Apakah Data Perusahaan Anda Siap untuk AI? Checklist Jujur

Hampir setiap diskusi AI di perusahaan berakhir di tembok yang sama. Demonya meyakinkan. Vendornya fasih. Direksi mulai bertanya. Lalu seseorang di ruangan mengucapkan hal yang selama ini dipendam semua orang: kita bahkan tidak tahu setengah data kita ada di mana.

Kekhawatiran itu lebih sering benar daripada salah. Di berbagai proyek AI perusahaan yang kami temui, fondasi data memacetkan jauh lebih banyak inisiatif daripada modelnya; model jarang benar-benar menjadi hambatan utamanya. Namun respons yang biasa muncul justru lebih buruk dari masalahnya: program pembersihan data yang berjalan berkuartal-kuartal, menelan biaya besar, dan menunda AI tanpa batas waktu demi mengejar kesempurnaan yang tidak pernah datang.

Ada pertanyaan yang lebih tepat daripada "apakah data kami sudah bersih?", yaitu "apakah data kami sudah siap?" Keduanya bukan hal yang sama. Artikel ini adalah checklist untuk menjawab pertanyaan kedua secara jujur, tentang perusahaan Anda sendiri, minggu ini juga.

Apa sebenarnya arti "siap"?

Kesiapan bukan kesempurnaan. Perusahaan yang datanya tersebar, sebagian terduplikasi, dan tidak sepenuhnya bersih tetap bisa siap untuk AI, asalkan tiga hal ini diketahui: di mana data berada, siapa pemiliknya, dan bagian mana yang bisa dipercaya.

Kebalikannya juga berlaku. Perusahaan dengan data warehouse modern dan dashboard di setiap dinding bisa saja sangat tidak siap, karena tidak ada yang mampu menjawab dari tiga angka pendapatan yang berbeda, mana yang benar, dan siapa yang berwenang memutuskan.

Sistem AI yang menjawab pertanyaan bisnis tidak membutuhkan semua field akurat. Ia membutuhkan kepastian: field mana yang dipakai, mana yang diabaikan, dan apa makna istilah di dalamnya. Ini masalah pengetahuan sebelum menjadi masalah kebersihan, dan masalah pengetahuan jauh lebih cepat dibereskan. Kalau Anda ingin memahami mekanisme bagaimana AI mengonsumsi data perusahaan, baca dulu apa itu AI intelligence layer; artikel ini hanya mengasumsikan versi singkatnya: jawaban AI hanya sebaik data terpetakan dan terkelola yang ada di belakangnya.

Apa saja empat dimensi kesiapan data?

Kesiapan terurai menjadi empat dimensi. Nilai perusahaan Anda pada masing-masing. Pertanyaannya sengaja dirancang agar bisa dijawab dalam satu rapat, bukan satu proyek.

1. Aksesibilitas: apakah datanya bisa dijangkau?

Dimensi pertama sangat praktis: bisakah sebuah sistem (bukan seorang manusia) mengakses data itu?

• Untuk setiap sistem inti (ERP, CRM, POS, HRIS), adakah jalur yang bisa dibaca mesin: API, koneksi database, atau minimal ekspor terjadwal? Atau data hanya keluar lewat karyawan yang mengunduh file?
• Berapa banyak angka krusial perusahaan yang hanya ada di laptop atau inbox satu orang?
• Kalau vendor salah satu sistem tutup besok, masihkah Anda bisa mengeluarkan data Anda sendiri?

Jawaban "tidak" di sini bukan vonis mati, tetapi inilah yang harus dibereskan pertama, karena semua dimensi lain bergantung padanya.

2. Kualitas: apakah datanya bisa dipercaya?

Kualitas penting, tetapi tanyakan secara presisi, bukan samar-samar.

• Untuk lima laporan yang paling sering dipakai, tahukah Anda kira-kira seberapa besar tingkat kesalahannya? "Data penjualan 95% lengkap tetapi penandaan wilayah tidak andal" adalah jawaban yang siap. "Data kami berantakan" bukan. Itu jawaban yang belum pernah diperiksa.
• Ketika dua sistem menunjukkan angka berbeda untuk hal yang sama, adakah aturan baku tentang sistem mana yang menang?
• Apakah kesalahan yang Anda ketahui terkonsentrasi (satu field, satu cabang) atau tersebar di mana-mana?

Perhatikan: tidak satu pun pertanyaan itu menanyakan apakah data Anda bersih. Yang ditanyakan adalah apakah bentuk kotorannya diketahui. Kotoran yang diketahui bisa disiasati; kotoran yang tidak diketahui meracuni semuanya.

