Tim data perusahaan yang ingin mengimplementasikan AI dengan kemampuan mandiri sering kali menemui kendala pada lapisan data. Agen yang dibangun di atas vector store, database relasional, graph store, dan lakehouse memerlukan saluran sinkronisasi agar konteks informasi tetap relevan. Saat berada di bawah beban produksi, konteks tersebut bisa cepat kadaluarsa.
Oracle, yang infrastruktur databasenya mendukung sistem transaksi 97% dari perusahaan Fortune Global 100 menurut klaim mereka, kini menawarkan solusi dengan pendekatan arsitektural yang menjadikan database sebagai solusi untuk masalah ini.
Baru-baru ini, Oracle mengumumkan serangkaian kemampuan AI untuk Oracle AI Database yang langsung menjawab tantangan di atas.
Inti dari rilis ini adalah Unified Memory Core, mesin transaksi ACID (Atomicity, Consistency, Isolation, Durability) tunggal yang memproses berbagai jenis data, termasuk vector, JSON, graph, relasional, spasial, dan kolumnar tanpa memerlukan lapisan sinkronisasi. Selain itu, Oracle juga memperkenalkan Vectors on Ice untuk pengindeksan vector pada tabel Apache Iceberg, layanan database AI Vector otonom, serta Autonomous AI Database MCP Server untuk akses langsung tanpa memerlukan kode integrasi khusus.
Berita ini bukan hanya soal fitur baru, tetapi juga tentang bagaimana vendor database terbesar di dunia ini menyadari bahwa lanskap AI telah berubah jauh dari apa yang ditawarkan oleh database mereka dahulu.
Maria Colgan, Wakil Presiden Manajemen Produk untuk Data dan Mesin AI, menyatakan, “Seberapa pun saya ingin memberi tahu Anda bahwa semua data disimpan dalam database Oracle, kita hidup di dunia nyata. Kita tahu itu tidak benar.”
Empat kemampuan, satu taruhan arsitektural terhadap tumpukan agen yang terfragmentasi
Rilis Oracle mencakup empat kemampuan yang saling terhubung. Bersama-sama, kemampuan ini membentuk argumen arsitektural bahwa mesin database terpadu lebih baik sebagai fondasi untuk AI mandiri dibandingkan dengan tumpukan alat yang terpisah.
Unified Memory Core. Agen yang bekerja dengan berbagai format data secara bersamaan – vector, JSON, graph, relasional, spasial – biasanya memerlukan saluran sinkronisasi ketika format-format ini terkandung di dalam sistem yang berbeda. Unified Memory Core menyatukan semua data tersebut ke dalam mesin transaksi ACID yang sama. Di dalamnya terdapat lapisan API di atas mesin database Oracle, sehingga konsistensi ACID berlaku untuk setiap jenis data tanpa mekanisme konsistensi terpisah. “Dengan menyimpan memori di tempat yang sama dengan data, kita dapat mengontrol aksesnya sama seperti kita mengontrol data di dalam database,” jelas Colgan.
Vectors on Ice. Untuk tim yang menggunakan arsitektur lakehouse dengan format tabel open-source Apache Iceberg, Oracle membuat indeks vector di dalam database yang merujuk langsung ke tabel Iceberg. Indeks ini memperbarui otomatis sesuai perubahan data di bawahnya dan kompatibel dengan tabel-tabel Iceberg yang dikelola oleh Databricks dan Snowflake. Tim dapat mengombinasikan pencarian vektor Iceberg dengan data relasional, JSON, spasial, atau graph yang disimpan di dalam Oracle dalam satu kueri.
Autonomous AI Vector Database. Layanan database vector yang sepenuhnya dikelola dan bisa dimulai secara gratis ini dibangun di atas mesin Oracle 26ai. Layanan ini dirancang sebagai titik masuk bagi para pengembang dengan jalur peningkatan satu klik menuju Autonomous AI Database ketika kebutuhan beban kerja meningkat.
Autonomous AI Database MCP Server. Memungkinkan agen eksternal dan klien MCP terhubung ke Autonomous AI Database tanpa memerlukan kode integrasi khusus. Kontrol akses tingkat baris dan kolom Oracle otomatis berlaku saat seorang agen terhubung, terlepas dari apa yang diminta oleh agen tersebut. “Meskipun Anda melakukan panggilan API standar yang sama seperti di platform lain, hak akses yang diperoleh pengguna tetap berlaku ketika LLM mengajukan pertanyaan,” tambah Colgan.
Database vector independen sebagai titik awal, bukan tujuan akhir
Autonomous AI Vector Database dari Oracle memasuki pasar yang sudah diisi oleh layanan vector khusus seperti Pinecone, Qdrant, dan Weaviate. Perbedaan yang ingin ditonjolkan Oracle adalah apa yang terjadi ketika vektor saja tidak cukup.
