Telset.id – Adopsi AI di organisasi terus melonjak, tetapi hanya 7 persen responden yang menyatakan AI telah sepenuhnya di-scale di seluruh organisasi. Temuan McKinsey 2025 itu menunjukkan bahwa 30 persen organisasi masih terjebak di fase piloting, meski 88 persen responden mengaku organisasinya rutin memakai alat AI di setidaknya satu fungsi bisnis, naik dari 78 persen pada tahun sebelumnya.
Kesenjangan antara adopsi dan scaling ini menjadi sorotan Alexander Igelsböck, CEO & Co-Founder Adverity. Menurutnya, gap tersebut makin terlihat ketika sebuah pilot AI berhadapan dengan kompleksitas data stack yang sudah ada di perusahaan. Sebuah pilot bisa mendemonstrasikan kemampuan model AI saat tugasnya terdefinisi dan datanya dipilih dengan cermat, tetapi memindahkan kemampuan itu ke lingkungan enterprise yang live sering kali jauh lebih sulit.
Masalahnya sering berada di bawah lapisan model itu sendiri. Data marketing tersebar di berbagai platform, warehouse, dan sistem internal dengan struktur serta definisi berbeda. Kondisi ini membuat AI sulit menetapkan apa arti angka-angka yang diolahnya. Tanpa pemahaman yang ter-governance atas lingkungan data tersebut, model AI bisa berperilaku seperti black box dan membuat asumsinya sendiri.
Pilot AI Terlihat Meyakinkan Sampai Bertemu Dunia Nyata
Ada alasan mengapa pilot AI bisa tampak begitu meyakinkan di awal. Lingkupnya biasanya sempit, datanya lebih mudah dikontrol, dan pertanyaan yang diajukan relatif sederhana. Produksi, however, menghadirkan tingkat kompleksitas yang baru dan berbeda.
Sistem AI yang bekerja di seluruh enterprise marketing stack, misalnya, bisa menjumpai beberapa versi metrik yang sama dengan nama field berbeda dan aturan perhitungan yang tidak seragam. Biaya menjadi contoh sederhana. Satu platform dapat menyimpan biaya dengan satu nama field, sementara platform lain memakai nama yang sama sekali berbeda. Bagi manusia yang memahami data organisasi, perbedaan itu mungkin jelas, tetapi bagi model AI yang beroperasi tanpa knowledge layer, kecocokan pertama yang terlihat masuk akal bisa dianggap sebagai jawaban yang benar.
Kurangnya kejelasan ini menciptakan masalah tersendiri. Output yang diterima bisa terdengar sangat kredibel. AI dapat menghasilkan jawaban penuh percaya diri dari asumsi yang keliru, sehingga perusahaan menerima insight yang tampak berguna sampai insight itu masuk ke pengambilan keputusan bisnis. Persoalan serupa juga muncul di sektor lain, seperti yang terlihat dalam perombakan Copilot yang menuntut pemahaman konteks kerja pengguna.
Baca Juga:
Karena itu, memperbaiki kualitas data hanya menyelesaikan sebagian tantangan. AI juga perlu memahami makna yang melekat pada data tersebut. Bagi tim marketing secara khusus, hal ini berarti menetapkan definisi kanonik untuk konsep-konsep penting dan memetakan definisi itu ke berbagai platform tempat data muncul. Perusahaan juga perlu menangkap aturan yang dipakai organisasi untuk mengukur performa, agar AI bekerja dengan kerangka yang sama seperti orang-orang yang bertanggung jawab menafsirkan output-nya.
Knowledge Layer Jadi Fondasi yang Hilang
Knowledge layer menyediakan fondasi antara data warehouse dan AI yang bekerja dengan data tersebut. Lapisan ini mengodekan bagaimana metrik seharusnya ditafsirkan, field mana yang berkorespondensi antarplatform, dan aturan bisnis mana yang perlu diterapkan sebelum sebuah analisis dianggap andal. Lapisan semacam ini berada di atas data warehouse yang sudah ada, sehingga organisasi tidak perlu melakukan investasi mahal untuk mengganti infrastrukturnya.
