Kesiapan AI Dimulai dari Data Produk yang Tepercaya

Produsen berinvestasi besar-besaran dalam AI, inisiatif benang digital, otomatisasi, dan modernisasi perusahaan untuk meningkatkan produktivitas serta kualitas pengambilan keputusan. Sebagian besar pembahasan berfokus pada model AI, infrastruktur, dan integrasi. Namun, banyak organisasi mengabaikan prasyarat mendasar bagi upaya-upaya ini: keyakinan terhadap data produk dan aturan bisnis yang mendasari keputusan operasional.

Tantangannya bukan sekadar menghubungkan sistem, melainkan memastikan definisi produk, logika konfigurasi, dan aturan bisnis yang mengalir di antara sistem-sistem tersebut tetap akurat. Kesiapan AI dimulai dari keyakinan terhadap data produk perusahaan. Transformasi digital bukan hanya soal menghubungkan sistem, tetapi juga menjaga makna dan keakuratan informasi yang berpindah di antara sistem tersebut.

Saat perusahaan memodernisasi sistem perusahaan dan menghubungkan manajemen siklus hidup produk (PLM), perencanaan sumber daya perusahaan (ERP), konfigurasi, penetapan harga, dan pembuatan penawaran (CPQ), serta platform layanan, ketidakkonsistenan dalam logika konfigurasi dapat secara diam-diam merusak keakuratan proses hilir dan efektivitas rekomendasi berbasis AI. Tanpa logika konfigurasi yang tepercaya, AI justru mempercepat kesalahan alih-alih meningkatkan kualitas keputusan.

Mengapa Konfigurasi Produk Menjadi Fondasi Tersembunyi

Saat ini, produsen semakin bergantung pada ekosistem saling terhubung yang mencakup PLM, ERP, CPQ, manufaktur, dan layanan. Konfigurasi produk berperan sebagai penghubung yang menerjemahkan maksud rekayasa menjadi persyaratan manufaktur, penjualan, penetapan harga, dan layanan.

Setiap sistem memiliki sudut pandang berbeda terhadap produk: PLM membutuhkan informasi teknis dan desain, manufaktur perlu mengetahui apa yang dapat dibuat, sedangkan CPQ membutuhkan aturan penjualan dan pasar. Konfigurasilah yang menghubungkan berbagai sudut pandang tersebut. Ketika logika yang mendasarinya berubah atau menjadi tidak konsisten, benang digital terputus, terlepas dari sebaik apa pun sistem-sistem tersebut terintegrasi.

Aturan Lama Menimbulkan Risiko Tersembunyi

Model konfigurasi produk kerap memuat pengetahuan yang terakumulasi selama puluhan tahun dan ditambahkan secara berlapis dari waktu ke waktu: persyaratan regulasi, batasan manufaktur, pengecualian khusus pasar, dan logika penetapan harga. Orang-orang yang pertama kali membangun model ini sering kali sudah tidak bekerja di perusahaan tersebut, sehingga organisasi akhirnya memiliki aturan yang kini tak lagi dipahami sepenuhnya oleh siapa pun.

Proyek modernisasi perusahaan, seperti migrasi SAP S/4HANA, biasanya menitikberatkan aplikasi, infrastruktur, dan kode khusus, sementara logika konfigurasi dianggap sebagai hal sekunder. Akibatnya, muncul risiko yang terabaikan: sistem mungkin berhasil dimigrasikan, tetapi perilaku konfigurasi berubah secara halus sehingga sulit diketahui melalui pengujian tradisional.

Migrasi S/4HANA menggambarkan masalah ini dengan baik, karena mesin konfigurasi baru dapat menafsirkan aturan yang telah lama digunakan secara berbeda meskipun sintaksnya identik. Perbedaan dalam penerapan nilai default, urutan evaluasi batasan, dan penyelesaian konflik antaraturan dapat mengubah kombinasi yang diterima model, tanpa mengubah satu baris pun dari aturan itu sendiri.

Masalah ini bukan sekadar membingungkan; logika konfigurasi yang buruk dapat menimbulkan persoalan bisnis. Ada dua bentuk kegagalan, dan keduanya berbiaya mahal:

• Konfigurasi memungkinkan perusahaan menjual sesuatu yang sebenarnya tidak dapat diproduksinya, sehingga menimbulkan pengerjaan ulang, komitmen yang tidak terpenuhi, dan rusaknya hubungan dengan pelanggan.
• Konfigurasi keliru mencegah perusahaan menjual sesuatu yang sebenarnya dapat diproduksinya, sehingga menyebabkan hilangnya pendapatan dan berpotensi mengikis keunggulan kompetitif.