Steve Zivanic, Wakil Presiden Global untuk Database dan Layanan Otonom, mengatakan, “Setelah selesai dengan vektor, Anda tidak benar-benar punya pilihan lain. Dengan ini, Anda bisa mendapatkan graph, spasial, time series – apapun yang mungkin Anda butuhkan. Ini bukan jalan buntu.”
Holger Mueller, analis utama di Constellation Research, mengatakan bahwa argumen arsitektural tersebut masuk akal karena vendor lain tidak dapat menyajikannya tanpa memindahkan data terlebih dahulu. Vendor database lainnya memerlukan data transaksional untuk dipindahkan ke lakehouse sebelum agen bisa menganalisisnya. Warisan terkonsolidasi Oracle memberikannya keunggulan struktural yang sulit ditiru tanpa membangun kembali dari awal.
Tidak semua orang melihat set fitur ini sebagai inovatif. Steven Dickens, CEO sekaligus analis utama di HyperFRAME Research, mencatat bahwa pencarian vektor, integrasi RAG, dan dukungan Apache Iceberg kini menjadi kebutuhan standar di seluruh database perusahaan. Postgres, Snowflake, dan Databricks sudah menawarkan kemampuan serupa. “Langkah Oracle untuk menyebut database itu sendiri sebagai AI Database lebih kepada rebranding strategi database terpadu mereka untuk menyesuaikan dengan siklus hype saat ini,” kata Dickens. Dalam pandangannya, diferensiasi nyata yang diklaim Oracle bukan berasal dari sisi fitur, melainkan dari sisi arsitektural – dan di sinilah Unified Memory Core menjadi titik kunci.”
Di mana penerapan agen perusahaan mengalami masalah
Keempat kemampuan yang dirilis Oracle ini adalah respons terhadap suatu masalah kegagalan produksi yang sudah teridentifikasi dengan baik. Penerapan agen perusahaan bukanlah gagal di lapisan model, melainkan di lapisan data, di mana agen yang dibangun di atas sistem yang terfragmentasi mengalami latensi sinkronisasi, konteks yang kadaluarsa, dan kontrol akses yang tidak konsisten begitu beban kerja meningkat.
Matt Kimball, wakil presiden dan analis utama di Moor Insights and Strategy, menjelaskan bahwa ketegangan di lapisan data ini muncul dengan cepat. “Masalahnya adalah menjalankan mereka dalam produksi,” ungkap Kimball. “Kesalahan bisa terlihat hampir segera di lapisan data – akses, tata kelola, latensi, dan konsistensi. Semua ini menjadi batasan.”
Dickens menjelaskan ketidaksesuaian ini sebagai masalah stateless versus stateful. Sebagian besar kerangka kerja agen perusahaan menyimpan memori sebagai daftar interaksi sebelumnya, sehingga agen menjadi efektif non-stateful sementara database yang mereka query adalah stateful. Keterlambatan antara keduanya adalah tempat keputusan bisa salah. “Tim data kelelahan oleh ketidakpaduan,” kata Dickens. “Mengelola vector store, database graph, dan sistem relasional hanya untuk mendukung satu agen adalah mimpi buruk bagi DevOps.”
Ketidakpaduan inilah yang ingin dihilangkan oleh Unified Memory Core Oracle. Pertanyaan tentang kontrol mengikuti langsung. “Dalam model aplikasi tradisional, kontrol berada di lapisan aplikasi,” ujar Kimball. “Dengan sistem agentic, kontrol akses cepat breakdown karena agen menghasilkan aksi secara dinamis dan memerlukan penegakkan kebijakan yang konsisten. Dengan memindahkan semua kontrol ke dalam database, semua ini bisa diterapkan secara lebih seragam.”
Apa arti semua ini bagi tim data perusahaan
Pertanyaan tentang di mana kontrol berada dalam tumpukan AI mandiri di perusahaan masih belum terjawab. Kebanyakan organisasi masih membangun di atas sistem yang terfragmentasi, dan keputusan arsitektural yang diambil sekarang — mesin mana yang menjadi landasan untuk memori agen, di mana kontrol akses ditegakkan, bagaimana data lakehouse diintegrasikan ke dalam konteks agen — akan sulit untuk diubah kembali saat skala meningkat.
Tantangan data terdistribusi masih menjadi ujian nyata. “Data semakin terdistribusi di seluruh platform SaaS, lakehouses, dan sistem berbasis event, masing-masing dengan lapisan kontrol dan model tata kelola sendiri,” ungkap Kimball. “Peluang saat ini adalah memperluas model tersebut di seluruh estate data yang lebih luas dan terdistribusi yang mendefinisikan sebagian besar lingkungan perusahaan saat ini.”
