AI tidak membutuhkan data yang sempurna: Kesalahpahaman yang merugikan perusahaan selama bertahun-tahun – Akhiri mitos migrasi

Akhir dari persiapan tanpa akhir: Bagaimana AI akhirnya memberikan nilai tambah nyata

Kecerdasan buatan memiliki potensi yang sangat besar, namun dalam praktik bisnis seringkali berubah menjadi ilusi yang mahal. Alasannya sesederhana dan sefatal ini: perusahaan tanpa sadar mengubah inisiatif AI ambisius mereka menjadi proyek migrasi data raksasa yang membutuhkan banyak sumber daya. Tujuan awal untuk mencapai hasil bisnis yang cepat dan terukur berubah menjadi perjuangan panjang untuk mendapatkan infrastruktur data yang sempurna dan konsolidasi yang mulus di gudang data pusat. Meskipun miliaran diinvestasikan untuk persiapan, dua pertiga perusahaan tetap terjebak dalam fase uji coba – dan penciptaan nilai sebenarnya terabaikan.

Artikel ini mengungkap mengapa berpegang teguh pada strategi "infrastruktur-pertama" secara teratur menyebabkan kegagalan dan mengapa migrasi data lengkap tidak selalu diperlukan untuk keberhasilan AI. Artikel ini menguraikan pergeseran paradigma yang sangat dibutuhkan: mereka yang merencanakan mundur dari hasil bisnis konkret dan mengandalkan akses data terfederasi tidak perlu menunggu selesainya megaproyek TI yang memakan waktu bertahun-tahun. Pelajari cara menjaga data tetap di tempatnya, menyediakan AI hanya dengan konteks spesifik yang dibutuhkannya, dan mencapai keberhasilan yang terukur melalui "kemenangan cepat" yang ditargetkan dalam waktu yang sangat singkat. Sudah saatnya mengalihkan fokus dari kesempurnaan data semata ke arah penciptaan nilai AI yang pragmatis.

Berkaitan dengan ini:

• UNFRAME.AI: Migrasi Data Bukanlah Tujuan Utama. Hasil AI-lah yang Utama.

Keluar dari jebakan data: Memikirkan AI dari perspektif hasil

Pembunuh terbesar AI adalah migrasi data

Proyek AI biasanya gagal bukan karena teknologinya sendiri, tetapi karena proyek tersebut merosot menjadi sekadar proyek infrastruktur TI. Konsolidasi semua data secara keliru dianggap sebagai persyaratan wajib.

Berpikir dari hasil (rekayasa balik)

Alih-alih bertanya bagaimana mempersiapkan semua data untuk AI, pertanyaan pentingnya adalah: Konteks data spesifik apa yang dibutuhkan AI saat ini untuk memberikan hasil bisnis yang konkret?

Konteks, bukan salinan (Akses Terfederasi)

AI tidak membutuhkan seluruh gudang data. Teknologi seperti akses data terfederasi, virtualisasi data, dan RAG (Retrieval-Augmented Generation) memungkinkan data tetap berada di sistem sumbernya dan hanya mengumpulkan konteks pada saat melakukan kueri. Hal ini menghemat waktu dan biaya yang sangat besar.

Operasi paralel, bukan penghentian total

Migrasi data jangka panjang (proses ETL untuk pelaporan, riwayat, dll.) dapat dan mungkin berlanjut. Namun, inisiatif AI tidak perlu menunggu hal ini, melainkan dapat mengakses data terdistribusi yang ada secara paralel.

Kelincahan mengalahkan perfeksionisme

Upaya membangun skema data yang komprehensif tidaklah efisien. Model konteks yang berorientasi domain dan spesifik untuk kasus penggunaan (mirip dengan pendekatan data mesh) jauh lebih menjanjikan.

Kekuatan "kemenangan cepat"

Untuk mendapatkan kembali kepercayaan pemangku kepentingan yang sering kali terkikis, proyek AI harus segera menunjukkan pengembalian investasi (ROI). Kasus penggunaan awal yang ideal (frekuensi tinggi, basis terukur, data yang ada) memberikan hasil nyata dalam beberapa minggu, sehingga membenarkan investasi lebih lanjut.