3. Tata kelola: siapa memiliki apa?

Inilah dimensi yang paling sering dilewati perusahaan, dan tempat paling banyak proyek AI mati.

• Untuk setiap dataset inti, bisakah Anda menyebut satu orang yang bertanggung jawab, satu orang, bukan satu komite?
• Siapa yang memutuskan siapa boleh melihat apa? Kalau seorang sales dan seorang CFO bertanya hal yang sama, haruskah jawabannya sama, dan apakah aturannya tertulis di mana pun?
• Ketika sebuah definisi berubah (pemecahan wilayah baru, kebijakan diskon baru), adakah jalur yang memastikan semua laporan turunan ikut mengetahuinya?

Tata kelola terdengar birokratis. Praktiknya justru kebalikan dari birokrasi: inilah yang membuat rapat berhenti berdebat soal angka.

4. Konteks dan definisi: apakah setiap istilah bermakna satu?

Pembunuh yang paling senyap. Setiap perusahaan berjalan di atas istilah ("pelanggan aktif", "pendapatan bersih", "pengiriman tepat waktu"), dan di kebanyakan perusahaan, istilah yang sama bermakna berbeda di departemen yang berbeda. Menyepakati satu makna tertulis untuk masing-masing adalah awal dari sebuah semantic layer: kosakata bersama yang membuat mesin menjawab pertanyaan bisnis dengan cara yang sama setiap kali.

• Ambil tiga metrik terpenting Anda. Apakah finance, sales, dan operasional akan menuliskan rumus yang sama untuk masing-masing?
• Apakah sistem Anda memakai kode (CUST_TYP_3, amt_net_2) yang hanya bisa diterjemahkan dua karyawan senior?
• Kalau dua karyawan senior itu resign bulan ini, berapa persen logika pelaporan perusahaan ikut keluar pintu bersama mereka?

AI membuat dimensi ini mendesak dengan cara yang belum pernah terjadi sebelumnya: sistem AI akan menjawab dengan percaya diri memakai salah satu definisi, dan kalau perusahaan Anda punya empat, ia akan memilih satu. Ini pula sebabnya mengubah pertanyaan bahasa sehari-hari menjadi SQL hanya seandal definisi di baliknya. Agen yang dibatasi per departemen, seperti dijelaskan di cara kerja agen AI untuk perusahaan Indonesia, hanya berperilaku benar kalau definisi yang ia warisi dibuat eksplisit.

Checklist dalam satu tabel

Untuk mengubah tabel ini menjadi skor, nilai setiap dimensi 2 (ada jawaban tertulis yang meyakinkan), 1 (baru sebagian diketahui), atau 0 (tak ada yang bisa menjawab). Total 6–8 berarti Anda bisa memulai proyek AI berlingkup sekarang dan membereskan kualitas sambil jalan. Total 3–5 berarti Anda sudah dekat, dengan satu atau dua dimensi yang perlu dikuatkan lebih dulu. Di bawah 3, langkah jujurnya adalah memetakan sebelum membangun. Namun keempat skor itu lebih penting daripada jumlahnya: perusahaan yang mendapat 2 di aksesibilitas dan konteks tetapi 0 di kualitas berada dalam posisi lebih baik daripada sebaliknya, karena celah yang diketahui bisa disiasati sementara lahan yang belum terpetakan tidak. Asimetri itu membawa kita ke dua poin paling berlawanan dengan intuisi di daftar ini.

Bukankah spreadsheet kami adalah masalah?

Kemungkinan besar bukan masalah yang Anda kira. Spreadsheet bukan diskualifikasi untuk AI. Spreadsheet tanpa dokumentasi — itulah diskualifikasinya.

Spreadsheet yang pemiliknya jelas, kolomnya bernama sesuatu yang bisa dipahami manusia, dan perannya dalam bisnis terpetakan — "di sinilah tim commercial merekonsiliasi klaim distributor sebelum masuk ERP" — adalah data yang bisa dipakai. Ia bisa dihubungkan, dibaca, dan dianalisis. File rekonsiliasi itu persis jenis sumber yang dibaca agen distribusi FMCG begitu ia terdokumentasi, bukan terkubur.

Bandingkan dengan data warehouse berisi dua ratus tabel, separuhnya ditinggalkan konsultan tiga tahun lalu, tak satu pun terdokumentasi, dan tidak ada yang bisa menjawab tabel mana yang menjadi sumber kebenaran untuk data pelanggan. Warehouse itu lebih modern, dan lebih tidak siap.

