JAKARTA – Kesiapan Indonesia dalam mengembangkan dan menerapkan artificial intelligence (AI) tidak hanya ditentukan oleh pembangunan data center dan kapasitas komputasi. Menurut Yadi Narayana, Field CTO APJ Datadog, tantangan terbesar Indonesia ketika AI mulai masuk ke lingkungan produksi justru berkaitan dengan kualitas data, pemilihan use case, skill, keamanan, governance, serta kemampuan perusahaan mengendalikan perilaku AI.
Yadi menilai Indonesia tidak bisa disebut tertinggal dalam perkembangan AI. Indonesia sedang membangun kapasitas infrastruktur, termasuk data center, sekaligus mulai melakukan berbagai eksperimen dan implementasi AI.
Namun, Indonesia masih perlu bergerak ke tahap berikutnya, yaitu membangun ekosistem AI yang lebih matang dan mampu menjalankan AI secara aman, andal, serta terukur.
“Indonesia is building data centers, Indonesia is experimenting with AI. Is Indonesia very mature on AI? The answer is no. But that’s the same with other regions as well. They’re all maturing,” ujar Yadi dalam wawancara dengan Telset.
Kesiapan AI Indonesia Tidak Hanya Soal Data Center
Menurut Yadi, kesiapan AI Indonesia perlu dilihat dari dua sisi berbeda.
Pertama adalah kapasitas infrastruktur. Indonesia memang sedang membangun data center dan kapasitas komputasi untuk mendukung perkembangan AI.
Kedua adalah kemampuan perusahaan menggunakan AI secara nyata untuk kebutuhan bisnis.
Saat ini perusahaan Indonesia sebenarnya sudah dapat mulai mengembangkan aplikasi AI karena tersedia berbagai model AI publik dan infrastruktur cloud. Namun, ketika penggunaan AI semakin besar, kebutuhan terhadap kapasitas infrastruktur lokal juga semakin penting.
Dengan ukuran pasar dan populasi Indonesia, Yadi menilai Indonesia pada akhirnya membutuhkan kapasitas data center dan infrastruktur AI yang memadai di dalam negeri.
“AI infrastructure is very expensive. Not every country has AI infrastructure. But you look at the size of Indonesia and the scale of Indonesia, Indonesia needs its own data centers,” jelasnya.
Artinya, pembangunan infrastruktur AI tetap penting. Namun, pembangunan kapasitas tersebut harus berjalan bersamaan dengan kesiapan perusahaan dalam menggunakannya.
Apa yang Menghambat Perusahaan Membawa AI ke Production?
Yadi menyebut ada dua persoalan utama yang dapat menghambat perusahaan membawa AI dari tahap eksperimen menuju production.
Pertama adalah kualitas data.
Perusahaan membutuhkan data yang tepat dan berkualitas agar AI dapat menghasilkan output yang relevan. Tanpa data yang baik, model AI yang canggih sekalipun tidak otomatis memberikan hasil yang baik.
Kedua adalah pemilihan use case.
Perusahaan harus menentukan dengan tepat untuk kebutuhan apa AI akan digunakan. Banyak perusahaan, menurut Yadi, memulai dari use case internal untuk membangun pengalaman dan kemampuan sebelum membawa AI ke layanan yang langsung berdampak kepada pelanggan.
“Do I have the right quality data? Second, do I have the right kind of use cases I want to target today?” kata Yadi.
Selain data dan use case, faktor skill juga menjadi tantangan. Namun, Yadi menilai persoalan tersebut bersifat universal dan tidak hanya terjadi di Indonesia.
Tiga Hal yang Harus Diperkuat Indonesia
Jika Indonesia ingin memperkuat posisinya sebagai negara dengan ekosistem AI yang matang, Yadi menyebut tiga area utama yang perlu diperhatikan.
Pertama, infrastruktur.
Indonesia perlu terus membangun kapasitas infrastruktur AI agar mampu mendukung pertumbuhan penggunaan AI dalam skala besar.
Kedua, kualitas data.
Perusahaan harus memastikan data yang dimiliki siap digunakan untuk AI, bukan sekadar memiliki data dalam jumlah besar.
Ketiga, skill.
Indonesia perlu memastikan tenaga yang membangun dan mengoperasikan sistem AI memiliki kemampuan yang dibutuhkan untuk menjalankan teknologi tersebut secara aman dan efektif.
Ketiga faktor tersebut menjadi fondasi sebelum AI dapat digunakan dalam skala besar.
AI Bukan Sekadar Proyek Teknologi
Salah satu pandangan paling penting dari Yadi adalah bahwa perusahaan sebaiknya tidak melihat AI hanya sebagai proyek teknologi.
