Sebagian besar pemimpin data dapat melafalkan pola ini dari ingatan. Model berkinerja baik di sandbox. Demo berhasil diterima oleh komite eksekutif. Anggaran disetujui. Kemudian dua belas bulan berlalu dan inisiatif tersebut masih berupa pilot, masih diberi makan oleh ekstrak kurasi manual yang disegarkan oleh seorang insinyur pada Selasa pagi.
Dua pertanyaan cenderung menentukan apakah hal itu berubah kuartal ini. Dapatkah Anda menerapkan AI Anda ke dalam produksi hari ini? Dan apakah Anda yakin dengan data di baliknya? Ketika salah satu jawaban lambat diberikan, model tersebut jarang menjadi alasannya.
Bukti mengarah pada data, bukan algoritma
IDC, dalam kolaborasinya dengan Lenovo untuk CIO Playbook 2025, memaparkan rasio tingkat kegagalan tersebut. Dari setiap 33 proof of concept AI yang diluncurkan oleh perusahaan, hanya empat yang berlanjut ke tahap produksi. Tingkat kegagalan tersebut mencapai 88% pada tahap akhir (last mile), setelah anggaran dihabiskan dan sponsor telah diberikan laporan.
MIT'Proyek NANDA tiba di tempat serupa dari arah yang berbeda. Laporannya, Kesenjangan GenAI: Lanskap AI dalam Bisnis 2025, mengulas lebih dari 300 inisiatif AI yang diungkapkan ke publik, menjalankan 52 wawancara terstruktur, dan mengumpulkan 153 tanggapan survei dari para pemimpin senior. Sekitar 95% organisasi tidak melihat adanya pengembalian investasi (P&pengembalian, dan hanya sekitar 5% dari pilot terintegrasi yang menghasilkan nilai nyata.
Gartner'Temuan ini adalah yang paling berguna di antara ketiga temuan tersebut, karena mengidentifikasi akar penyebab alih-alih sekadar gejalanya. Hingga tahun 2026, lembaga riset memperkirakan organisasi akan menghentikan 60% proyek AI yang tidak didukung oleh data yang siap untuk AI (AI-ready data). Dalam riset yang sama, berdasarkan survei terhadap 1.203 pemimpin manajemen data pada Juli 2024, 63% responden tidak memiliki praktik manajemen data yang memadai untuk AI atau tidak mengetahui apakah mereka memilikinya.
Para pembeli mendeskripsikan hambatan yang serupa. Studi Qlik 2025 Agentic AI, yang dilakukan oleh Enterprise Technology Research melibatkan lebih dari 200 pengambil keputusan teknologi tingkat enterprise, menemukan bahwa 97% responden telah mengalokasikan anggaran untuk agentic AI, namun hanya 18% yang telah sepenuhnya mengimplementasikannya. Hampir separuh responden memperkirakan waktu tiga hingga lima tahun untuk melakukan penigkatan skala (scaling). Kualitas data dan integrasi dengan sistem yang ada menempati urutan teratas sebagai hambatan utama, melampaui performa model. Dalam survei Qlik terpisah terhadap 500 pengambil keputusan senior di AS yang diselenggarakan oleh Censuswide, 86% menyatakan bahwa eksekusi berbasis AI merupakan inti dari strategi kompetitif, dan sekitar 74% menyebutkan biaya infrastruktur, silo data yang terpisah, atau lambatnya proses penarikan data (ingestion) sebagai kendala terbesar dalam melakukan peningkatan skala.
Mengapa data yang siap untuk AI merupakan standar yang lebih ketat daripada yang siap untuk analytics
Di sinilah banyak program mengalami hambatan. Sebuah sistem pelaporan dapat berjalan dengan pembaruan malam hari (nightly refresh) dan ringkasan kualitas yang ditinjau seseorang setiap hari Senin, karena terdapat manusia yang menjadi penengah antara angka dan keputusan tersebut. Manusia tersebut menyerap tingkat kerumitan yang mengejutkan; mereka menyadari jika total regional tampak keliru, mereka mengingat migrasi ERP pada kuartal lalu, dan mereka melakukan penyesuaian secara diam-diam.
