Strategi Adopsi AI: Kontrol Keamanan Kunci Kecepatan Bisnis

Telset.id – Perusahaan yang ingin sukses mengadopsi kecerdasan buatan (AI) harus membangun tata kelola yang tepat, bukan memilih antara kecepatan inovasi atau keamanan. Jason Taylor, CTO dan CISO di Entrata, menegaskan bahwa AI adalah perubahan model operasional yang menuntut keseimbangan antara eksperimen dan kontrol agar tim dapat bergerak dengan percaya diri.

Dalam 18 bulan terakhir, tim di berbagai perusahaan telah beralih dari memperdebatkan apakah akan menggunakan AI menjadi memperdebatkan seberapa cepat mereka dapat menerapkannya. Ketegangan ini muncul karena AI menciptakan dua mandat yang tampak bersaing: sisi teknologi menginginkan eksperimen, akses, kecepatan, dan produktivitas, sementara sisi keamanan membutuhkan kontrol, akuntabilitas, batasan data, dan keyakinan bahwa alur kerja baru tidak akan menimbulkan risiko.

Kedua naluri tersebut benar, dan perusahaan justru mendapat masalah ketika mereka memperlakukan AI sebagai proyek inovasi murni atau masalah keamanan murni. AI adalah perubahan model operasional, dan organisasi yang menanganinya dengan baik akan membangun struktur yang cukup serta alat yang tangguh untuk memungkinkan tim bergerak cepat tanpa memilih antara kecepatan dan kontrol.

Mulai dari Pekerjaan, Bukan Alatnya

Banyak perusahaan memulai adopsi AI seperti peluncuran perangkat lunak standar: menyetujui vendor, membagikan lisensi, menerbitkan beberapa pedoman, dan berasumsi penggunaan akan berubah secara alami. Pendekatan ini jarang menciptakan perubahan operasional yang bertahan lama.

Adopsi yang nyata dimulai ketika pemimpin memahami bagaimana pekerjaan sebenarnya dilakukan. Tim keuangan, produk, pemasaran, dukungan, dan teknik tidak akan menggunakan alat AI dengan cara yang sama karena setiap kelompok memiliki kebutuhan pengetahuan, sumber data, ambang risiko, dan pengalaman yang berbeda. Masing-masing membutuhkan pengembangan keterampilan dan alat AI.

Pemimpin harus mulai dengan bertanya apa yang ingin dicapai setiap fungsi, pengetahuan apa yang dibutuhkan untuk membuat keputusan lebih baik, keterampilan apa yang diperlukan untuk menggunakan AI secara bertanggung jawab, dan alat atau sumber data apa yang diperlukan untuk menghasilkan hasil yang andal. Ketika AI dipetakan ke kemampuan tersebut, ia menjadi bagian dari cara organisasi beroperasi. Sebaliknya, ketika ditumpuk di atas proses yang terputus, AI cenderung menghasilkan lebih banyak output tanpa menghasilkan hasil yang lebih baik.

Perlakukan Akses Data sebagai Masalah Desain Risiko

Akses data adalah salah satu area paling jelas di mana AI mengubah model operasional. Agar AI benar-benar berguna, tim sering kali membutuhkan akses ke informasi yang sebelumnya tidak mereka gunakan secara langsung. Tim pemasaran mungkin membutuhkan dokumentasi produk dan wawasan pelanggan, tim keuangan mungkin membutuhkan data operasional terstruktur, dan tim dukungan mungkin membutuhkan pengetahuan internal serta konteks historis.

Naluri untuk membuka akses dapat dipahami karena AI menjadi lebih berharga dengan lebih banyak konteks. Naluri untuk membatasi akses juga masuk akal karena akses yang lebih luas dapat menciptakan masalah privasi, kepatuhan, dan keamanan. Jawabannya bukan memilih salah satu naluri, melainkan menciptakan model yang lebih disengaja untuk memutuskan data mana yang dapat digunakan, oleh siapa, dan untuk tujuan apa.

Dalam satu penerapan di perusahaan, jawaban praktisnya bukan memberikan akses ke semua hal kepada setiap tim atau mengunci AI di dalam fungsi teknis. Solusinya adalah memisahkan data operasional berisiko rendah dari informasi yang lebih sensitif, lalu memberi tim akses yang cukup untuk bekerja secara berbeda sambil membatasi potensi kerusakan jika alur kerja berperilaku tidak terduga.

Konsep yang berguna adalah blast radius data. Tidak semua kumpulan data membawa tingkat risiko yang sama, dan tidak semua kasus penggunaan AI layak mendapat tingkat pembatasan yang sama. Beberapa informasi dapat dibuat lebih mudah diakses karena potensi kerusakannya terbatas, sementara informasi lain, terutama informasi identitas pribadi atau data pelanggan sensitif, memerlukan kontrol yang lebih ketat. Pendekatan ini memungkinkan tim bereksperimen di area berisiko lebih rendah sambil mempertahankan tata kelola yang lebih kuat di area yang benar-benar penting.

