AI Enterprise Butuh Business Memory, Bukan Model Lebih Pintar

Telset.id – Kegagalan adopsi AI enterprise di banyak organisasi bukan disebabkan oleh keterbatasan model kecerdasan buatan, melainkan karena sistem tersebut tidak memiliki “memori” atas konteks bisnis perusahaan. John Newton, Chief Innovation Strategist di Hyland, menyatakan bahwa AI saat ini digambarkan seperti seorang jenius yang tidak memiliki ingatan tentang Anda—memiliki kekuatan otak yang besar, tetapi tidak mengetahui apa pun tentang bisnis, pelanggan, atau keputusan yang membentuk cara perusahaan beroperasi, kecuali konteks diberikan secara langsung.

Menurut Newton, masalah memori ini dengan cepat menjadi hambatan utama dalam penerapan AI di lingkungan enterprise. Selama ini, sebagian besar diskusi tentang keterbatasan AI berpusat pada model itu sendiri dan evolusinya menuju jendela konteks yang lebih besar, penalaran yang lebih baik, atau memori yang lebih panjang. Namun, kerangka berpikir tersebut melewatkan hal penting: perusahaan tidak perlu menunggu terobosan model berikutnya untuk menyelesaikan masalah ini.

Perusahaan sebenarnya sudah memiliki apa yang mereka butuhkan di dalam organisasi mereka sendiri, yakni konten, keputusan, dan konteks institusional selama puluhan tahun yang tidak pernah dilihat oleh sebagian besar sistem AI. Setiap enterprise memiliki catatan besar yang belum dimanfaatkan tentang bagaimana mereka benar-benar beroperasi—dalam kontrak yang dinegosiasikan, klaim yang diselesaikan, kasus yang ditangani, keputusan yang dibuat dan ditinjau kembali.

Business Memory sebagai Lapisan Konteks

Newton memperkenalkan konsep “business memory” sebagai sistem saraf yang menghubungkan apa yang sudah diketahui perusahaan dengan apa yang ingin dibantu AI selanjutnya, membawa konteks ke mana pun keputusan perlu dibuat. Business memory dijelaskan sebagai akumulasi pengetahuan tentang bagaimana sebuah organisasi beroperasi, yang mengubah bertahun-tahun konten enterprise, alur kerja, dan pengetahuan industri menjadi informasi yang dapat ditindaklanjuti AI untuk otomatisasi agentic sesungguhnya dalam skala besar.

Logika di balik pendekatan ini sederhana. Dengan membuat lapisan konteks yang mengatur data apa yang dapat diakses AI, serta memastikan AI beroperasi pada informasi yang relevan, terotorisasi, dan terkini, organisasi akan mendapatkan output yang terpercaya dan terkelola untuk bertindak dengan percaya diri. Memori organisasi juga mencakup versi mana yang otoritatif, siapa yang boleh mengaksesnya, dari mana asalnya, dan berapa lama informasi tersebut tetap valid.

Meski demikian, konteks yang lebih baik saja tidak menjamin output yang dapat dipercaya. Provenance, evaluasi, pemantauan, dan pengawasan manusia juga tetap penting. Newton mengutip berbagai laporan analis yang memperkirakan bahwa konten tidak terstruktur menyumbang sekitar 80% dari konten enterprise, namun bisnis hanya menggunakan sekitar 10% dari sumber daya yang sangat berharga tersebut. Jika organisasi ingin memaksimalkan efektivitas model AI mereka, langkah pertama adalah mulai memanfaatkan business memory yang terkandung dalam data tidak terstruktur tersebut, yang menuntut investasi pada infrastruktur untuk mengubahnya menjadi format siap AI.

Dalam praktiknya, Newton menyarankan untuk memulai dengan use case yang terdefinisi jelas dan mengidentifikasi konten serta data otoritatif yang diperlukan untuk mendukungnya. Pertahankan kontrol akses yang ada, perkaya informasi dengan metadata dan relasi, lalu uji apakah output AI akurat, dapat dilacak, dan berguna sebelum memperluas otomatisasi. Pendekatan ini menciptakan fondasi yang dapat diulang dan diskalakan di seluruh bisnis tanpa penggantian sistem yang ada secara menyeluruh.

