Mengapa Data Jadi Penghalang Terbesar Adopsi AI di Perusahaan

AI mungkin lagi jadi topik hangat di rapat direksi, tapi banyak perusahaan baru sadar kalau hambatan terbesarnya justru data sendiri. Alat AI untuk konsumen memang cepat dan mudah dipakai, tapi deploy AI di skala enterprise? Butuh fondasi yang jauh lebih solid.

Menurut Bavesh Patel dari Databricks, kualitas AI kamu bergantung sepenuhnya pada informasi di organisasi. Sayangnya, data banyak perusahaan masih terpecah di sistem lama, aplikasi terisolasi, dan format yang nggak nyambung. AI jadi sulit menghasilkan output yang bisa dipercaya.

Patel bilang, differentiator kompetitif terbesar bukan model AI-nya, tapi data perusahaan sendiri plus data pihak ketiga yang bisa ditambahkan. Tanpa fondasi ini, risikonya besar: kamu bisa dapat "AI yang buruk" alias hasil yang nggak relevan atau salah.

Rajan Padmanabhan dari Infosys menambahkan, enterprise AI butuh konteks bisnis yang tepat. Beda sama consumer AI, di sini presisi output sangat krusial. Keputusan beli, jual, atau rekomendasi harus akurat. Standarnya? Presisi di atas 92% bukan lagi angan-angan, tapi keharusan.

Jadi, dari mana mulai? Patel sarankan mulai dengan memahami data estate kamu. Data kritis perlu dikumpulkan dalam format terbuka, nggak lagi terkunci di aplikasi SaaS proprietary. Bangun data catalog, pahami relasi antar data, dan terapkan governance yang ketat.

Jangan cuma asal deploy project AI tanpa arah. Buat AI value roadmap yang terhubung dengan metrik bisnis. Perusahaan sukses mengaitkan AI langsung ke outcome yang terukur, bukan sekadar project inovasi terpisah.

Padmanabhan cerita soal kerja sama Infosys-Databricks dengan perusahaan makanan global. Mereka pakai framework 3M: adaptability, business value, dan responsible AI. Hasilnya? Delapan sampai sembilan agentic AI products yang solve real business problems.

Databricks baru luncurkan Lakebase, database OLTP untuk AI agents dan apps. Bedanya dengan platform lain? Lakebase menggabungkan compute dan storage yang terpisah, serverless, dan bisa branching cepat. Agents bisa start, run, dan shutdown sesuai kebutuhan dengan efisien.

Yang menarik, Lakebase ini nyambung dengan Lakehouse untuk data historis. Jadi kamu punya satu sistem untuk semua data: real-time dan analytical. Nggak perlu copy data atau manage permission berkali-kali.

Governance jadi prasyarat nggak bisa ditawar. Patel sebut 95% project AI gagal generate business value karena governance diabaikan saat masuk production. Unity Catalog dari Databricks bantu discover data, kontrol akses, dan codify business semantics.

Dengan agentic AI, kompleksitas governance makin tinggi. Agents harus tahu constraint bisnis: misalnya, nggak bisa approve diskon di atas 70% tanpa izin CFO. Perlu juga govern tools access, information sharing, dan mekanisme learning-relearning.

Padmanabhan pakai analogi mobil otonom: meski autonomous, tetap harus ikut aturan jalan. Agents juga begitu. Unity Catalog kini bisa catalog tools, MCP, dan agents itu sendiri untuk memastikan compliance.

Tiga kategori use case AI yang bakal dominan: pertama, copilots untuk individual productivity. Kedua, otomasi proses bisnis end-to-end. Ketiga, yang paling menarik: business reimagination alias lini bisnis sama sekali baru.

Contoh konkret: sebuah bank bangun produk forecasting treasury yang nggak ada setahun lalu. Kombinasi machine learning dan LLM bantu departemen treasury prediksi saldo dengan data real-time. Hasilnya? Ratusan juta dolar dalam enam bulan pertama.

Retailer kini dapat data per jam atau per menit untuk integrasi supply chain lebih erat. Customer 360 jadi lebih presisi, iklan lebih kontekstual. Ada juga inovasi di agentic commerce dan virtualized shopping.

Yang penting: jangan lock-in di satu vendor. Gemini unggul multimodal, Claude bagus untuk coding, ChatGPT kuat di introspection. Platform data terbuka memungkinkan kamu pilih model terbaik per workload.

Padmanabhan lihat transisi dari system of execution/engagement ke system of action. Contoh di manufacturing: proses pembuatan produk dan publikasi konten ke B2B marketplace yang dulu butuh lima departemen, kini jauh lebih cepat dengan veracity decisioning yang tinggi.

Di horizon: agent-to-agent commerce, agent-to-human payments, dan content monetization. Agents bakal jadi "FTE baru" di organisasi. Investasi di agentic grid untuk kolaborasi antar agents jadi krusial.

Takeaway praktis: mulai dari data, bangun unified core operational dan analytical, lalu layer integrasi agentic di atasnya. Governance menyeluruh jadi payungnya. Dengan fondasi ini, AI nggak cuma efisiensi, tapi pembuka lini bisnis baru yang nggak terbayangkan sebelumnya.