Andreea Pleşea, PhD, COO dan Co-Founder Druid AI – Seri Wawancara

Andreea Pleşea, PhD, COO dan Co-Founder Druid AI, adalah eksekutif teknologi dan wirausahawan dengan hampir dua dekade pengalaman yang meliputi rekayasa perangkat lunak, teknologi perusahaan, kecerdasan buatan, operasi, dan keberhasilan pelanggan. Sejak mendirikan Druid AI, ia telah memegang beberapa peran kepemimpinan senior di seluruh organisasi, termasuk Chief Operating Officer, Chief Revenue Officer, dan Chief Customer Success Officer, yang memberinya pengalaman di sisi teknis maupun komersial dalam menskalakan perusahaan perangkat lunak enterprise. Sebelum Druid AI, Pleşea menghabiskan hampir satu dekade di TotalSoft, naik jabatan dari programmer .NET menjadi Software Development Manager dan akhirnya Charisma Business Applications Director, di mana ia mengawasi pengembangan produk, implementasi, dukungan teknis, arsitektur solusi, serta tanggung jawab P&L. Latar belakang akademisnya juga mencakup riset AI di Universitas Roma Tor Vergata, di mana ia bekerja dengan Artificial Intelligence Research Group universitas tersebut pada teknologi untuk mengekstrak dan menstrukturkan informasi dari data tidak terstruktur. Ia juga menjadi anggota Board of Advisors untuk Women in Tech Romania.

Druid AI adalah perusahaan AI enterprise yang fokus membangun dan mengorkestrasi agen AI yang dapat mengotomatisasi proses bisnis kompleks di seluruh organisasi. Platformnya menggabungkan pemahaman bahasa alami, generative AI, retrieval-augmented generation (RAG), integrasi enterprise, otomatisasi alur kerja, analitik, dan tata kelola, dengan Druid Conductor yang mengoordinasikan banyak agen khusus dan sistem untuk mencapai hasil bisnis. Organisasi dapat menghubungkan agen Druid ke sistem seperti perencanaan sumber daya perusahaan (ERP), manajemen hubungan pelanggan (CRM), manajemen layanan TI (ITSM), dan platform sumber daya manusia, sambil menerapkan teknologi ini di lingkungan cloud, hybrid, on-premises, atau air-gapped. Perusahaan menyatakan teknologinya digunakan oleh lebih dari 300 pelanggan enterprise dan didukung oleh lebih dari 200 mitra global, dengan aplikasi mencakup dukungan karyawan, layanan pelanggan, perawatan kesehatan, pendidikan tinggi, dan layanan bersama.

Anda mendirikan Druid AI di Bucharest pada tahun 2018 setelah menghabiskan hampir satu dekade di TotalSoft, di mana Anda beralih dari pengembangan .NET ke kepemimpinan teknologi dan bisnis senior. Apa yang meyakinkan Anda pada saat itu bahwa AI percakapan dapat menjadi lapisan inti teknologi enterprise, dan bagaimana visi awal itu berkembang seiring Druid beralih ke AI agen? 

Konvergensi dua jalur yang berbeda—ketelitian akademik dan rasa sakit di garis depan perusahaan—membentuk cara berpikir saya saat menjalani PhD. Namun, baru ketika Liviu Dragan, seorang pemimpin yang sangat visioner, mengusulkan ide pendirian Druid AI, saya menyadari bagaimana riset saya akhirnya dapat diterapkan dalam kehidupan nyata.

Antara tahun 2008 dan 2011, riset PhD saya berfokus pada agen AI otonom yang berkomunikasi melalui teknologi web semantik dan ontologi, mengeksplorasi bagaimana sistem cerdas dapat menggantikan atau berada di atas perangkat lunak enterprise tradisional. Tak lama setelahnya, bekerja dalam kepemimpinan teknologi enterprise memperlihatkan realitas yang keras: kami meminta karyawan mengelola kompleksitas yang tak dapat ditanggung.

Menyelesaikan satu tugas rutin berarti mengetahui aplikasi mana yang harus dibuka, di mana data berada, kebijakan apa yang berlaku, dan siapa yang memiliki langkah selanjutnya. Sementara itu, di luar kantor, pesan singkat menjadi antarmuka dominan untuk interaksi manusia.