Mengapa perusahaan menghabiskan miliaran dolar untuk infrastruktur alih-alih akhirnya memberikan nilai tambah?

Transformasi digital dalam beberapa tahun terakhir telah menghasilkan pola paradoks yang terjadi di semua industri. Perusahaan menginvestasikan sejumlah besar uang dalam kecerdasan buatan, namun dalam kebanyakan kasus, penciptaan nilai aktual jauh di bawah ekspektasi. Alasannya jarang terletak pada teknologi itu sendiri. Alasannya terletak pada cara organisasi mendekati jalan menuju AI. Alih-alih berfokus pada hasil bisnis yang terukur, inisiatif AI secara bertahap berubah menjadi proyek infrastruktur data besar-besaran yang berkembang sendiri dan kehilangan tujuan awalnya. Apa yang dimulai sebagai inisiatif strategis untuk memanfaatkan AI seringkali berakhir sebagai migrasi data selama bertahun-tahun tanpa pengembalian investasi yang terlihat.

Menurut perkiraan Gartner pada Desember 2025, pengeluaran global untuk kecerdasan buatan akan mencapai sekitar $1,8 triliun pada tahun 2025 dan diperkirakan akan tumbuh menjadi $4,7 triliun pada tahun 2029. Pada saat yang sama, Survei Global McKinsey 2025 tentang keadaan AI menunjukkan bahwa 88 persen perusahaan yang disurvei sudah menggunakan AI dalam setidaknya satu fungsi bisnis, tetapi hampir dua pertiga masih dalam fase eksperimental atau uji coba. Hanya sekitar enam persen perusahaan yang memenuhi syarat sebagai perusahaan berkinerja tinggi AI, di mana lebih dari lima persen EBIT dapat diatribusikan kepada AI. Angka-angka ini menggambarkan perbedaan mendasar antara uang yang mengalir ke AI dan nilai yang dihasilkan pada akhirnya. Menganalisis perbedaan ini mengungkapkan masalah struktural yang jauh melampaui masalah teknis.

Bagaimana proyek infrastruktur menelan inisiatif AI

Rangkaian logika yang membawa perusahaan ke situasi ini tampaknya masuk akal pada pandangan pertama. AI membutuhkan data. Data tersebut terfragmentasi di berbagai sistem. Jadi, data tersebut perlu dikonsolidasikan. Konsolidasi membutuhkan migrasi. Migrasi membutuhkan transformasi. Transformasi membutuhkan tata kelola. Tata kelola membutuhkan program kualitas data. Setiap keputusan individual dalam rangkaian ini masuk akal dengan sendirinya. Tetapi jika digabungkan, keputusan-keputusan tersebut mengubah inisiatif AI menjadi program infrastruktur data yang membutuhkan waktu bertahun-tahun sebelum satu hasil AI pun terlihat.

Fenomena ini sangat jelas terlihat dalam data. Menurut Laporan Migrasi Data Caylent 2025, hanya enam persen dari perusahaan yang disurvei melaporkan menyelesaikan proyek migrasi paling kompleks mereka sesuai jadwal. Hampir setengah dari responden mengalami lebih dari lima jam waktu henti selama migrasi kritis, yang mengakibatkan masalah pengalaman pelanggan, kerugian pendapatan, dan penundaan operasional. Analisis terhadap lebih dari 500 ulasan perusahaan mengungkapkan bahwa sekitar 73 persen proyek migrasi data gagal karena perencanaan yang tidak memadai, kesenjangan tata kelola, dan kurangnya keahlian khusus platform. Keterlambatan waktu rata-rata 150 persen bukanlah pengecualian, melainkan aturan.

