Membangun Ulang Data Stack: Kunci Keberhasilan Enterprise AI di Perusahaan

CAMBRIDGE, (27 April 2026).

Meskipun Artificial Intelligence (AI) mendominasi agenda ruang rapat, banyak perusahaan menyadari bahwa hambatan terbesar dalam adopsi yang bermakna adalah kondisi data mereka. Mengutip laporan dari MIT Technology Review, para pemimpin perusahaan mulai menyadari bahwa menerapkan AI dalam skala besar memerlukan infrastruktur data yang terpadu, teratur (governed), dan sesuai tujuan.

Bavesh Patel, Senior Vice President di Databricks, dan Rajan Padmanabhan, Unit Technology Officer di Infosys, menekankan bahwa efektivitas AI sangat bergantung pada kualitas informasi organisasi. "Kualitas AI dan seberapa efektif AI tersebut sangat bergantung pada informasi di organisasi Anda," ujar Patel. Sayangnya, data tersebut seringkali terfragmentasi di sistem legacy dan aplikasi SaaS yang terputus.

Diferensiasi Kompetitif Melalui Data

Menurut Patel, pembeda kompetitif utama bagi sebagian besar organisasi adalah data internal mereka sendiri yang digabungkan dengan data pihak ketiga. Tanpa fondasi yang kuat, perusahaan berisiko menghasilkan "AI yang buruk" (terrible AI).

Transisi ini menuntut perusahaan untuk berpindah dari sistem silo menuju arsitektur data terbuka yang mampu menggabungkan data terstruktur dan tidak terstruktur, menjaga konteks real-time, dan menegakkan kontrol akses yang ketat. Rajan Padmanabhan dari Infosys menambahkan bahwa fokus pada nilai bisnis sangatlah krusial. Perusahaan harus mengaitkan penerapan AI langsung dengan metrik bisnis menggunakan kerangka kerja tata kelola yang ketat.

Dari Sistem Eksekusi ke Sistem Aksi

Inovasi terbaru seperti Lakebase dari Databricks—sebuah database OLTP untuk AI Agent dan aplikasi—memungkinkan perusahaan membangun aplikasi AI yang lebih responsif. Teknologi ini memisahkan compute dan storage, memungkinkan AI Agent beroperasi lebih cepat dan hemat biaya tanpa perlu menyalin data antar sistem.

Padmanabhan mencatat adanya pergeseran cara berpikir, dari "system of execution" atau "system of engagement" menuju "system of action". Ini berarti AI tidak lagi hanya memberikan rekomendasi atau menampilkan dashboard, tetapi mampu mengambil tindakan nyata dalam alur kerja bisnis secara otonom melalui Neural Networks yang terlatih pada data spesifik perusahaan.

Dampak bagi Indonesia

Bagi sektor korporasi di Indonesia, transformasi Data Stack ini menjadi sangat relevan seiring dengan pengetatan implementasi UU Pelindungan Data Pribadi (UU PDP). Perusahaan di Indonesia, terutama di sektor perbankan (Fintech) dan retail, mulai mengalokasikan anggaran besar untuk Cloud Computing dan infrastruktur data terpadu guna menghindari kebocoran data saat melatih model AI.

Estimasi investasi untuk solusi enterprise kelas dunia seperti Databricks di Indonesia biasanya mengikuti skema biaya berbasis konsumsi (pay-as-you-go) yang seringkali dipatok dalam USD. Dengan kurs yang fluktuatif (kisaran Rp15.500 - Rp16.000 per USD), efisiensi infrastruktur seperti Lakebase yang bersifat serverless dapat membantu perusahaan lokal menekan biaya operasional. Tantangan utama di pasar lokal tetap pada literasi AI di tingkat pengguna bisnis, namun dengan adopsi platform yang memprioritaskan Governance, perusahaan lokal dapat memastikan keamanan siber (Cybersecurity) sekaligus meningkatkan efisiensi operasional secara signifikan.

Artikel ini akan diperbarui seiring tersedianya informasi baru. Join Komunitas Rekayasa AI di Discord untuk diskusi lebih lanjut.