Ketika kami mendirikan Druid AI pada tahun 2018, visi kami sederhana namun ambisius: memberikan setiap karyawan dan pelanggan asisten virtual yang mampu mengorkestrasi pekerjaan di seluruh enterprise.

Hampir satu dekade kemudian, visi inti tersebut belum berubah—teknologinya hanya kini mengejar. AI percakapan pada dasarnya tentang pengenalan niat, pengambilan data, dan pemicu skrip statis. AI agen mengubah batas delegasi. Agen modern menilai tujuan, berkolaborasi dengan sub-agen khusus, menavigasi sistem yang beragam, dan mengeksekusi alur kerja kompleks berlangkah banyak secara otonom.

Bagi kami, revolusi agen saat ini bukanlah pergeseran strategi menjauh dari AI percakapan. Ini adalah realisasi alami dari tesis pendirian kami: teknologi enterprise harus menjadi lebih sederhana bagi manusia untuk membantu mereka menyelesaikan pekerjaan, meskipun orkestrasi di balik tirai menjadi semakin canggih.

Sebagian besar industri AI telah terfokus pada pembangunan model fondasi yang semakin kuat, sementara Druid AI berfokus pada menghubungkan berbagai model dengan data, sistem, dan alur kerja enterprise. Seiring model menjadi semakin dapat dipertukarkan, apakah Anda percaya orkestrasi akan menjadi keunggulan kompetitif yang lebih penting daripada model dasar itu sendiri?

Di Druid AI, misi inti kami sederhana: mengekstrak hal luar biasa dari setiap interaksi manusia dengan menyelesaikan pekerjaan secara efisien. Namun seiring pasar matang, kunci memberikan nilai tersebut beralih dari tumpukan teknologi dasar.

Kami menyaksikan pola klasik dalam teknologi enterprise: kemampuan yang dulu menjadi pembeda awal kini cepat menjadi komoditas. Saat ini, model fondasi dapat diakses oleh semua pihak. Enterprise pada akhirnya akan menerapkan matriks hibrida model yang dipilih berdasarkan kinerja, biaya, keamanan, atau kebutuhan regulasi tertentu. Ketika kecerdasan menjadi komoditas, medan pertempuran strategis naik ke level yang lebih tinggi.

Saat ini, masalah tersulit dalam AI enterprise berkaitan dengan konteks eksekusi: tata kelola dan akses (data apa yang dapat diakses AI, dan di bawah kebijakan apa), routing agen (agen khusus mana yang harus menangani tugas tertentu), integrasi sistem (bagaimana beberapa sistem transaksional berkoordinasi dengan aman), otonomi vs. kontrol (kapan agen dapat bertindak secara independen, dan kapan persetujuan manusia diperlukan), auditabilitas (jika alur kerja gagal, dapatkah Anda merekonstruksi jejak keputusan langkah demi langkah).

Inilah mengapa orkestrasi menjadi tuas strategis utama. Model menghasilkan kecerdasan, tetapi enterprise membutuhkan eksekusi yang dapat diandalkan.

Druid AI dibangun untuk menjadi lapisan kontrol dan orkestrasi yang definitif. Ia menjembatani berbagai model secara aman melintasi data enterprise, alur kerja, dan orang. Secara krusial, ia menyediakan kerangka referensi untuk mengukur efektivitas eksekusi, menilai hasil bisnis yang sesungguhnya.

Dalam jangka panjang, pertanyaan kemenangan tidak akan menjadi, “Model apa yang Anda gunakan?” Melainkan, “Seberapa efektif Anda dapat mengubah kecerdasan mentah menjadi pekerjaan selesai bagi karyawan dan pelanggan Anda?”

Druid Conductor dapat mengkoordinasikan banyak agen khusus dalam pengambilan pengetahuan, logika keputusan, dan aksi sistem. Apa yang menjadi secara teknis sulit ketika sebuah enterprise beralih dari satu asisten AI yang menjawab pertanyaan menjadi banyak agen yang dapat secara independen mengeksekusi proses bisnis berlangkah banyak?

