Kesiapan Data Sebelum Memulai Proyek AI: Cara Menilai dan Menyiapkannya

Banyak perusahaan memulai proyek AI dengan pertanyaan model apa yang sebaiknya dipakai. Beberapa minggu kemudian, tim menyadari bahwa masalah sebenarnya bukan pada model. Dokumen prosedur tersebar di folder pribadi dengan versi yang saling bertentangan. Data pelanggan di CRM tidak sama dengan data di sistem keuangan. Catatan transaksi penting masih berada di spreadsheet yang hanya dipahami satu orang. AI yang paling canggih pun akan memberi jawaban yang salah jika diberi bahan yang salah.

Kesiapan data adalah faktor yang paling sering menentukan apakah proyek AI berhasil masuk ke operasional atau berhenti sebagai demo yang mengesankan. Artikel ini membahas apa arti kesiapan data dalam praktik, cara menilainya secara cepat, pekerjaan persiapan yang paling berdampak, dan cara memulai proyek AI tanpa harus menunggu seluruh data perusahaan sempurna.

Ringkasan

• Kesiapan data berarti data yang relevan tersedia, cukup akurat, dapat diakses dengan aman, dan jelas siapa pemiliknya
• Kebutuhan data berbeda untuk setiap jenis proyek AI: asisten berbasis dokumen, otomasi proses, analitik, atau AI agent
• Nilai kesiapan data per kasus penggunaan, bukan untuk seluruh perusahaan sekaligus
• Pekerjaan paling berdampak biasanya merapikan sumber kebenaran, membersihkan dokumen usang, dan menetapkan hak akses
• Jangan menunggu data sempurna: pilih satu kasus dengan data yang cukup baik, lalu perbaiki data sambil berjalan

Mengapa data menentukan hasil AI

Model AI modern sangat pandai mengolah bahasa dan pola, tetapi tidak mengetahui apa pun tentang perusahaan Anda kecuali yang Anda berikan. Ketika asisten AI menjawab pertanyaan karyawan tentang kebijakan cuti, ia hanya bisa sebaik dokumen kebijakan yang tersedia. Ketika AI menyiapkan draf penawaran, ia bergantung pada daftar harga dan data pelanggan yang benar. Ketika model memprediksi permintaan, ia belajar dari riwayat transaksi yang tercatat.

Masalahnya, kesalahan data dalam sistem AI sering tidak terlihat. Laporan dengan angka yang salah mungkin langsung dicurigai oleh manajer keuangan. Jawaban AI yang disampaikan dengan bahasa lancar dan meyakinkan lebih mudah dipercaya begitu saja, meskipun berasal dari dokumen yang sudah kedaluwarsa. Karena itu, kualitas data menjadi lebih penting, bukan kurang penting, di era AI.

Kebutuhan data berbeda per jenis proyek

Sebelum menilai kesiapan, pahami dulu data apa yang dibutuhkan oleh jenis proyek yang direncanakan.

Asisten berbasis dokumen

Chatbot internal atau asisten layanan pelanggan yang menjawab berdasarkan dokumen perusahaan, biasanya dengan pendekatan RAG, membutuhkan dokumen yang mutakhir, tidak saling bertentangan, dan memiliki status yang jelas. Kebijakan lama yang sudah diganti harus diarsipkan atau ditandai, bukan dibiarkan berdampingan dengan versi baru.

Otomasi proses dan AI agent

Proyek seperti AI agent yang menyiapkan pesanan atau memproses faktur membutuhkan data transaksi yang terstruktur, master data yang konsisten, dan akses API ke sistem seperti ERP dan CRM. Aturan bisnis, misalnya batas persetujuan atau syarat pembayaran, juga harus terdokumentasi dengan jelas, karena AI tidak bisa menebak aturan yang hanya ada di kepala karyawan senior.

Analitik dan prediksi

Model prediksi, seperti peramalan permintaan atau penilaian risiko pelanggan, membutuhkan riwayat data yang cukup panjang, tercatat konsisten dari waktu ke waktu, dan dapat dihubungkan antar sistem. Perubahan definisi di tengah jalan, misalnya cara menghitung pelanggan aktif yang berubah tahun lalu, perlu dicatat agar tidak membingungkan model.

