Dominic Sartorio, Wakil Presiden Pemasaran Produk di Denodo – Seri Wawancara

Dominic Sartorio adalah Wakil Presiden Pemasaran Produk di Denodo. Dominic memiliki lebih dari 20 tahun pengalaman di pasar manajemen dan tata kelola data, setelah memegang berbagai peran kepemimpinan produk dan pemasaran di Informatica, Protegrity, dan vendor terkemuka lainnya.

Denodo adalah pemimpin global di bidang manajemen data, memungkinkan agen dan aplikasi AI yang dapat dipercaya. Platform Denodo, solusi manajemen data logis yang memenangkan penghargaan, mengubah data perusahaan menjadi wawasan yang dapat diandalkan untuk AI, analitik, dan inisiatif self-service. Organisasi di seluruh dunia menggunakan Denodo untuk mengirimkan data yang siap AI dan siap bisnis dalam waktu yang jauh lebih singkat dibandingkan dengan data lakehouse tradisional, mencapai waktu penglihatan yang 4x lebih cepat, ROI 345%, dan kinerja 10x lebih baik. Berdasarkan wawasan dari 850 pemimpin perusahaan, Laporan Celah Kepercayaan AI Denodo mengungkapkan mengapa banyak proyek AI mengalami kesulitan untuk melampaui tahap pilot dan apa yang harus dilakukan organisasi untuk membangun AI yang dapat dipercaya dan siap produksi.

Anda telah memegang peran kepemimpinan senior di perusahaan seperti Informatica, Protegrity, Infoworks, dan sekarang Denodo, semua fokus pada lapisan yang berbeda dari infrastruktur data perusahaan. Bagaimana perspektif Anda tentang “data yang dapat dipercaya” berkembang seiring AI bergeser dari analitik ke sistem otonom dan agen?

Awalnya dalam karir saya, data yang dapat dipercaya sebagian besar tentang akurasi, garis keturunan, keamanan, dan memberikan analis kepercayaan diri dalam dashboard dan laporan. Dengan agen AI, taruhan menjadi jauh lebih tinggi karena sistem tidak hanya menafsirkan data; mereka mungkin bertindak secara otonom, memicu alur kerja bisnis, atau membuat keputusan dengan dampak dunia nyata. Itu berarti data yang dapat dipercaya sekarang harus mencakup konteks operasional langsung, makna bisnis yang konsisten, dan pengaman yang diterapkan sehingga seseorang dapat memiliki kepercayaan diri bahwa agen bertindak dengan benar dan aman.

Laporan Celah Kepercayaan AI Denodo menemukan bahwa 66% organisasi mengatakan data AI harus waktu nyata atau hampir waktu nyata untuk dapat dipercaya. Mengapa Anda pikir banyak perusahaan masih mengalami kesulitan untuk mengirimkan data operasional langsung ke sistem AI?

Sebagian besar perusahaan tidak dirancang untuk agen AI yang memerlukan kesadaran situasional langsung di seluruh sistem. Data mereka tersebar di aplikasi, cloud, gudang, lakehouse, sistem warisan, dan platform operasional lainnya. Mereka mungkin menyalin data ini ke gudang pusat atau danau data untuk analitik dan BI, tetapi ini tidak sesuai untuk agen AI yang memerlukan kesadaran situasional langsung. Begitu data disalin, itu tidak lagi langsung. Memungkinkan untuk mengalirkan data secara waktu nyata, tetapi ini menjadi sangat mahal sangat cepat. Ini adalah tempat pendekatan manajemen data logis Denodo menjadi penting, karena memberikan sistem AI akses yang dikelola ke data langsung tanpa memerlukan perusahaan untuk terus-menerus menyalin dan mereplatform semua.

Salah satu temuan yang paling menonjol dalam laporan adalah bahwa inisiatif AI perusahaan sekarang menarik dari ratusan sumber data, dengan beberapa organisasi mengakses lebih dari 1.000. Bagaimana tingkat fragmentasi ini mengubah cara perusahaan harus memikirkan arsitektur AI?

Pada tingkat fragmentasi itu, arsitektur tidak dapat bergantung pada konsolidasi fisik setiap sumber sebelum AI dapat menggunakannya. Perusahaan memerlukan lapisan abstraksi yang dapat menemukan, mengintegrasikan, mengatur, dan mengirimkan data di seluruh kenyataan yang tersebar yang mereka miliki. Menurut saya, arsitektur data harus menjadi lebih logis, didorong metadata, dan semantik, sehingga agen dapat menemukan data yang tepat dalam konteks tanpa terlalu erat dengan sistem yang mendasarinya.

Laporan tersebut berpendapat bahwa banyak kegagalan AI sebenarnya “kegagalan arsitektur data” daripada kegagalan model. Apakah Anda pikir industri telah menghabiskan terlalu banyak waktu untuk mengobsesi model sambil meremehkan pentingnya infrastruktur data?

Ya. Model penting, tentu saja, tetapi banyak proyek AI yang gagal tidak gagal karena modelnya tidak mampu; mereka gagal karena model tersebut beroperasi dengan data yang tidak lengkap, ketinggalan zaman, tidak konsisten, atau tidak teratur dengan baik. Model tersebut bekerja dengan baik dalam pilot, menggunakan set data yang didefinisikan dengan baik dan dikurasi, tetapi begitu diterapkan dalam “dunia nyata”, dengan kekacauan yang tersebar, AI gagal menghasilkan hasil yang dapat dipercaya. Pengalaman saya telah menunjukkan bahwa perusahaan mendapatkan hasil AI yang jauh lebih baik ketika mereka memperlakukan lapisan data sebagai bagian utama dari arsitektur AI, bukan sebagai sesuatu yang dipikirkan kemudian.

