Meningkatkan Skala AI Tak Seharusnya Berarti Membangun Ulang Fondasi Data Setiap Kali

Musim perencanaan 2027 segera tiba bagi perusahaan-perusahaan besar, dan investasi AI kembali menjadi topik utama dalam pembicaraan jajaran eksekutif. Survei terbaru Akeneo terhadap para pengambil keputusan TI menunjukkan bahwa 93% responden melaporkan peningkatan produktivitas berkat AI, tetapi 43% mengatakan AI juga menambah tanggung jawab baru dalam peran mereka.

Temuan ini menyoroti besarnya persiapan yang diperlukan untuk mewujudkan proyek AI. Secara khusus, persiapan data merupakan bagian penting dari pekerjaan tersebut. Di antara para pemimpin TI yang disurvei Akeneo, 36% mengatakan organisasi mereka menghabiskan lebih dari separuh total upaya proyek AI untuk menyiapkan data. Sebanyak 53% lainnya melaporkan bahwa mereka mengalokasikan antara 26% dan 50% upaya proyek AI untuk persiapan data. Persiapan ini memang diperlukan, tetapi peluangnya terletak pada memastikan pekerjaan yang telah dilakukan untuk satu penerapan AI dapat digunakan kembali untuk mendukung penerapan berikutnya.

AI mungkin menghilangkan pekerjaan di satu bagian bisnis, tetapi sekaligus menciptakan serangkaian tugas lain bagi tim TI, yang harus menyiapkan data dan membangun ulang konteks untuk setiap penerapan baru. Kini, peluangnya adalah membuat lebih banyak pekerjaan tersebut dapat digunakan kembali, sehingga setiap penerapan dapat melanjutkan dari hasil sebelumnya, alih-alih memulai dari awal.

Konteks Manusia sebagai Inti AI

Manusia tetap menjadi unsur utama dalam semua uji coba dan penerapan AI. Tim TI terlibat di sepanjang siklus hidup teknologi baru, mulai dari memahami kebutuhan bisnis dan mengevaluasi solusi hingga implementasi, pelatihan, pengembangan proses, serta keamanan berkelanjutan. Seiring waktu, tim mungkin tidak mendokumentasikan pengecualian dan aturan tak tertulis yang mereka temui, termasuk ketika istilah yang sama didefinisikan secara berbeda di berbagai sistem. Konteks ini sering kali menjadi pengetahuan institusional yang hanya dimiliki oleh masing-masing anggota tim, alih-alih informasi yang dapat diakses secara andal oleh organisasi secara lebih luas.

Pekerjaan ini dapat terus berlangsung sampai orang yang mengetahui jawabannya tidak lagi tersedia. Ketika karyawan berganti peran, meninggalkan organisasi, atau sekadar tidak tersedia saat masalah muncul, konteks tersebut pun hilang. Mendokumentasikan pengetahuan itu dalam format terstruktur yang dapat diakses secara digital membuatnya tersedia, tidak hanya bagi satu orang. Cara ini juga memungkinkan setiap tim tetap memiliki kendali atas keahliannya, sekaligus memastikan pengetahuan dapat diakses dan digunakan kembali di seluruh organisasi, alih-alih harus ditemukan ulang setiap kali ada penerapan baru.

Data yang Baik Belum Tentu Siap untuk AI

Mungkin kita tergoda untuk menyebut semua ini sebagai masalah kualitas data lainnya, tetapi penelitian Akeneo menunjukkan bahwa persoalannya lebih kompleks. Sebanyak 92% pemimpin TI menilai data produk dan operasional yang digunakan oleh sistem AI mereka baik atau sangat baik. Padahal, sebagian besar dari mereka menghabiskan lebih dari seperempat total upaya proyek AI untuk menyiapkan data.

Data yang baik tidak menjamin bahwa data tersebut siap untuk AI, terutama karena penilaian tentang apa yang dianggap “baik” dapat bergantung pada siapa atau apa yang menggunakannya. Model dan agen membutuhkan lebih dari sekadar informasi yang akurat. Mereka perlu memahami asal-usul data, hubungannya dengan informasi lain, sumber mana yang harus diprioritaskan, serta dalam kondisi apa data itu boleh digunakan. Aturan-aturan ini mudah terlewatkan karena sering kali sudah tersirat dalam cara kerja tim berpengalaman.

Penelitian terbaru McKinsey tentang kesiapan data untuk AI menyampaikan hal serupa mengenai konteks. Tidak semua informasi akan bermanfaat bagi model atau agen. Namun, jika suatu informasi bermanfaat, konteksnya harus dapat diteruskan. Ketika informasi berpindah dari sumber aslinya, asal-usul dan hubungannya dengan data di sekitarnya harus tetap jelas agar maknanya tidak hilang.

Di sinilah arsitektur yang mendasari AI mulai sama pentingnya dengan model itu sendiri. Tidak seperti perangkat lunak tradisional, LLM sering kali dapat bekerja dengan data yang terfragmentasi dan sistem yang tidak saling terhubung, bahkan ketika informasi disusun atau diberi label secara berbeda di berbagai sumber. LLM dapat mengenali hubungan yang sebelumnya mungkin belum didefinisikan secara eksplisit. Tantangan yang lebih besar adalah ketiadaan data sama sekali. Saat model dan agen bekerja lintas sistem, informasi dan konteks yang mereka butuhkan harus tersedia dan dapat diakses sejak awal.

Penelitian PwC tahun 2026 tentang kesenjangan eksekusi AI menemukan bahwa integrasi masih menjadi alasan utama investasi teknologi tidak memenuhi harapan. Menghubungkan beragam data tak terstruktur membutuhkan waktu dan sering kali memperlambat proyek sebelum mencapai penerapan penuh.

