Bayangkan seorang eksekutif bertanya kepada AI assistant perusahaan, “Berapa revenue bulan ini?” Dalam hitungan detik, sistem memberikan jawaban lengkap dengan angka dan penjelasan singkat mengenai performa bisnis.
Jawaban tersebut terlihat meyakinkan, sampai seseorang dari tim Finance menunjukkan angka berbeda pada laporan bulanan. Sementara itu, dashboard management dan CRM juga menampilkan nilai yang tidak sepenuhnya sama.
Situasi seperti ini memperlihatkan tantangan yang mulai relevan ketika AI digunakan untuk mengakses informasi internal perusahaan. Kemampuan model untuk memahami pertanyaan dan menyusun jawaban sudah semakin baik, tetapi kualitas informasi yang disampaikan tetap bergantung pada data yang tersedia, konteks bisnis, serta bagaimana aplikasi menentukan sumber yang tepat.
Ketika satu informasi tersebar di beberapa sistem, perusahaan perlu memastikan bahwa AI memahami perbedaan di antara sumber-sumber tersebut sebelum menggunakannya untuk menjawab pertanyaan bisnis.
Dalam operasional perusahaan, informasi bisnis sering disimpan dan diproses melalui berbagai sistem. Setiap sistem memiliki fungsi, cara pencatatan, serta siklus pembaruan data yang berbeda.
Ambil contoh pertanyaan mengenai revenue bulanan.
CRM mungkin menyimpan nilai penjualan berdasarkan opportunity yang sudah ditutup oleh tim Sales. ERP mencatat transaksi keuangan berdasarkan proses dan aturan akuntansi yang digunakan perusahaan. Management dashboard bisa menggunakan dataset yang telah melalui transformasi dan rekonsiliasi, sementara spreadsheet internal mungkin memuat penyesuaian tambahan yang belum tersedia di sistem lainnya.
Keempat sumber tersebut dapat menghasilkan angka berbeda karena sebenarnya sedang merepresentasikan kondisi bisnis dari sudut pandang yang tidak identik.
Misalnya, nilai opportunity yang dinyatakan closed-won dalam CRM tidak otomatis sama dengan revenue yang telah diakui dalam laporan keuangan. Begitu juga dashboard yang diperbarui setiap beberapa jam dapat memperlihatkan posisi berbeda dari sistem transaksi yang terus menerima pembaruan.
Perbedaan ini tidak selalu menunjukkan adanya kesalahan data. Namun, ketika AI diberi akses ke berbagai sumber tanpa informasi mengenai definisi dan tujuan penggunaannya, ada risiko sistem memilih angka yang kurang sesuai dengan pertanyaan pengguna.
Bagi perusahaan, persoalannya kemudian berkembang dari sekadar menyediakan akses informasi menjadi memastikan jawaban AI menggunakan data yang relevan dengan konteks bisnis yang diminta.
Istilah single source of truth sering digunakan ketika perusahaan membahas konsistensi data. Namun, konsep ini tidak harus diterjemahkan sebagai kebutuhan untuk memindahkan seluruh informasi ke satu database.
Perusahaan tetap memerlukan berbagai sistem untuk menjalankan fungsi operasional yang berbeda. CRM dapat menjadi referensi utama untuk sales pipeline, ERP untuk transaksi keuangan, sedangkan data platform menyediakan informasi yang telah disiapkan untuk kebutuhan analytics dan AI.
Yang perlu disepakati adalah sumber dan definisi mana yang digunakan untuk masing-masing kebutuhan.
Jika manajemen meminta recognized revenue, referensinya perlu mengikuti definisi yang disetujui Finance. Ketika pertanyaannya berubah menjadi sales pipeline value, sumber yang relevan mungkin berasal dari CRM.
Dengan demikian, status sebuah dataset sebagai trusted source tidak bisa dilepaskan dari pertanyaan bisnis yang ingin dijawab. Dataset yang tepat untuk satu kebutuhan belum tentu menjadi pilihan yang sesuai untuk kebutuhan lainnya.