Kuncinya adalah memberi AI titik awal yang terdefinisi. Alih-alih memilih versi metrik mana pun yang dijumpainya lebih dulu, sistem memiliki pemahaman ter-governance tentang apa arti konsep tersebut di dalam organisasi dan dapat menafsirkannya dengan benar. Pendekatan ini sejalan dengan pentingnya konteks yang juga dibahas dalam AI-native intelligence untuk pasar keuangan.
Definisi statis saja tidak cukup. Performa marketing berubah seiring bisnis, sehingga AI juga memerlukan akses ke konteks yang melingkupi investigasi tertentu. Sebuah kampanye bisa terlihat seolah performanya memburuk, padahal penyebab sebenarnya adalah perubahan anggaran terbaru. Pergerakan hasil yang tiba-tiba juga bisa bertepatan dengan promosi baru atau market test yang sedang berjalan. Tanpa informasi itu, sistem AI dapat mengidentifikasi perubahan secara akurat tetapi tetap menarik kesimpulan yang salah tentang penyebabnya.
Perbedaan ini dapat tercermin dengan memisahkan pengetahuan marketing yang persisten dari konteks yang diresolusikan untuk setiap investigasi. Di sinilah kolaborasi antara tim marketing dan tim data menjadi penting. Pemimpin marketing memahami tujuan di balik kampanye dan bagaimana performa seharusnya ditafsirkan, sementara pemimpin data memahami sistem, struktur, dan kontrol yang mengelola informasi tersebut.
Menyatukan kedua perspektif itu menciptakan fondasi yang lebih berguna bagi AI. Definisi dapat disepakati sebelum tertanam dalam alur kerja otomatis, sementara kebutuhan governance tetap menjadi bagian dari proses analitis, bukan diperkenalkan setelah output dihasilkan. Pola pikir serupa juga dibutuhkan saat perusahaan menyiapkan perangkat baru, seperti yang terlihat pada perangkat Alexa baru yang menuntut kesiapan ekosistem.
Tahap berikutnya dari adopsi AI enterprise bergantung pada upaya membuat fondasi ini operasional. Riset McKinsey menunjukkan sebagian besar organisasi masih berada di antara eksperimentasi dan scaling awal, meski adopsinya tumbuh cepat. Prioritas bagi para marketer adalah memeriksa apa yang berada di sekitar model sebelum menambahkan model lain. Apakah metrik yang relevan sudah didefinisikan secara konsisten? Bisakah AI memahami bagaimana metrik tersebut berhubungan antarsistem? Apakah AI tahu keputusan bisnis mana yang sedang membentuk performa saat ini?
Knowledge layer yang terstruktur baik dapat menyediakan koneksi yang hilang antara data enterprise dan penalaran AI. Lapisan ini memberi model pemahaman ter-governance tentang lingkungan tempat mereka beroperasi, sehingga mengurangi asumsi yang harus mereka buat sendiri. Hal itu mengubah pertanyaan produksi. Alih-alih menanyakan apakah model yang lebih baru cukup mumpuni, organisasi dapat berfokus pada apakah AI telah diberi pengetahuan yang dibutuhkan agar bekerja secara andal.
Model akan terus berkembang, tetapi bagi bisnis yang berupaya mengubah investasi AI menjadi nilai terukur, tindakan yang lebih mendesak adalah memastikan model-model tersebut memiliki sesuatu yang dapat diandalkan untuk bernalar. Tekanan serupa juga dirasakan di sektor otomotif, seperti terlihat pada tekanan Tesla terhadap regulator demi mengoperasikan teknologi AI-nya di jalan raya.
Artikel ini diproduksi sebagai bagian dari TechRadar Pro Perspectives, kanal yang menampilkan pemikiran terbaik dari industri teknologi. Pandangan yang diungkapkan adalah milik penulis dan belum tentu mencerminkan pandangan TechRadar Pro atau Future plc.
Komentar
Belum ada komentar.