Sistem kecerdasan buatan (AI) generasi terbaru sangat bergantung pada pasokan data berkualitas tinggi. Efektivitas teknologi seperti AI generatif, agen otonom (agentic AI), dan machine learning (ML) sepenuhnya ditentukan oleh informasi yang mereka konsumsi.
Tantangannya, para Chief Information Officer (CIO) dan pemimpin bisnis harus memikirkan kembali bagaimana informasi mengalir di setiap tahapan siklus hidup data mulai dari pembuatan, penyimpanan, penggunaan, pengarsipan, hingga pemusnahan.
Berdasarkan data Gartner, hampir dua perlima organisasi merasa ragu apakah mereka telah menerapkan praktik pengelolaan data yang tepat untuk mendukung AI.
Bahkan, perusahaan riset teknologi itu memprediksi bahwa organisasi akan meninggalkan 60 persen proyek AI sebelum akhir tahun akibat kurangnya kesiapan data. Tanpa fondasi yang matang, keunggulan kompetitif yang diincar dari AI justru dapat berubah menjadi jalan buntu inovasi.
Bagi CIO yang ingin mengoptimalkan potensi AI, peningkatan tata kelola data di seluruh siklus hidupnya menjadi harga mati. Menariknya, solusi atas masalah ini justru dapat ditemukan pada AI itu sendiri.
Gartner merekomendasikan perusahaan untuk menyematkan layanan berbasis AI secara bertahap guna memperluas dan menyempurnakan teknik manajemen data yang sudah ada.
Stephen Wood (Chief Operating Officer di Rathbones Asset Management) menyambut baik peluang ini. Ia dan timnya bertekad menghindari cara lama yang hanya memindahkan data dari satu tempat ke tempat lain demi efisiensi. Kehadiran AI dinilai mampu menjawab kebutuhan tersebut.
”Orang-orang kami ingin menjalankan model untuk menganalisis data, baik itu bentuk, struktur, nilai, atau apa pun itu. Apakah tugas itu nantinya bisa sepenuhnya dikerjakan AI, saya belum tahu pasti. Namun, melihat kekuatannya, sudah jelas bahwa kita akan mampu mengelola elemen-elemen dalam siklus hidup data,” ujar Wood.
Kendati para pemimpin digital sepakat bahwa AI dapat menyederhanakan proses manajemen informasi, mereka tetap mengingatkan adanya batasan nyata. Langkah awalnya, pahami kebutuhan data berkualitas, kenali tantangan tata kelola dan kepercayaan, dan temukan titik krusial tempat AI dapat diandalkan.
Membangun Kualitas Data sebagai Fondasi
Bagi sebagian pemimpin digital, strategi pengelolaan siklus hidup data berbasis AI sudah menjadi bagian dari operasional harian. Alwin Bakkenes (Kepala Rekayasa Perangkat Lunak di Volvo Cars) mencontohkan bagaimana sistem bantuan pengemudi (ADAS) dalam kendaraan sangat bergantung pada informasi berkualitas tinggi.
Dengan tradisi keselamatan berkendara yang kuat, Volvo telah mengumpulkan jutaan titik data sejak 2020 untuk menyempurnakan sistem pencegahan tabrakan.
“Dalam ekosistem ADAS kami, kurasi data adalah salah satu elemen terpenting. Ada banyak data masuk dari armada besar, dan tugas kami adalah mengurasi serta memilah informasi mana yang diperlukan agar pelatihan model menjadi lebih efisien,” ungkap Bakkenes.
Bakkenes mencontohkan pengumpulan data kendaraan untuk memahami titik-titik kemacetan lalu lintas, seperti bundaran besar di Paris. Timnya menggunakan sensor untuk menghimpun data lebih mendalam dan dimanfaatkan untuk melatih model AI serta menguji perilakunya di lapangan.
Pendekatan strategis dalam pengumpulan informasi itu juga diamini oleh Ankur Anand, Group CIO di perusahaan rekrutmen Harvey Nash. Menurutnya, manajemen siklus hidup data yang sukses di era AI ditopang oleh empat proses mendasar:
- Pencarian Mudah (Findable): Data harus bisa ditemukan oleh AI secara mandiri tanpa harus bergantung pada pengetahuan mendalam seorang profesional.
- Kejelasan Makna (Understandable): Data harus dapat dipahami secara seragam. Perusahaan multinasional sering kali menggunakan definisi yang berbeda di tiap unit bisnis. Jika tidak ada bahasa atau istilah yang konsisten, konteksnya akan melenceng sehingga AI menginterpretasikan data secara keliru dan berdampak buruk pada pengambilan keputusan.
- Kepercayaan dan Keamanan (Trustworthy): Tahap pembersihan data sangat krusial. Hak akses data harus diatur dengan tepat agar tidak ada pihak yang melihat informasi rahasia. Kerahasiaan adalah kunci, karena jika kepercayaan runtuh, orang enggan menggunakan AI.
- Kecepatan Akses (Usable at speed): Didukung oleh tiga proses sebelumnya, pengguna tidak boleh membutuhkan waktu lama untuk mendapatkan ringkasan, perbandingan, atau analisis yang akurat dari AI.
