Menyiapkan diri untuk AI sambil membangun infrastruktur data itu seperti belajar mengemudikan mobil transmisi manual di sisi jalan yang salah. Rasanya rumit dan bisa jadi berbahaya jika multitasking tidak dilakukan dengan baik.
Organisasi yang proses pengelolaan datanya belum matang dan berusaha mengadopsi AI sedang mencoba menyelesaikan berbagai masalah teknologi sekaligus, dan berisiko terhenti di tengah jalan. Berdasarkan laporan NVIDIA tentang keadaan AI di tahun 2026, 48% perusahaan menyebutkan masalah terkait data sebagai tantangan utama dalam pengadopsian AI mereka.
Kebanyakan program AI di perusahaan tidak gagal karena model atau solusi yang dipilih. Kegagalan sering kali disebabkan oleh data yang terfragmentasi, tidak konsisten, dan dikelola dengan buruk.
Atur Pondasi Data Anda
Data perusahaan biasanya berserakan dalam berbagai sistem, sehingga sulit untuk digabungkan menjadi satu gambaran yang kohesif. Bahkan ketika kita bisa mengonsolidasikannya, sering kali muncul masalah granularitas atau perbedaan pengidentifikasi. Misalnya, satu aplikasi mungkin menyimpan nomor akun hanya sebagai angka, sementara yang lain menambahkan “ACCT” sebagai awalan. Ketidakcocokan kecil ini menciptakan langkah rekonsiliasi tambahan setiap kali kita menggabungkan set data tersebut.
Pengelolaan data mempersulit masalah ini. Tanpa sistem yang dirancang khusus untuk mengontrol siapa yang mengakses data, kemana data berpindah, dan apa perlindungan yang ada, celah-celah akan muncul dengan cepat. Risiko paling nyata adalah paparan PII: sebuah alamat email yang jatuh ke tangan yang salah bisa memicu pelanggaran serius. Data mentah yang tidak terstruktur juga menghasilkan output AI yang kurang baik dan lebih mahal untuk diproses.
Data yang bersih dan terstruktur akan menghasilkan hasil yang lebih baik dengan biaya yang lebih rendah. Celah ketiga yang muncul adalah keterjelasan keputusan. Banyak negara, serta beberapa negara bagian di AS, kini mengharuskan organisasi menunjukkan bagaimana keputusan yang dipicu oleh AI diambil. Jika tidak memperhatikan pondasi data, Anda mungkin tidak dapat menunjukkan rantai pemikiran tersebut.
Jika sudah di tahap ini, Anda berada di wilayah pelanggaran kepatuhan atau model Anda menghasilkan output yang tidak bisa dipertahankan.
Tiga Langkah Menyiapkan Data untuk AI
Langkah pertama adalah mendefinisikan pengelolaan sebelum Anda melakukan deployment. Klasifikasikan data Anda: apa itu, dari mana asalnya, dan siapa yang bisa mengaksesnya. Pisahkan peran pengambilan keputusan teknis dan pengawasan kepatuhan. Menyimpan tanggung jawab tersebut pada orang yang berbeda mencegah situasi di mana satu orang menentukan aturan sekaligus mengawasi kepatuhan.
Jalankan pengelolaan AI yang melibatkan berbagai fungsi sebagai fungsi tetap. Tunjuk satu perwakilan dari setiap departemen untuk melakukan pertemuan bulanan guna membahas apa yang dikerjakan tim, masalah yang muncul, dan dukungan yang dibutuhkan dari masing-masing pihak.
Anggaplah inisiatif kesiapan AI yang lebih besar seperti proyek bisnis lainnya: tunjuk manajer proyek, tentukan pemilik eksekutif, atur frekuensi mingguan, buat daftar tugas, dan kerjakan satu per satu.
Kumpulkan data perilaku bahkan sebelum dibutuhkan. Hasil yang Anda dapatkan dari AI sangat bervariasi tergantung pada seberapa terampil operatornya. Tanpa visibilitas, Anda mungkin akan mengeluarkan uang untuk lisensi AI namun hanya mendapatkan output setara pencarian Google. Anda tidak tahu siapa yang perlu dilatih, apakah mereka memiliki alat yang tepat, atau hasil apa yang mereka capai. Risiko terbesar adalah membuat keputusan strategis yang salah, misalnya menghentikan peluncuran, padahal solusi sebenarnya adalah pelatihan yang lebih baik atau alat yang berbeda.
Pertimbangan Tambahan
Ini ada layer lain yang perlu dipertimbangkan. Ketika pekerja berpengalaman menyelesaikan tugas dengan bantuan AI, mereka menjadi lebih terampil daripada sebelumnya. Output dan pembelajaran terjadi secara bersamaan. Itulah yang seharusnya ditunjukkan oleh data perilaku dari waktu ke waktu—bukan hanya penyelesaian tugas, tetapi juga peningkatan keterampilan.
Ketika seseorang yang masih baru menerima apa pun yang dihasilkan AI tanpa melibatkan diri secara kritis, mereka mendapatkan output namun tidak mengalami pertumbuhan. Data perilaku adalah cara untuk menangkap celah ini lebih awal, sebelum menjadi biaya jangka panjang yang sulit untuk dibalik.
Selalu jaga rasa ingin tahu dan cari peluang yang mudah. Fokuskan upaya kesiapan data Anda pada alur kerja di mana pekerjaan sebenarnya terjadi, dan prioritaskan alat yang memungkinkan Anda mengakses data tersebut.
Sebuah contoh baru-baru ini menunjukkan betapa menguntungkannya hal ini. Seorang manajer produk menjalankan analisis berbasis AI terhadap pola bug triwulanan menggunakan data dari alat yang paling sering digunakan oleh departemen. Hasilnya mengejutkan. Satu tim membawa beban tiket yang tidak proporsional, sebagian besar adalah permintaan untuk solusi manual terkait fitur produk yang hilang.
Sementara tim lain membagi waktu mereka hampir 75% untuk pekerjaan baru dan 25% untuk bug yang masuk, tim tersebut lebih mendekati pembagian 50-50. Dengan tidak membangun satu fitur pun, organisasi secara efektif berjalan 1,5 orang di bawah kapasitas. Seluruh analisis hanya memakan waktu sekitar 45 menit. Dan semua itu tidak akan mungkin dilakukan tanpa data yang terorganisir, diberi tag sesuai tim, terhubung ke kontributor individual, dapat diakses melalui konektor AI yang ada, dan dilindungi dengan kontrol akses berbasis peran.
Organisasi yang mendapatkan hasil maksimal dari AI adalah yang memberdayakan orang-orangnya untuk bertanya “Ada apa di sini?”—dan memiliki data untuk mendiagnosis dalam waktu singkat. Hal ini hanya terjadi jika pondasi telah siap.