Peralihan dari antarmuka percakapan sederhana ke arsitektur multi-agen secara fundamental mengubah tantangan rekayasa. Anda berhenti mengelola percakapan linier dan mulai mengelola sistem keputusan-dan-eksekusi terdistribusi.

Dengan satu asisten Q&A, hambatan utama adalah pengenalan niat, pengambilan data, dan generasi respons dengan tingkat akurasi tinggi. Ekosistem multi-agen memperkenalkan kelas sistem terdistribusi yang sepenuhnya berbeda dan pertanyaan:

1. Agen mana yang memiliki wewenang untuk bertindak, dan bagaimana Anda mencegah pergeseran domain?
2. Bagaimana status dipertahankan saat penyerahan tanggung jawab terjadi antar agen?
3. Bagaimana keputusan yang bertentangan antara agen khusus direkonsiliasi?
4. Bagaimana sub-agen mewarisi izin akses secara dinamis dan aman?

Tantangan ini menjadi lebih kompleks ketika diterapkan pada infrastruktur enterprise dunia nyata. Satu alur kerja dapat melibatkan CRM, ERP, platform manajemen identitas, sistem tiket, dan basis data warisan. Masing‑masing beroperasi dengan logika bisnis dan mode kegagalan yang berbeda, namun pada akhirnya agen konduktor harus menyelesaikan pekerjaan dengan tepat.

Jika langkah keempat dari proses enam langkah gagal setelah tiga sistem telah melakukan perubahan transaksi, pipeline agenik dasar akan runtuh. Lapisan orkestrasi tidak dapat sekadar melemparkan error generik. Ia harus mengelola status, melakukan rollback bila diperlukan, menentukan apakah routing alternatif ada, atau secara elegan meningkatkan ke intervensi manusia dalam siklus.

Orkestrasi enterprise yang sesungguhnya adalah manajemen status, konsistensi transaksi, observabilitas, penegakan kebijakan, dan otonomi yang aman dari kegagalan. Tujuan kompleksitas dasar ini adalah kesederhanaan: memberikan satu interaksi tanpa gesekan di mana pekerjaan multi‑sistem yang kompleks selesai dengan mudah.

Druid AI kini telah mendukung lebih dari satu miliar percakapan melalui ribuan agen yang diterapkan. Pada skala itu, apa yang Anda pelajari tentang AI enterprise yang tidak mungkin dipelajari dari pilot atau demonstrasi terkendali?

Produksi mengajarkan kerendahan hati dengan cepat.

Pilot biasanya merupakan lingkungan yang relatif terkendali. Kasus penggunaan sudah didefinisikan, data cukup bersih, pengguna diketahui, dan biasanya ada tim proyek yang memantau dengan cermat.

Produksi tidak berperilaku seperti itu sama sekali. Orang menanyakan pertanyaan yang sama dengan dua puluh cara berbeda. Mereka berubah pikiran di tengah percakapan. Mereka memberikan informasi yang tidak lengkap. Mereka beralih bahasa atau topik. Mereka berinteraksi pada waktu yang tidak terduga. Kebijakan berubah. API gagal. Sistem back‑end melambat. Kasus tepi baru muncul yang tidak dipikirkan dalam desain awal. Satu hal yang pasti: harapan pengguna adalah menyelesaikan pekerjaan secara efektif, mulus, dan alami. Baik dalam teks, terutama dalam suara, percakapan harus mengalir alami, tanpa latensi; harus terdengar agak empatik, dan melaksanakan tugas sambil menyarankan opsi terbaik serta langkah selanjutnya bila diperlukan, atau memperlakukan pengecualian dan loop secara manusiawi bila dibutuhkan.

Beberapa otomatisasi bernilai tinggi berasal dari melakukan hal-hal yang relatif biasa dengan sangat baik dan melakukannya ratusan ribu kali: menjawab pertanyaan karyawan, memeriksa akun, menjadwal ulang pertemuan, menyelesaikan permintaan TI, atau mengambil informasi yang tepat dari sistem enterprise. Hal itu mengubah cara kami memandang nilai AI.