Enam dimensi kesiapan data

Kesiapan data bisa dinilai dengan enam pertanyaan sederhana. Jawablah untuk setiap kasus penggunaan yang direncanakan, bukan untuk seluruh perusahaan.

1. 01Ketersediaan: apakah data yang dibutuhkan benar-benar ada dalam bentuk digital, atau masih di kertas, email pribadi, dan ingatan karyawan
2. 02Akurasi: seberapa sering data salah, ganda, atau tidak lengkap, dan apakah ada proses untuk memperbaikinya
3. 03Konsistensi: apakah data yang sama tercatat sama di berbagai sistem, dengan kode dan definisi yang seragam
4. 04Kemutakhiran: seberapa cepat data diperbarui, dan apakah versi lama bisa dibedakan dari versi terbaru
5. 05Aksesibilitas: apakah data bisa diambil oleh sistem lain melalui API atau ekspor yang andal, bukan hanya dilihat di layar
6. 06Tata kelola: apakah jelas siapa pemilik data, siapa yang boleh mengaksesnya, dan aturan apa yang berlaku untuk data pribadi atau rahasia

Penilaian ini tidak harus rumit. Diskusi selama satu atau dua jam dengan pemilik proses dan tim TI, sambil membuka sampel data yang sebenarnya, sering kali sudah cukup untuk mengetahui apakah sebuah kasus penggunaan siap dikerjakan atau membutuhkan persiapan lebih dulu.

Pekerjaan persiapan yang paling berdampak

Tetapkan sumber kebenaran

Untuk setiap jenis data penting, tentukan satu sistem yang menjadi acuan resmi. Data pelanggan mungkin bersumber dari CRM, harga dari ERP, dan data karyawan dari HRIS. AI dan integrasi lain harus mengambil data dari sumber itu, bukan dari salinan di spreadsheet. Prinsip ini dibahas lebih rinci dalam artikel tentang master data ERP.

Bersihkan dan beri status pada dokumen

Untuk proyek berbasis dokumen, langkah paling bernilai sering kali bukan teknis sama sekali: mengumpulkan dokumen yang relevan, membuang duplikat, mengarsipkan versi lama, dan memberi setiap dokumen pemilik serta tanggal tinjauan. Sistem manajemen dokumen yang rapi membuat pekerjaan ini jauh lebih mudah dipertahankan.

Digitalkan data yang masih manual

Jika data penting masih berupa kertas atau spreadsheet yang tersebar, pertimbangkan untuk memindahkannya ke sistem yang terstruktur. Artikel beralih dari Excel ke sistem bisnis terintegrasi dan otomatisasi input data dari dokumen membahas cara melakukannya secara bertahap.

Rancang hak akses sejak awal

AI yang terhubung ke data perusahaan harus menghormati hak akses yang sama dengan sistem aslinya. Karyawan yang tidak boleh melihat gaji rekan kerja di HRIS juga tidak boleh mendapatkannya lewat asisten AI. Petakan hak akses sebelum menghubungkan data, mengikuti prinsip perancangan hak akses pengguna. Untuk data pribadi pelanggan dan karyawan, pastikan pemrosesan sesuai dengan aturan pelindungan data pribadi yang berlaku dan periksa ketentuan terbaru dari otoritas terkait.

Siapkan jalur akses yang aman

Data yang hanya bisa dilihat di layar aplikasi sulit dipakai oleh AI. Siapkan API atau ekspor terjadwal yang andal, dan pertimbangkan standar seperti Model Context Protocol jika beberapa aplikasi AI akan memakai sumber data yang sama. Untuk analitik, menyatukan data di data warehouse sering menjadi fondasi yang berguna untuk banyak kebutuhan sekaligus.

Memilih kasus penggunaan pertama

Kesalahan umum adalah memilih kasus penggunaan yang paling menarik secara bisnis tanpa memperhatikan kondisi datanya. Pendekatan yang lebih aman adalah memetakan calon kasus pada dua sumbu: seberapa besar nilainya bagi bisnis, dan seberapa siap datanya. Kasus dengan nilai tinggi dan data yang cukup siap menjadi kandidat terbaik untuk proyek pertama.

