Sebelum ChatGPT mengubah wajah industri teknologi global, Amazon Web Services (AWS) sebenarnya sudah mencium tanda-tanda awal ledakan kecerdasan buatan (AI).
Pelanggan mulai ramai bertanya soal AI dan machine learning tradisional. Namun, semuanya benar-benar berubah setelah ChatGPT resmi meluncur pada November 2022.
Minat terhadap AI generatif melonjak drastis. Amazon pun merespons cepat dengan mengucurkan dana awal sebesar USD100 juta untuk membentuk AWS Generative AI Innovation Center, sebuah laboratorium inovasi global yang berisi ilmuwan, engineer, dan ahli strategi bisnis.
Misinya jelas, membantu perusahaan membawa AI generatif dari sekadar pilot project menjadi solusi nyata yang digunakan di bisnis.
Dua tahun berselang, Amazon melipatgandakan investasinya. Alasannya sederhana, hasilnya terlihat dan terbukti berhasil.
Masalah Terbesar AI di Dunia Enterprise
Salah satu fakta pahit dalam dunia enterprise AI adalah tingginya tingkat kegagalan. Banyak studi menunjukkan mayoritas proyek AI berhenti di tahap uji coba dan tidak pernah masuk ke produksi.
AWS Generative AI Innovation Center justru menunjukkan tren sebaliknya. Dalam dua setengah tahun, tim ini telah bekerja dengan lebih dari 1.000 pelanggan global, termasuk Formula 1, Nasdaq, Ryanair, dan S&P Global. Menariknya, lebih dari 65 persen proyek AI yang ditangani tahun ini berhasil masuk ke tahap produksi.
“Masuk produksi artinya solusi itu benar-benar live, digunakan, dan menghasilkan dampak bisnis nyata,” kata Sri Elaprolu, (Director AWS Generative AI Innovation Center) seperti dikutip dari Fortune.
Angka tersebut jauh melampaui rata-rata industri. Lalu, apa pelajarannya?
Pelajaran Pertama. AI Bukan Sekadar Soal Teknologi
Setiap proyek di AWS selalu diawali dengan discovery workshop yang intens. AWS mempertemukan tiga pihak kunci yaitu pemilik data, pimpinan bisnis, dan tim teknologi.
Menurut Elaprolu, sering kali ketiga kelompok ini bahkan belum pernah duduk bersama sebelumnya.
“Masalah klasiknya, bisnis ingin mendapatkan nilai, tapi teknologinya belum siap. Atau teknologi ingin bereksperimen, tetapi bisnisnya tidak peduli,” ujarnya.
Pelajaran pertama pun jelas bahwa agentic AI dan AI generatif tidak akan berhasil tanpa keselarasan organisasi.
Bukan sekadar proof of concept, melainkan kesepakatan bersama tentang masalah bisnis apa yang benar-benar ingin diselesaikan.
Pelajaran Kedua. Data dan ROI Harus Masuk Akal
Setelah selaras, fokus beralih ke data. Bukan hanya soal volume, tetapi kualitas dan akses. AWS memastikan data pelanggan benar-benar siap sebelum AI digunakan.
Tahap berikutnya tak kalah krusial yaitu mendefinisikan return on investment (ROI) dan waktu pencapaiannya.
“Tanpa ekspektasi yang jelas, proyek AI berisiko gagal meski teknologinya canggih. Kami ingin agresif, tapi tetap realistis,” kata Elaprolu.
Pelajaran Ketiga. Agentic AI Harus Diadopsi, Bukan Sekadar Diluncurkan
Masuk ke fase berikutnya, AWS membantu perusahaan menjalani proses change management. AI yang sudah masuk produksi tetap bisa gagal jika karyawan atau pelanggan enggan menggunakannya.
“Anda bisa saja meluncurkan produk AI, tapi kalau adopsinya rendah, ROI-nya langsung hilang,” ujar Elaprolu.
Kasus GoDaddy menjadi contoh nyata. Bersama AWS, perusahaan itu menguji berbagai model bahasa besar seperti Claude dan Llama untuk memprediksi penjualan pelanggan UMKM.
Proyek itu sudah masuk produksi. Namun, untuk fitur pencarian nama domain berbasis AI, GoDaddy memilih lebih berhati-hati. UI, pengalaman pengguna, dan dampak terhadap pendapatan diuji matang sebelum peluncuran penuh.
“Innovation Center biasanya membantu kami mencoba proyek yang lebih berani dan berisiko,” kata Jing Xi (VP Applied AI & ML GoDaddy).
Pelajaran Keempat. Kecepatan Jadi Faktor Kunci
Pada awal berdiri, AWS membutuhkan waktu sekitar 6–8 minggu untuk membawa proyek AI ke produksi. Kini, berkat pengalaman dan kemajuan teknologi, waktu itu bisa dipangkas menjadi sekitar 45 hari.
Seiring itu, fokus AWS juga berkembang. Tidak hanya generative AI, AWS juga menjual solusi agentic AI, AI yang mampu mengambil keputusan, mengorkestrasi banyak agen, dan bekerja lebih mandiri.
Pelajaran Kelima. Model AI Siap Pakai Tidak Selalu Cukup
Pada 2024, AWS membentuk tim khusus untuk mengkustomisasi AI models. Pasalnya, model AI generik tidak selalu cocok untuk industri seperti kesehatan dan keuangan yang memiliki kebutuhan spesifik.
“Model customization akan semakin penting, terutama ketika AI mulai masuk ke inti bisnis perusahaan,” ujar Elaprolu.
Agentic AI di Dunia Nyata
Contoh implementasi nyata datang dari Cox Automotive, pemilik Autotrader dan Kelley Blue Book. Dengan lebih dari 500 data scientist, Cox membentuk tim khusus untuk mempercepat adopsi agentic AI. Dari 57 ide, sebanyak 20 use case telah masuk ke produksi penuh.
Musim panas lalu, AWS dan Cox menggelar sesi intensif bersama sekitar 100 karyawan lintas tim. Mereka menguji agentic AI dari berbagai sisi, mulai dari performa model, orkestrasi antar agen, hingga monitoring dan reliability.
“Hasilnya luar biasa. Semua konsep itu kini sudah masuk tahap pilot bersama pelanggan,” kata Marianne McPeak-Johnson (Chief Product Officer Cox Automotive).
Pelajaran terbesar dari AWS Generative AI Innovation Center sangat jelas bahwa agentic AI bukan sekadar tren teknologi. Keberhasilannya ditentukan oleh keselarasan bisnis, kesiapan data, manajemen perubahan, serta eksekusi yang disiplin.
Bagi perusahaan yang ingin meniru kesuksesan AWS dan para pelanggannya, ada satu hal yang pasti bahwa AI tidak bisa lagi berhenti di tahap pilot.
Pemenangnya adalah mereka yang mampu membawa AI termasuk agentic AI ke produksi, digunakan secara nyata, dan menghasilkan nilai bisnis yang terukur.
