Enterprise AI telah memasuki fase yang canggung. Percakapan telah bergeser dari demo dan kemenangan produktivitas satu waktu. Sekarang hal tersebut'Ini tentang sistem produksi yang memengaruhi cara organisasi menetapkan harga produk, melayani pelanggan, mengelola risiko, dan mengalokasikan modal.
Dan pergeseran tersebut mengungkap sesuatu yang tadinya dapat diabaikan oleh banyak tim selama tahap pilot: bahkan dengan model yang baik dan infrastruktur cloud yang memadai, sebagian besar perusahaan ternyata masih'mempercayai data yang memasoknya. Di sana'ada sebutan untuk kesenjangan tersebut. Hal itu's Data siap AI, atau lebih tepatnya, ketiadaannya.
Kami'telah cukup sering mengikuti percakapan ini hingga menyadari sebuah pola. Tahap berikutnya dari adopsi AI bukanlah'akan dimenangkan oleh siapa pun yang memiliki akses ke model paling mencolok. Akses model dengan cepat menjadi komoditas. Yang'yang lebih sulit disalin adalah organisasinya'kemampuan untuk memberi makan data AI bahwa'akurat, terkini, kontekstual, dikelola dengan baik, dan benar-benar sesuai untuk pekerjaan spesifiknya'diminta untuk melakukannya.
Masalah Kepercayaan AI: Mengapa Pilot Project Gagal Mencapai Produksi
Proyek AI jarang sekali gagal dalam satu momen dramatis. Proyek tersebut justru memudar secara perlahan. Sebuah prototipe tampak hebat dalam demo, lalu dihadapkan pada data perusahaan yang sebenarnya: definisi bisnis yang terus berubah, catatan yang tidak lengkap, umpan data yang terlambat datang, serta kepemilikan yang tidak jelas.
Akurasi menjadi tidak merata. Pengecualian menumpuk. Orang-orang mulai melakukan pemeriksaan ganda pada AI'keluaran sistem secara manual, yang justru menghilangkan esensinya. Tim risiko secara diam-diam membatasi apa yang boleh diakses oleh sistem tersebut. Delapan belas bulan kemudian, sistem'masih disebut sebagai "pilot," meskipun teknologinya bekerja dengan baik sejak hari pertama.
IDC'Desember 2025 Makalah Sorotan mengaitkan kekurangan tersebut secara langsung dengan fondasi data. Hal terkait IDC Analyst Connection laporan tersebut menyampaikan poin yang lebih tajam: jika datanya tidak'tidak siap produksi, AI yang dibangun di atasnya dapat'bukan keduanya. Sebagian besar perusahaan tidak'tidak terjebak pada masalah kapabilitas AI. Mereka'terjebak pada masalah kepercayaan.
Kami melihat hal ini terjadi hampir tepat waktu pada klien layanan kesehatan yang ingin beralih ke peramalan berbasis AI namun tidak memiliki titik awal yang jelas, model tata kelola, maupun prototipe valid untuk dibangun.
Daripada membiarkan eksperimen berkembang tanpa kendali, kami mendirikan lab AI/ML siap-mulai (quick-start) dengan durasi enam hingga delapan minggu: satu use case peramalan, satu prototipe yang berfungsi, dan sebuah playbook tata kelola yang dapat digunakan kembali oleh klien untuk proyek berikutnya.
Solusi ini diluncurkan 40% lebih cepat daripada upaya penerapan AI sebelumnya, dan kepercayaan pemangku kepentingan terhadap hasil melonjak sebesar 20%, terutama karena data di balik model tersebut benar-benar telah divalidasi, bukan sekadar diasumsikan baik.
AI Mengubah Konsekuensi Ekonomi dari Data yang Buruk
Masalah kualitas data bukan'bukanlah hal baru. Perusahaan telah menghabiskan waktu berpuluh-puluh tahun untuk merekonsiliasi catatan pelanggan, menstandarisasi katalog produk, dan menyatukan sistem operasional. Dalam analitik tradisional, data yang buruk biasanya muncul sebagai perbedaan pelaporan. Dua tim memiliki angka yang berbeda, seorang analis melakukan penelusuran, dan seseorang membuat keputusan setelah diskrepansi tersebut diselesaikan.
