Fenomena ini disorot oleh Satchit Joglekar, Regional Vice President & Managing Director Southeast Asia (ASEAN) Snowflake, yang menyebut sebagian besar proyek AI gagal memberikan dampak bisnis nyata.
Dalam konteks ini, yang dimaksud tahap awal atau pilot phase adalah fase uji coba terbatas, biasanya berupa proof of concept (PoC) di mana perusahaan mencoba implementasi AI dalam skala kecil sebelum diperluas ke seluruh organisasi.
Masalahnya, banyak proyek tidak pernah melampaui fase ini karena tidak menunjukkan nilai bisnis yang jelas.
Menurut Joglekar, hal tersebut sering terjadi karena inisiatif AI hanya difokuskan pada eksperimen sederhana seperti chatbot atau peningkatan produktivitas, tanpa dikaitkan langsung dengan kebutuhan bisnis.
Ia menjelaskan, banyak proyek terlihat menarik di awal, tetapi tidak mampu menjawab pertanyaan mendasar dari sisi bisnis.
“Banyak inisiatif AI berhenti di tahap uji coba. Ketika ditunjukkan ke manajemen, memang terlihat menarik, tetapi pada akhirnya pimpinan keuangan akan bertanya: apa nilai bisnis yang benar-benar dihasilkan?” ujarnya.
Akibatnya, proyek AI tidak mendapatkan dukungan lanjutan karena tidak mampu menunjukkan return on investment (ROI) yang terukur.
Data Belum Siap Jadi Penghambat
Di luar persoalan ROI, tantangan terbesar justru terletak pada kesiapan data di dalam organisasi. Joglekar menegaskan bahwa tanpa fondasi data yang kuat, teknologi AI tidak akan memberikan hasil optimal.“Kesiapan data adalah hal yang paling krusial. Tanpa itu, AI pada dasarnya tidak akan berguna,” kata dia.
Salah satu kendala utama yang masih sering ditemui adalah data silo, yaitu kondisi di mana data tersebar di berbagai sistem atau departemen dan tidak saling terintegrasi. Bahkan dalam satu perusahaan, satu jenis data bisa memiliki definisi yang berbeda antar tim.
Kondisi ini membuat AI kesulitan memahami konteks bisnis secara utuh, karena informasi yang digunakan tidak konsisten dan terfragmentasi. Masalah ini tidak hanya bersifat teknis, tetapi juga organisatoris, karena setiap unit memiliki cara sendiri dalam mengelola data.
Perlu Pendekatan Bertahap
Untuk mengatasi tantangan tersebut, Snowflake mendorong pendekatan bertahap dalam implementasi AI di perusahaan. Proses ini dimulai dari membangun fondasi data yang terintegrasi, dilanjutkan dengan penyusunan konteks bisnis, sebelum akhirnya AI dapat dimanfaatkan secara luas dalam berbagai proses kerja.Langkah pertama adalah memastikan data berada dalam satu fondasi yang terkelola, lengkap dengan aspek keamanan, governance, dan kepatuhan terhadap regulasi.
Setelah itu, perusahaan perlu membangun business context atau semantic layer, agar AI dapat memahami istilah, struktur, dan logika bisnis yang spesifik di dalam organisasi.
“Hanya setelah dua hal itu terpenuhi, AI benar-benar bisa digunakan di berbagai workflow dan memberikan nilai nyata,” ujarnya.
Dengan pendekatan ini, AI tidak lagi diposisikan sebagai eksperimen teknologi, melainkan sebagai alat strategis yang dapat memberikan dampak langsung terhadap bisnis.
Harus Dimulai dari Tujuan Bisnis
Lebih lanjut, Joglekar menekankan bahwa implementasi AI seharusnya dimulai dari tujuan bisnis, bukan dari teknologi. Perusahaan perlu menentukan sejak awal hasil apa yang ingin dicapai, baik itu peningkatan pendapatan, efisiensi biaya, maupun tujuan strategis lainnya.“Perusahaan harus memulai dari tujuan bisnis yang ingin dicapai, lalu menentukan metrik keberhasilan dan menghitung ROI sejak awal,” katanya.
Dengan pendekatan tersebut, proyek AI memiliki arah yang jelas dan dapat dievaluasi secara terukur, sehingga peluang untuk melanjutkan ke tahap produksi menjadi lebih besar.
Cek Berita dan Artikel yang lain di
Google News
