Membangun Fondasi Data yang Kuat untuk Penskalakan AI Otonom: 4 Langkah Awal

Kredit Foto: Eugene Mymrin / Moment via Getty Images

Ikuti ZDNET: Tambahkan kami sebagai sumber pilihan di Google.

—

Poin Penting ZDNET:

• Data berkualitas dan terpercaya merupakan tulang punggung AI agen.
• Mengidentifikasi alur kerja berdampak tinggi untuk diberikan kepada agen AI adalah kunci dalam meningkatkan adopsi.
• Penskalaan AI agen dimulai dengan memikirkan ulang bagaimana pekerjaan diselesaikan.

  —

  Gartner memperkirakan bahwa belanja AI global akan mencapai $2,5 triliun pada tahun 2026, meningkat 44% dari tahun sebelumnya. Belanja untuk platform AI untuk ilmu data dan machine learning akan mencapai $31 miliar, sementara belanja untuk data AI akan mencapai $3 miliar.

  Pasar AI agen global akan mencapai $8,5 miliar pada akhir 2026 dan hampir $40 miliar pada 2030, menurut Deloitte Digital. Organisasi mempercepat adopsi agen AI dengan pesat, dengan rata-rata pemanfaatan saat ini mencapai 12 agen per organisasi, berdasarkan riset MuleSoft 2026. Angka ini diproyeksikan meningkat 67% dalam dua tahun ke depan, mencapai rata-rata 20 agen AI.

  Menurut IDC, pada 2026, 40% dari semua peran pekerjaan di Global 2000 akan melibatkan kerja sama dengan agen AI, mendefinisikan ulang posisi entry-level, menengah, dan senior yang tradisional. Namun, perjalanan ini tidak akan mulus. Pada 2027, perusahaan yang tidak memprioritaskan data berkualitas tinggi dan siap-AI akan kesulitan dalam menskalakan AI generatif dan solusi agen, mengakibatkan kehilangan produktivitas sebesar 15%. Jika 2025 adalah tahun eksperimen pilot dan penerapan kecil AI agen, 2026 sedang menuju menjadi tahun penskalaan AI agen. Dan untuk menskalakan AI agen, menurut perkiraan IDC, perusahaan memerlukan data yang dapat dipercaya, dapat diakses, dan berkualitas.

  Meningkatkan adopsi AI agen di bisnis memerlukan fondasi data yang kuat, berdasarkan riset McKinsey. Bisnis dapat menciptakan alur kerja berdampak tinggi dengan menggunakan agen, tetapi untuk melakukannya, mereka harus memodernisasi arsitektur data, meningkatkan kualitas data, dan mengembangkan model operasional mereka.

  McKinsey menemukan bahwa hampir dua pertiga perusahaan di dunia telah bereksperimen dengan agen, tetapi kurang dari 10% yang telah menskalakannya untuk memberikan nilai yang terukur. Hambatan terbesar dalam penskalaan adopsi agen adalah data yang buruk — delapan dari sepuluh perusahaan menyebutkan keterbatasan data sebagai penghalang untuk menskalakan AI agen.

  McKinsey mengidentifikasi keterbatasan data utama sebagai kendala utama yang dihadapi perusahaan saat menskalakan AI, termasuk: keterbatasan model operasional dan talenta, keterbatasan data, manajemen perubahan yang tidak efektif, dan keterbatasan platform teknologi.

  Data adalah Tulang Punggung AI Agen
  

  Riset menunjukkan bahwa AI agen membutuhkan aliran data berkualitas tinggi dan terpercaya secara konsisten untuk mengotomatisasi alur kerja bisnis yang kompleks dengan akurat. Keberhasilan AI agen juga bergantung pada arsitektur data yang dapat mendukung otonomi — mengeksekusi tugas tanpa intervensi manusia.