AI melewatkan siklus peninjauan tersebut sepenuhnya.
Model prediktif memprioritaskan pelanggan secara otomatis. Mesin penetapan harga merekomendasikan diskon. Agen layanan memberikan jawaban yang diatur regulasi tanpa harus dibaca terlebih dahulu oleh manusia. Alur kerja otonom memulai transaksi. Dalam setiap kasus tersebut, data yang buruk tidak'tidak lagi sekadar menghasilkan laporan yang salah. Hal itu menghasilkan tindakan, dan tidak ada yang menyadarinya hingga nanti.
"Ketika AI beralih dari menghasilkan jawaban menjadi mengambil keputusan dan tindakan, data yang lemah menjadi masalah eksekusi, bukan sekadar masalah pelaporan."
Mike Capone, CEO, Qlik
Itu'adalah perbedaan yang perlu direnungkan oleh para CIO dan CDO. Biaya dari data yang buruk berskala seiring dengan tingkat otonomi yang Anda miliki.'yang telah Anda berikan kepada AI. Kolom yang hilang pada sebuah dashboard mungkin menjengkelkan bagi seorang analis. Kolom yang hilang di dalam alur kerja penjaminan emisi (underwriting) atau penipuan (fraud) yang otomatis dapat merugikan secara finansial, atau lebih buruk lagi, memicu masalah kepatuhan yang tidak disadari sebelumnya.
Akurasi model semata tidak akan pernah cukup untuk membuktikan bahwa sesuatu siap untuk tahap produksi (production-ready). Kepercayaan harus dibangun ke dalam seluruh rantai, mulai dari data mentah hingga keputusan yang akhirnya dihasilkan.
Data yang Siap AI Lebih dari Sekadar Data Bersih
Sebagian besar program kesiapan AI dimulai dengan membersihkan data. Cukup adil, hal itu'diperlukan. Hal ini'saja tidak cukup. Sebuah dataset dapat lolos dari setiap pemeriksaan kualitas teknis tetapi tetap tidak sesuai untuk AI: lengkap tetapi sudah usang, akurat di satu sistem tetapi didefinisikan secara berbeda di sistem lain, dapat diakses secara hukum oleh seorang karyawan tetapi dibatasi untuk diakses oleh model tertentu.
Data yang benar-benar siap untuk AI dinilai berdasarkan lebih banyak dimensi daripada itu. Data harus cukup akurat untuk pekerjaan yang dihadapi, cukup lengkap, merepresentasikan populasi yang'yang sedang dideskripsikan, akurat pada saat keputusan dibuat, dapat dipahami oleh pelaku bisnis yang mengandalkannya, dan dikelola sesuai dengan aturan privasi dan akses apa pun yang berlaku.
Sistem ini juga memerlukan silsilah data (lineage) yang memadai sehingga seseorang dapat menjelaskan, beberapa bulan kemudian, secara persis bagaimana sepotong data berpindah dari sistem sumber ke dalam model'output.
Qlik mendefinisikan data yang siap untuk AI sebagai informasi yang'disiapkan, dievaluasi, dan dikelola secara sistematis untuk mendukung hasil yang benar-benar dapat diandalkan oleh pengguna, yang dibangun di sekitar dimensi seperti akurasi, ketepatan waktu, dan keragaman. Kami'akan mengatakan hal serupa: data yang siap produksi bukanlah'tidak hanya bersih, tetapi'dapat diakses, dapat dijelaskan, aman, dan dikelola dalam skala besar.
Itu'merupakan model persis di balik milik kami sendiri Layanan Kesiapan Data AI, dan hal tersebut'adalah apa yang kami bangun untuk sebuah bank komersial yang catatan pelanggannya tersebar di dua belas sistem warisan setelah serangkaian akuisisi.
Keterlibatan tersebut mengkonsolidasikan semuanya ke dalam satu direktori pelanggan berbasis MDM, memangkas waktu pelaporan kepatuhan hingga 40%, dan meningkatkan skor validasi data otomatis hingga 95%.
