Navigasi Demam Emas AI: Mengungkap Biaya Tersembunyi dari Utang Teknis di Perusahaan

Selama setahun terakhir, kecerdasan buatan telah menarik perhatian para pemimpin perusahaan, sehingga mereka mempercepat investasi di perusahaan AI atau mempercepat peluncuran produk mereka sendiri untuk tetap bersaing. Namun, dalam kerusuhan untuk bergabung dengan era baru kemajuan teknologi ini, organisasi yang baru dalam AI mungkin tidak mempertimbangkan satu faktor penting yang harus menjadi prioritas utama saat berinvestasi atau menciptakan produk AI baru: utang teknis.

Meskipun konsep utang teknis bukanlah hal baru, teknologi AI membawa jenis utang teknis yang berbeda dibandingkan dengan layanan perangkat lunak biasa. Dan karena AI terus berkembang pesat, masalah penting ini tumbuh bersamanya.

Apa itu Utang Teknis?

Utang teknis, dalam definisi sederhana, adalah akumulasi kode berkualitas rendah selama pembuatan perangkat lunak. Ini biasanya disebabkan oleh percepatan waktu pemasaran untuk memenuhi kebutuhan bisnis, atau untuk mendapatkan umpan balik pelanggan lebih cepat. Ketika mempertimbangkan utang teknis, penting untuk fokus pada aspek sengaja, karena pengambil keputusan sering menyadari risiko dengan perangkat lunak dan dampak mengambil jalan pintas untuk kecepatan. Munculnya AI telah membawa tantangan unik dan berbeda dalam hal utang teknis, serta risiko dan konsekuensi signifikan yang dapat terjadi.

Ketika sistem AI mulai menua dan data pelatihan mereka menjadi tidak akurat dan ketinggalan zaman, biaya berinvestasi di AI sekarang melebihi waktu dan investasi yang diperlukan untuk memelihara data pelatihan berkualitas tinggi, yang dikenal sebagai kebersihan data.

Mari kita jelajahi bagaimana utang teknis diperoleh, dampaknya pada garis bawah, dan bagaimana organisasi dapat memperbaikinya.

Bagaimana Organisasi Mengakuisisi Utang Teknis?

 Ada dua cara perangkat lunak dapat mengakuisisi utang teknis. Satu adalah melalui kode yang buruk. Organisasi mungkin membeli produk atau mewarisi mereka melalui aktivitas M&A, hanya untuk kemudian menemukan masalah kualitas di atas tingkat perubahan dan inovasi yang lambat. Yang lain adalah ketika pemimpin secara sengaja memilih untuk mengambil utang teknis.

Ketika datang ke AI, lebih dari 72% pemimpin ingin mengadopsi AI untuk meningkatkan produktivitas karyawan, namun kekhawatiran utama seputar implementasi AI adalah kualitas dan kontrol data. Tampaknya bertentangan bagi organisasi untuk menggunakan produk yang dipromosikan untuk meningkatkan produktivitas, sementara secara bersamaan mengalihkan waktu dari pekerjaan penting untuk terus menangani masalah kualitas yang disebabkan oleh utang teknis yang dapat membahayakan produktivitas. Namun, janji bayaran akhir untuk peningkatan produktivitas mengatasi hambatan ini di masa depan, yang pada akhirnya akan kembali menimpa perangkat lunak dalam jangka panjang.

Model Drift: Jenis Utang Teknis Baru

Dengan munculnya investasi yang meningkat di AI, organisasi telah mempercepat strategi go-to-market untuk memanfaatkan tambang emas AI generatif. Sementara ini mungkin berhasil sebagai penggerak pendapatan jangka pendek, organisasi mengabaikan apa yang bisa menjadi jumlah utang teknis yang besar di masa depan, yang dikenal sebagai model drift.

Model drift terjadi ketika kinerja sistem AI mulai menurun dan output menjadi kurang akurat karena data pelatihan menjadi usang. Melihat siklus hidup AI, jelas bahwa data pelatihan perlu dipelihara dan diperbarui secara terus-menerus untuk memastikan respons yang diberikan mesin adalah seakurat mungkin—ini adalah tempat kegagalan dimulai. Ketika terburu-buru untuk mendapatkan solusi, pengambil keputusan sering mengabaikan masalah seperti mendapatkan data pelatihan tambahan, memelihara kebersihan data sistem, dan memastikan ada tenaga kerja yang cukup untuk mendukung tugas-tugas ini.

