𝗔𝗜 𝗠𝗮𝗸𝗶𝗻 𝗠𝗮𝗿𝗮𝗸, 𝗣𝗲𝗿𝘂𝘀𝗮𝗵𝗮𝗮𝗻 𝗜𝗻𝗱𝗼𝗻𝗲𝘀𝗶𝗮 𝗗𝗶𝗵𝗮𝗱𝗮𝗽𝗸𝗮𝗻 𝗽𝗮𝗱𝗮 𝗠𝗮𝘀𝗮𝗹𝗮𝗵 𝗗𝗮𝘁𝗮 𝗧𝗲𝗿𝗳𝗿𝗮𝗴𝗺𝗲𝗻𝘁𝗮𝘀𝗶

Lensabali.id - Pemanfaatan kecerdasan buatan (AI) di Indonesia terus berkembang. Namun, ketika perusahaan mulai membawa teknologi tersebut dari tahap uji coba menuju penggunaan operasional, kesiapan fondasi data masih menjadi salah satu persoalan utama.

Data Streaming Report Confluent yang diterbitkan Juli 2026 mencatat, 82 persen pemimpin teknologi informasi (TI) di Indonesia pernah menghadapi sedikitnya tiga tantangan saat meningkatkan skala inisiatif AI.

Silo data menjadi kendala yang paling banyak disoroti. Sebanyak 83 persen pemimpin TI mengaku menghadapi persoalan data yang tersebar dan terkotak-kotak di berbagai sistem.

Kondisi tersebut membuat informasi perusahaan berada di sejumlah aplikasi, basis data, hingga sistem pelaporan yang tidak selalu terhubung. Data pelanggan, keuangan, dan operasional pun dapat tersimpan di platform yang berbeda sehingga AI tidak selalu memperoleh konteks bisnis terbaru dan konsisten.

Selain silo data, 80 persen pemimpin TI menyebut keterbatasan keterampilan dan keahlian AI sebagai tantangan. Sebanyak 79 persen lainnya menghadapi infrastruktur yang belum memadai untuk mendukung pemrosesan data secara real-time.

Persoalan kualitas data juga masih menjadi perhatian. Sebanyak 77 persen organisasi menghadapi masalah terkait asal-usul, ketepatan waktu, dan kualitas data, sementara 76 persen berhadapan dengan sumber data yang tidak konsisten. Enam dari 10 organisasi bahkan menghadapi sedikitnya lima tantangan data secara bersamaan saat meningkatkan penggunaan AI.

Senior Vice President & General Manager APAC Confluent Greg Taylor mengatakan, persoalan kualitas dan konsistensi data sebenarnya bukan hal baru. Namun, dampaknya menjadi lebih besar ketika data digunakan sebagai dasar sistem AI.

"Meski bukan masalah baru, dampaknya kini telah berubah secara signifikan. Dataset yang usang atau sumber data yang tidak konsisten dahulu mungkin hanya berujung pada laporan yang terlambat atau dasbor yang diperdebatkan. Kini, masalah yang sama dapat memengaruhi setiap rekomendasi, prediksi, atau keputusan otomatis yang dibuat sistem AI," ujar Greg dikutip Minggu (4/10/2026).

Menurut Greg, perusahaan tidak cukup hanya memiliki data dalam jumlah besar. Data tersebut harus tersedia ketika dibutuhkan sehingga setiap transaksi, interaksi pelanggan, perubahan inventaris, hingga aktivitas operasional dapat mengalir ke berbagai sistem secara cepat.

Kesiapan aliran data ini menjadi penting karena sejumlah proyek AI dapat bekerja dengan baik saat masih berada pada tahap pilot, tetapi menghadapi kendala ketika diterapkan dalam skala operasional. Model AI mungkin sudah siap, namun fondasi data yang menopangnya belum tentu mampu memenuhi kebutuhan bisnis secara real-time.

Confluent menilai ada tiga hal yang perlu diperhatikan perusahaan. Pertama, membangun fondasi data real-time dengan mengurangi ketergantungan pada pembaruan secara batch. Kedua, memastikan tata kelola data berjalan sejak informasi bergerak antarsistem, termasuk pemantauan kualitas, asal-usul, dan keamanan data.

Ketiga, perusahaan perlu meningkatkan kualitas data sedekat mungkin dengan sumbernya. Pendekatan shift-left memungkinkan data divalidasi, dibersihkan, dan dikelola sebelum masuk ke data warehouse maupun model AI sehingga potensi kesalahan dan persoalan kepatuhan dapat ditemukan lebih awal.

Greg menilai perusahaan dengan arsitektur data yang masih terfragmentasi dan mengandalkan sistem batch akan lebih sulit membawa AI melampaui tahap pilot. Sebaliknya, pengelolaan data sebagai aliran informasi berkelanjutan dinilai membuat perusahaan lebih siap memanfaatkan AI berdasarkan kondisi bisnis terkini.

"Di era AI, keberhasilan tidak ditentukan oleh siapa yang memiliki model terpintar. Keberhasilan ditentukan oleh siapa yang memiliki data terbaru," kata Greg. (ap)