Proyek migrasi ini mengembangkan dinamika tersendiri. Mereka menarik tim khusus, menghasilkan indikator kinerja utama (KPI) mereka sendiri, dan mendapatkan sponsor mereka sendiri di tingkat dewan direksi, yang mempertaruhkan reputasi mereka pada penyelesaian proyek tersebut. Kasus penggunaan AI asli ditunda ke fase berikutnya, kemudian ke periode pasca-migrasi, dan akhirnya, kasus tersebut menghilang begitu saja dari diskusi perencanaan. Tidak ada yang merencanakan hasil ini. Hal ini muncul dari ribuan keputusan kecil, yang masing-masing dapat dibenarkan sendiri, tetapi jika digabungkan, menghasilkan alokasi sumber daya dan perhatian yang salah secara strategis.

Skenario tipikal menggambarkan masalah ini. Tinjauan bisnis triwulanan dimulai seperti yang telah dilakukan selama dua tahun terakhir. Tim transformasi data mempresentasikan kemajuannya. Migrasi telah selesai 73 persen. Metrik kualitas data telah meningkat di enam domain. Arsitektur gudang data telah lulus audit terbarunya. Sponsor eksekutif mengangguk setuju pada grafik pencapaian. Kemudian seseorang mengajukan pertanyaan yang selama ini dihindari semua orang: Kapan AI akan diluncurkan? Keheningan pun terjadi. Seseorang menyebutkan fase kedua. Orang lain menunjuk pada ketergantungan. Garis waktu awal, yang menjanjikan wawasan berbasis AI dalam waktu delapan belas bulan, telah menjadi catatan kaki dalam proyek infrastruktur data yang telah berkembang dengan sendirinya.

Proyek sia-sia bernilai miliaran dolar akibat persiapan yang belum selesai

Dimensi ekonomi dari masalah ini sangat signifikan. Gartner memprediksi bahwa pada akhir tahun 2026, organisasi tanpa data yang siap untuk AI akan mengalami kegagalan dan penghentian lebih dari 60 persen proyek AI mereka. Harvard Business Review menyebutkan tingkat kegagalan keseluruhan untuk proyek AI mencapai 80 persen, hampir dua kali lipat tingkat kegagalan untuk proyek TI yang tidak melibatkan AI. Menurut survei tahun 2025 oleh S&P Global Market Intelligence, 42 persen perusahaan telah menghentikan sebagian besar inisiatif AI mereka, peningkatan dramatis dari hanya 17 persen pada tahun sebelumnya. Rata-rata organisasi membuang 46 persen bukti konsep AI mereka bahkan sebelum mencapai tahap produksi.

Gartner juga memprediksi bahwa setidaknya 30 persen proyek AI generatif akan ditinggalkan setelah fase pembuktian konsep karena kualitas data yang buruk, kontrol risiko yang tidak memadai, biaya yang meningkat, atau nilai bisnis yang tidak jelas. Survei Informatica CDO Insights 2025 dengan jelas mengidentifikasi hambatan terbesar untuk keberhasilan AI: kualitas dan kematangan data (43 persen), kurangnya kematangan teknis (juga 43 persen), dan kekurangan personel terampil (35 persen).

Angka-angka ini menyoroti kesalahpahaman mendasar yang lazim terjadi di banyak organisasi. Masalahnya bukan pada kegagalan kasus penggunaan AI. Masalahnya adalah migrasi telah menjadi tugas itu sendiri, bukan lagi sarana untuk mencapai tujuan. Konsolidasi semua data ke dalam gudang data pusat telah menjadi tujuan itu sendiri, sementara nilai bisnis aslinya memudar. Sementara itu, investasi dalam data yang siap AI meningkat pesat. Gartner memperkirakan bahwa pasar data AI akan tumbuh dari $134 juta pada tahun 2024 menjadi $14,6 miliar pada tahun 2029, yang mewakili tingkat pertumbuhan tahunan gabungan sebesar 155 persen. Uang mengalir, tetapi mengalir ke arah yang salah jika penyediaan data didekati sebagai proyek persiapan yang monolitik, bukan sebagai proses iteratif.