Pelajaran kedua adalah bahwa peluncuran produksi hanyalah awal dari siklus pembelajaran. Anda perlu melihat apa yang diminta pengguna, niat mana yang berkembang, di mana percakapan gagal, di mana orang melakukan eskalasi, dan kadang‑kadang di mana proses bisnis yang mendasarinya sendiri perlu diubah.

Dan mungkin pelajaran terpenting adalah bahwa kepercayaan bersifat operasional, karena enterprise mempercayai AI karena seiring waktu, AI berperilaku dapat diprediksi, pengecualian ditangani dengan benar, keputusan terlihat, dan organisasi tetap berada dalam kontrol.

Data produksi Druid menunjukkan bahwa sejumlah kecil alur kerja dapat menjelaskan sebagian besar penggunaan AI enterprise yang sebenarnya. Apakah ini menunjukkan bahwa perusahaan sebaiknya awalnya memfokuskan investasi AI pada beberapa alur kerja bervolume tinggi daripada mencoba transformasi luas di seluruh enterprise?

Salah satu pola paling jelas dalam data produksi kami adalah bahwa permintaan cenderung terkonsentrasi. Misalnya di layanan keuangan, tiga kategori alur kerja menyumbang sekitar 90% penggunaan produksi. Di pendidikan tinggi, konsentrasi bahkan lebih tinggi. Hal ini memberi kami wawasan penting tentang cara perusahaan memikirkan transformasi AI. Kami telah menganalisis wawasan ini dan menghasilkan laporan benchmark untuk pendidikan tinggi, perawatan kesehatan, dan perbankan, yang memungkinkan mitra serta pelanggan kami mengidentifikasi proses yang akan meningkatkan efisiensi dan membantu memproyeksikan bagaimana manusia akan berinteraksi dengan agen.

Ada godaan, terutama di tingkat dewan, untuk memulai dengan permintaan yang sangat luas: “Anda HARUS menggunakan AI atau kami akan tertinggal.” Tim operasional kemudian harus berjuang mengidentifikasi pekerjaan yang tepat untuk agen, sambil khawatir kehilangan pekerjaan mereka. Jadi, apa keseimbangan yang tepat dan bagaimana mereka dapat merekrut agen AI yang tepat untuk melakukan pekerjaan BERSAMA mereka sambil memaksimalkan KPI yang diharapkan dewan?

Mulailah di area yang berpotensi meningkatkan pendapatan dan/atau mengurangi biaya, hal‑hal yang biasanya orang lakukan berulang kali. Jika ribuan pelanggan, karyawan, mahasiswa, atau pasien berulang kali berusaha mencapai hasil yang sama, Anda memiliki baseline yang terukur dan peluang kuat untuk membuktikan nilai.

Namun ada perbedaan penting: mulai secara sempit, rancang secara luas.

Kasus penggunaan pertama dapat terpusat. Platform di bawahnya harus mampu diperluas ke seluruh enterprise. Anda membuktikan ekonomi, model tata kelola, integrasi, dan mekanisme eskalasi manusia pada beberapa alur kerja yang berarti. Kemudian Anda memperluas ke proses terkait dengan memanfaatkan apa yang telah dipelajari.

Volume bukan satu‑satunya kriteria. Alur kerja dengan frekuensi rendah masih dapat sangat berharga jika setiap penyelesaian berhasil membawa dampak finansial atau operasional yang signifikan.

Seiring enterprise semakin fokus pada penyelesaian yang berhasil daripada sekadar memaksimalkan persentase interaksi yang ditangani tanpa manusia, bagaimana organisasi menentukan keputusan apa yang dapat dibuat agen AI secara otonom dan di mana eskalasi manusia harus tetap wajib?

Druid AI telah membangun kerangka evaluasi yang mencakup 26 kriteria dan memastikan evaluasi objektif dari orkestrasi agenik mulai dari cara pembuatannya hingga cara menyelesaikan pekerjaan.

Jika suatu tindakan dapat dibalik, relatif berisiko rendah, diatur oleh aturan yang jelas, dan didukung oleh informasi yang dapat diandalkan, maka ada alasan kuat untuk otonomi. Menjadwal ulang pertemuan dengan parameter yang telah ditentukan sangat berbeda dari membuat keputusan klinis dan mungkin tampak sederhana. Namun harus mempertimbangkan banyak elemen agar dilakukan secara efektif: misalnya jika dokter B memiliki slot kosong, tetapi ia ingin memblokirnya, agen AI tidak boleh menjadwal ulang pertemuan pasien di slot tersebut hanya karena tugasnya adalah memaksimalkan cakupan kalender dokter.