• Nilai tinggi, data siap: kerjakan lebih dulu sebagai proyek percontohan
• Nilai tinggi, data belum siap: jadikan proyek perbaikan data dengan target yang jelas, lalu jalankan AI setelahnya
• Nilai rendah, data siap: bisa menjadi latihan tim, tetapi jangan dijadikan tolok ukur keberhasilan AI
• Nilai rendah, data belum siap: tunda

Memperbaiki data sambil berjalan

Tidak ada perusahaan yang datanya sempurna, dan menunggu kesempurnaan berarti tidak pernah memulai. Proyek AI justru bisa menjadi alat untuk memperbaiki data. Asisten berbasis dokumen akan cepat menunjukkan dokumen mana yang saling bertentangan, karena pengguna akan melaporkan jawaban yang aneh. Model prediksi akan menyingkap periode data yang tidak masuk akal. Yang penting adalah menyediakan jalur bagi pengguna untuk melaporkan masalah dan menetapkan siapa yang memperbaikinya di sumber aslinya.

Catat juga metrik sederhana tentang kualitas data, misalnya jumlah data pelanggan ganda, persentase barang tanpa kategori, atau jumlah dokumen yang melewati tanggal tinjauan. Metrik ini membuat perbaikan data terlihat dan bisa dipertanggungjawabkan, bukan pekerjaan sampingan yang terus tertunda.

Tanda-tanda data belum siap

Beberapa gejala sehari-hari bisa menjadi petunjuk awal bahwa data perusahaan perlu dirapikan sebelum dipakai AI. Jika beberapa gejala berikut terasa akrab, anggap itu sebagai daftar pekerjaan, bukan alasan untuk membatalkan rencana AI.

• Rapat sering dihabiskan untuk memperdebatkan angka mana yang benar, karena setiap bagian membawa laporan dari sumber berbeda
• Karyawan baru harus bertanya kepada rekan senior untuk menemukan versi terbaru sebuah prosedur
• Data pelanggan yang sama muncul berkali-kali dengan ejaan nama atau nomor telepon berbeda
• Laporan bulanan disusun dengan menyalin dan menempel dari beberapa sistem ke satu spreadsheet
• Tidak ada yang bisa menjawab dengan pasti siapa saja yang punya akses ke data gaji atau data pelanggan

Setiap gejala ini juga menimbulkan biaya tanpa AI sekalipun: waktu yang terbuang, keputusan yang tertunda, dan risiko kesalahan. Karena itu, pekerjaan merapikan data memberi manfaat ganda. Ia membuka jalan bagi AI, sekaligus memperbaiki operasional yang sudah berjalan, seperti dibahas dalam artikel biaya tersembunyi data silo.

Peran tata kelola AI

Kesiapan data tidak bisa dipisahkan dari kebijakan penggunaan dan tata kelola AI. Kebijakan tersebut menentukan data apa yang boleh dimasukkan ke layanan AI pihak ketiga, bagaimana hasil AI ditinjau, dan siapa yang bertanggung jawab ketika terjadi kesalahan. Tanpa kebijakan ini, karyawan cenderung memakai alat AI sendiri-sendiri dengan menyalin data perusahaan ke layanan yang tidak dikendalikan.

Daftar periksa singkat sebelum memulai

• Kasus penggunaan dan ukuran keberhasilannya sudah ditulis dengan jelas
• Data yang dibutuhkan sudah diidentifikasi beserta sistem sumbernya
• Sampel data nyata sudah diperiksa bersama pemilik proses
• Dokumen atau data usang sudah dipisahkan dari versi yang berlaku
• Hak akses dan perlakuan data pribadi sudah dipetakan
• Jalur akses teknis, seperti API atau ekspor, sudah tersedia atau direncanakan
• Ada pemilik yang bertanggung jawab memperbaiki data ketika masalah ditemukan

Kesimpulan

Proyek AI yang berhasil jarang dimulai dari model, melainkan dari data yang dipahami dengan baik. Nilailah kesiapan data per kasus penggunaan, kerjakan persiapan yang paling berdampak, dan pilih proyek pertama yang datanya cukup baik untuk memberi hasil nyata. Dengan cara itu, AI tidak hanya menghasilkan demo yang mengesankan, tetapi juga sistem yang dipercaya dan dipakai setiap hari, sekaligus mendorong perusahaan merapikan data yang selama ini terabaikan.