Upaya yang diperlukan untuk mengatasi masalah-masalah tersebut dalam satu implementasi dapat mempermudah implementasi berikutnya.

Membangun Infrastruktur AI yang Dapat Digunakan Kembali

Dalam sebuah proyek AI, sebagian besar persiapan tersebut dapat berlangsung di balik layar. Tim TI mengatasi inkonsistensi, menyiapkan informasi yang dibutuhkan aplikasi, dan mengintegrasikan aplikasi dengan sistem lain agar proyek dapat diterapkan ke lingkungan produksi.

Masalah muncul ketika pekerjaan tersebut hanya menyelesaikan kebutuhan saat itu. Persiapan data akan selalu menjadi bagian dari penerapan AI, tetapi sebagian besar upaya itu seharusnya dapat diteruskan. Jika sebuah tim menemukan bahwa kolom atau istilah yang sama memiliki arti berbeda di dua sistem, penyelesaian ambiguitas itu seharusnya menghasilkan definisi yang dapat digunakan kembali oleh aplikasi berikutnya. Jika mereka menentukan sumber mana yang harus dipercaya ketika sistem tidak sepakat, keputusan tersebut seharusnya tetap berlaku untuk penerapan selanjutnya.

Prinsip yang sama berlaku untuk integrasi. Alih-alih membuat jalur baru untuk mengakses produk dan informasi bagi setiap model atau agen, organisasi sebaiknya menetapkan cara yang konsisten agar sistem AI dapat menemukan dan menggunakan informasi tepercaya.

Implementasi pertama mungkin tetap membutuhkan upaya besar karena tim perlu mengungkap definisi, hubungan, dan pengecualian yang sebelumnya hanya tersimpan dalam pengalaman orang-orang. Upaya tersebut dapat terus dimanfaatkan seiring dengan semakin terintegrasinya pengetahuan institusional ke dalam infrastruktur organisasi. Penerapan berikutnya dapat memperoleh manfaat dari upaya itu, dengan besar manfaat yang bergantung pada seberapa banyak kesamaan dalam data dan kasus penggunaan masing-masing.

Hal ini semakin penting ketika AI tidak lagi hanya menghasilkan jawaban, tetapi juga mulai melakukan tindakan di berbagai sistem perusahaan. Inisiatif Standar Agen AI dari NIST menyoroti pentingnya kemampuan agen untuk berinteraksi secara aman dengan data internal dan sistem eksternal. Seiring dengan bertambahnya tanggung jawab agen dan interaksinya dengan lebih banyak sistem dan model, organisasi perlu memastikan bahwa konteks dan kontrol yang tepat ditetapkan untuk setiap kasus penggunaan, tanpa harus memulai ulang sepenuhnya.

Tata Kelola Harus Menjadi Bagian dari Lingkungan

Infrastruktur yang dapat digunakan kembali juga membutuhkan tata kelola yang dapat digunakan kembali. Survei Risiko dan Tata Kelola AI EY September 2026 menemukan bahwa 91% eksekutif senior di bidang AI mengatakan organisasi mereka sedang menguji coba atau menerapkan AI agentik. Namun, 49% responden dari organisasi yang menggunakan agen mengatakan bahwa kerangka tata kelola yang ada belum diperbarui secara khusus untuk memenuhi persyaratan dan risiko AI agentik.

Ketika AI memikul tanggung jawab yang lebih besar dalam suatu proses bisnis, aturan yang mengatur proses tersebut harus menjadi bagian dari lingkungan tempat AI beroperasi. Agen mungkin dapat mengakses informasi tertentu secara mandiri, sementara pada tahap lain dalam proses, peninjauan atau persetujuan manusia mungkin diperlukan sebelum agen dapat melanjutkan. Keputusan tersebut tidak boleh hanya tercantum dalam dokumen kebijakan atau bergantung pada pemahaman seseorang tentang bagaimana proses itu seharusnya berjalan.

Keputusan tata kelola perlu diterapkan tidak hanya dalam peninjauan internal, tetapi juga pada sistem tempat AI beroperasi. Kebijakan, izin, dan tahapan persetujuan yang mengarahkan sistem harus ditetapkan sebagai bagian dari penerapan itu sendiri. Tanpa kontrol yang tertanam dalam sistem, tim akan terpaksa menafsirkan ulang kebijakan dan izin setiap kali kasus penggunaan AI baru diterapkan.

Bersiap Menghadapi Gelombang AI Berikutnya

Saat perusahaan mulai memanfaatkan anggaran AI mereka yang terus meningkat pada 2027, tim TI akan bertanggung jawab atas rangkaian model, integrasi, dan sistem yang semakin luas. Tantangan yang lebih besar adalah memastikan organisasi membangun infrastruktur yang mampu mendukung perkembangan selanjutnya.

Jika tim masih harus menyelesaikan definisi yang sama, membangun ulang koneksi yang sama, dan menerjemahkan aturan yang sama, AI mungkin berkembang lebih cepat daripada infrastruktur yang diperlukan untuk mendukungnya.

Hal ini menawarkan cara pandang berbeda untuk menilai kesiapan AI. Kemajuan seharusnya tidak hanya diukur dari jumlah model atau agen yang diterapkan ke lingkungan produksi, tetapi juga dari apakah setiap implementasi membuat perusahaan lebih siap menghadapi implementasi berikutnya.

AI sudah mempercepat berbagai tugas individual. Peningkatan produktivitas berikutnya akan datang dari kemudahan menggunakan kembali pekerjaan di balik sistem tersebut. AI semakin banyak ditanamkan dalam proses bisnis, sehingga lebih banyak sistem perlu bergantung pada fondasi data yang sama. Membangun fondasi itu sekarang akan menentukan seberapa mudah organisasi dapat memanfaatkan generasi AI berikutnya.