Ada beberapa dimensi yang saya perhatikan: konsekuensi finansial atau manusia dari kesalahan, apakah tindakan dapat dibalik, kelengkapan dan kualitas informasi yang tersedia, persyaratan regulasi, dan apakah diperlukan penilaian atau empati manusia yang sejati. Kemudian Anda merancang eskalasi secara sengaja.

Di sinilah saya rasa pemikiran awal tentang otomatisasi AI terlalu sederhana. Tujuannya menjadi “menahan sebanyak mungkin interaksi tanpa melibatkan manusia.” Namun dalam banyak proses, eskalasi justru merupakan hasil yang tepat.

Itulah mengapa saya lebih suka berpikir dalam kerangka resolusi yang diatur daripada sekadar penahanan.

Tujuannya adalah AI menyelesaikan pekerjaan yang seharusnya diselesaikan secara otonom, mengenali situasi di mana ia tidak boleh bertindak, dan melibatkan orang ke dalam proses dengan konteks yang relevan sudah disiapkan.

Setelah agen AI dapat mengambil informasi sensitif, memperbarui sistem enterprise, dan memulai tindakan dunia nyata, observabilitas dan tata kelola menjadi jauh lebih penting. Apa yang harus dapat diaudit perusahaan tentang penalaran, akses data, dan tindakan agen sebelum mempercayakannya pada alur kerja misi‑kritis?

Menurut panduan Gartner, DRUID memiliki kerangka evaluasi bawaan yang menganalisis agen dari 5 sudut: toleransi kesalahan, risiko, kepatuhan, observabilitas, dan deviasi. Di bawah kategori ini, kami memiliki total 26 komponen. Setiap komponen memiliki definisi, artefak yang dapat Anda buka, dan ukuran.

Saat mengevaluasi agen, platform harus dapat merekonstruksi rangkaian lengkap dari permintaan pengguna awal hingga sistem aksi akhir. Itu berarti mengetahui agen mana yang menangani permintaan, model apa yang digunakan, konteks apa yang diterima model, informasi enterprise apa yang diambil, aturan bisnis atau kebijakan apa yang diterapkan, mengapa rute atau aksi tertentu dipilih, dan apa yang tepatnya berubah dalam sistem yang mendasarinya. Puluhan interaksi yang dapat diaudit dilacak, dianalisis, dan diukur.

Identitas sama pentingnya. Agen AI tidak boleh menjadi jalan pintas melewati kontrol akses enterprise. Anda perlu mengetahui siapa yang mengajukan permintaan, apa yang orang tersebut berwenang lihat atau lakukan, dan apakah agen tetap berada dalam batasan tersebut.

Dengan arsitektur multi‑agen, jejak jejak menjadi lebih penting. Agen mana yang mendelegasikan ke agen lain? Informasi apa yang melintasi batas tersebut? Dari mana keputusan berasal? Komponen mana yang sebenarnya mengeksekusi aksi? Dan ada bukti operasional: cap waktu, sinyal kepercayaan, hasil eksekusi, pengecualian, peristiwa eskalasi, serta kemampuan untuk memahami atau memutar ulang apa yang terjadi.

Ini adalah salah satu perubahan terbesar saat kami beralih dari AI percakapan ke AI agenik.

Ketika AI hanya menjawab pertanyaan, observabilitas berguna. Ketika AI dapat mengubah catatan pelanggan, memicu pembayaran, memperbarui beberapa sistem catatan, atau memulai proses bisnis, observabilitas menjadi bagian dari arsitektur kontrol.

Anda telah memegang rentang peran yang sangat luas di Druid AI, meliputi pengembangan, operasi, pendapatan, dan keberhasilan pelanggan. Bagaimana bekerja langsung dengan pelanggan membentuk pandangan Anda tentang mengapa beberapa penerapan AI enterprise menghasilkan nilai terukur sementara yang lain tetap terjebak dalam mode pilot?