Hal yang melekat pada kami setelahnya adalah apa yang dikatakan klien setelah sistem aktif: "Artha Solutions mengubah lanskap data pelanggan kami, menertibkan jalur kepatuhan kami dan memberikan penyimpanan data tepercaya yang mendukung aplikasi perbankan modern kami." Itu'adalah apa "data tepercaya" seperti apa begitu Anda berhenti memperlakukannya sebagai slogan.
Dengan kata lain, kepercayaan bersifat relatif terhadap apa yang Anda'yang Anda gunakan untuk data tersebut. Kumpulan data pelanggan mungkin sangat baik untuk segmentasi kampanye namun sepenuhnya keliru untuk keputusan kredit. Hal tersebut'adalah hubungan antara data, konteks, dan penggunaan yang dimaksudkan, bukan cap permanen yang Anda berikan pada tabel sekali lalu dilupakan.
Kegagalan Tersembunyi Sering Kali Berupa Hilangnya Makna Bisnis
Banyak program AI terlalu berfokus pada pemindahan data ke dalam satu platform tanpa mempertimbangkan apakah setiap pihak memiliki pemahaman yang sama terhadap data tersebut. Anda dapat mengonsolidasikan setiap data yang Anda miliki namun tetap mendapati tiga definisi yang berbeda mengenai "pelanggan aktif" yang bertebaran, atau field status klaim yang memiliki arti berbeda dalam penagihan dibandingkan dalam operasional.
Kesenjangan tersebut menjadi sangat berbahaya begitu AI generatif atau agentic mulai menarik informasi lintas domain dan merangkainya menjadi satu jawaban yang terdengar meyakinkan. Sistem tersebut tampak seperti'berfungsi. Hal ini'sebenarnya hanya menggabungkan interpretasi yang tidak kompatibel dan menyajikannya secara bersih.
IDC menyebutkan ketiadaan katalogisasi, metadata, dan lineage, yang dipasangkan dengan metrik kualitas yang lemah, sebagai tanda peringatan dini akan fondasi yang rapuh dan hambatan langsung dalam menskalakan AI. Bagi seorang CIO, hal tersebut'sebagian besar merupakan masalah arsitektur. Bagi seorang CDO, hal ini'merupakan masalah organisasi.
Definisi bisnis dapat'tidak boleh diserahkan sepenuhnya kepada tim data sentral, karena makna data tersebut secara nyata berada di dalam domain bisnis, namun tidak ada satu domain pun yang dapat mendefinisikan sesuatu secara terisolasi tanpa merusak konsistensi bagi pihak lainnya. Solusinya cenderung berupa kepemilikan terdistribusi yang disatukan oleh tata kelola bersama dan sinyal kepercayaan yang dapat dilihat secara nyata oleh setiap orang.
Data Products: Jembatan Antara Tata Kelola dan Kecepatan
Memperlakukan data sebagai produk adalah cara praktis untuk keluar dari hambatan tersebut. Produk data bukanlah'Bukan sekadar dataset yang dikurasi dengan baik. Dataset tersebut memiliki pemilik yang jelas, konsumen yang diketahui, makna bisnis yang disepakati, ambang batas kualitas, aturan akses, lineage, dan tingkat layanan yang menyertainya. Hal ini dikelola seperti aset infrastruktur yang dapat digunakan kembali, bukan sebagai deliverable sekali pakai dari proyek apa pun yang kebetulan menyentuhnya terakhir kali.
Tanpa produk data yang dapat digunakan kembali, setiap use case AI yang baru dimulai dari nol: mencari ulang sumber, menegosiasikan kembali akses, menyelaraskan definisi, membangun kembali pipeline, serta mengulang pemeriksaan kualitas yang sebenarnya telah diselesaikan pada proyek sebelumnya. IDC juga memiliki sebutan untuk hal tersebut: sebuah "pajak data," waktu dan risiko tersembunyi yang terus dibebankan oleh pendekatan data yang kaku dan sekali jalan kepada Anda.
