Menjembatani IT Warisan dan AI Hyperscale: Mengatasi Tantangan Kedaulatan Data

Organisasi yang ingin memanfaatkan AI dengan cepat dan skala global sering terhambat oleh peraturan kedaulatan data. Negara-negara semakin memperketat aturan tentang bagaimana dan di mana data harus disimpan dan diproses, sehingga organisasi harus menemukan cara agar tetap mematuhi aturan ini tanpa mengurangi kecepatan inovasi. Salah satu solusi yang banyak disarankan adalah menggunakan arsitektur federasi data yang menyimpan data sensitif di wilayah lokal namun memungkinkan model AI untuk belajar secara global. Dengan cara ini, data tidak pernah keluar dari wilayahnya sehingga kepatuhan hukum tetap terjaga, sementara model AI terus berkembang dengan pembelajaran yang luas. Selain itu, penerapan teknologi seperti komputasi rahasia yang aman terhadap serangan kuantum dan penggunaan enkripsi canggih membantu menjaga keamanan data bahkan saat data sedang diproses. Penggunaan hybrid multi-cloud yang terdiri dari zona cloud berdaulat juga memungkinkan organisasi memisahkan data sensitif dari beban kerja yang tidak sensitif yang dapat dipercepat dengan AI. Penting juga untuk mengotomatisasi kepatuhan dengan menanamkan kebijakan langsung ke infrastruktur teknologi (policy-as-code) yang memeriksa kepatuhan secara real-time. Standarisasi API dan interoperabilitas lintas cloud juga diutamakan agar sistem tetap fleksibel dan portabel, memudahkan organisasi berinovasi tanpa hambatan hukum atau operasional. Ke depan, arsitektur data dan AI yang kompleks dan canggih ini akan menjadi standar bagi perusahaan-perusahaan yang ingin tetap kompetitif secara global. Mereka yang berhasil menggabungkan inovasi dengan kepatuhan akan mendapat keunggulan besar di masa depan.

Saat ini, banyak perusahaan sangat optimistis dengan investasi mereka di bidang kecerdasan buatan atau AI. Sebagian besar merasa yakin akan manfaat besar yang bisa diberikan AI dalam mengubah operasi TI dan bisnis. Namun, kenyataannya kesiapan teknis di level staf masih rendah, dengan banyak yang merasa belum siap mengelola AI secara efektif. Salah satu masalah utama yang dihadapi perusahaan adalah kualitas data yang rendah. Data yang tidak lengkap, tidak akurat, dan kurang terpercaya membuat AI sulit menghasilkan hasil yang baik dan dapat diandalkan. Oleh sebab itu, banyak perusahaan sekarang mulai fokus memperbaiki kualitas data dan membuat akses data lebih real-time serta terpusat. Selain itu, perusahaan menghadapi kesulitan dalam mengelola banyaknya alat dan vendor yang mereka gunakan dalam operasi TI. Rata-rata perusahaan menggunakan banyak platform dan sumber data yang berbeda-beda, yang menimbulkan ineffisiensi dan menghambat pengawasan real-time. Konsolidasi alat dan vendor menjadi prioritas utama untuk mempercepat adopsi AI. Perusahaan juga perlu memperhatikan komunikasi terpadu, karena alat komunikasi kerja yang sering digunakan ternyata kerap bermasalah dan kurang bisa dipantau secara real-time. Hal ini menyebabkan gangguan kerja dan frustrasi. Mengoptimalkan platform komunikasi sangat penting agar produktivitas kerja tetap terjaga. Ke depan, teknologi OpenTelemetry diperkirakan akan menjadi standar penting untuk otomatisasi dan pengelolaan data dalam TI yang menerapkan AI. Banyak perusahaan akan mengadopsi standar ini sebagai bagian dari strategi mereka untuk meningkatkan efektivitas operasional dan keberhasilan implementasi AI. Dengan langkah-langkah ini, optimisme tinggi mengenai AI bisa menjadi kenyataan berbuah hasil nyata.

Adam Bujak, CEO dan cofounder KYP.ai, membagikan pengalamannya selama dua dekade di dunia teknologi tentang siklus inovasi yang biasanya diikuti oleh ekspektasi tinggi dan akhirnya kekecewaan. Contohnya adalah robotic process automation (RPA) yang awalnya dijanjikan memberikan ROI cepat, namun kenyataannya banyak kegagalan yang membuat perusahaan skeptis. Kini, agentic AI muncul sebagai teknologi yang menjanjikan automasi cerdas dengan agen yang bisa mengambil keputusan kompleks secara mandiri. Namun, kekhawatiran kembali muncul tentang bagaimana memastikan investasi ini berhasil dan tidak menjadi kesalahan yang sama seperti masa lalu. Dari hasil diskusi dengan banyak pihak, ditemukan bahwa sebagian besar perusahaan ingin memperbaiki proses bisnis sebagai alasan utama investasi, tapi mereka juga waspada dan meragukan pembenaran biaya dari proyek automasi. Tiga hambatan utama adalah tidak jelasnya ROI, kebingungan dalam kepemilikan proyek internal, dan kurangnya dukungan dari pimpinan tingkat atas. Adam Bujak mengusulkan tes kesiapan agentic AI yang berfokus pada tiga pertanyaan penting: kemampuan memetakan proses bisnis dengan lengkap, menyediakan konteks dan data terbaru untuk AI, serta pengukuran dampak dari perbaikan proses sebelumnya. Tanpa memenuhi ini, penerapan agentic AI ini akan menjadi tebak-tebakan yang mahal dan berpotensi mengganggu operasi. Kesimpulannya, untuk meraih sukses dari agentic AI, perusahaan perlu menggabungkan wawasan praktisi dengan keputusan strategis dari pimpinan tingkat atas, menuntut metodologi berbasis bukti, kepemimpinan kuat, dan kesiapan data yang matang agar AI dapat memberikan hasil yang dapat diandalkan dan bersaing di pasar.