Singkirkan peran manusia dari proses tersebut, maka toleransi itu akan hilang. Model yang menilai suatu transaksi tidak memiliki ingatan tentang proses cutover. Agen yang memesan pemesanan ulang tidak akan berhenti karena catatan pemasok terlihat tidak biasa. Oleh karena itu, standarnya beralih dari "cukup akurat untuk menginterpretasikan" untuk "akurat, tepat waktu, dan cukup dapat dilacak untuk ditindaklanjuti secara mandiri."
Dalam praktiknya, itu berarti empat hal yang tidak pernah diminta untuk dijamin oleh stack BI Anda:
- Ketepatan diukur berdasarkan keputusan, bukan jadwal. Angka yang relevan adalah usia data pada saat inferensi, dibandingkan dengan seberapa usang keputusan tersebut dapat ditoleransi.
- Kualitas ditegakkan dalam pipeline. Batch yang gagal harus dihentikan sebelum mencapai feature store atau vector index, bukan ditandai setelah batch tersebut melatih sebuah model.
- Makna yang bertahan dalam proses handoff. Satu definisi yang disetujui untuk pelanggan, produk, dan pendapatan, yang teresolusi secara identik dalam dasbor, notebook, dan agen.
- Lineage yang menjawab pertanyaan auditor. Untuk setiap output, sumber mana yang menghasilkan, di bawah transformasi apa, dan siapa yang diizinkan untuk melihatnya.
Kami telah membahas aspek diagnosis ini secara lebih mendalam dalam Mengapa Proyek AI Gagal Tanpa Data yang Siap AI. Berikut ini adalah sisi eksekusi: mode kegagalan spesifik yang harus diwaspadai, dan urutan untuk memperbaikinya.
Tiga mode kegagalan yang layak diaudit minggu ini
1. Batch pipeline yang memasok data untuk keputusan real-time
Jendela ETL malam hari tidak terlihat selama tahap pilot yang dievaluasi berdasarkan akurasi historis. Proses ini menjadi mahal di lingkungan production, ketika model sedang menetapkan harga transaksi atau menilai posisi rantai pasok yang bergerak empat jam lalu. Tidak ada yang menyadari hingga sebuah keputusan dipertahankan dalam tinjauan.
Yang harus dilakukan: buat inventarisasi untuk setiap use case AI dan catat dua metrik utama, yaitu usia aktual data pada saat inferensi serta tingkat keusangan yang dapat ditoleransi oleh keputusan bisnis. Jika selisihnya bernilai negatif, solusi yang tepat adalah change data capture berbasis log, bukan pemrosesan batch yang lebih cepat. Alat seperti Qlik Replicate dan Qlik Talend Cloud membaca perubahan dari sumber SAP, Oracle, dan mainframe tanpa menambah beban pada sistem produksi.
2. Kualitas dinilai setelah kejadian
Sebagian besar perusahaan masih memvalidasi data dalam dashboard yang dibaca pada Senin pagi. Pada saat itu, model telah selesai dilatih, atau telah merespons pelanggan. Pengukuran tanpa penegakan aturan adalah pelaporan, bukan kontrol.
Yang harus dilakukan: pindahkan gerbang kualitas ke dalam alur data (pipeline) sehingga batch yang gagal dikarantina sebelum masuk. Qlik'Trust Score untuk AI dari Qlik, yang secara umum tersedia di Qlik Talend Cloud pada tahun 2025, menilai data berdasarkan keberagaman (diversity), ketepatan waktu (timeliness), akurasi (accuracy), kemudahan penemuan (discoverability), dan penggunaan (usage). Dua dimensi pertama sering kali dilewatkan oleh alat kualitas data tradisional, padahal aspek itulah yang paling diuji secara ketat oleh beban kerja AI.