Ketika data pelatihan terus menua dan kesenjangan antara kenyataan dan output melebar, organisasi akan ditinggalkan dengan biaya dan waktu yang meningkat untuk menangani celah yang bisa dihindari dengan perencanaan dan protokol yang tepat. Singkatnya: melewati langkah berikutnya saat merencanakan strategi go-to-market mungkin memungkinkan pengiriman yang lebih cepat, tetapi tidak sepadan dengan dampak yang tak terhindarkan yang akan menimbulkan biaya dalam berbagai cara dalam jangka panjang.

Dampak Utang Teknis pada Garis Bawah

Utang teknis juga dapat sangat memengaruhi efisiensi organisasi—misalnya, tim penjualan. Ketika utang teknis mulai terakumulasi dan tingkat perubahan melambat, menjadi semakin sulit bagi wakil penjualan untuk menarik pelanggan, yang melambatkan laju penutupan dan pada akhirnya aliran pendapatan sebagai hasilnya.

Di luar penjualan, utang teknis juga sangat memengaruhi tim pengembang. Tidak hanya memerlukan lebih banyak waktu untuk memperbarui kode, perhatian yang dihindari secara efektif membatalkan inovasi. Dengan mengalihkan perhatian dan waktu ke pemeliharaan, jalan peta produk kemudian tertunda atau ditinggalkan, menciptakan efek riak yang pada akhirnya dapat menyebabkan ketidakpercayaan antara sisi teknik dan komersial bisnis. Tanpa jalan peta produk untuk diikuti, tim penjualan ditinggalkan dengan janji yang rusak atau tidak ada yang ditunjukkan kepada calon, sekali lagi sangat memengaruhi pendapatan.

Bagaimana Mengatasi Utang Teknis

Ketika prediktabilitas pengiriman menurun, organisasi akan mulai melihat kerusakan efisiensi organisasi, yang menyebabkan percakapan tentang bagaimana mengatasi tantangan yang ada. Ada dua cara yang dapat digunakan pengambil keputusan untuk melawan utang teknis. Yang pertama adalah membuang platform dan kode secara keseluruhan dan mereplatform, atau memasukkan perubahan inkremental kecil, mirip dengan membersihkan kamar tidur satu per satu, untuk akhirnya mendapatkan sistem yang sesuai.

Metode pertama, replatformisasi, memerlukan perubahan besar pada sistem, dan merupakan risiko besar yang harus diambil. Mirip dengan proses konstruksi skala besar, setiap keterlambatan dalam penjadwalan dapat melemparkan timeline produk dan menyebabkan upaya tersebut gagal. Metode ini dapat berhasil terkadang. Ambil LinkedIn sebagai contoh – setelah IPO mereka pada 2011, perusahaan mereplatform situs web dan sekarang menjadi pemain besar di pasar.

Taruhan yang lebih aman, membuat perubahan kecil yang pada akhirnya akan menambahkan perbaikan besar, adalah kasus penggunaan lain untuk diperdebatkan. Dengan pengembang yang sudah berinteraksi dengan data sehari-hari, memasuki untuk membuat penyesuaian dapat membentuk sistem untuk bebas dari utang teknis. Ini juga menguntungkan keterampilan pengembang, karena memerlukan mereka untuk tetap mendapatkan kode dan standar teknologi terbaru, yang pada gilirannya menyiapkan organisasi untuk kesuksesan teknis karena mereka memiliki celah keterampilan yang lebih sedikit. Mengimplementasikan inisiatif yang dipimpin oleh insinyur, di mana mereka diberi 20% waktu mereka untuk menjadwalkan pembaruan produk, adalah cara yang baik untuk memulai. Sementara proses ini jauh lebih lambat daripada replatformisasi, ini kurang berisiko dan masih menghasilkan nilai bagi model bisnis.

Tinggalkan Utang Teknis Anda di Era AI

Ketika ruang AI terus berkembang pesat, kita akan terus melihat lebih banyak solusi muncul yang menawarkan peningkatan produktivitas dan efisiensi organisasi. Sementara ini benar, pengambil keputusan harus memprioritaskan teknik seperti pemeliharaan data terus-menerus dan memikirkan gambaran besar ketika datang ke siklus hidup solusi. Berinvestasi di AI tidak harus mahal dan membingungkan, dan dengan beberapa perubahan kecil dalam perencanaan dan strategi go-to-market, Anda dapat menghindari tumpukan utang teknis berikutnya.