Spreadsheet yang terpetakan mengalahkan warehouse yang tidak terpetakan. Selalu.

Pelajarannya bukan "pertahankan semuanya di spreadsheet". Pelajarannya: kesiapan hidup di peta, bukan di teknologi. Kerja menuju ke sana punya nama dan bentuknya sendiri, dibahas di dari kekacauan spreadsheet ke data terkelola. Perusahaan yang melompati pemetaan dan langsung membeli perkakas — sering lewat proyek RAG atau fine-tuning — menemukan kembali kebenaran ini dengan cara yang mahal.

Mana yang harus dibereskan lebih dulu?

Kalau keempat dimensi sama-sama butuh perbaikan (dan di kebanyakan perusahaan memang begitu), urutannya menentukan. Bereskan akses dan definisi sebelum kualitas.

Alasannya praktis. Program kualitas yang diarahkan ke data yang belum bisa diakses dan belum terdefinisi adalah program yang membersihkan hal yang salah menurut standar yang salah. Tim menghabiskan berbulan-bulan memoles tabel yang ternyata bukan sumber kebenaran siapa pun, memakai definisi "pelanggan" yang tidak pernah disepakati tim sales.

Balik urutannya, dan pekerjaan kualitas menjadi murah dan terarah. Begitu sistem terjangkau dan definisi tertulis, perbedaan muncul dengan sendirinya: Anda bisa melihat bahwa ERP dan CRM berselisih soal 3% pelanggan, dan Anda tahu persis field mana, cabang mana, periode mana. Kualitas berhenti menjadi program dan berubah menjadi daftar kerja.

Ada alasan moril juga. Akses dan definisi menghasilkan kemenangan yang terlihat dalam hitungan minggu. Program kualitas menghasilkan kemenangan dalam hitungan kuartal — kalau pernah. Mengurutkan demi kemenangan awal bukan soal gengsi; itulah yang menjaga inisiatif tetap didanai.

Bagaimana cara tahu posisi Anda sekarang?

Jawaban korporat yang standar: komite audit data. Perwakilan dari setiap departemen, kuesioner panjang, rapat bulanan, laporan dua kuartal kemudian. Bentuknya menyeluruh, kenyataannya lambat, dan temuannya biasanya sudah basi sebelum sempat dipresentasikan.

Diagnostik terstruktur adalah instrumen yang lebih baik. Alih-alih meminta setiap departemen melaporkan sendiri segalanya, diagnostik berjalan mengikuti protokol tetap: inventarisasi sistem, telusuri alur data krusial, sebutkan pemiliknya, uji definisi terhadap pertanyaan nyata. Karena protokolnya tetap, prosesnya memakan hitungan hari, bukan kuartal. Karena berada di luar politik internal pula, ia bisa mengatakan hal yang tidak bisa dikatakan komite, termasuk "dataset ini tidak punya pemilik" dan "dua departemen ini mendefinisikan pendapatan secara berbeda dan tidak ada yang mau mengalah".

Keluaran yang penting bukan skor kematangan. Yang penting adalah jawaban tertulis dan spesifik atas empat dimensi di atas: di sinilah data Anda berada, inilah pemiliknya, inilah yang bisa dipercaya, inilah makna istilah-istilah Anda — dan inilah yang harus dibereskan, dengan urutannya.

Di mana posisi Nalar

Nalar adalah AI intelligence layer untuk perusahaan Indonesia: menghubungkan sistem yang sudah perusahaan jalankan — ERP, CRM, database, spreadsheet — memodelkan cara bisnis beroperasi, lalu menyajikan jawaban lewat agen AI per departemen, dashboard, dan WhatsApp. Semua yang dibahas artikel ini adalah fondasi yang membuat lapisan itu layak dipercaya — itulah sebabnya kami membangun diagnostiknya lebih dulu daripada yang lain.

Diagnostik itu bernama BARI: asesmen kesiapan AI terstruktur yang meninjau sistem, alur data, kepemilikan, dan definisi di perusahaan Anda, lalu menghasilkan laporan PDF tertulis — termasuk vonis jujur "belum siap" kalau memang itu kenyataannya, lengkap dengan celah spesifik yang menyebabkannya. Kalau Anda ingin melihat seperti apa tujuannya lebih dulu, demo interaktif menampilkan dashboard yang berjalan untuk enam arketipe industri Indonesia. Mulailah dari mana pun yang menjawab pertanyaan terbesar Anda — tetapi mulailah dari peta, bukan dari bersih-bersih.