3. Tabel mentah diserahkan kepada tim AI
Ketika setiap use case dimulai dari skema mentah, setiap tim membersihkan ulang, menggabungkan ulang, dan menginterpretasikan ulang ent实体 yang sama dengan cara yang sedikit berbeda. Anda tidak akan mendapatkan satu definisi tunggal tentang pelanggan. Anda akan mendapatkan sebelas definisi, yang masing-masing dapat dipertahankan menurut sudut pandangnya sendiri.
Yang harus dilakukan: mengemas data sebagai data products, yang berarti aset yang dimiliki oleh domain, didukung oleh kontrak, memiliki versi, dan memiliki pemilik yang jelas. Qlik Data Products mempublikasikannya melalui marketplace layan-mandiri yang dilengkapi dengan lineage, metrik kualitas, dan kebijakan akses. Qlik mengutip riset Harvard Business Review yang menyarankan bahwa pendekatan data-as-product dapat memangkas waktu implementasi untuk use case baru hingga 90% dan total cost of ownership hingga 30%.
Dua keputusan arsitektur yang menentukan batas kemampuan Anda
Format tabel terbuka menentukan ekonomi unit Anda
Jika data AI berada di dalam silo milik sendiri (proprietary), setiap mesin tambahan yang Anda arahkan ke data tersebut (pelatihan, temu kembali, BI, rekayasa fitur) berarti pembuatan salinan baru dan tambahan biaya komputasi. Biaya tersebut menumpuk secara senyap, dan membatasi jumlah kasus penggunaan (use cases) yang dapat ditanggung oleh platform sebelum departemen keuangan mulai mempertanyakannya.
Apache Iceberg adalah jawaban umumnya. Qlik Open Lakehouse mempertahankan satu salinan data yang dioptimalkan secara berkelanjutan yang dapat dikueri dari Snowflake, Databricks, Spark, Trino, Athena, dan SageMaker. Qlik melaporkan peningkatan kinerja kueri sebesar 2,5x hingga 5x dibandingkan tabel yang tidak dioptimalkan serta penghematan biaya hingga 50%.
Konten tidak terstruktur memerlukan kontrol yang sama seperti estate SQL Anda
Kebijakan, kontrak, manual, dan transkrip dukungan kini menjadi input produksi. Dokumen-dokumen ini memberi makan sistem temu kembali (retrieval systems) yang melayani pelanggan dan staf, yang berarti dokumen tersebut memerlukan perizinan dan asal-usul (provenance) yang sama seperti yang telah Anda terapkan pada data terstruktur. Sistem temu kembali yang diarahkan ke berbagi file terbuka akan mewarisi setiap dokumen usang dan setiap folder yang salah konfigurasi di dalamnya.
Qlik Answers memberlakukan akses tingkat domain dan menyertakan sitasi sumber pada setiap respons. Sitasi inilah yang memungkinkan reviewer mengonfirmasi bahwa suatu jawaban berasal dari kebijakan terkini alih-alih versi tahun 2019, yang membedakan antara jawaban yang dapat dipertanggungjawabkan secara defensif dengan jawaban yang sekadar lancar dibaca.
Nilai kesiapan data Anda untuk AI pada empat sumbu
Sebelum menyetujui anggaran model lebih lanjut, nilai postur Anda saat ini secara jujur. Baris apa pun yang masih berada di kolom tengah merupakan penghambat produksi, bukan sekadar item backlog.
