Selama hampir tiga tahun, Generative AI (GenAI) telah menangkap imajinasi perusahaan di seluruh dunia dan menjanjikan transformasi pengalaman pelangganmendorong produktivitas dan membuka aliran pendapatan baru.
Namun, saat ini, banyak organisasi besar menghadapi kenyataan di balik hype tersebut. Perusahaan riset pasar dan penasihat telah menempatkan GenAI dengan kuat pada fase Palung Kekecewaan, ketika perusahaan mulai memahami potensi dan keterbatasannya yang sebenarnya.
Wakil Presiden Eksekutif di HCLTech.
Investasi terus berlanjut di seluruh industri, namun banyak perusahaan yang merasa frustrasi dengan imbal hasil yang lambat dan terukur. Dalam fase kritis ini, senior bisnis dan para pemimpin teknologi bertanya: bagaimana kita dapat mengelola peluncuran dan peningkatan GenAI untuk memberikan nilai bisnis yang nyata dan menghindari menjadi bagian dari 30% proyek GenAI yang diprediksi oleh Gartner akan ditinggalkan pada tahun 2025?
Tantangan apa yang dihadapi perusahaan dalam menskalakan GenAI?
Perusahaan-perusahaan besar yang berlomba untuk mengadopsi GenAI menghadapi sejumlah tantangan praktis, termasuk tantangan kemiskinan data kualitas, pengendalian risiko yang tidak memadai, meningkatnya biaya dan nilai bisnis yang tidak jelas, yang mengancam kegagalan proyek sebelum mencapai produksi.
Kendala terbesarnya adalah ketidaksesuaian antara investasi dan keuntungan jangka pendek. Tantangan utama lainnya adalah kesiapan organisasi. Banyak perusahaan tidak memiliki landasan data dan literasi AI untuk mendukung GenAI dalam skala besar.
Organisasi dengan tingkat kematangan rendah kesulitan mengidentifikasi kasus penggunaan yang tepat dan memiliki ekspektasi yang tidak realistis, sementara perusahaan yang lebih matang menghadapi kesenjangan bakat dan perlu menanamkan literasi GenAI di seluruh tim. Memastikan kualitas data juga merupakan tantangan yang terus-menerus, sama seperti sistem GenAI lainnya AI model, hanya akan sebaik data yang dilatihnya.
Data yang buruk menyebabkan keluaran yang tidak dapat diandalkan. Tata kelola dan pengendalian risiko sering kali mengejar ketertinggalan, dengan pengguna awal yang menghadapi masalah seperti halusinasi model, bias, dan pemenuhan kepatuhan terhadap peraturan yang muncul, seperti UU AI UE yang berwawasan ke depan dan mengikat secara hukum.
Semua tantangan ini menyoroti bahwa adopsi GenAI bukan semata-mata tantangan teknologi, namun juga tantangan manusia dan proses. Upaya inovasi yang terselubung akan gagal tanpa adanya dukungan lintas fungsi dan proyek yang dilaksanakan secara terisolasi dari kebutuhan bisnis berisiko tidak memberikan hasil bisnis yang jelas.
Bagaimana organisasi dapat menghindari kegagalan proyek GenAI dan meningkatkan nilai?
Untuk memindahkan inisiatif GenAI dari uji coba ke produksi, perusahaan harus mengambil pendekatan strategis dan berfokus pada nilai sejak awal. Pertama, menetapkan kasus bisnis dan metrik keberhasilan yang jelas sangatlah penting.
Daripada menggunakan AI untuk kepentingannya sendiri, perusahaan harus mulai dengan mengidentifikasi kasus penggunaan yang berdampak besar di mana GenAI dapat memecahkan masalah nyata atau membuka perbaikan yang terukur, seperti mengurangi waktu tunggu layanan pelanggan atau mengotomatisasi proses manual yang mahal.
Pada saat yang sama, organisasi harus secara cermat menganalisis total biaya dan potensi nilai bisnis dari inisiatif ini untuk mengambil keputusan investasi yang tepat.
Praktik terbaik lainnya adalah membina lintas fungsi yang kuat kolaborasi sejak hari pertama. Program GenAI yang sukses menghilangkan kesenjangan antara TI, ilmu data, unit bisnis, dan manajemen risiko.
Pendekatan lintas fungsi ini memastikan tim teknis memahami konteks bisnis dan pendorong nilai, sementara pemangku kepentingan bisnis tetap mendapat informasi tentang kemampuan dan keterbatasan AI. Mempromosikan kolaborasi antar tim memberdayakan orang-orang di semua tingkatan untuk membuat keputusan yang tepat dan mendorong inovasi bersama-sama.
