Telset.id – Sebanyak 48% perusahaan mengidentifikasi masalah data sebagai tantangan terbesar dalam mengadopsi kecerdasan buatan (AI) pada tahun 2026. Temuan ini berasal dari laporan NVIDIA 2026 State of AI, yang mengungkap bahwa kegagalan program AI di perusahaan jarang disebabkan oleh model atau solusi yang dipilih, melainkan karena data yang mendasarinya terfragmentasi, tidak konsisten, dan tidak dikelola dengan baik.
Masalah data ini menjadi krusial karena perusahaan saat ini berlomba mengintegrasikan AI ke dalam operasional bisnis mereka. Tanpa fondasi data yang solid, investasi besar dalam teknologi AI berisiko tidak memberikan hasil yang diharapkan. Menurut Matt Finlayson, CTO ActivTrak, perusahaan dengan proses pengelolaan data yang belum matang yang mencoba mengadopsi AI ibarat belajar mengemudi mobil manual di sisi jalan yang salah — rumit dan membutuhkan banyak tugas berbahaya secara bersamaan.
Data perusahaan umumnya berantakan dalam beberapa lapisan. Data tersebar di berbagai sistem, sehingga sulit untuk disatukan menjadi gambaran yang koheren. Bahkan ketika data berhasil dikonsolidasikan, sering muncul ketidakcocokan granularitas atau pengidentifikasi. Satu aplikasi mungkin menyimpan nomor akun sebagai digit biasa, sementara aplikasi lain menambahkan prefiks “ACCT”. Ketidaksesuaian kecil ini menciptakan langkah rekonsiliasi tambahan setiap kali data dari kedua sumber digabungkan.
Tata kelola data (data governance) memperparah masalah ini. Tanpa sistem yang dirancang secara sengaja untuk mengontrol siapa yang mengakses data, ke mana data bergerak, dan perlindungan apa yang diterapkan, celah keamanan akan cepat muncul. Risiko paling jelas adalah paparan Informasi Identifikasi Pribadi (PII) — alamat email yang jatuh ke tangan yang salah dapat memicu pelanggaran serius. Data mentah yang tidak terstruktur juga menghasilkan keluaran AI yang biasa-biasa saja dan lebih mahal untuk diproses. Sebaliknya, data yang bersih dan terstruktur menghasilkan hasil yang lebih baik dengan biaya lebih rendah.
Kesenjangan ketiga, yaitu kemampuan menjelaskan (explainability), dengan cepat menjadi persyaratan hukum. Banyak negara dan beberapa negara bagian AS kini mewajibkan organisasi untuk menunjukkan bagaimana keputusan yang digerakkan AI dicapai. Jika memotong sudut pada fondasi data, perusahaan mungkin tidak dapat menunjukkan rantai penalaran tersebut. Pada titik itu, perusahaan akan berada dalam wilayah pelanggaran kepatuhan atau model AI menghasilkan keluaran yang tidak dapat dipertanggungjawabkan.
Untuk mengatasi tantangan ini, Matt Finlayson merekomendasikan tiga langkah konkret untuk menyiapkan data agar siap AI. Pertama, definisikan tata kelola sebelum menerapkan AI. Klasifikasikan data: apa itu, dari mana asalnya, dan siapa yang dapat menyentuhnya. Pisahkan peran pengambilan keputusan teknis dan pengawasan kepatuhan. Menjaga tanggung jawab ini pada orang yang berbeda mencegah situasi kompromi di mana orang yang sama menetapkan aturan dan memantau kepatuhan.
Kedua, jalankan tata kelola AI lintas fungsi sebagai fungsi tetap. Tunjuk perwakilan dari setiap departemen dan adakan pertemuan bulanan untuk mendiskusikan apa yang sedang dikerjakan tim, masalah apa yang muncul, dan dukungan apa yang mereka butuhkan satu sama lain. Pendekatan inisiatif kesiapan AI yang lebih besar harus dilakukan seperti proyek bisnis lainnya: tunjuk manajer proyek, tetapkan pemilik eksekutif, tetapkan irama mingguan, buat daftar tugas, dan kerjakan secara bertahap.
Ketiga, kumpulkan data perilaku bahkan sebelum data tersebut dibutuhkan. Hasil yang diperoleh dari AI sangat bervariasi tergantung pada seberapa terampil operatornya, mulai dari menggunakannya sebagai mesin pencari yang mahal hingga mengembangkan alur kerja otonom. Tanpa visibilitas, perusahaan mungkin menghabiskan banyak uang untuk lisensi AI tetapi hanya mendapatkan output setara Google. Tanpa data perilaku, perusahaan tidak tahu siapa yang membutuhkan pelatihan, apakah mereka memiliki alat yang tepat, atau hasil apa yang mereka capai.
Lebih lanjut, ketika pekerja berpengalaman menyelesaikan tugas dengan bantuan AI, mereka meninggalkan tugas tersebut dengan keterampilan yang lebih tinggi daripada saat memulai. Output dan pembelajaran terjadi bersamaan. Data perilaku harus menunjukkan hal ini dari waktu ke waktu — bukan hanya penyelesaian tugas, tetapi juga lintasan keterampilan yang meningkat. Ketika seseorang yang berada di awal kurva pembelajaran menerima apa pun yang dihasilkan AI tanpa terlibat secara kritis, output memang diperoleh tetapi pertumbuhan tidak terjadi. Data perilaku adalah cara untuk menangkap kesenjangan itu sejak dini.
Sebuah contoh baru-baru ini menggambarkan keuntungan dari pendekatan ini. Seorang manajer produk menjalankan analisis bertenaga AI terhadap pola bug triwulanan menggunakan data dari alat yang paling sering digunakan departemennya. Hasilnya tidak terduga. Satu tim menanggung bagian tiket masuk yang tidak proporsional, sebagian besar merupakan permintaan untuk solusi manual dari fitur produk yang hilang. Sementara tim lain membagi waktu mereka sekitar 75% untuk pekerjaan baru dan 25% untuk bug yang masuk, tim tersebut mendekati 50-50. Dengan tidak membangun satu fitur pun, organisasi tersebut secara efektif beroperasi 1,5 orang di bawah kapasitas. Seluruh analisis memakan waktu sekitar 45 menit. Tidak ada yang mungkin terjadi tanpa data yang terorganisir, diberi tag berdasarkan tim, terhubung ke kontributor individu, dapat diakses melalui konektor AI yang ada, dan dilindungi oleh kontrol akses berbasis peran.
Organisasi yang paling sukses dalam memanfaatkan AI adalah organisasi yang memberdayakan orang-orangnya untuk bertanya “Saya ingin tahu apakah ada sesuatu di sini” dan memiliki data untuk mendiagnosis dalam waktu satu sore. Itu hanya terjadi ketika fondasi data sudah siap.
Komentar
Belum ada komentar.