Berpikirlah dari segi hasil, bukan dari perspektif infrastruktur

Pendekatan alternatif dimulai dengan pertanyaan yang pada dasarnya berbeda. Alih-alih bertanya bagaimana mempersiapkan data untuk AI, kita seharusnya bertanya konteks apa yang dibutuhkan AI untuk menghasilkan hasil bisnis tertentu. Pembalikan perspektif ini mengubah seluruh arsitektur proyek.

Sebagian besar kasus penggunaan AI membutuhkan konteks dari tiga hingga lima sistem, bukan portofolio data yang sepenuhnya dimigrasikan. Persyaratan konteks bersifat spesifik. AI untuk analisis kontrak membutuhkan kontrak, amandemen, pihak-pihak, dan kewajiban. AI tersebut tidak membutuhkan seluruh gudang data. AI untuk layanan pelanggan membutuhkan riwayat interaksi, data produk, dan catatan manajemen kasus. AI tersebut tidak membutuhkan setiap tabel di setiap sistem sumber.

Jalur data minimum yang dibutuhkan hampir selalu lebih sempit daripada ruang lingkup proyek migrasi. Migrasi dioptimalkan untuk setiap kemungkinan kueri di masa mendatang. AI membutuhkan konteks yang tepat untuk kasus penggunaan spesifik di masa kini. Kedua persyaratan ini pada dasarnya berbeda, dan memperlakukannya sebagai setara justru merupakan mekanisme yang digunakan proyek infrastruktur untuk melahap inisiatif AI.

Dengan menelusuri kembali hasil AI, seringkali ditemukan bahwa data yang dibutuhkan sudah tersedia. Data tersebut tidak perlu dipindahkan. Yang perlu dilakukan adalah menghubungkannya, mengorganisirnya sesuai dengan kasus penggunaan, dan menyediakannya saat runtime. Manajemen data AI yang efektif dimulai dengan kesadaran ini: pertama, definisikan hasilnya, kemudian temukan jalur paling sederhana menuju konteks yang memungkinkan hasil tersebut.

Di sini Anda akan mempelajari bagaimana perusahaan Anda dapat mengimplementasikan solusi AI yang disesuaikan dengan cepat, aman, dan tanpa hambatan masuk yang tinggi.

Platform AI terkelola adalah solusi lengkap dan bebas khawatir Anda untuk kecerdasan buatan. Alih-alih berurusan dengan teknologi yang kompleks, infrastruktur yang mahal, dan proses pengembangan yang panjang, Anda menerima solusi siap pakai yang disesuaikan dengan kebutuhan Anda dari mitra khusus – seringkali hanya dalam beberapa hari.

Keunggulan utama secara sekilas:

⚡ Implementasi cepat: Dari ide hingga aplikasi siap pakai dalam hitungan hari, bukan bulan. Kami menghadirkan solusi praktis yang menciptakan nilai tambah langsung.

🔒 Keamanan data maksimal: Data sensitif Anda tetap aman. Kami menjamin pemrosesan yang aman dan sesuai peraturan tanpa membagikan data dengan pihak ketiga.

💸 Tanpa risiko finansial: Anda hanya membayar untuk hasil. Investasi awal yang tinggi untuk perangkat keras, perangkat lunak, atau personel sepenuhnya dihilangkan.

🎯 Fokus pada bisnis inti Anda: Konsentrasikan pada apa yang Anda kuasai. Kami mengurus seluruh implementasi teknis, pengoperasian, dan pemeliharaan solusi AI Anda.

📈 Tahan masa depan & dapat diskalakan: AI Anda tumbuh bersama Anda. Kami memastikan optimasi dan skalabilitas berkelanjutan, serta secara fleksibel menyesuaikan model dengan kebutuhan baru.

Informasi selengkapnya di sini:

• Platform AI Terkelola

Akses data terfederasi sebagai model arsitektur alternatif

AI tanpa migrasi data bukanlah jalan pintas. Ini adalah arsitektur yang berbeda yang mencerminkan bagaimana AI sebenarnya bekerja di lingkungan produksi. Tiga prinsip mendasar menjadi ciri pendekatan ini.