Denodo sering berbicara tentang konsistensi semantik dan pentingnya lapisan semantik universal. Ketika agen AI mulai membuat keputusan secara otonom, seberapa kritis kesejajaran semantik menjadi untuk mencegah tindakan yang salah atau logika bisnis yang halusinasi?

Kesejajaran semantik menjadi sangat kritis. Jika satu sistem mendefinisikan “pelanggan”, “pendapatan”, “risiko”, atau “penurunan” secara berbeda dari yang lain, agen AI dapat menghasilkan jawaban yang secara teknis masuk akal tetapi masih salah untuk konteks bisnis yang diberikan. Lapisan semantik universal membantu memastikan bahwa agen beroperasi dengan makna bisnis yang konsisten, bukan hanya akses data mentah.

Sesi AI & Big Data Expo Anda berfokus pada pindah dari pilot AI ke produksi. Dalam pengalaman Anda, apa alasan terbesar perusahaan terjebak dalam “fase pilot” dan gagal menskalakan AI ke sistem operasional nyata?

Pilot sering bekerja karena mereka sempit, dikurasi secara manual, dan terisolasi dari kompleksitas penuh perusahaan. AI produksi harus berurusan dengan data langsung dari banyak sumber, keamanan, tata kelola, kinerja, kemampuan audit, perubahan aturan bisnis, dan integrasi ke dalam alur kerja nyata. Banyak organisasi terjebak karena mereka membangun demo yang mengesankan, tetapi tidak fondasi data yang dikelola yang dibutuhkan untuk mengoperasikan AI dengan andal dalam skala besar.

Laporan tersebut mengutip prediksi bahwa persentase signifikan proyek AI agen dapat dibatalkan dalam beberapa tahun ke depan karena biaya yang meningkat, nilai yang tidak jelas, atau kontrol risiko yang tidak memadai. Apakah Anda pikir industri memasuki fase di mana perusahaan akan menjadi lebih selektif tentang proyek AI mana yang akan bertahan?

Ya, dan saya pikir itu sehat. Gelombang pertama eksperimen AI adalah tentang kemungkinan; gelombang berikutnya akan tentang nilai operasional, disiplin biaya, dan kepercayaan. Proyek yang akan bertahan adalah mereka yang terikat pada hasil bisnis yang dapat diukur dan didukung oleh data, tata kelola, dan arsitektur yang tepat.

Keamanan dan tata kelola muncul di seluruh laporan sebagai tema berulang, terutama sekitar “pengaman” untuk AI agen. Bagaimana organisasi harus menyeimbangkan kemampuan AI otonom dengan kebutuhan akan kontrol akses yang ketat dan kemampuan audit?

Kunci utamanya adalah tidak memperlakukan tata kelola sebagai sesuatu yang dipasang setelah sistem AI dibangun. Kontrol akses, penerapan kebijakan, garis keturunan, dan kemampuan audit harus terintegrasi ke dalam lapisan akses data itu sendiri, sehingga agen AI hanya melihat dan menggunakan data yang mereka izinkan untuk mengakses. Dengan Denodo, kebijakan tata kelola yang sama dapat diterapkan secara konsisten di seluruh sumber yang tersebar, yang sangat penting ketika AI beroperasi di lingkungan hybrid dan multi-cloud.

Denodo memposisikan manajemen data logis sebagai cara untuk mempersatukan akses di seluruh lingkungan hybrid dan multi-cloud tanpa harus terus-menerus memindahkan data. Ketika perusahaan semakin banyak mengadopsi arsitektur AI berbasis pengambilan, apakah Anda melihat arsitektur “tanpa salinan” atau logis-terlebih-dahulu menjadi arah jangka panjang untuk AI perusahaan?

Ya. AI berbasis pengambilan bergantung pada mendapatkan data yang tepat pada waktu yang tepat, bukan harus memindahkan setiap set data ke repositori tunggal sebelumnya. Pendekatan logis-terlebih-dahulu, tanpa salinan, jauh lebih sejalan dengan cara perusahaan benar-benar beroperasi: data tetap tersebar, tetapi AI dapat mengaksesnya melalui lapisan yang dikelola, semantik, dan waktu nyata. Itu adalah arah yang saya percaya AI perusahaan harus tuju.

Menghadap ke depan selama tiga hingga lima tahun ke depan, apa yang Anda pikir akan memisahkan organisasi yang berhasil mengoperasikan AI yang dapat dipercaya dari mereka yang tetap terjebak dalam mode eksperimen?

Pemenangnya akan menjadi organisasi yang mengakui bahwa AI bukan hanya strategi model; itu adalah strategi data, strategi tata kelola, dan strategi model operasional. Mereka akan berinvestasi dalam akses data langsung, konsistensi semantik, tata kelola yang dapat digunakan kembali, dan arsitektur yang dapat menjangkau seluruh perusahaan. Mereka yang terus membangun pilot yang terisolasi di atas data yang tersebar atau ketinggalan zaman akan berjuang untuk melampaui eksperimen.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Denodo atau mengunduh Laporan Celah Kepercayaan AI Denodo