Ontologi dan Kendali atas Memori AI

Memberi AI akses ke data yang relevan saja tidak cukup. Newton mengaku telah melihat banyak inisiatif AI gagal pada tahap awal karena bisnis tidak menyadari betapa kompleksnya data yang mendasarinya. Karena itu, konten perlu dikontekstualisasikan oleh sebuah “ontology”, yakni kerangka kerja formal yang mendefinisikan semua entitas, terminologi, relasi, dan aturan berbeda yang ada dalam bisnis. Ini memungkinkan AI memahami bukan hanya informasi apa yang ada di seluruh sistem, tetapi juga bagaimana semua informasi tersebut berhubungan dengan bisnis atau industri.

Newton menganalogikan ontology seperti peta: AI mungkin tetap bisa mencapai tujuan yang diinginkan tanpa peta, tetapi memiliki peta memastikan AI sampai lebih cepat dan tanpa tersandung berbagai jebakan di sepanjang jalan. Hal ini sangat penting untuk industri yang teregulasi. Di sektor kesehatan, misalnya, ontology menghubungkan diagnosis dengan rencana perawatan, catatan dokter, atau hasil laboratorium. Di jasa keuangan, ontology menautkan regulasi spesifik industri dengan struktur kepatuhan dan kebijakan organisasi.

Newton menegaskan bahwa AI tidak memerlukan memori yang sempurna untuk memahami cara bisnis beroperasi dan mulai menghasilkan output yang terpercaya. Yang dibutuhkan AI adalah konteks relevan yang terkelola, yang sebagian besar berada dalam konten tidak terstruktur namun baru menjadi berguna setelah terhubung dengan data enterprise terstruktur. Infrastruktur yang memungkinkan sistem mengakses informasi yang tepat, memahami bagaimana data tersebut saling terkait, dan kemudian menerapkannya dalam realitas bisnis menjadi esensial.

Yang krusial, menurut Newton, perusahaan tidak harus memulai dari nol. Membangun ulang fondasi justru akan mengalahkan tujuannya sendiri. Business memory yang sesungguhnya memahami sistem, konten, data, dan proses yang sudah ada dalam organisasi, sehingga membuang semuanya demi mengejar konteks yang lebih baik adalah hal yang tidak perlu dan pemborosan sumber daya. Organisasi tidak perlu menunggu pembaruan model berikutnya untuk menyembuhkan “amnesia” AI, dan tidak perlu mengubah total stack yang ada untuk melihat nilai nyata dari proyek otomatisasi mereka.

Dengan membangun fondasi business memory, organisasi dapat mengambil kembali kendali, memanfaatkan sistem AI mereka secara maksimal, dan membuat infrastruktur lebih tangguh serta adaptif untuk model apa pun yang muncul di masa depan. Pendekatan ini juga sejalan dengan tren arsitektur enterprise yang menempatkan konteks sebagai infrastruktur, sebagaimana terlihat pada langkah server AI enterprise yang tengah dipertimbangkan sejumlah pemain industri.

Selain itu, kebutuhan akan konteks yang terkelola juga tercermin dalam ekspansi perangkat enterprise yang mengandalkan konektivitas dan data terstruktur, seperti langkah Specs AR enterprise yang menggandeng sejumlah penyedia teknologi. Bagi Newton, kunci utama tetap sama: AI tidak membutuhkan memori yang sempurna, melainkan konteks yang relevan, terkelola, dan terhubung dengan realitas bisnis.

Artikel ini disusun berdasarkan pandangan John Newton, Chief Innovation Strategist di Hyland, dalam kanal TechRadar Pro Perspectives. Pandangan yang diungkapkan merupakan milik penulis dan tidak selalu mencerminkan posisi TechRadar Pro atau Future plc.