Menyelaraskan Potensi AI dengan Realitas Praktis

Alat AI telah mengalami adopsi bisnis yang luas sejak peluncuran ChatGPT pada tahun 2022, dengan 98% dari bisnis kecil disurvei oleh Kamar Dagang AS yang menggunakannya. Namun, meskipun berhasil di bidang seperti analisis data, peringkasan, personalisasi, dan lainnya, survei terbaru dari 2,500 pekerja di AS, Inggris, Australia, dan Kanada menemukan bahwa 3 dari 4 pekerja melaporkan AI benar-benar telah meningkatkan beban kerja mereka. Oleh karena itu, harapan AI tetap tinggi, tetapi kenyataan di lapangan sejauh ini tampaknya sedikit mengecewakan.

Kesenjangan ini menggarisbawahi tantangan penting: menjembatani kesenjangan antara potensi AI yang besar dan dampak praktisnya yang terbatas saat ini pada operasi perusahaan. Menutup kesenjangan ini penting bagi organisasi untuk sepenuhnya menyadari nilai investasi AI mereka dan meningkatkan adopsi di antara pekerja dan pemangku kepentingan mereka.

Visi produk untuk investasi AI

Meskipun AI telah membuat kemajuan yang signifikan, banyak solusi bisnis masih dalam tahap pembuktian konsep eksperimental dan belum sepenuhnya sesuai untuk operasi sehari-hari. Dalam survei lintas negara dan industri terhadap 1,000 CxO dan eksekutif senior, BCG menemukan bahwa 74% perusahaan berjuang untuk mewujudkan dan meningkatkan nilai dalam investasi AI mereka. Salah satu alasannya adalah karena saat ini, antarmuka pengguna AI yang paling menonjol didasarkan pada bahasa alami yang disampaikan melalui paradigma chatbot. Meskipun modalitas ini tidak diragukan lagi berguna dalam hal tugas-tugas seperti ringkasan dan konteks berbasis teks lainnya, modalitas ini gagal untuk menyesuaikan dengan cara kerja sebenarnya yang dilakukan di sebagian besar perusahaan.

Untuk memaksimalkan dampaknya, desain perangkat AI harus berevolusi untuk melampaui antarmuka berbasis teks yang terisolasi menjadi aplikasi terintegrasi yang meningkatkan alur kerja yang lebih memenuhi kebutuhan operasional organisasi besar. Fase evolusi AI berikutnya akan semakin bersifat agen, menyatu dengan mulus ke dalam latar belakang operasi perusahaan dan memungkinkan tim untuk fokus pada ide dan strategi tingkat tinggi yang mengarah ke operasi otomatis, melewati eksekusi manual tetapi tetap mempertahankan kontrol manusia yang masih bergantung pada penilaian manusia yang tidak dapat diotomatisasi.

Transisi dari "eksperimental" ke "penting" ini memerlukan pendekatan yang terproduktif terhadap pengembangan, penerapan, dan pengoperasian AI, mirip dengan bagaimana Apple misalnya merevolusi industri teknologi dengan peluncuran iPhone—produk yang dirancang dengan cermat dan mudah digunakan yang mengintegrasikan teknologi canggih dan memadukannya dengan pengalaman pengguna kelas dunia sejak hari pertama.

Menutup kesenjangan data dan memastikan efisiensi biaya

Untuk bergerak menuju versi AI yang lebih canggih dan terproduksi, penting untuk mengatasi kesenjangan dalam aset data perusahaan. Meningkatnya minat dalam penerapan AI di perusahaan telah mengungkap silo data yang tersebar luas, yang menghambat organisasi dalam meningkatkan skala AI di luar prototipe.

Tentu saja, penting untuk dicatat bahwa kendala keuangan juga dapat menghalangi organisasi untuk memperluas penggunaan AI mereka dari tahap uji coba ke aplikasi di seluruh perusahaan. Infrastruktur yang diperlukan untuk melatih dan memelihara model AI tingkat lanjut—yang mencakup daya komputasi, penyimpanan data, dan biaya operasional yang berkelanjutan—dapat meningkat dengan cepat. Tanpa pengawasan yang cermat, proyek-proyek ini berisiko menjadi mahal dan tidak berkelanjutan, mencerminkan tantangan awal yang terlihat selama adopsi teknologi cloud.