Bentuk kegagalan pertama pada akhirnya akan terlihat di lantai pabrik. Bentuk kedua tidak kentara; tidak ada catatan dalam buku pesanan tentang penjualan yang tidak pernah diizinkan oleh konfigurator.

Verifikasi Menjadi Kapabilitas Strategis

Validasi migrasi tradisional sangat bergantung pada pengujian manual dan pemeriksaan sampel, yang tidak mungkin mengevaluasi secara realistis jumlah kombinasi produk yang sangat besar. Verifikasi konfigurasi mengalihkan fokus dari pertanyaan apakah data berhasil dipindahkan menjadi apakah maksud bisnis tetap terjaga.

Saya pernah melihat produsen membentuk tim yang seluruh tugasnya memastikan bahwa model yang telah dimigrasikan tetap menghasilkan konfigurasi valid yang sama dan tetap menolak konfigurasi tidak valid yang sama, semata-mata karena mereka tidak memiliki cara lain untuk memastikannya. Pekerjaan ini terperinci, mahal, dan memakan waktu, tetapi bahkan setelah itu pun, yang diperiksa hanya sampel dari keseluruhan masalah.

Skala yang terlibat perlu dipahami secara tepat. Model dengan 30 variabel dan lima pilihan untuk setiap variabel memungkinkan sekitar 10²¹ kombinasi, jauh lebih banyak daripada perkiraan jumlah butir pasir di bumi, sementara model industri yang sebenarnya jauh lebih besar. Sebanyak apa pun orang mengeklik antarmuka pengguna, mereka tidak akan mampu mencakup seluruh kemungkinan itu; perhitungannya memang tidak memungkinkan.

Inilah alasan metode formal penting. Alih-alih mengambil sampel kombinasi, model konfigurasi dapat dikompilasi ke dalam bentuk logis kanonis: representasi matematis ringkas dari setiap kombinasi valid yang diizinkan oleh aturannya. Dua model yang dikompilasi dengan cara ini dapat dibandingkan secara langsung. Hasilnya, keduanya menggambarkan himpunan produk valid yang persis sama, atau perbandingan menunjukkan secara tepat letak perbedaannya, disertai contoh konkret kombinasi yang diterima oleh satu model tetapi ditolak oleh model lainnya. Representasi yang sama mengubah perilaku saat runtime menjadi proses pencocokan langsung, bukan penelusuran, sehingga konfigurator dapat menampilkan hanya opsi yang valid dan tidak pernah membawa pengguna ke jalan buntu. Verifikasi dan kebenaran saat runtime ternyata merupakan kemampuan yang sama, dilihat dari dua arah.

Organisasi semakin membutuhkan perbandingan formal semacam ini sebelum menerapkan AI atau otomatisasi di atas aturan produk mereka. Tujuannya bukan sekadar mengurangi risiko migrasi, melainkan juga menjaga kesinambungan operasional di bidang rekayasa, manufaktur, penjualan, dan layanan, serta memungkinkan model konfigurasi diuji, di-debug, dan diverifikasi sebelum dirilis, bukan sesudahnya.

AI Seharusnya Berada di Atas Mesin Deterministik, Bukan Menggantikannya

Semua ini tidak mengharuskan AI menggantikan mesin konfigurasi. Pola yang lebih berkelanjutan justru sebaliknya: AI berada di antara pengguna dan mesin konfigurasi yang ketat, menghadirkan pengalaman penjualan terpandu atau rekomendasi yang lebih alami, sementara aturan yang mendasarinya tetap deterministik. Model bahasa menafsirkan permintaan pelanggan; mesin menentukan apa yang benar-benar dapat dibuat. Pembagian tugas ini memastikan bagian proses yang harus terbukti benar tidak ditangani oleh sistem yang, sesuai desainnya, bersifat probabilistik.

Data Tepercaya Menentukan Keberhasilan Program AI

AI hanya dapat menghasilkan rekomendasi seandal pengetahuan produk yang diterimanya. Data konfigurasi yang belum diverifikasi menyebabkan AI menyebarkan kesalahan dalam skala perusahaan, sehingga merusak panduan penjualan, keputusan manufaktur, dan komitmen kepada pelanggan.

Produsen sebaiknya memandang verifikasi data sebagai prasyarat penerapan AI, sebagaimana pengujian perangkat lunak menjadi prasyarat pengembangan aplikasi. Seiring berlanjutnya transformasi digital, keunggulan kompetitif akan semakin ditentukan bukan oleh siapa yang pertama menerapkan AI, melainkan oleh siapa yang menerapkannya di atas fondasi intelijen produk tepercaya.