Jakarta — Banyak perusahaan mulai mengadopsi kecerdasan buatan (AI), namun tidak sedikit yang berhenti pada tahap awal dan tidak berlanjut ke implementasi penuh. Menurut Satchit Joglekar, Regional Vice President & Managing Director Southeast Asia (ASEAN) Snowflake, sebagian besar proyek AI gagal menghasilkan dampak bisnis yang nyata.
Joglekar menjelaskan, tahap awal yang dimaksud kerap berupa pilot phase atau proof of concept (PoC), yakni uji coba terbatas untuk melihat potensi penerapan AI sebelum diperluas di seluruh organisasi. Namun, banyak inisiatif tidak pernah melampaui fase ini karena tidak mampu menunjukkan nilai bisnis yang jelas.
Ia menilai, salah satu penyebabnya adalah fokus proyek AI yang terlalu menitikberatkan pada eksperimen, seperti pembuatan chatbot atau peningkatan produktivitas, tanpa keterkaitan langsung dengan kebutuhan bisnis. Akibatnya, ketika proyek dipresentasikan ke manajemen, pertanyaan utama yang muncul adalah manfaat bisnis yang benar-benar dihasilkan dan apakah ada return on investment (ROI) yang terukur.
Di luar persoalan ROI, Joglekar menekankan bahwa hambatan terbesar justru terletak pada kesiapan data. Menurutnya, tanpa fondasi data yang kuat, teknologi AI tidak akan memberikan hasil optimal. Ia juga menyoroti masih seringnya terjadi data silo, yaitu kondisi ketika data tersebar di berbagai sistem atau departemen dan tidak terintegrasi. Bahkan, dalam satu perusahaan, definisi untuk jenis data yang sama dapat berbeda antar tim.
Kondisi tersebut membuat AI kesulitan memahami konteks bisnis secara utuh karena informasi yang digunakan menjadi tidak konsisten dan terfragmentasi. Joglekar menilai persoalan ini tidak semata teknis, tetapi juga organisatoris, mengingat setiap unit bisa memiliki cara sendiri dalam mengelola data.
Untuk mengatasi tantangan tersebut, Snowflake mendorong pendekatan bertahap dalam implementasi AI. Tahap awal dimulai dengan membangun fondasi data yang terintegrasi, termasuk aspek keamanan, tata kelola (governance), serta kepatuhan terhadap regulasi. Setelah itu, perusahaan perlu menyusun konteks bisnis atau semantic layer agar AI mampu memahami istilah, struktur, dan logika bisnis yang spesifik di dalam organisasi.
Joglekar menyatakan, AI baru dapat dimanfaatkan secara luas dalam berbagai alur kerja (workflow) dan memberikan nilai nyata setelah fondasi data dan konteks bisnis tersebut terpenuhi. Dengan begitu, AI tidak diposisikan sebagai eksperimen teknologi semata, melainkan sebagai alat strategis yang berdampak langsung pada bisnis.
Ia menambahkan, implementasi AI seharusnya dimulai dari tujuan bisnis, bukan dari teknologi. Perusahaan perlu menentukan sejak awal hasil yang ingin dicapai—baik peningkatan pendapatan, efisiensi biaya, maupun target strategis lain—serta menetapkan metrik keberhasilan dan menghitung ROI sejak awal. Menurutnya, langkah ini membuat proyek AI memiliki arah yang jelas dan lebih mudah dievaluasi, sehingga peluang untuk berlanjut ke tahap produksi menjadi lebih besar.