Pertama, akses terfederasi menghubungkan AI ke sistem sumber tempat data berada tanpa memerlukan sentralisasi sebelumnya. Data CRM tetap berada di CRM. Dokumen tetap berada di repositori dokumen. Data operasional tetap berada di ERP. Lapisan AI dapat mengakses semua ini tanpa menunggu sinkronisasi. Akses data terfederasi menjaga data di lokasi asalnya, memanfaatkan teknik virtualisasi untuk memberikan tampilan terpadu, dan memungkinkan wawasan waktu nyata sesuai permintaan. Tidak seperti gudang data, di mana data dipindahkan secara fisik ke lokasi pusat, akses terfederasi menghilangkan risiko dan biaya yang terkait dengan duplikasi data dan meningkatkan efisiensi operasional.

Kedua, model konteks spesifik kasus penggunaan mendefinisikan apa yang secara khusus dibutuhkan oleh setiap aplikasi AI. Alih-alih membangun skema universal yang mencoba mencakup semuanya, sistem mendefinisikan entitas, hubungan, dan sinyal spesifik yang relevan dengan setiap kasus penggunaan individu. Prinsip ini selaras dengan konsep arsitektur data mesh, di mana tim yang berorientasi pada domain secara independen mengelola data masing-masing dan mempertahankan standar tata kelola yang disesuaikan yang mencerminkan persyaratan bisnis tertentu.

Ketiga, perakitan runtime menyusun konteks pada saat pengambilan keputusan, bukan sebelumnya melalui pipeline batch. Ketika AI perlu menjawab pertanyaan, ia menyusun konteks yang relevan dari semua sumber, di mana pun konteks itu berada. Tidak ada penundaan sinkronisasi. Tidak ada snapshot yang sudah usang. Data terkini, disusun sesuai permintaan. Prinsip ini telah mengalami pematangan teknologi dengan proliferasi Retrieval Augmented Generation (RAG). Arsitektur RAG memungkinkan sistem AI untuk mengambil informasi eksternal yang relevan pada saat melakukan kueri dan menyematkannya ke dalam konteks, alih-alih hanya mengandalkan pengetahuan yang telah dilatih sebelumnya. Pada pertengahan tahun 2026, lebih dari 66 persen implementasi AI generatif perusahaan akan menggunakan arsitektur RAG.

Implementasi praktis arsitektur ini terlihat jelas di lingkungan perusahaan dunia nyata. SAP Federated Machine Learning Library, misalnya, memanfaatkan arsitektur federasi data SAP Datasphere untuk secara cerdas mengekspos data SAP dan non-SAP untuk pembelajaran mesin tanpa memerlukan replikasi atau pemindahan data. Perusahaan seperti Downer, salah satu penyedia layanan terintegrasi terbesar di Australia, telah mengimplementasikan platform data dan AI terfederasi yang menggabungkan kelincahan terdesentralisasi dengan tata kelola terpusat, memungkinkan unit bisnis untuk berinovasi secara independen sambil berbagi data perusahaan secara lancar dan aman.

Perbandingan antara virtualisasi data dan pemrosesan batch

Pilihan antara akses terfederasi melalui virtualisasi data dan konsolidasi berbasis ETL tradisional bukanlah pilihan biner, melainkan lebih kepada menyesuaikannya dengan kebutuhan beban kerja masing-masing. Virtualisasi data memberikan waktu respons yang lebih cepat saat melakukan kueri pada kumpulan data terdistribusi yang lebih kecil. Namun, dengan meningkatnya volume data dan persyaratan transformasi yang kompleks, ETL dapat lebih efisien karena kemampuannya untuk memproses kumpulan data besar menggunakan aturan transformasi yang telah ditentukan sebelumnya.