Bangun Verifikasi ke dalam Alur Kerja

Verifikasi adalah tempat banyak strategi AI menjadi dapat diskalakan atau mulai mandek. Sistem AI dapat menghasilkan pekerjaan yang tampak rapi tetapi tidak lengkap, tidak akurat, tidak sesuai merek, atau tidak patuh. Meskipun tinjauan manusia dapat menyerap sebagian risiko di tahap awal, hal itu tidak dapat diskalakan setelah AI tertanam dalam operasi harian.

Taylor melihat hal ini paling jelas di tim teknis, di mana AI dapat mempercepat pengembangan perangkat lunak hanya jika ada cara yang andal untuk mengevaluasi kualitas, keamanan, dan akurasi hasil yang diproduksi. Tanpa lapisan verifikasi, tim mungkin merasa lebih cepat pada saat itu sambil diam-diam menciptakan lebih banyak beban tinjauan, pengerjaan ulang, dan risiko di hilir.

Perusahaan membutuhkan pola verifikasi yang dirancang ke dalam alur kerja itu sendiri. Ini dapat mencakup pemeriksaan otomatis, kontrol kualitas data, jalur persetujuan, pencatatan, observabilitas, dan aturan eskalasi yang jelas untuk output yang tidak boleh dipercaya tanpa tinjauan lebih lanjut. Pemimpin tidak boleh memperlakukan mekanisme ini sebagai birokrasi yang ditambahkan setelah fakta. Mekanisme inilah yang memungkinkan AI bergerak dari alat produktivitas individu menjadi kemampuan perusahaan, karena tim hanya dapat menskalakan adopsi ketika mereka memiliki cara yang berulang untuk memahami apakah pekerjaan yang dihasilkan akurat, tepat, dan aman digunakan.

Jadikan Adopsi AI Tanggung Jawab Kepemimpinan

Adopsi AI tidak dapat didelegasikan kepada tim inovasi tunggal atau petugas AI sementara tim eksekutif lainnya menonton dari kejauhan. Setiap pemimpin fungsi perlu memahami bagaimana AI mengubah pekerjaan tim mereka, bagaimana karyawan akan berkolaborasi dengan agen dan model, serta di mana risiko cenderung muncul.

Hal ini tidak berarti setiap eksekutif harus menjadi spesialis pembelajaran mesin, tetapi pemimpin perlu memiliki cukup pemahaman untuk memandu keputusan, menetapkan harapan, dan mencontohkan perilaku yang mereka minta dari tim. Karyawan tidak mungkin mengubah cara mereka bekerja jika pemimpin memperlakukan AI sebagai sesuatu yang seharusnya diadopsi orang lain.

Pembingkaian budaya juga penting. Jika karyawan mendengar adopsi AI sebagai eufemisme untuk penghapusan pekerjaan, mereka akan melindungi versi peran mereka saat ini daripada mengeksplorasi apa yang bisa menjadi versi berikutnya. Pemimpin harus jujur bahwa peran akan berubah, beberapa alur kerja akan hilang, dan tanggung jawab baru akan muncul, sambil memperjelas bahwa tujuan jangka pendeknya adalah membantu orang melakukan pekerjaan berkualitas lebih tinggi dengan daya ungkit yang lebih baik. Dalam banyak kasus, pergeserannya adalah dari melakukan setiap tugas secara manual menjadi mengoordinasikan sistem yang membantu melakukan pekerjaan.

Kontrol Adalah Kunci Kecepatan Berkelanjutan

Perusahaan yang sukses dengan AI bukanlah yang menempatkan inovasi di atas keamanan dan bukan pula yang menunggu sampai setiap risiko dapat dihilangkan terlebih dahulu. Mereka adalah yang membangun tata kelola, verifikasi, dan disiplin data yang cukup untuk memungkinkan tim bergerak dengan percaya diri. Dalam AI perusahaan, kontrol adalah yang membuat kecepatan berkelanjutan.

Kesediaan untuk bekerja melalui ambiguitas menjadi semakin penting seiring kemampuan AI yang semakin canggih. Pemimpin yang membangun struktur yang tepat sejak awal akan memungkinkan tim mereka bergerak cepat tanpa kehilangan kendali atas lingkungan, data, dan alur kerja yang paling penting. Pendekatan ini, sebagaimana diuraikan oleh Jason Taylor, memastikan bahwa kecepatan dan keamanan berjalan beriringan dalam transformasi AI perusahaan.