Melampaui Uji Coba AI: Mengubah Data Pelanggan Menjadi Perdagangan Personal yang Dapat Diskalakan

Antusiasme perusahaan terhadap AI telah melampaui hasil yang dicapai. Indeks AI Stanford 2026 melaporkan bahwa 88% organisasi menggunakan AI pada 2025, tetapi adopsi agen AI masih berada di bawah 10% di hampir semua fungsi bisnis. Jarak antara eksperimen dan penciptaan nilai masih lebar, dan hal ini sangat nyata serta terasa dalam pengalaman pelanggan. Ada dua hal penting yang perlu dipertimbangkan untuk memahami penyebab kesenjangan ini.

Yang pertama adalah kematangan organisasi dalam penerapan AI. Sebagian besar perusahaan masih berada pada tahap “produktivitas individu” dan tengah berupaya membangun fondasi yang dapat dikembangkan, mencakup tata kelola, kesiapan data, dan portofolio kasus penggunaan yang terbukti. Mereka masih harus menempuh perjalanan panjang sebelum mencapai tahap “otonom”, ketika agen AI dapat beroperasi dalam batasan yang telah ditetapkan, sementara manusia berfokus pada pengawasan dan penanganan pengecualian. Mencapai tingkat kematangan AI ini merupakan landasan untuk mengupayakan “model operasi yang berlandaskan AI”. Lebih lanjut tentang hal ini nanti.

Yang kedua adalah kesenjangan operasional antara data dan pengambilan keputusan bisnis berbasis AI. Sebagian besar organisasi telah berinvestasi dalam data dan sistem. Mereka telah mengumpulkan data pelanggan, menerapkan otomasi pemasaran, bermigrasi ke cloud, dan menguji coba AI generatif. Meski demikian, pelanggan masih menerima rekomendasi yang tidak relevan, menghadapi kanal yang tidak terhubung, dan mengalami interaksi layanan yang mengabaikan apa yang sebenarnya sudah diketahui perusahaan tentang mereka.

Masalahnya jarang terletak pada model. Lebih sering, AI hanya menyingkap hal-hal yang memang sudah bermasalah: data yang terpecah-pecah, kepemilikan yang tidak jelas, alur kerja yang tidak terhubung, utang teknis, serta sasaran bisnis yang tidak pernah diterjemahkan menjadi kasus penggunaan yang terukur. Langkah selanjutnya bukanlah memulai inisiatif AI yang lebih besar. Langkah itu dimulai dengan memilih beberapa keputusan terkait pelanggan secara cermat, menetapkan model operasi yang jelas, dan membangun arsitektur yang mampu mengubah kecerdasan menjadi tindakan.

Bagi para pemimpin yang ingin beralih dari uji coba terpisah ke sistem yang dapat diterapkan secara berulang, ada beberapa prioritas yang lebih penting daripada yang lain.

Mulailah dari Keputusan, Bukan Kapabilitas.

Pertanyaan pertama bukanlah “di mana kita bisa menerapkan AI generatif?”, melainkan “keputusan apa terkait pengalaman pelanggan yang perlu kita tingkatkan?” Maskapai penerbangan ingin memberikan pilihan yang lebih baik kepada penumpang saat terjadi gangguan. Peritel ingin membantu pembeli memilih produk yang tepat tanpa meningkatkan jumlah pengembalian. Bank ingin petugas layanan menyelesaikan pertanyaan rumit tanpa harus mencari-cari informasi di berbagai sistem. Masing-masing contoh tersebut menetapkan keputusan, orang yang terlibat, dan hasil yang diharapkan, yang kemudian menunjukkan data apa yang dibutuhkan dan bagaimana keberhasilan harus diukur. Memulai dari sini juga membantu para pemimpin untuk mengatakan tidak. Jika gagasan aplikasi atau permintaan agen tidak dapat dikaitkan dengan keputusan nyata dan hasil yang terukur, hal itu tidak layak diprioritaskan.