Pertukaran mendasar adalah bahwa virtualisasi data menukar konsolidasi fisik dengan integrasi logis. Anda mendapatkan data yang lebih baru, karena kueri mengakses sistem sumber secara langsung, dan Anda menghindari biaya dan kompleksitas penyalinan semua data ke dalam satu gudang data. Pada saat yang sama, Anda menjadi bergantung pada ketersediaan dan kinerja setiap sistem yang mendasarinya. Untuk kueri analitik berat dalam kisaran petabyte, gudang data dengan agregat yang telah dihitung sebelumnya dan penyimpanan berbasis kolom mengungguli kueri gabungan di seluruh jaringan dengan faktor sepuluh atau lebih.

Solusi cerdasnya adalah menggunakan kedua pendekatan tersebut secara komplementer. ETL menangani pemrosesan data terstruktur dan historis untuk pelaporan dan memastikan konsistensi. Virtualisasi data memungkinkan akses cepat ke data langsung atau terdistribusi untuk kueri yang sensitif terhadap waktu. Saat mengintegrasikan sumber data baru, memodifikasi alur kerja ETL dapat memakan waktu berhari-hari atau berminggu-minggu. Virtualisasi data memungkinkan integrasi langsung sumber data sementara atau eksperimental. Pendekatan hibrida ini mengoptimalkan kinerja, biaya, dan fleksibilitas secara seimbang.

Jalur tercepat menuju hasil AI yang terukur

Logika ekonomi di balik pendekatan yang berorientasi pada hasil sangat meyakinkan. Durasi rata-rata proyek AI mengikuti pola yang umum: tiga bulan perencanaan, enam bulan pengembangan, enam bulan pengujian, tiga bulan penerapan, total delapan belas bulan hingga ROI (Return on Investment). Menurut Gartner, rata-rata hanya 48 persen proyek AI yang berhasil mencapai tahap produksi, dan jalur dari prototipe AI ke produksi membutuhkan waktu delapan bulan. Hanya 35 persen proyek AI yang bahkan mencapai kesiapan produksi.

Namun ada cara lain. Menurut sebuah studi IDC, 92 persen implementasi AI yang sukses memberikan pengembalian investasi positif dalam waktu dua belas bulan. 40 persen perusahaan melaporkan pengembalian positif dalam waktu enam bulan. Kuncinya terletak pada pemilihan kasus penggunaan awal yang tepat dan menghindari persiapan infrastruktur yang terlalu ambisius.

Kerangka kerja untuk pengembalian investasi AI yang cepat didasarkan pada empat prinsip. Kasus penggunaan pertama yang ideal dicirikan oleh frekuensi tinggi; tugas yang dimaksud dilakukan setiap hari atau setiap minggu. Kasus ini memiliki dasar yang jelas, dan kinerja saat ini dapat diukur. Data sudah ada, dan kasus penggunaan memiliki ketergantungan terbatas pada sistem lain. Jika kriteria ini terpenuhi, hasil yang terukur dapat dicapai dalam beberapa minggu.

Dampak dari keberhasilan cepat seperti ini jauh melampaui keuntungan finansial langsung. Sebuah penyedia telekomunikasi menerapkan chatbot AI untuk lima pertanyaan pelanggan yang paling sering diajukan terkait penagihan. Dalam 60 hari, solusi tersebut menyelesaikan 35 persen pertanyaan tanpa intervensi manusia, mengurangi waktu penyelesaian rata-rata dari 24 jam menjadi 10 menit, dan meningkatkan skor kepuasan pelanggan sebesar 22 persen. Sebuah perusahaan manufaktur menengah menerapkan pemeliharaan prediktif berbasis AI pada lini produksi kritis. Proyek percontohan selama 45 hari tersebut menghasilkan pengurangan waktu henti yang tidak direncanakan sebesar 62 persen, penghematan kerugian produksi sebesar $157.000, dan pengurangan biaya pemeliharaan sebesar 28 persen. Asisten AI Klarna menyelesaikan dua pertiga dari semua pertanyaan obrolan pelanggan pada bulan pertama dan mengurangi waktu penyelesaian rata-rata dari sebelas menit menjadi kurang dari dua menit.

Mengapa kepercayaan pemangku kepentingan adalah mata uang yang paling sulit didapatkan?