Menurutnya, AI merupakan sebuah operating model baru.
“It is not a technology project. Look at it as a new operating model,” ujar Yadi.
Perubahan ini terjadi karena AI tidak hanya digunakan untuk membantu manusia mencari informasi atau membuat rekomendasi. AI semakin banyak digunakan untuk mengambil keputusan dan melakukan tindakan.
Ketika AI mulai diberi kewenangan melakukan tindakan, perusahaan membutuhkan governance, kontrol dan mekanisme pengamanan yang jauh lebih kuat.
Perusahaan harus mengetahui data apa yang masuk ke model, keputusan apa yang dibuat AI, siapa yang bertanggung jawab atas keputusan tersebut, serta bagaimana menghentikan AI jika melakukan sesuatu yang tidak sesuai.
AI yang Salah Tidak Selalu Mengalami Error
Inilah salah satu perbedaan terbesar antara aplikasi tradisional dan sistem AI.
Pada aplikasi tradisional, perusahaan biasanya memantau apakah aplikasi berjalan, apakah server aktif, atau apakah terjadi error.
Sistem AI lebih kompleks karena sifatnya probabilistik. Input yang sama tidak selalu menghasilkan output yang sama.
“AI, by nature, is probabilistic. I’m giving the same data, but I don’t know what output it’ll do,” jelas Yadi.
Karena itu, perusahaan tidak cukup hanya mengetahui apakah aplikasi AI sedang aktif.
Perusahaan juga harus mengetahui apakah AI membuat keputusan yang benar, apakah terjadi hallucination, apakah penggunaan AI terlalu mahal, apakah terdapat prompt injection, dan apakah AI melakukan tindakan yang seharusnya tidak dilakukan.
Dengan kata lain, AI bisa saja secara teknis berjalan normal, tetapi secara perilaku justru menghasilkan keputusan yang salah.
Mengapa AI Observability Menjadi Penting?
Perbedaan tersebut membuat AI observability menjadi semakin penting.
AI observability bukan hanya digunakan untuk memantau kesehatan server atau aplikasi. Teknologi ini digunakan untuk memahami bagaimana sistem AI bekerja, bagaimana keputusan dibuat, serta apakah output dan tindakan AI sesuai dengan tujuan yang telah ditentukan.
Menurut Yadi, AI observability dapat digunakan untuk menelusuri keseluruhan execution flow sebuah aplikasi AI, termasuk proses yang melibatkan large language model (LLM).
Hal ini menjadi semakin penting ketika perusahaan mulai menggunakan AI agent atau agentic AI.
Dalam sistem agentic, satu proses dapat melibatkan beberapa agent. Satu agent menerima input, melakukan pemrosesan, mengambil keputusan, lalu meneruskan hasilnya kepada agent berikutnya.
Jika terjadi masalah, perusahaan harus mengetahui di mana masalah tersebut muncul, mengapa terjadi, dan dalam kondisi apa sistem menghasilkan perilaku tersebut.
“Failure here is not technical failure. It’s a behavioral failure. It might do a wrong decision,” kata Yadi.
AI Agent Membutuhkan Guardrail dan Kill Switch
Ketika AI mulai memiliki kemampuan mengambil tindakan, guardrail menjadi semakin penting.
Yadi menyarankan perusahaan memastikan setiap sistem AI memiliki mekanisme kontrol yang jelas.
Salah satu konsep yang ia tekankan adalah kill switch, yaitu mekanisme untuk menghentikan AI apabila sistem mulai melakukan tindakan yang tidak diharapkan.
Ia mengibaratkan AI seperti mobil Formula 1.
Mobil terbaik bukan hanya mobil yang mampu melaju paling cepat. Mobil tersebut juga membutuhkan rem, dashboard dan sistem kontrol.
Begitu pula AI.
AI yang semakin powerful harus diimbangi dengan sistem kontrol yang semakin kuat.
“AI is very powerful, but do I have all the controls?” ujar Yadi.
Keamanan AI Ikut Berubah
Perkembangan AI juga membuat pendekatan keamanan perusahaan harus berubah.
Menurut Yadi, perusahaan bahkan tidak harus menggunakan AI untuk menghadapi risiko AI.
Pihak yang menyerang perusahaan dapat menggunakan AI untuk mencari kelemahan sistem.
Karena itu, perusahaan membutuhkan observability dan security yang berjalan bersama.
Dalam lingkungan yang semakin kompleks, jumlah security signal juga dapat menjadi sangat besar sehingga sulit dianalisis manusia secara manual.
