkan sehingga tim dapat mulai mengandalkannya.

Percepatan investasi AI di perdagangan tidak mungkin melambat dalam jangka waktu dekat. Apa yang masih tidak pasti adalah apakah kesiapan infrastruktur akan mengikuti dan dapat mendukungnya. Kesenjangan yang membesar antara apa yang diharapkan organisasi dari AI dan apa yang dapat didukung oleh sistem mereka sudah terlihat dalam jumlah pilot yang gagal mencapai produksi. Mengatasi kesenjangan ini memerlukan perubahan fokus untuk membangun infrastruktur kritis ini.

Mengalihkan percakapan dari model ke infrastruktur tidak membawa urgensi atau visibilitas yang sama. Namun, inilah tempat di mana banyak keterbatasan saat ini berada. Dan inilah tempat di mana fase berikutnya dari kemajuan yang bermakna dalam perdagangan yang didorong AI kemungkinan akan muncul.