NADIKABAR.COM — Investasi kecerdasan buatan (AI) di Indonesia terus meningkat. Namun, ketika perusahaan mulai membawa AI dari tahap uji coba ke operasional sehari-hari, persoalan lain muncul, yakni fondasi data yang belum siap menjadi salah satu hambatan terbesar untuk melakukan scale-up AI.
Data Streaming Report terbaru Confluent yang diterbitkan pada Juli 2026 menunjukkan, 82% pemimpin TI di Indonesia pernah menghadapi setidaknya tiga tantangan ketika meningkatkan skala inisiatif AI.
Salah satu persoalan terbesar adalah silo data. Sebanyak 83% pemimpin TI di Indonesia menyebut data yang terkotak-kotak di berbagai sistem masih menjadi tantangan utama.
Kondisi tersebut membuat data perusahaan tersebar di berbagai aplikasi, basis data, maupun sistem pelaporan yang dikelola secara terpisah. Informasi pelanggan, misalnya, dapat tersimpan di satu platform, sementara data keuangan dan operasional berada di sistem yang berbeda.
Akibatnya, AI tidak selalu mendapatkan informasi terbaru dan konsisten ketika harus menghasilkan rekomendasi, prediksi, hingga keputusan otomatis.
Selain silo data, 80% pemimpin TI di Indonesia menyebut keterbatasan keterampilan dan keahlian AI sebagai tantangan** dalam meningkatkan skala AI. Sementara itu, 79% menghadapi persoalan infrastruktur yang belum memadai untuk pemrosesan data secara real-time.
Masalah kualitas data juga menjadi perhatian. Sebanyak 77% organisasi menghadapi ketidakjelasan terkait asal-usul, ketepatan waktu, dan kualitas data, sedangkan 76% menghadapi sumber data yang tidak konsisten.
Persoalan tersebut juga tidak berdiri sendiri. Enam dari 10 organisasi di Indonesia dilaporkan menghadapi sedikitnya lima tantangan data secara bersamaan ketika berupaya meningkatkan skala pemanfaatan AI.
Senior Vice President & General Manager APAC Confluent Greg Taylor mengatakan persoalan kualitas dan konsistensi data sebenarnya bukan hal baru. Namun, dampaknya menjadi jauh lebih besar ketika data tersebut digunakan untuk menjalankan sistem AI.
"Meski bukan masalah baru, dampaknya kini telah berubah secara signifikan. Dataset yang usang atau sumber data yang tidak konsisten dahulu mungkin hanya berujung pada laporan yang terlambat atau dasbor yang diperdebatkan. Kini, masalah yang sama dapat memengaruhi setiap rekomendasi, prediksi, atau keputusan otomatis yang dibuat sistem AI," ujar Greg dikutip Minggu (4/10/2026).
Menurutnya, perusahaan tidak cukup hanya menyediakan data dalam jumlah besar untuk AI. Data yang digunakan juga harus tersedia ketika dibutuhkan.
Setiap interaksi pelanggan, transaksi pembayaran, perubahan inventaris, maupun aktivitas operasional perlu dapat mengalir ke berbagai sistem secara cepat. Dengan demikian, aplikasi AI dapat bekerja menggunakan konteks bisnis terbaru, bukan informasi yang sudah tertinggal.
Kondisi ini juga menjadi salah satu alasan mengapa sejumlah proyek AI dapat berjalan baik dalam tahap pilot, tetapi menghadapi tantangan ketika diterapkan dalam skala operasional.
Model AI mungkin sudah mampu bekerja, tetapi aliran data yang menjadi fondasinya belum tentu siap mendukung kebutuhan bisnis secara real-time.
Confluent melihat setidaknya ada tiga area yang perlu menjadi perhatian perusahaan ketika membawa AI dari tahap eksperimen menuju produksi.
Pertama, membangun fondasi data real-time. Perusahaan perlu mengurangi ketergantungan terhadap pembaruan data secara batch dan memungkinkan data operasional mengalir secara berkelanjutan antarsistem. Dengan begitu, aplikasi AI dapat memperoleh konteks bisnis terbaru.
Kedua, mengelola data ketika sedang bergerak. Tata kelola data tidak semestinya baru dilakukan setelah data masuk ke data warehouse. Perusahaan membutuhkan visibilitas terhadap kualitas, asal-usul, serta keamanan data sejak informasi tersebut berpindah di antara berbagai aplikasi dan platform.
Ketiga, meningkatkan kualitas data sedekat mungkin dengan sumbernya. Pendekatan shift-left memungkinkan data divalidasi, dibersihkan, dan dikelola sebelum masuk ke data warehouse maupun model AI. Langkah ini diharapkan dapat mengurangi kesalahan di tahap hilir sekaligus mendeteksi persoalan kualitas dan kepatuhan lebih awal.
Greg menilai perusahaan yang masih mengandalkan arsitektur data terfragmentasi dan berbasis batch akan menghadapi tantangan untuk membawa AI melampaui proyek-proyek pilot.
Sebaliknya, perusahaan yang memperlakukan data sebagai aliran informasi berkelanjutan akan lebih siap menggunakan AI berdasarkan kondisi bisnis secara real-time.
"Di era AI, keberhasilan tidak ditentukan oleh siapa yang memiliki model terpintar. Keberhasilan ditentukan oleh siapa yang memiliki data terbaru," kata Greg.