Keberhasilan cepat ini memiliki fungsi yang melampaui sekadar penghematan biaya. Keberhasilan ini mengembalikan kepercayaan pemangku kepentingan, yang telah terkikis selama bertahun-tahun proyek infrastruktur tanpa hasil yang terlihat. Keberhasilan yang cepat memberikan bukti nyata bahwa AI menciptakan nilai bisnis. Hal ini membangun kepercayaan para pengambil keputusan, mengurangi resistensi terhadap adopsi, dan membuka jalan bagi investasi AI yang lebih besar.

Keberhasilan awal yang cepat menciptakan lingkaran umpan balik positif yang mempercepat adopsi AI. Keberhasilan awal menghasilkan antusiasme dan sumber daya untuk implementasi yang lebih luas. Perluasan implementasi menciptakan nilai tambah dan pembelajaran organisasi. Pembelajaran ini memungkinkan aplikasi yang lebih canggih dan manfaat yang lebih besar. Manfaat yang lebih besar membenarkan peningkatan investasi dalam kemampuan AI.

Data McKinsey menggarisbawahi mekanisme ini. Perusahaan dengan kinerja AI tinggi—enam persen perusahaan dengan kontribusi EBIT terukur dari AI—tiga kali lebih mungkin daripada perusahaan lain untuk melaporkan bahwa organisasi mereka bermaksud menggunakan AI untuk perubahan transformatif. Perusahaan-perusahaan ini hampir tiga kali lebih mungkin daripada perusahaan lain untuk mendesain ulang alur kerja secara fundamental, dan desain ulang alur kerja yang disengaja ini menunjukkan salah satu kontribusi terkuat untuk mencapai dampak bisnis yang terukur. Perusahaan dengan kinerja tinggi secara teratur menerapkan AI di lebih banyak fungsi bisnis daripada kelompok sebayanya dan tiga kali lebih mungkin untuk memperluas penggunaan agen AI.

Operasi paralel sebagai pengganti ketergantungan sekuensial

Proyek migrasi ini tidak perlu dihentikan. Proyek ini mungkin memiliki tujuan di luar AI. Pelaporan regulasi, analisis historis, atau dasbor eksekutif tentang peta jalan internal mungkin memang memerlukan data yang terkonsolidasi. Investasi dalam membangun fondasi ini tidak akan sia-sia untuk tujuan-tujuan tersebut.

Namun, AI tidak perlu menunggu migrasi selesai. Keduanya dapat berjalan secara paralel. Migrasi berlanjut sesuai jadwalnya sendiri untuk tujuan yang dimaksudkan. AI memberikan hasil sekarang, berdasarkan data yang ada saat ini.

Pendekatan pragmatis dimulai dengan mengidentifikasi dua hingga tiga kasus penggunaan AI yang akan memberikan nilai bisnis yang terukur. Selanjutnya, dilakukan pemetaan konteks data spesifik yang dibutuhkan untuk setiap kasus penggunaan. Kemudian, diperiksa apakah konteks ini dapat diakses secara langsung tanpa memerlukan migrasi. Terakhir, AI diujicobakan pada jalur data yang paling sempit dan memungkinkan.

Pendekatan ini sejalan dengan temuan analis Gartner, Haritha Khandabattu, yang menggambarkan pergeseran bertahap dari AI generatif sebagai fokus utama ke pendorong fundamental yang mendukung penerapan AI berkelanjutan, termasuk data yang siap AI dan agen AI. Investasi beralih dari strategi yang mengutamakan infrastruktur ke arsitektur yang mengutamakan data dan kemampuan. Organisasi yang menganggap kesiapan data sebagai hal yang kurang penting adalah organisasi yang paling mungkin tetap berada di antara 94 persen yang tidak pernah melampaui fase uji coba.

Penataan ulang logika investasi

Data pengeluaran Gartner mengungkapkan pergeseran besar dalam logika investasi. Meskipun infrastruktur AI tetap menjadi kategori pengeluaran terbesar, dengan nilai $965 miliar pada tahun 2025, tingkat pertumbuhannya relatif moderat, yaitu 29 persen per tahun. Percepatan terjadi di tempat lain: data AI tumbuh 155 persen per tahun, keamanan siber AI 74 persen, dan model AI 68 persen. Uang mengalir mengikuti hambatan, bukan berita utama.