| Kapabilitas | Sikap percontohan (risiko tinggi) | Postur produksi |
|---|---|---|
| Pengiriman | Batch malam hari, ekstrak ad-hoc | Change data capture berbasis log berkelanjutan |
| Aset | Tabel mentah, dibersihkan ulang per kasus penggunaan | Produk data terkelola dengan pemilik dan kontrak |
| Kualitas | Dasbor pasca-pemuatan | Gerbang dalam alur dengan karantina otomatis |
| Penyimpanan | Silol proprietary, komputasi terduplikasi | Lakehouse Open Iceberg, berbagai mesin |
Nilai kesiapan data AI Anda dalam waktu sekitar 15 menit
Empat sumbu di atas adalah pemeriksaan awal yang berguna. Untuk mendapatkan angka yang dapat dipertanggungjawabkan, jalankan penilaian 60 pertanyaan yang mendasarinya: delapan domain yang mencakup strategi, kepemilikan, metadata dan lineage, kualitas, arsitektur, privasi, kontrol khusus AI, dan pengukuran nilai, yang dipetakan ke DCAM, ISO/IEC 42001, NIST AI RMF, dan EU AI Act.
Pendekatan ini menerapkan aturan pembuktian yang digunakan oleh auditor, sehingga klaim hanya akan memiliki skor yang baik jika seseorang dapat menunjukkan artefak di baliknya. Anda akan mendapatkan tahap kesiapan, skor per domain, pemeriksaan penentu (gate check), serta hasil yang dikirimkan melalui email. Tidak ada dokumen yang diunggah dalam proses apa pun.
Tempat peta jalan biasanya rusak: migrasi
Arsitektur jarang menjadi bagian yang sulit. Migrasi adalah bagian yang sulit. Ekosistem ETL warisan dengan ribuan job yang tidak didokumentasikan merupakan titik di mana peta jalan data untuk AI terhenti secara senyap, karena pekerjaannya kurang menarik, sulit diestimasi, dan tidak dapat dilewati.
Artha Solutions menangani kesenjangan spesifik ini sebagai Qlik Elite Channel Partner memegang sertifikasi ahli Talend Cloud dan Data Governance. Dua akselerator melakukan sebagian besar pekerjaan berat:
- B'dkk, migrator ETL yang melakukan inventarisasi pekerjaan warisan beserta dependensinya, lalu mengotomatiskan sekitar 90% penerjemahan pipeline dan memangkas durasi migrasi hingga sekitar 70%.
- Kerangka Kerja Penyerapan Dinamis, orientasi (onboarding) berbasis metadata sehingga sumber baru tiba sebagai entri konfigurasi alih-alih kode khusus (bespoke code), termasuk penanganan pergeseran skema (schema-shift).
Hasil yang diberikan lebih penting daripada alatnya:
- Healthcare dan life sciences. Infrastruktur Talend berkapasitas 100+ TB yang dipindahkan ke AWS dan Snowflake, dengan pengurangan waktu pemrosesan sebesar 50% dan penurunan kesalahan data sebesar 40%.
- Utilitas. Validasi pipeline secara real-time, memangkas pemrosesan data manual hingga setengahnya.
- Manufaktur. Latensi dipangkas dari lebih dari 24 jam menjadi di bawah dua menit, dengan akurasi 99% dalam memigrasikan riwayat ERP selama 25 tahun.
Tidak ada satu pun dari hal tersebut yang merupakan metrik AI. Itu adalah prasyarat untuk metrik AI, yang justru menjadi alasan mengapa hal-hal tersebut cenderung ditunda dan kemudian menghambat segalanya.
Roadmap data 30 hari untuk AI yang dapat Anda mulai pada hari Senin
Pilih satu pilot yang mandek daripada keseluruhan portofolio. Lalu ukur tiga hal.
- Usia datanya pada saat inferensi. Bandingkan dengan tingkat keusangan yang dapat ditoleransi oleh keputusan tersebut. Kesenjangan negatif menunjukkan bahwa pola pengiriman salah, bukan modelnya.
- Porsi input yang dicakup oleh kontrak kualitas yang ditegakkan. Ditegakkan berarti batch yang gagal akan berhenti bergerak. Apa pun di bawah cakupan penuh adalah jalur terbuka dari data buruk ke keputusan langsung.