Saya memulai karier sebagai pengembang, dan seperti banyak insinyur, pada awalnya saya memiliki naluri kuat bahwa jika teknologi cukup baik, nilainya akan terlihat. Pelanggan mengajarkan dengan cepat bahwa ini bukan cara kerja teknologi enterprise.

Penerapan yang secara teknis canggih masih dapat menghasilkan nilai sangat sedikit jika masalah bisnis tidak cukup penting, jika pemilik proses tidak ada, jika integrasi dianggap sebagai hal sampingan, atau jika tidak ada yang menyepakati apa arti keberhasilan. Pelanggan sangat mahir menghilangkan narasi teknologi. Mereka tidak peduli seberapa elegan sesuatu secara arsitektural jika proses yang menjadi tanggung jawab mereka tidak mengalami perbaikan.

Ketika kita membicarakan implementasi pada skala tersebut, ada pemilik bisnis dengan masalah nyata yang harus diselesaikan. Ada volume yang terukur, biaya/pendapatan, atau gesekan. AI terhubung ke sistem tempat pekerjaan sebenarnya terjadi. Dan ada rencana adopsi serta perbaikan berkelanjutan setelah peluncuran. Pilot sering tetap menjadi pilot karena mereka membuktikan teknologi berfungsi tanpa membuktikan model operasional berfungsi. Itulah mengapa, setiap kali merancang solusi proyek AI, kami melatih staf dan mitra untuk terlebih dahulu memahami pekerjaan, bukan klik yang dilakukan pengguna dalam sistem. “Pekerjaan” berarti seluruh proses, bagaimana mereka menangani pengecualian, apa hasilnya, seberapa sering pengecualian muncul, apa yang menghalangi peningkatan produktivitas, berapa lama waktu yang dibutuhkan, dan upaya apa yang diperlukan untuk meningkatkan produktivitas jika pekerjaan tidak diotomatisasi.

Karier saya sendiri telah melintasi teknologi, operasi, penjualan, keberhasilan pelanggan, dan pembangunan perusahaan, dan kini saya melihat keberagaman itu sebagai salah satu keunggulan terbesar saya. Teknologi mengajarkan cara kerja sesuatu. Penjualan mengajarkan mengapa seseorang akan membayar untuknya. Keberhasilan pelanggan mengajarkan apakah itu berfungsi di dunia nyata. Operasi mengajarkan apakah organisasi dapat menyediakannya secara berulang dan pada skala besar.

Dalam banyak hal, evolusi Druid AI mengikuti jalur yang sama: dari membuktikan bahwa AI percakapan dapat berfungsi, ke membuktikan bahwa ia dapat menciptakan nilai, hingga membangun infrastruktur yang diperlukan agar agen cerdas dapat diandalkan pada skala enterprise.

Anda juga terlibat dengan Women in Tech Romania sambil membangun Druid menjadi perusahaan AI internasional. Di mana Anda masih melihat hambatan terbesar bagi perempuan untuk mendirikan dan memimpin perusahaan AI, dan apa yang dapat secara signifikan meningkatkan representasi mereka di tingkat eksekutif dan pendiri? 

Data terbaru menyoroti kesenjangan mencolok dalam teknologi Eropa: hanya 5% startup AI yang didirikan atau didirikan bersama oleh perempuan, dan hanya setengah dari pendiri tersebut yang memiliki PhD. Meskipun statistiknya tajam, mengatasi ketimpangan ini memerlukan pandangan melampaui narasi tradisional tentang diskriminasi gender.

Pada intinya, kewirausahaan adalah upaya individu yang dibentuk oleh kepribadian, toleransi risiko, prioritas pribadi, dan pilihan karier. Alih-alih melihatnya semata sebagai hambatan sosial, kita harus meneliti jalur praktis di mana pendiri dibentuk.

Walaupun secara statistik perempuan kurang tertarik pada disiplin teknis pada awalnya, hambatan yang jauh lebih signifikan dan kurang dibahas muncul kemudian dalam karier korporat: paparan terhadap kepemilikan bisnis secara penuh.