Di dalam pasar data AI, pendorong pertumbuhannya bahkan lebih jelas. Generasi data sintetis tumbuh dengan laju tahunan sebesar 178 persen, dari $41 juta menjadi $6,8 miliar pada tahun 2029. Kumpulan data siap AI—yaitu, data yang telah dikurasi sebelumnya dan terstruktur untuk alur kerja AI—tumbuh sebesar 136 persen setiap tahunnya. Perusahaan bersedia membayar untuk jalan pintas menuju produksi. Ini adalah sinyal yang jelas bahwa pasar menghargai kesiapan data yang cepat daripada migrasi yang lambat dan komprehensif.

Organisasi-organisasi pemenang, yang benar-benar menuai nilai dari transformasi ini, berinvestasi pada kemampuan yang membuat sistem AI bekerja pada skala perusahaan: kesiapan data, tata kelola, integrasi, dan keamanan. Mereka membalikkan rasio pengeluaran tipikal, mendedikasikan 50 hingga 70 persen waktu dan anggaran mereka untuk kesiapan data—yaitu, ekstraksi, normalisasi, metadata tata kelola, dasbor kualitas, dan kontrol retensi. Namun, kesiapan data ini tidak dipahami sebagai proyek migrasi monolitik, melainkan sebagai proses iteratif yang didorong oleh kasus penggunaan.

Dari perfeksionisme data hingga pragmatisme AI

Temuan utama dari analisis ini dapat diringkas dalam satu prinsip: Tujuannya bukanlah infrastruktur yang sempurna. Tujuannya adalah untuk mencapai hasil dari AI, dan untungnya, ini tidak memerlukan konsolidasi data yang lengkap. Tim yang menyadari hal ini berhenti memperlakukan migrasi sebagai prasyarat dan mulai memandang hasil AI sebagai metrik yang benar-benar penting.

Data berbicara sendiri. 88 persen perusahaan menggunakan AI, tetapi hanya sepertiga yang mulai menerapkannya dalam skala besar. 73 persen proyek migrasi gagal karena masalah implementasi, bukan karena teknologinya sendiri. 42 persen perusahaan akan meninggalkan sebagian besar inisiatif AI mereka pada tahun 2025. Pada saat yang sama, enam persen teratas menunjukkan bahwa jalan menuju kesuksesan terletak pada tujuan yang ambisius, alur kerja yang dirancang ulang, dan peningkatan skala yang cepat, bukan pada penyelesaian proyek migrasi.

Ini menghadirkan seruan yang jelas untuk bertindak bagi CIO dan CTO. Pertanyaannya bukan lagi bagaimana mengkonsolidasikan semua data sebelum AI dapat diimplementasikan. Pertanyaannya adalah konteks data spesifik apa yang dibutuhkan untuk kasus penggunaan AI berikutnya dan bagaimana konteks ini dapat disediakan dengan cara yang paling cepat dan hemat biaya. Akses terfederasi, model konteks spesifik kasus penggunaan, dan perakitan saat runtime adalah alat arsitektur yang memungkinkan pendekatan ini. Alat-alat ini menggantikan paradigma persiapan lengkap dengan paradigma penciptaan nilai iteratif.

Perusahaan yang memandang AI bukan sebagai penerima manfaat sekunder dari proyek infrastruktur, tetapi sebagai kekuatan pendorong yang menentukan kebutuhan data, akan menjadi perusahaan yang paling cepat berkembang dari tahap uji coba ke tahap penskalaan. Proyek migrasi dapat dilanjutkan, tetapi AI tidak perlu menunggu.

Saya akan dengan senang hati menjadi penasihat pribadi Anda.

Anda dapat menghubungi saya di wolfenstein∂xpert.digital atau

Hubungi saya di +49 7348 4088 965 .

LinkedIn