Dengan produk data yang dikelola tata kelolanya yang sudah ada, tim menggunakan kembali input terpercaya yang sama di seluruh model prediktif, AI generatif, analitik, dan alur kerja otomatis alih-alih membayar biaya tersembunyi tersebut setiap saat.
Agentic AI Membuat Kepercayaan Real-Time Tak Terhindarkan
Standar kembali meningkat setelah organisasi mulai bergerak menuju AI agentic. Model konvensional bekerja melalui dataset yang relatif stabil sesuai jadwal yang dikontrol seseorang. Agen AI tidak.'tidak mendapatkan kemewahan tersebut.
Sistem mungkin perlu menarik informasi pelanggan secara langsung, menafsirkan kebijakan, memeriksa inventaris, memanggil tiga sistem lain, dan memulai suatu tindakan, semuanya dalam beberapa detik. Kinerjanya sangat bergantung pada seberapa segar dan andalnya data tersebut pada saat itu, sama seperti model yang mendasarinya.
IDC memperkirakan bahwa pada tahun 2027, 80% kasus penggunaan AI agentik akan memerlukan penyampaian data secara real-time, kontekstual, dan hampir di mana saja, yang akan mendorong pergeseran menjauh dari repositori terpusat menuju model terfederasi di mana data tetap lebih dekat ke rumah sementara tata kelola masih berlaku secara konsisten di semua lini.
"Infrastruktur AI" tidak'tidak lagi sekadar berarti model, komputasi, dan orkestrasi. Solusi ini juga harus mencakup integrasi real-time, change data capture, streaming, metadata, kontrol kualitas, dan observabilitas. Agen AI dapat'tidak dapat memperbaiki lingkungan data yang tidak tepercaya dengan sendirinya. Jika ada, mereka justru mempercepat perpindahan kelemahan tersebut.
Jadikan Kepercayaan Data Terukur
Sebagian besar enterprise telah mendokumentasikan kebijakan tata kelola data di suatu tempat. Namun, lebih sedikit yang benar-benar dapat membuktikan apakah kebijakan tersebut berfungsi secara efektif pada saat AI mengakses dan menggunakan data tersebut. Menutup kesenjangan antara "diatur di atas kertas" dan "dikelola secara praktis dalam tata kelola" berkembang menjadi salah satu topik utama untuk sisa tahun 2026.
CIO dan CDO memerlukan bukti yang lebih konkret daripada sekadar dokumen kebijakan: tingkat kelulusan aturan kualitas, tingkat kekinian (freshness) terhadap tingkat layanan yang disepakati, seberapa lengkap data lineage yang sebenarnya, pelanggaran kebijakan, pergeseran skema (schema drift), anomali yang tidak disadari siapa pun'yang belum diselesaikan, seberapa besar penggunaan produk data yang terjadi, dan berapa bagian dari input AI krusial yang benar-benar memiliki pemilik yang bertanggung jawab.
Tidak ada satu skor tunggal pun yang dapat menggantikan penilaian manusia di sini. Namun, gagasan dasarnya tetap berlaku: kepercayaan harus menjadi sesuatu yang dapat Anda lihat dan pantau, yang terikat pada use case tertentu, bukan sesuatu yang baru Anda ketahui rusak setelah model, pengguna, atau regulator menyadarinya.
Agenda Praktis untuk Sisa Tahun 2026
Langkah yang tepat untuk sisa tahun 2026 bukanlah'menunda investasi AI hingga setiap masalah data terselesaikan. Program tersebut akan terlalu luas, lambat, dan kehilangan dukungan eksekutif jauh sebelum selesai.
Pendekatan yang lebih baik mengaitkan Kesiapan Data secara langsung dengan sejumlah kecil hasil AI bernilai tinggi, dimulai dengan asesmen terfokus 90 hari: pengawasan lintas fungsi, tinjauan jujur terhadap kesenjangan dalam kualitas, tata kelola, dan infrastruktur, inventarisasi inisiatif AI dan aset data apa saja yang sebenarnya ada, serta prinsip tata kelola yang dibangun di sekitar risiko aktual alih-alih aturan menyeluruh.