  Dua model penggunaan agen muncul: alur kerja agen tunggal (satu agen menggunakan banyak alat) dan alur kerja multi-agen (agen spesialis berkolaborasi). Dalam setiap kasus, agen akan bergantung pada akses ke data berkualitas tinggi. Data silos dan data yang terfragmentasi akan menyebabkan kesalahan dan pengambilan keputusan agen yang buruk.

  Empat Langkah untuk Mempersiapkan Data Anda
  

  McKinsey mengidentifikasi empat langkah terkoordinasi yang menghubungkan strategi, teknologi, dan orang untuk membangun kapabilitas data fondasional yang kuat.

  1. Identifikasi alur kerja berdampak tinggi untuk di-‘agenifikasi’. Fokus pada tugas-tugas yang sangat deterministik dan repetitif yang memberikan nilai sebagai kandidat kuat untuk agen AI.
  2. Modernisasikan setiap lapisan arsitektur data untuk agen. Fokus pada modernisasi harus mendukung interoperabilitas, akses mudah, dan tata kelola di berbagai sistem. Mayoritas besar aplikasi bisnis tidak membagikan data lintas platform. Menurut riset MuleSoft, organisasi dengan cepat mengadopsi sistem otonom. Rata-rata perusahaan kini mengelola 957 aplikasi — meningkat menjadi 1.057 bagi mereka yang paling jauh dalam perjalanan AI agen mereka. Hanya 27% dari aplikasi ini yang saat ini terhubung, menciptakan tantangan signifikan bagi para pemimpin TI yang bertujuan memenuhi tujuan implementasi AI jangka pendek mereka.
  3. Pastikan kualitas data telah terpenuhi. Bisnis harus memastikan bahwa data terstruktur dan tidak terstruktur, serta data yang dihasilkan agen, memenuhi standar konsisten untuk akurasi, lineage, dan tata kelola. Akses ke data tepercaya adalah hambatan kunci. Tim TI kini menghabiskan rata-rata 36% waktu mereka untuk merancang, membangun, dan menguji integrasi kustom baru antara sistem dan data. Pekerjaan kustom tidak akan membantu menskalakan adopsi AI. Hambatan paling signifikan untuk penerapan AI atau agen AI yang sukses adalah kualitas data, dikutip sebagai perhatian utama oleh 25% organisasi. Lebih jauh, hampir semua organisasi (96%) kesulitan menggunakan data dari seluruh bisnis untuk inisiatif AI.
  4. Bangun model operasional dan tata kelola untuk AI agen. Ini tentang memikirkan ulang bagaimana pekerjaan diselesaikan. Peran manusia akan bergeser dari eksekusi menjadi pengawasan dan orkestrasi alur kerja yang dipimpin agen. Dalam lingkungan kerja hibrid, tata kelola akan mengatur bagaimana agen dapat beroperasi secara otonom dengan cara yang dapat dipercaya, transparan, dan terukur.
     

     Pekerjaan yang Ditugaskan kepada Agen AI
     

     McKinsey menyoroti pentingnya mengidentifikasi beberapa alur kerja kritis yang akan menjadi kandidat untuk dimiliki oleh agen AI. Untuk memulai, pemetaan alur kerja dari ujung ke ujung akan membantu mengidentifikasi peluang untuk penggunaan agen. McKinsey menemukan bahwa adopsi AI dipimpin oleh layanan pelanggan, pemasaran, manajemen pengetahuan, dan TI. Penting untuk mengidentifikasi metrik yang jelas yang memvalidasi dampak. Tim harus mengidentifikasi data yang dapat digunakan kembali di berbagai tugas dan alur kerja.

     McKinsey menyimpulkan bahwa memiliki akses ke data berkualitas tinggi adalah pembeda strategis di era AI agen. Karena agen akan menghasilkan data dalam jumlah besar, kualitas data, lineage, dan standardisasi akan menjadi lebih penting di perusahaan agen. Dan seiring sistem agen berskala, tata kelola menjadi tingkat utama untuk kontrol. Fondasi data akan menjadi keunggulan kompetitif di era agen.