Cloudera merilis hasil survei global terbaru bertajuk ‘The Data Readiness Index: Understanding the Foundations for Successful AI’ yang mengkaji seberapa siap perusahaan menjalankan AI dalam skala besar. Dengan melibatkan hampir 1.300 pemimpin IT global, survei ini mendapati bahwa meskipun adopsi AI terus tumbuh, sebagian besar organisasi masih lemah dalam hal fondasi data yang diperlukan untuk mencapai keberhasilan.
Temuan ini menyoroti sebuah paradoks yang mencolok: meskipun 96% organisasi melaporkan telah mengintegrasikan AI ke dalam proses bisnis inti mereka dan 85% menyatakan memiliki strategi data yang jelas, hampir 4 dari 5 (~80%) mengakui bahwa inisiatif AI dan data mereka masih terhambat oleh keterbatasan akses data di berbagai lingkungan. Di Indonesia, kesenjangan antara tingkat keyakinan dan kesiapan terlihat sangat jelas. Meskipun 100% pemimpin IT yang disurvei menyatakan sangat atau sangat yakin terhadap data organisasi mereka, hanya 26% organisasi yang menyatakan bahwa data mereka telah sepenuhnya terkelola.
Kesenjangan ini menyoroti munculnya “AI readiness illusion” atau ‘ilusi kesiapan AI’, yaitu keyakinan bahwa organisasi telah siap untuk memperbesar AI, padahal tantangan data yang krusial masih belum terselesaikan.
“Perusahaan bukannya kesulitan mengadopsi AI, tetapi mereka kesulitan mengoperasionalkannya di luar tahap eksperimen,” ujar Sergio Gago, Chief Technology Officer di Cloudera. “AI hanya seefektif data yang mendukungnya. Tanpa akses yang mulus ke seluruh data mereka, organisasi membatasi akurasi, kepercayaan, dan nilai bisnis yang dapat dihasilkan oleh AI. Anda tidak bisa mengimplementasikan AI tanpa data.”
Adopsi AI Tinggi, tetapi ROI Masih Sulit Dicapai
AI kini telah tertanam di seluruh lini perusahaan, namun mencapai return of investment atau pengembalian investasi, yang konsisten masih menjadi tantangan. Ketika ditanya mengapa inisiatif AI belum memberikan hasil yang optimal, responden menyebutkan beberapa kendala utama: kualitas data (22%), pembengkakan biaya (16%), dan integrasi yang buruk ke dalam alur kerja yang ada (15%). Hambatan-hambatan ini menunjukkan kompleksitas yang masih dihadapi dalam mengubah investasi AI menjadi outcome atau hasil bisnis yang terukur.
Keterbatasan infrastruktur semakin memperburuk masalah ini. Hampir tiga perempat (73%) responden melaporkan bahwa kendala kinerja telah menghambat inisiatif operasional, mencerminkan kesulitan dalam menskalakan AI di berbagai lingkungan yang terfragmentasi.
Kesenjangan Data: Akses, Tata Kelola, dan Visibilitas
Inti dari tantangan ini adalah kurangnya akses dan kendali data secara menyeluruh.
Sebanyak 84% responden merasa yakin terhadap akurasi, kelengkapan, dan keselarasan data organisasi mereka. Namun, optimisme ini sering kali menutupi masalah yang lebih mendasar, seperti silo data yang masih terjadi, kualitas data yang tidak konsisten, dan aksesibilitas yang terbatas. Data yang tampak andal dalam satu konteks kerap mengalami kendala ketika digunakan lintas tim, sistem, atau aplikasi AI, sehingga mengungkap adanya celah dalam tata kelola dan konsistensi data di seluruh organisasi.
Kurang dari satu dari lima responden (18%) menyatakan bahwa data mereka sudah sepenuhnya terkelola, yang menunjukkan adanya kesenjangan antara tingkat kepercayaan dan kondisi nyata di lapangan. Meskipun 71% mengatakan sebagian besar data mereka telah dikelola, inisiatif berbasis data yang benar-benar efektif tetap bergantung pada satu sumber kebenaran yang konsisten di seluruh organisasi.