Menakar Potensi di Balik Batasan Industri
Setelah kualitas data terbangun, para pemimpin digital harus mempertimbangkan integrasi teknologi baru ke dalam tahapan siklus hidup data.
Emmanuel Frenehard (Chief Digital Officer di raksasa biofarmasi Sanofi) melihat bagaimana AI mampu mendeteksi celah informasi. Ia mencontohkan penggunaan teknologi seperti agen Snowflake untuk memindai informasi dan mengidentifikasi area yang minim wawasan mendalam bagi pengambil keputusan. Selain itu, AI juga membantu proses koreksi data. Sebagian besar data uji klinis di perusahaannya melibatkan koreksi manual, dan AI terbukti ampuh mendeteksi anomali.
”Kami menggunakan AI sebagai metodologi tata kelola data untuk uji klinis, di mana kami meninjau setiap data yang masuk dan melakukan pemulihan mandiri pada data tersebut,” kata Frenehard.
Namun, di balik keunggulan tersebut, Frenehard mengingatkan adanya batas toleransi risiko. Dalam industri yang diatur ketat seperti biofarmasi, model AI probabilistik yang mengandalkan statistik untuk memprediksi probabilitas memang membantu, tetapi juga memicu risiko. Perusahaannya belum siap menyerahkan pengelolaan data sepenuhnya kepada AI tanpa keterlibatan manusia.
”Potensinya ada, tetapi tingkat kepercayaannya juga harus ada. Saya selalu memiliki kekhawatiran terhadap model probabilistik. Probabilitas tidak pernah mencapai angka 100 persen. Ada area bisnis di mana ketidakpastian kecil masih bisa ditoleransi, tetapi ada juga area yang tidak boleh meleset, seperti data pasien dan rekomendasi pengobatan,” tegasnya.
Pandangan senada disampaikan oleh Bernhard Seiser (VP Digital, Data, and IT di AOP Health). Sektor-sektor dengan regulasi ketat kerap menghadapi dilema serupa dalam menilai kesiapan AI untuk manajemen informasi.
”Di industri kami, tingkat keakuratan 99 persen tidak ada gunanya pada ruang data yang menuntut ketepatan 100 persen. Namun, tentu ada area di mana kita bisa memanfaatkan AI. Misalnya, ketika memasukkan sumber data baru, mencari staf dari lini bisnis untuk mendeskripsikan setiap kolom data bukanlah hal mudah. Untuk tugas itu, perangkat gen AI bekerja dengan sangat luar biasa,” ujar Seiser.
Seiser menegaskan bahwa perusahaannya akan tetap mengeksplorasi teknologi baru dengan ekspektasi yang realistis. Mengandalkan AI secara berlebihan dapat menghadirkan tingkat ketidakpastian yang tidak dapat diterima, dan adopsi penuh untuk manajemen siklus hidup data tampaknya masih memerlukan waktu yang sangat panjang.
Kasus Penggunaan yang Solid
Meskipun para pemimpin digital enggan melakukan otomasi penuh pada seluruh siklus hidup data, mereka mengakui bahwa AI terbukti mendatangkan efisiensi tinggi pada tahapan spesifik.
Michael Cole (Chief Technology Officer di DP World Tour) menghabiskan dua tahun terakhir bekerja sama dengan mitra strategis seperti HCLTech dan AWS untuk mendigitalkan arsip historis organisasinya yang berusia lebih dari 50 tahun. Arsip tersebut mencakup 20.000 pita rekaman, 27.000 jam tayangan, dan 1,2 petabyte konten.
”Itu baru permulaan dari perjalanan kami. Kami akan segera meluncurkan platform baru untuk manajemen aset media, yang membuat seluruh konten arsip tidak hanya berformat digital, tetapi juga mudah diakses oleh sumber daya internal, media, penyiar, mitra, dan pada
akhirnya para penggemar,” tutur Cole.
Menurut Cole, pemanfaatan AI mampu mengotomatisasi pemotongan klip aksi pemain (clipping) dan penandaan metadata (metadata tagging) yang krusial bagi efisiensi pencarian konten. Kedepannya, gen AI dan teknologi agen otonom akan terus berkembang untuk mendongkrak produksi serta aksesibilitas konten olahraga.
Langkah serupa ditempuh oleh CIO Freshworks, Ashwin Ballal, yang memanfaatkan AI untuk mempercepat proses pembersihan data (data-cleansing) yang sebelumnya memakan banyak tenaga manual.
Kendati demikian, ia menekankan bahwa fokus utamanya bukan sekadar kecepatan kerja AI, melainkan efektivitas alat tersebut dalam mendongkrak integritas dan kualitas data.
”Kami baru memulai proses itu. Kami menggunakan platform Databricks dan membangun LLM serta agen di atas data tersebut. Jadi, jika Anda seorang tenaga penjualan, Anda memiliki agen penjualan, agen pemasaran, dan agen produk. Teknologi inilah yang menyerap kekuatan penuh dari data,” pungkas Ballal.
Bagaimana strategi perusahaan Anda dalam menyeimbangkan kebutuhan otomatisasi AI dengan standar keamanan dan kualitas data yang ketat?