Perempuan sering unggul sebagai spesialis teknis kelas dunia dan pemimpin fungsional. Namun, lebih sedikit yang beralih ke peran dengan tanggung jawab pendapatan langsung, manajemen P&L, pengambilan keputusan komersial, dan strategi korporat menyeluruh. Ini adalah otot operasional yang tepat diperlukan untuk mendirikan dan menskalakan perusahaan teknologi enterprise.

Jalur saya sendiri dari pengembangan perangkat lunak ke CEO bukan garis lurus, melainkan serangkaian transisi melintasi kepemimpinan, operasi, eksekusi komersial, dan akhirnya pembangunan perusahaan. Di lingkungan seperti sistem pendidikan Romania, di mana pendidikan keuangan praktis dan pelatihan kewirausahaan tidak ada untuk semua orang tanpa memandang gender, belajar menavigasi risiko bisnis menjadi proses bertahap melalui paparan.

Mengatasi kesenjangan ini juga memerlukan pembongkaran mitos umum: gagasan bahwa kepemimpinan teknologi menuntut penguasaan mutlak sebelum melangkah maju. Di era AI yang bergerak cepat, tidak ada yang memiliki semua jawaban. Sifat kepemimpinan yang menentukan saat ini adalah rasa ingin tahu, pembelajaran berkelanjutan, dan kepercayaan diri untuk menangani masalah kompleks sebelum hasilnya dijamin.

Untuk melihat lebih banyak perempuan memimpin perusahaan teknologi, kita harus memperluas akses ke jaringan komersial, mengangkat contoh peran yang terlihat, dan secara aktif mendorong talenta berpengalaman keluar dari silo fungsional, mengambil tanggung jawab P&L, serta merangkul risiko kepemilikan bisnis.

Ke depan, apa yang Anda pikirkan akan memisahkan platform AI enterprise yang menjadi sangat terintegrasi dalam operasi bisnis dari banyak produk AI yang pada akhirnya kesulitan melampaui tahap percobaan?

Garis pemisahnya adalah apakah mereka dapat beralih dari kecerdasan ke eksekusi yang dapat diandalkan.

Menghasilkan respons mengesankan sudah menjadi relatif mudah. Beroperasi secara andal di dalam enterprise besar merupakan cerita yang berbeda.

Platform yang menjadi terintegrasi dalam operasi bisnis harus terhubung secara aman ke sistem yang ada, bukan meminta perusahaan mengganti semua yang mereka gunakan. Mereka harus dapat bekerja melintasi berbagai model dan teknologi.

Mereka memerlukan orkestrasi yang mampu mengoordinasikan agen, alur kerja, dan keputusan manusia. Dan mereka memerlukan identitas, tata kelola, observabilitas, serta kontrol yang dirancang ke dalam arsitektur, bukan ditambahkan belakangan.

Namun ada persyaratan lain yang saya rasa akan semakin memisahkan eksperimen dari infrastruktur: keandalan dalam kondisi tidak sempurna. Demonstrasi menunjukkan apa yang dapat dilakukan sistem AI ketika semuanya berfungsi, tetapi enterprise ingin tahu apa yang terjadi ketika sesuatu tidak berfungsi.

Apa yang terjadi ketika data tidak lengkap? Ketika API gagal? Ketika dua kebijakan bertentangan? Ketika kepercayaan rendah? Ketika pengguna meminta sesuatu yang tidak mereka izinkan?

Jika agen berperformasi brilian 90% waktu tetapi berperilaku tidak dapat diprediksi pada 10% sisanya, Anda tidak dapat memberikannya tanggung jawab atas proses misi‑kritis.

Selama beberapa tahun terakhir, pertanyaan dominan adalah: “Apa yang dapat dilakukan model ini?”

Pertanyaan enterprise kini menjadi: “Bagaimana saya dapat menyelesaikan pekerjaan ini secara efektif?”

Platform AI yang menjadi sangat terintegrasi dalam organisasi akan menjadi yang dapat menjawab pertanyaan kedua dengan meyakinkan: secara teknis, operasional, dan ekonomi. Itulah pada akhirnya peluang yang kami lihat ketika memulai Druid AI: menjadikan kecerdasan bagian dari cara kerja itu sendiri dilakukan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mengetahui lebih lanjut dapat mengunjungi Druid AI.