Di Indonesia, tantangan-tantangan ini semakin diperparah meskipun investasi infrastruktur terus berlangsung. Hampir setengah (48%) pemimpin di Indonesia mengidentifikasi keterbatasan visibilitas data sebagai hambatan utama dalam memanfaatkan data mereka secara efektif. Pada saat yang sama, faktor organisasi terus memainkan peran penting. Lebih dari setengah (52%) menyebut resistensi budaya terhadap berbagi data sebagai hambatan utama, sementara 31% mengaitkan hasil AI yang kurang memuaskan dengan kualitas data yang buruk. Selain itu, 26% responden masih mengidentifikasi silo data sebagai hambatan besar, yang menegaskan fragmentasi berkelanjutan dalam lingkungan data perusahaan.
“Kami melihat momentum yang kuat dalam adopsi AI di Indonesia, dan sangat menggembirakan bahwa 100% organisasi yang kami survei terbuka untuk menggunakan kerangka tata kelola baru guna meningkatkan kesiapan data,” kata Sherlie Karnidta, Country Manager Indonesia, Cloudera. “Namun, dengan hanya seperempat data yang sepenuhnya dikelola dan adanya resistensi budaya yang berkelanjutan terhadap berbagi data, menskalakan AI tetap menjadi tantangan yang signifikan. Untuk melampaui tahap eksperimen dan mewujudkan ROI bisnis yang bermakna, organisasi harus menghilangkan silo dan memprioritaskan visibilitas data secara menyeluruh dari ujung ke ujung.”
Tanpa tata kelola yang komprehensif untuk menyatukan data dan menerapkan standar yang jelas, organisasi berisiko kehilangan peluang, membuat keputusan yang buruk, dan menghasilkan output yang tidak mencapai potensi maksimalnya.
Perbandingan Kesiapan Data Antar Industri
Lanskap kesiapan data terlihat sangat berbeda di berbagai industri. Sebagai contoh, 54% responden di sektor telekomunikasi menyatakan bahwa “sangat benar” bahwa mereka memiliki visibilitas penuh atas lokasi data mereka. Sebagai perbandingan, hanya 30% responden di sektor jasa keuangan dan 31% di sektor publik yang melaporkan hal yang sama. Dalam hal akses, 51% responden di telekomunikasi mengatakan mereka dapat mengakses semua data kapan saja, dibandingkan dengan hanya 24% di jasa keuangan dan 16% di sektor publik.
Meskipun memiliki kesiapan data yang kuat, keunggulan ini belum sepenuhnya diterjemahkan menjadi keberhasilan operasional. Tiga dari lima (60%) responden telekomunikasi mengatakan bahwa kinerja infrastruktur secara konsisten menghambat inisiatif operasional, tertinggi di antara semua industri yang disurvei.
Tantangan ini juga berdampak langsung pada inisiatif AI. Hambatan mencapai ROI AI pun berbeda-beda di setiap industri. Secara umum, responden paling sering menyoroti kualitas data sebagai kendala utama, sementara pembengkakan biaya paling menonjol di sektor energi dan utilitas (25%). Sebaliknya, integrasi yang buruk ke dalam alur kerja disoroti oleh responden di sektor kesehatan, manufaktur, dan jasa keuangan (20%).
Kesiapan Data akan Menentukan Fase Enterprise AI Berikutnya
Seiring enterprise AI beralih dari tahap eksperimen ke tahap eksekusi, kesiapan data muncul sebagai faktor penentu yang membedakan pemimpin dari yang tertinggal.
Organisasi yang mampu mengakses dan mengelola seluruh data mereka secara penuh, di mana pun data tersebut berada, akan jauh lebih siap untuk menghadirkan AI yang andal dan dapat diskalakan. Menariknya, setiap responden dalam laporan ini menyatakan bahwa organisasi mereka setidaknya bersedia untuk menyesuaikan kerangka kerja yang ada guna mendukung kesiapan data yang sesungguhnya.
Seiring perusahaan mulai menyadari batasan dari ilusi kesiapan AI, arah ke depan menjadi semakin jelas: untuk benar-benar membuka nilai penuh AI, dibutuhkan lebih dari sekadar ambisi; dibutuhkan kesiapan data yang nyata. Organisasi yang mampu menutup kesenjangan ini akan berada pada posisi terbaik untuk menciptakan dampak yang berkelanjutan dan memimpin era baru bisnis yang semakin cerdas.