Pendekatan ini juga membantu organisasi menghindari situasi ketika setiap tim menggunakan versi angka masing-masing tanpa ada mekanisme yang jelas untuk menentukan referensi yang disepakati.
Agar informasi dari berbagai sistem dapat digunakan dengan lebih konsisten, perusahaan membutuhkan konteks yang menjelaskan karakter setiap data asset.
Setidaknya ada empat aspek yang perlu diperhatikan.
Mengetahui asal data merupakan langkah pertama untuk memahami seberapa jauh informasi tersebut dapat dipercaya.
Dalam enterprise environment, data yang muncul pada sebuah dashboard mungkin telah melewati beberapa proses ingestion dan transformation. Angka yang terlihat pengguna tidak selalu berasal langsung dari operational database, melainkan dari dataset yang menggabungkan berbagai sumber.
Karena itu, informasi mengenai source perlu mencakup hubungan antara data awal, proses yang dilaluinya, dan dataset yang akhirnya digunakan untuk reporting atau AI.
Kemampuan menelusuri hubungan tersebut dikenal sebagai data lineage.
Kesamaan nama metrik tidak selalu berarti kesamaan definisi.
Istilah active customer, misalnya, dapat merujuk pada pengguna yang login dalam 30 hari terakhir, pelanggan yang melakukan transaksi dalam periode tertentu, atau akun dengan subscription aktif.
Tanpa business definition yang disepakati, AI dapat menghasilkan angka yang secara teknis berasal dari data valid tetapi menjawab interpretasi yang berbeda dari kebutuhan pengguna.
Perusahaan perlu menentukan aturan perhitungan, cakupan, dan konteks setiap metrik penting agar pengguna maupun aplikasi AI memiliki referensi yang konsisten.
Kebutuhan terhadap keterbaruan data berbeda untuk setiap proses bisnis.
Laporan performa kuartalan mungkin cukup menggunakan data yang diperbarui secara terjadwal. Sebaliknya, keputusan mengenai ketersediaan stok atau perubahan transaksi operasional dapat membutuhkan data dengan frekuensi pembaruan lebih tinggi.
Jika AI menggunakan informasi yang benar tetapi sudah tidak mencerminkan kondisi terkini, jawabannya tetap berpotensi kurang relevan.
Informasi seperti last updated timestamp, frekuensi ingestion, dan target data freshness membantu menentukan apakah dataset masih sesuai untuk kebutuhan tertentu.
Ketika muncul perbedaan angka atau definisi, perusahaan membutuhkan pihak yang memiliki kewenangan untuk menjelaskan dan menyelesaikannya.
Data ownership dapat berada pada tim bisnis yang memahami definisi metrik, sedangkan tanggung jawab pengelolaan teknis mungkin dijalankan oleh Data Engineering atau Data Platform Team.
Keduanya memiliki peran berbeda yang perlu saling terhubung.
Ownership yang jelas memungkinkan perusahaan mengetahui kepada siapa suatu metrik harus dikonfirmasi, siapa yang menyetujui perubahan definisi, serta siapa yang bertanggung jawab ketika kualitas data tidak memenuhi kebutuhan pengguna.
Salah satu pendekatan yang dapat digunakan adalah membangun hubungan yang jelas antara pertanyaan bisnis dan data yang diperlukan untuk menjawabnya.
Untuk pertanyaan “Berapa revenue bulan ini?”, alur konseptualnya dapat digambarkan sebagai berikut:
Business Question → Metric Definition → Trusted Dataset → Source System → Data Owner
Alur tersebut membantu perusahaan menentukan beberapa informasi penting sebelum aplikasi AI memberikan jawaban.
Pertama, organisasi perlu menyepakati apa yang dimaksud dengan revenue dalam konteks pertanyaan tersebut. Setelah itu, tim data dapat mengidentifikasi dataset yang memang menggunakan definisi tersebut, memahami sumber transaksinya, dan memastikan pihak yang bertanggung jawab terhadap angka yang dihasilkan.
Dalam implementasi nyata, hubungan tersebut dapat didukung oleh data catalog, lineage, metadata, dan semantic layer.