- Hari-insinyur yang dihabiskan untuk menyiapkan data per kasus penggunaan. Ketika persiapan diukur dalam hitungan minggu, Anda membayar 'pajak produk data' secara berulang alih-alih sekali saja.
Urutan tersebut disengaja. Penegakan tanpa pemilik yang ditunjuk hanya akan menghasilkan peringatan yang tidak ditindaklanjuti siapa pun. Arsitektur baru tanpa kontrak hanya memindahkan ambiguitas yang sama ke platform yang lebih cepat.
Dua pertanyaan tersebut, sekali lagi
Dapatkah Anda membawa AI Anda ke tahap produksi hari ini? Apakah Anda yakin dengan fondasi data Anda? Ke depan, versi pertanyaan yang relevan akan menjadi lebih spesifik. Use case mana yang telah lulus gerbang kesiapan, siapa pemilik data di baliknya, dan dapatkah Anda menunjukkan lineage dari output kembali ke sumber tanpa harus menjadwalkan sesi kerja khusus.
Anda tidak dapat keluar dari masalah fondasi data hanya dengan memberikan prompt. Namun, Anda dapat mengukur masalah tersebut minggu ini, dan pengukuran inilah yang mengubah pilot yang mandek menjadi rencana yang didanai.
Mulailah dengan Penilaian Kesiapan Data AI, atau bicaralah dengan tim kami mengenai Tinjauan Arsitektur Fondasi Data, sebuah audit terstruktur terhadap infrastruktur data Anda terhadap persyaratan AI produksi.
Referensi
- IDC dengan Lenovo, Panduan CIO 2025. Dilaporkan rasio empat deployment produksi berbanding 33 proof of concept AI, dengan tingkat atrisi 88%. Melalui CIO, "88% dari pilot AI gagal mencapai tahap produksi".
- MIT Media Lab, Project NANDA, Kesenjangan GenAI: Lanskap AI dalam Bisnis 2025. Studi multi-metode yang dilakukan Januari hingga Juni 2025: peninjauan terhadap 300+ inisiatif AI yang dipublikasikan, 52 wawancara terstruktur, dan 153 tanggapan survei dari para pemimpin senior.
- Gartner, "Kurangnya Data yang Siap AI Menempatkan Proyek AI dalam Risiko", 26 Februari 2025. Prediksi bahwa 60% proyek AI yang tidak didukung oleh data yang siap untuk AI akan ditinggalkan hingga tahun 2026; 63% organisasi tidak memiliki atau merasa tidak yakin dengan praktik manajemen data yang tepat untuk AI. Berdasarkan survei terhadap 1.203 pemimpin manajemen data, Juli 2024.
- Qlik, "Studi AI Agen Qlik 2025: Anggaran Melonjak, tetapi Hambatan Kesiapan Data Menghambat Skala", Oktober 2025. Dilakukan oleh Enterprise Technology Research pada Agustus 2025 di kalangan 200+ pengambil keputusan teknologi enterprise. Sumber dari angka alokasi anggaran 97% dan penerapan penuh 18%.
- Qlik, "AI Adalah Inti Strategi bagi 86%, Namun Sebagian Besar Terjebak dalam Kompleksitas Data", Mei 2025. Dilakukan oleh Censuswide di antara 500 pengambil keputusan bisnis dan teknologi senior AS tingkat direktur ke atas.
- Referensi produk Qlik: Skor Kepercayaan untuk AI di Qlik Talend Cloud, Qlik Data Products (termasuk angka Harvard Business Review yang dikutip Qlik untuk waktu implementasi dan total biaya kepemilikan), dan Qlik Open Lakehouse (sumber klaim kinerja 2.5x hingga 5x dan penghematan biaya hingga 50%). Angka yang dilaporkan oleh vendor.
- Artha Solutions: Kemitraan Qlik, akselerator termasuk B'etl dan Kerangka Kerja Ingesti Dinamis (Dynamic Ingestion Framework), dan studi kasus klien untuk hasil pengiriman yang disebutkan di atas.