“Gunakan AI untuk meningkatkan pengalaman” adalah tujuan yang terlalu luas. Tujuan seperti itu menghasilkan demo, bukan kapabilitas operasional.

Saat ini, ketika peritel elektronik konsumen menambahkan “asisten belanja AI”, hasilnya adalah chatbot generik yang dinilai berdasarkan jumlah penggunanya. Jika dirumuskan ulang sebagai keputusan untuk membantu pembeli memilih laptop yang tepat, tujuannya menjadi meningkatkan konversi dan mengurangi pengembalian. Dengan begitu, asisten tersebut menjadi alat yang menggunakan spesifikasi terkini untuk lebih memahami kebutuhan pembeli, dengan keberhasilan diukur berdasarkan penjualan, pengembalian, dan kepuasan. Gagasannya sama, tetapi hasilnya nyata.

Perlakukan Data Terpadu sebagai Kapabilitas, Bukan Proyek Basis Data.

“Gambaran pelanggan 360 derajat” sering digambarkan sebagai upaya memusatkan data. Dalam praktiknya, hal ini merupakan kesepakatan organisasi tentang identitas, persetujuan, kepemilikan, kualitas, dan makna peristiwa-peristiwa penting. Apakah sesi penelusuran berasal dari pelanggan yang identitasnya diketahui, satu rumah tangga, atau perangkat anonim? Sistem mana yang menjadi sumber acuan untuk persetujuan? Seberapa cepat interaksi layanan harus tersedia di kanal lain? Tanpa jawaban atas pertanyaan-pertanyaan tersebut, pemusatan data hanya menciptakan kesan integrasi tanpa keandalan. Langkah yang lebih produktif adalah menyepakati kontrak data bersama untuk setiap kasus penggunaan prioritas, yang mencakup bidang dan peristiwa yang dibutuhkan, sumber acuannya, latensi yang dapat diterima, penggunaan yang diizinkan, serta tim yang bertanggung jawab atas kualitas. Tujuannya bukan mengumpulkan semua data, melainkan memastikan data yang tepat dapat dipercaya saat keputusan dibuat.

Peritel otomotif ingin menyambut pembeli daring yang kembali berkunjung dengan menunjukkan model persis yang sebelumnya mereka konfigurasi. Saat ini, hal itu tidak berjalan karena alat konfigurasi, CRM dealer, dan sistem pembiayaan masing-masing menyimpan versi data pelanggan yang berbeda dan tidak sepakat apakah penawaran leasing yang dibuat tiga minggu lalu masih berlaku. Jika dirumuskan ulang sebagai satu perjalanan pelanggan dengan aturan data yang jelas, kepemilikan setiap hal pun menjadi pasti: alat konfigurasi menjadi sumber acuan untuk konfigurasi kendaraan, data pembiayaan mencatat persetujuan dan masa berlaku yang telah ditetapkan, serta umpan inventaris diperbarui dalam hitungan menit sehingga pembeli tidak akan melihat mobil yang baru saja dijual dealer. Pendekatan ini jauh lebih sederhana daripada “menyatukan semua data pelanggan”, dan sapaan yang diberikan pun benar-benar berfungsi.

Rancang Personalisasi sebagai Sistem Pengambilan Keputusan Berkelanjutan.

Banyak program masih beroperasi sebagai mesin kampanye. Tim menentukan segmen, menyiapkan konten, lalu mengirimkannya sesuai jadwal. AI generatif menghasilkan lebih banyak variasi, tetapi modelnya tetap sama. Pengalaman yang peka terhadap konteks bekerja dengan cara berbeda. Sistem mengamati konteks pelanggan saat ini, menentukan tindakan yang tersedia, memilih salah satunya dengan tetap mematuhi batasan bisnis dan kebijakan, menyampaikannya melalui saluran yang tepat, lalu belajar dari respons pelanggan. Yang terpenting, tujuannya bukan mempersonalisasi setiap interaksi. Terkadang, tindakan yang tepat adalah mengirim pesan standar, mengalihkan pelanggan ke petugas, atau tidak melakukan apa pun. Keberhasilan personalisasi tidak diukur dari jumlah variasi yang dihasilkan. Ukurannya adalah apakah organisasi mengambil keputusan yang lebih relevan bagi pelanggan, sekaligus menghormati harapan pelanggan tersebut. Kepercayaan harus menjadi bagian dari pengalaman, bukan sekadar sesuatu yang ditambahkan belakangan melalui peninjauan kepatuhan.