Untuk structured data seperti revenue atau inventory, AI application juga dapat menggunakan mekanisme query terhadap dataset yang telah disiapkan. Perhitungan metrik tetap dilakukan berdasarkan aturan yang telah ditetapkan, sementara AI membantu pengguna mengajukan pertanyaan dan memahami hasilnya melalui natural language.
Dengan pendekatan seperti ini, jawaban tidak semata-mata bergantung pada kemampuan model menyusun respons, melainkan pada proses pengambilan dan pengolahan data yang dirancang untuk kebutuhan bisnis tersebut.
Retrieval-Augmented Generation atau RAG merupakan salah satu pendekatan yang banyak digunakan untuk menghubungkan model AI dengan informasi eksternal, termasuk dokumen dan knowledge base perusahaan.
Dalam prosesnya, sistem mengambil informasi yang dianggap relevan dari sumber yang tersedia, kemudian menyertakannya sebagai konteks bagi model untuk menghasilkan jawaban.
Pendekatan ini membantu AI menggunakan informasi yang tidak tersedia dalam pengetahuan awal model. Namun, kemampuan menemukan dokumen yang relevan tidak otomatis menjamin bahwa dokumen tersebut merupakan versi yang seharusnya digunakan.
Bayangkan perusahaan memiliki beberapa versi pricing policy dalam document repository. Versi lama mungkin masih tersimpan bersama dokumen yang berlaku saat ini, sementara keduanya mengandung istilah dan pembahasan yang hampir sama.
Tanpa metadata mengenai effective date, status dokumen, atau ownership, retrieval system dapat mengambil informasi dari dokumen yang sudah tidak berlaku.
Hal serupa dapat terjadi ketika beberapa dataset memiliki definisi bisnis yang berbeda.
Karena itu, implementasi RAG tetap membutuhkan pengelolaan sumber informasi, kualitas retrieval, dan evaluasi terhadap jawaban yang dihasilkan.
Bahkan ketika sumber sudah dipilih dengan benar, AI masih perlu dievaluasi untuk memastikan jawabannya sesuai dengan informasi yang tersedia. Data foundation yang baik membantu mengurangi ketidakpastian, tetapi tidak secara otomatis menghilangkan seluruh kemungkinan kesalahan output.
Saat perusahaan mulai membangun enterprise AI, muncul keinginan untuk menghubungkan sebanyak mungkin sumber informasi agar sistem mampu menjawab berbagai kebutuhan sekaligus.
Pendekatan ini terlihat menarik karena memberikan cakupan informasi yang luas. Namun, setiap sumber baru juga membawa kompleksitas tambahan, mulai dari perbedaan struktur data, kualitas, definisi, permission, hingga proses pembaruan.
Jika perusahaan belum memiliki standar yang cukup jelas, menambah jumlah sumber justru dapat membuat pengelolaan konteks menjadi lebih sulit.
Untuk tahap awal, perusahaan dapat memilih satu use case dengan kebutuhan bisnis yang terdefinisi dengan baik.
Misalnya, AI assistant untuk membantu management memahami sales performance. Dari satu kebutuhan tersebut, tim dapat memetakan metrik yang diperlukan, sumber data yang relevan, aturan perhitungan, frekuensi pembaruan, dan access control yang harus diterapkan.
Setelah proses tersebut berjalan dan kualitas jawabannya dapat dievaluasi, cakupan aplikasi bisa diperluas ke use case berikutnya.
Pendekatan bertahap memberikan ruang bagi perusahaan untuk memperbaiki fondasi data berdasarkan penggunaan yang nyata, tanpa harus menunggu seluruh enterprise data mencapai kondisi ideal.
Kejelasan sumber data merupakan satu bagian dari enterprise AI readiness. Bagian lainnya adalah memastikan aplikasi hanya menggunakan informasi yang boleh diakses oleh pengguna.
Misalnya, seorang regional manager mungkin membutuhkan laporan performa penjualan dari beberapa cabang, sementara informasi pelanggan pada tingkat transaksi hanya boleh diakses oleh fungsi tertentu.