Bagi CIO dan CDO, hal tersebut berubah menjadi empat keputusan yang layak dibuat secara sengaja alih-alih secara default:
- Pilih portofolio kecil dari kasus penggunaan yang relevan dengan produksi alih-alih terus mendanai sekumpulan eksperimen yang terfragmentasi. Masing-masing membutuhkan pemilik bisnis, angka yang dilekatkan pada hasil, dan garis yang jelas yang mendeskripsikan apa tujuannya'diizinkan untuk memutuskan.
- Identifikasi produk data yang menjadi sandaran hasil tersebut, dan tetapkan pemilik yang bertanggung jawab untuk masing-masing data guna menentukan makna bisnis, ambang batas kualitas, ekspektasi tingkat kebaruan, aturan akses, dan silsilah data.
- Bangun observabilitas berkelanjutan dari sumber hingga output AI, mencakup bukan hanya model drift tetapi juga data drift, perubahan skema, kegagalan pipeline, feed yang kedaluwarsa, dan definisi bisnis yang diam-diam bergeser di bawah permukaan.
- Ukur nilai dan kepercayaan secara bersamaan, bukan terpisah. Sistem AI yang'efisien namun dapat'tidak dapat dijelaskan, dikelola, atau diandalkan bukanlah'belum benar-benar siap untuk diskalakan. Platform yang dikelola dengan sempurna namun tidak pernah menghasilkan ukuran yang terukur tidak akan'tidak dapat mempertahankan pendanaannya juga.
Kami menelusuri urutan persis ini, secara langsung, dalam webcast on-demand bersama Research VP IDC Stewart Bond, termasuk cara menentukan cakupan asesmen 90 hari agar berubah menjadi pipeline data-ke-AI yang berfungsi alih-alih sekadar tumpukan slide presentasi.
Kesenjangan AI Berikutnya Adalah Kesenjangan Kepercayaan Data
Kesenjangan kompetitif yang terbuka dalam AI perusahaan mungkin tidak akan'yang membedakan perusahaan yang sudah mengadopsi AI dan yang belum't. Sebagian besar pada akhirnya akan memiliki akses ke model dan platform yang cukup mirip. Kesenjangan yang sebenarnya penting adalah antara perusahaan yang dapat menghubungkan AI ke data yang tepercaya, real-time, dan dikontekstualisasikan dengan bisnis, dengan perusahaan yang't.
IDC melaporkan bahwa organisasi yang berinvestasi dalam layanan enterprise intelligence melihat, rata-rata, inovasi 24% lebih cepat, efisiensi operasional 23% lebih tinggi, ketangkasan bisnis 23% lebih besar, pertumbuhan pendapatan 21%, dan penghematan biaya 19%. Tidak satupun dari hal tersebut membuktikan bahwa fondasi data saja menyebabkan setiap peningkatan. Namun, hal itu menunjukkan hubungan yang kuat antara kapabilitas data-intelligence yang matang dan hasil yang benar-benar dapat Anda ukur.
Proyek AI gagal tanpa data yang terpercaya karena intelligence dapat'tidak dapat dipisahkan dari bukti pendukungnya'yang sedang ditindaklanjuti. Pada 2026, organisasi yang keluar dari tahap purgatori pilot tidak akan'bukanlah pihak yang menjalankan paling banyak eksperimen AI. Mereka'akan menjadi pihak yang dapat menunjukkan, secara terus-menerus dan pada saat digunakan, mengapa data mereka layak untuk dipercaya.
Kesimpulan bagi CIO dan CDO bukanlah'bahwa kesiapan data harus mendahului AI, sebagai proyek transformasi multi-tahun yang terpisah. Hal tersebut'menyatakan bahwa kesiapan data dan pengiriman AI harus menjadi program yang sama, berjalan pada siklus yang sama.
Jika Anda'belum yakin di mana posisi data Anda sebenarnya, pihak kami Penilaian kesiapan data AI memberikan skor pada kontrol data, tata kelola, dan AI Anda terhadap kerangka kerja seperti DCAM, NIST AI RMF, dan ISO 42001. Ini tidak'tidak memberi tahu Anda segalanya, tetapi itu lebih baik daripada menebak-nebak.