Sebuah bank mendapati seorang nasabah berulang kali memeriksa suku bunga hipotek. Saat ini, mesin kampanye akan memasukkan nasabah itu ke rangkaian email “pembeli rumah pertama” pada jadwal pengiriman berikutnya. Jika dirancang ulang sebagai proses pengambilan keputusan berkelanjutan, sistem akan membaca situasinya: apakah orang tersebut sedang membandingkan suku bunga di tengah proses pembelian, atau sekadar ingin tahu jauh-jauh hari? Jika belum yakin, sistem akan mengambil tindakan yang lebih hati-hati dengan menampilkan pertanyaan yang membantu, “ingin mencari tahu berapa harga rumah yang mampu Anda beli?”, alih-alih mendesak nasabah untuk “mengajukan pra-persetujuan hari ini” terlalu dini dan salah menafsirkan tahap yang sedang dijalaninya. Jika nasabah menanggapi, sistem akan belajar dan menyesuaikan diri. Jika tidak, sistem tidak akan bertindak lebih jauh. Terkadang, keputusan yang paling relevan justru yang paling tidak mencolok, dan sikap menahan diri itulah yang menjaga kepercayaan.

Atasi Kendala Konten dan Arsitektur Sebelum Mempercepat Proses.

AI generatif dapat membuat teks dan gambar dengan sangat cepat, tetapi jika diterapkan pada proses pengelolaan konten yang bermasalah, kecepatan itu hanya memindahkan hambatan dari pembuatan ke peninjauan dan tata kelola. Content Marketing Institute menemukan bahwa 75% pemasar di perusahaan besar menggunakan AI, tetapi hanya 15% yang telah mengintegrasikannya ke dalam alur kerja sehari-hari. Konten yang terstruktur dan dapat digunakan kembali—yakni fakta dan komponen yang telah disetujui dan dapat dirangkai di berbagai saluran—memungkinkan AI menyesuaikan konten tanpa mengarang fakta dasarnya. Disiplin yang sama juga berlaku untuk tumpukan teknologi. Alih-alih mendesain ulang semuanya dengan dalih menjadikannya “komposabel”, petakan beberapa perjalanan pelanggan yang terkait dengan kasus penggunaan prioritas, cari tahu di mana sistem lama menimbulkan latensi atau menghambat akses ke data, lalu lakukan modernisasi secara bertahap untuk mengatasi kendala tersebut. Kemajuan tidak diukur dari jumlah teknologi yang diadopsi. Kemajuan terlihat dari kemampuan mengubah perjalanan pelanggan dengan aman dan cepat tanpa harus mengulang pekerjaan integrasi yang sama setiap kali.

Sebuah peritel menggunakan AI untuk menulis deskripsi bagi 40.000 produk. Saat ini, hal itu membanjiri tim peninjau hukum dengan pekerjaan karena klaim dan ketentuan garansi setiap produk harus diperiksa. Solusinya bukan model yang lebih cepat, melainkan sumber yang dikelola dengan baik: PIM yang menyimpan spesifikasi, klaim, dan bahasa garansi yang telah disetujui sebagai komponen yang dapat digunakan kembali dan dirangkai oleh AI, sehingga AI dapat menyesuaikan gaya bahasa tanpa mengarang fakta.