Berfokus pada upaya memastikan integritas, kebersihan, dan kualitas data sejak awal dapat membantu menekan biaya dalam jangka panjang. Terlalu sering, perusahaan berfokus pada AI terlebih dahulu dan baru mengatasi tantangan data mereka di kemudian hari, sehingga menciptakan inefisiensi dan peluang yang hilang.

Efisiensi biaya sangat erat kaitannya dengan investasi di seluruh lapisan data dan infrastruktur inti. Berinvestasi di bagian tumpukan ini adalah kunci untuk memastikan LLM dapat dijalankan dalam skala besarSecara praktis, ini berarti menstandardisasi pengumpulan data, memastikan aksesibilitas, dan menerapkan kerangka tata kelola data yang kuat.

AI yang bertanggung jawab

Perusahaan yang menanamkan prinsip-prinsip AI yang bertanggung jawab pada fondasi data yang kuat dan tertata dengan baik akan berada pada posisi yang lebih baik untuk meningkatkan skala aplikasi mereka secara efisien dan etis. Prinsip-prinsip seperti keadilan, transparansi, dan akuntabilitas dalam input dan output AI tidak lagi menjadi pilihan bagi perusahaan—prinsip-prinsip tersebut merupakan keharusan strategis untuk menjaga kepercayaan dengan karyawan dan pelanggan, serta mematuhi peraturan yang muncul.

Salah satu kerangka kerja yang penting adalah UU AI UE, yang mewajibkan dokumentasi yang jelas, transparansi, dan tata kelola untuk sistem AI berisiko tinggi. Kepatuhan terhadap kerangka kerja tersebut mengharuskan perusahaan untuk menerapkan proses yang tidak hanya memvalidasi model AI mereka tetapi juga membuatnya dapat ditafsirkan dan dipertanggungjawabkan, yang sangat penting dalam aplikasi berisiko tinggi seperti penilaian kredit, deteksi penipuan, dan rekomendasi investasi. Perusahaan yang memprioritaskan praktik ini dapat tetap unggul dalam tuntutan regulasi dan menghindari risiko hukum atau reputasi yang mahal.

Selain itu, seiring dengan berkembangnya industri dan sistem AI yang dapat membuat keputusan otonom semakin meluas, taruhan untuk penerapan yang bertanggung jawab pun semakin tinggi. Mendelegasikan tindakan kepada perangkat AI memerlukan keyakinan akan keandalan dan perilaku etisnya. Untuk mencapai hal ini, organisasi harus berinvestasi dalam kerangka kerja audit dan pemantauan berkelanjutan untuk memastikan bahwa sistem AI beroperasi sebagaimana mestinya, dan menjaga dengan cermat terhadap bias hasil dan melestarikan hasil yang tidak adil.

Melihat ke depan

Potensi transformatif AI dalam operasi perusahaan tidak dapat disangkal, tetapi untuk mewujudkan nilai penuhnya diperlukan perubahan dalam cara organisasi mendekati pengembangan dan penerapannya. Beralih dari aplikasi eksperimental ke alat yang dapat diskalakan dan terintegrasi dengan alur kerja memerlukan fokus yang tajam dalam menangani masalah mendasar terkait kualitas data, tata kelola, dan aksesibilitas, serta mengadopsi pola pikir produk.

Menutup kesenjangan data dan menjadikan AI yang Bertanggung Jawab sebagai inti strategi akan menjadi kunci untuk menjaga kepercayaan dengan para pemangku kepentingan, terus memenuhi keharusan kepatuhan strategis, dan memastikan sistem AI tidak hanya dapat diskalakan tetapi juga andal dan efektif. Dengan cara ini, janji AI dapat terwujud dan perjuangan adopsinya saat ini akan teratasi di organisasi dengan berbagai ukuran.