Jika AI terhubung ke data platform tetapi tidak menerapkan permission sesuai identitas pengguna, kemudahan bertanya melalui natural language dapat membuka akses terhadap informasi yang seharusnya dibatasi.
Oleh karena itu, governance perlu diterapkan pada jalur pengambilan data, termasuk identity, data classification, permission, dan auditability.
Data lineage juga memiliki peran dalam membantu organisasi memahami bagaimana informasi bergerak dari source system menuju dataset, dashboard, atau AI workload yang menggunakannya.
Dalam platform seperti Databricks, capability tersebut dapat didukung melalui Unity Catalog, yang menyediakan pengelolaan access control, data discovery, lineage, classification, dan auditing untuk governed data assets.
Namun, keberadaan tools governance tidak menggantikan kebutuhan perusahaan untuk mendefinisikan kebijakan serta mengelola ownership dan tanggung jawab operasionalnya.
Ketika perusahaan ingin menggunakan AI untuk menjawab pertanyaan bisnis, pekerjaan yang diperlukan sering kali dimulai jauh sebelum pemilihan model.
Tim perlu memahami sistem yang menyimpan informasi, bagaimana data berpindah antar-environment, apakah definisi metrik sudah konsisten, dan apakah data yang tersedia sudah cukup sesuai untuk kebutuhan analytics maupun AI.
Melalui Data Platform & Engineering, ICS Compute membantu enterprise menyiapkan fondasi tersebut berdasarkan kebutuhan dan kondisi arsitektur yang sudah digunakan.
Area pekerjaan dapat mencakup source mapping, data integration, pembangunan data pipeline, data quality, data catalog, ownership, governance, serta penyusunan data layer yang dapat digunakan kembali oleh berbagai workload.
Untuk kebutuhan enterprise AI, pendekatan ini dapat dilanjutkan dengan menyiapkan akses terhadap dataset atau knowledge source yang relevan, memastikan permission diterapkan dengan benar, dan menentukan bagaimana jawaban dapat ditelusuri kembali ke informasi yang digunakan.
Tujuannya adalah membangun data environment yang memiliki konteks bisnis dan pengelolaan yang cukup jelas agar AI dapat digunakan secara lebih terukur.
Langkah awalnya tidak selalu membutuhkan transformasi platform berskala besar. Untuk beberapa perusahaan, assessment terhadap satu proses bisnis dan sumber informasi yang digunakannya sudah dapat membantu menemukan area yang perlu diperbaiki.
Salah satu cara sederhana untuk mengevaluasi kesiapan data perusahaan adalah memilih metrik yang sering menjadi sumber perbedaan dalam meeting.
Revenue, inventory, margin, atau customer count dapat digunakan sebagai contoh.
Lihat bagaimana angka tersebut dihasilkan, sistem apa yang menjadi sumbernya, siapa yang menentukan definisinya, dan seberapa sering datanya diperbarui. Perhatikan juga apakah pengguna memiliki cara yang jelas untuk menelusuri kembali informasi ketika hasilnya dipertanyakan.
Jika proses menemukan jawaban yang disepakati masih membutuhkan konfirmasi berulang antar-tim, ada kemungkinan sebagian tantangan tersebut berasal dari data definition, integration, atau ownership yang belum cukup jelas.
Kondisi seperti ini perlu dipahami sebelum organisasi memperluas penggunaan AI untuk kebutuhan reporting dan pengambilan keputusan.
Kemampuan AI dalam memahami natural language membuat akses terhadap informasi bisnis menjadi semakin mudah. Namun, semakin sederhana pengalaman yang diberikan kepada pengguna, semakin penting memastikan bahwa proses data di belakangnya tetap dapat dipahami, dikelola, dan diperiksa.
Pertanyaan pentingnya bukan hanya apakah AI sudah mampu memberikan jawaban, melainkan apakah perusahaan dapat menjelaskan data apa yang digunakan untuk menghasilkan jawaban tersebut.
ICS Compute membantu perusahaan memetakan dan menyiapkan data foundation untuk kebutuhan analytics dan enterprise AI melalui Data Platform & Engineering, mulai dari pemetaan sumber hingga pengelolaan data yang sesuai dengan konteks bisnis.