Logika yang sama berlaku untuk tumpukan teknologi. Alih-alih memindahkan semuanya ke platform baru, tim hanya memodernisasi sistem inventaris lama yang menghambat personalisasi “tersedia di dekat Anda” secara waktu nyata, sementara sistem yang stabil dibiarkan apa adanya. Kemajuan berarti mampu mengubah perjalanan pelanggan dengan cepat, bukan menambah alat.

Integrasikan Tata Kelola ke dalam Pelaksanaan dan Ukur Nilai sebagai Portofolio.

Jika tata kelola baru diterapkan sebagai gerbang terakhir, semuanya sudah terlambat karena keputusan yang sulit dibatalkan telanjur dibuat. Kerangka kerja seperti NIST AI Risk Management Framework paling bermanfaat jika membentuk suatu kasus penggunaan sejak awal, mencakup privasi, bias, integritas merek, keandalan, dan keterlacakan, dengan pengendalian yang disesuaikan dengan risiko interaksi. Sementara itu, nilai jarang dapat dirangkum dalam satu angka besar. Nilai tersebar dalam hasil bagi pelanggan, seperti kepuasan, penyelesaian tugas, dan retensi; hasil operasional, seperti waktu siklus dan penyelesaian serta penggunaan ulang; hasil komersial, seperti konversi, biaya layanan, dan nilai sepanjang masa pelanggan; serta hasil terkait risiko, seperti tingkat kesalahan, keluhan, dan pengesampingan keputusan. Semua hasil tersebut harus diukur dengan membandingkannya terhadap nilai dasar dan memperhitungkan seluruh biaya pengoperasian dalam skala besar.

Sebuah maskapai menggunakan agen AI untuk menangani gangguan penerbangan. Saat ini, pertanyaan “apakah penerbangan saya terlambat?” dianggap berisiko rendah dan sepenuhnya ditangani secara otomatis. Permintaan untuk memesan ulang tiket penumpang atau memberikan kredit perjalanan di atas jumlah tertentu dialihkan kepada petugas karena kesalahan dalam menangani hal tersebut berbiaya besar. Dengan pendekatan yang dirancang ulang, nilai diukur berdasarkan hasil yang penting: pemulihan yang lebih cepat saat terjadi gangguan, pemesanan ulang yang menjaga loyalitas anggota bernilai tinggi, serta pemantauan keluhan secara saksama. Jika ditangani dengan baik, gangguan dapat menjadi momen yang membuat penumpang tetap setia, alih-alih kehilangan mereka. Di situlah nilai sepanjang masa pelanggan yang sesungguhnya diraih.

Pertanyaan tentang Tingkat Kematangan.

Perusahaan yang menciptakan nilai berkelanjutan bukanlah perusahaan yang menjalankan eksperimen terbanyak. Mereka adalah perusahaan yang memiliki cara berulang untuk menghubungkan kebutuhan pelanggan, data tepercaya, kecerdasan yang dikelola dengan baik, konten yang dapat digunakan kembali, dan hasil yang terukur—serta bersikap jujur dalam menilai posisi mereka saat ini dalam perjalanan tersebut. Sebagian besar organisasi masih jauh dari tujuan itu, meskipun jumlah uji coba yang mereka lakukan mungkin memberi kesan sebaliknya.

Organisasi yang menjadikan AI sebagai fondasi adalah organisasi yang mengintegrasikan AI ke setiap lapisan operasional dan cara bersaingnya. Alih-alih sekadar menyempurnakan proses yang sudah ada, organisasi tersebut merancang model operasionalnya dengan AI sebagai landasan dan kecerdasan sebagai kapabilitas inti bisnis.

Karena itu, pertanyaan yang lebih berguna bagi seorang pemimpin bukan lagi “di mana kita bisa menambahkan AI?” melainkan “keputusan apa yang dapat kita tingkatkan, dan apa saja yang harus dipenuhi agar peningkatan itu dapat diterapkan secara bertanggung jawab dalam skala besar?”