AI kemudian dapat digunakan untuk membantu menghubungkan berbagai sinyal tersebut, mencari pola, dan mempercepat root cause analysis.
Namun, menemukan root cause bukan berarti AI otomatis boleh melakukan tindakan.
Di sinilah kontrol tetap diperlukan.
Jika AI menemukan masalah dan menyarankan tindakan, perusahaan harus menentukan apakah AI boleh langsung menjalankan tindakan tersebut atau tetap membutuhkan persetujuan manusia.
Indonesia Membutuhkan Strategi AI yang Spesifik
Apakah strategi AI Indonesia harus sama dengan Singapura, Jepang atau Australia?
Menurut Yadi, tidak sepenuhnya.
Indonesia memiliki karakteristik sendiri, mulai dari demografi, kebutuhan lokal, bahasa hingga regulasi.
Karena itu, akan ada kebutuhan untuk melakukan lokalisasi AI, termasuk model yang dapat memahami konteks dan bahasa Indonesia.
Pemerintah juga akan memiliki peran dalam menentukan kerangka kerja AI yang harus dipatuhi perusahaan.
Namun, Indonesia tetap dapat belajar dari praktik perusahaan global dan negara lain yang sudah lebih dahulu mengembangkan AI.
Datadog: Indonesia Salah Satu Pasar yang Tumbuh Cepat
Dari sisi bisnis, Datadog melihat Indonesia sebagai salah satu pasar yang memiliki pertumbuhan cepat.
Yadi mengatakan Datadog telah memiliki tim lokal di Indonesia yang mencakup fungsi sales dan teknis. Datadog juga melayani berbagai segmen pelanggan, mulai dari perusahaan enterprise, mid-market hingga perusahaan kecil.
Menurutnya, perkembangan AI membuat kebutuhan observability semakin luas.
Bukan hanya perusahaan AI-native yang membutuhkan teknologi tersebut. Perusahaan tradisional juga mulai memikirkan bagaimana AI dapat digunakan dalam bisnis mereka.
“Every board, every CEO has to come up with an AI planning. So it is really changing the industry in many ways,” ujar Yadi.
Datadog Siapkan Pendekatan untuk AI
Datadog sendiri memiliki dua pendekatan besar terhadap AI, yaitu “Datadog for AI” dan “AI for Datadog”.
Datadog for AI ditujukan untuk membantu perusahaan yang membangun aplikasi AI agar dapat melihat bagaimana sistem mereka bekerja.
Fokusnya mencakup penggunaan token, biaya, akurasi, hallucination, prompt injection, keamanan, hingga penelusuran execution flow pada sistem agentic.
Sementara AI for Datadog menggunakan AI untuk membantu pelanggan menemukan masalah dan melakukan root cause analysis dengan lebih cepat.
Menurut Yadi, AI dapat membantu perusahaan mengotomatisasi pekerjaan berprioritas rendah sehingga manusia dapat lebih fokus pada persoalan yang memiliki prioritas tinggi.
Apakah Indonesia Siap Menjadi AI Hub?
Indonesia memiliki modal penting untuk menjadi salah satu pusat AI di kawasan.
Pembangunan data center terus berlangsung. Perusahaan mulai bereksperimen dan mengadopsi AI. Pemerintah juga mulai membahas kerangka tata kelola AI.
Namun, kesiapan menjadi AI hub tidak cukup diukur dari seberapa banyak data center atau GPU yang tersedia.
Indonesia juga perlu memastikan perusahaan memiliki data berkualitas, tenaga dengan skill yang memadai, sistem keamanan, AI governance, observability dan mekanisme kontrol yang kuat.
Sebab, ketika AI semakin mudah dikembangkan, persoalan justru bergeser.
Menurut Yadi, dahulu proses membangun software dapat menjadi bottleneck. Kini AI membuat proses pembangunan software jauh lebih cepat. Akibatnya, bottleneck bergeser ke proses testing dan validasi.
“Now the bottleneck has moved to testing,” ujarnya.
Pada akhirnya, tantangan AI Indonesia bukan hanya bagaimana membangun AI, tetapi bagaimana memastikan AI yang sudah dibangun dapat digunakan secara aman, efisien dan bertanggung jawab.
Indonesia mungkin tidak tertinggal dalam perlombaan AI.
Namun, untuk benar-benar menjadi AI hub, Indonesia harus menjawab satu pertanyaan yang lebih penting:
Bukan hanya seberapa besar kapasitas AI yang bisa dibangun, tetapi seberapa baik AI tersebut dapat dikendalikan ketika mulai mengambil keputusan dan tindakan di dunia nyata.
Komentar
Belum ada komentar.