Salah satu pendekatannya adalah dengan membentuk “Dewan AI” atau badan tata kelola serupa dengan perwakilan dari berbagai departemen, yang dapat memperjuangkan inisiatif ini, menyelaraskannya dengan strategi perusahaan, dan memantau pertimbangan etika dan kepatuhan.
Yang tidak kalah pentingnya adalah mengelola aspek budaya dan perubahan. GenAI sering kali menambah atau mendefinisikan ulang pekerjaan dan proses, sehingga organisasi perlu mempersiapkan tenaga kerjanya. Ini berarti meningkatkan keterampilan dan mengubah manajemen untuk membantu karyawan percaya dan menggunakan alat AI secara efektif.
Beberapa pengguna awal merasakan manfaatnya memulai proyek percontohan yang melibatkan pengguna akhir dan mengulanginya berdasarkan masukan; menunjukkan kemenangan kecil membantu membangun momentum dan dukungan. Dalam iklim ekspektasi yang tinggi saat ini, menetapkan pencapaian yang realistis dan merayakan kemajuan bertahap dapat mencegah kekecewaan.
Meskipun hype tersebut mungkin menjanjikan manfaat langsung, dalam praktiknya kesuksesan GenAI berasal dari serangkaian langkah yang dijalankan dengan baik dan berfokus pada nilai.
Kerangka kerja apa yang dapat memandu keberhasilan peluncuran GenAI dalam skala besar?
Meluncurkan GenAI di perusahaan besar memerlukan struktur. Perusahaan memerlukan model operasi yang dapat membawa AI mulai dari ide hingga dampak industri dengan memungkinkan tim multidisiplin untuk tetap gesit, tanpa mengorbankan keselamatan atau akuntabilitas.
Banyak perusahaan juga menggunakan model operasi yang selaras dengan produk untuk menghubungkan pekerjaan AI dengan hasil bisnis.
Cara efektif untuk memandu penerapan AI adalah dengan menerapkan kerangka kerja tiga langkah mulai dari uji coba hingga produksi.
Fase pertama, Discovery dan Baselining, berfokus pada pemahaman kesiapan dan peluang perusahaan. Hal ini melibatkan penilaian lanskap data saat ini, tumpukan teknologi, dan kematangan AI, serta mengidentifikasi kasus penggunaan prioritas melalui lokakarya dengan para pemimpin bisnis.
Tujuannya adalah untuk mendefinisikan masalah, menyelaraskan kriteria keberhasilan dan membangun pemahaman bersama antar pemangku kepentingan.
Fase kedua, Perkakas dan Desain, mencakup tugas berat dalam membangun solusi. Di sini, organisasi memilih alat dan model yang tepat serta merancang solusi dengan mempertimbangkan skalabilitas, keamanan, dan tata kelola.
Ini termasuk menyiapkan awan atau di lokasi infrastruktur dan mengintegrasikan model GenAI dengan alur kerja bisnis. Desain juga mencakup pengalaman pengguna. Misalnya, bagaimana asisten yang didukung GenAI berintegrasi ke dalam alat sehari-hari karyawan.
Fase terakhir, ROI dan Penskalaan, adalah tentang membuktikan nilai dan kemudian meningkatkan apa yang berhasil. Pada fase ini, solusi GenAI diterapkan di lingkungan dunia nyata, sering kali dimulai dengan cakupan atau kelompok pengguna terbatas, dan diukur berdasarkan KPI yang ditetapkan pada fase penemuan.
Jika hasilnya memenuhi atau melampaui target, organisasi dapat dengan yakin memperluas penggunaan AI dan mulai melembagakannya sebagai suatu kemampuan. Fokus dalam fase ini adalah pada adopsi dan manajemen perubahan perusahaan.
AI yang bertanggung jawab harus diterapkan di ketiga fase penskalaan GenAI. Dalam penemuan, tentukan tujuan penggunaan dan batasannya terlebih dahulu, nilai asal dan kualitas data, serta tetapkan metrik tanggung jawab yang terukur di samping KPI bisnis.
Dalam desain, rekayasa sistem sesuai standar tersebut, termasuk menggabungkan penegakan kebijakan dan kontrol akses serta menerapkan pengujian bias dan keamanan. Dalam penskalaan dan adopsi, gabungkan pengawasan human-in-the-loop untuk langkah-langkah berisiko tinggi, pemantauan berkelanjutan dan respons terhadap insiden, jalur audit, dan evaluasi ulang model secara berkala.
Di manakah perusahaan melihat kesuksesan dengan GenAI?
Mengikuti pendekatan yang tepat, GenAI dapat memberikan hasil yang mengesankan. Misalnya, di sektor perbankan, sebuah Bank di Australia menerapkan GenAI pada proses pengujian perangkat lunaknya, yang biasanya merupakan upaya manual yang memakan banyak waktu.
Dengan memanfaatkan GenAI, bank ini mampu mempercepat siklus pengujiannya secara signifikan dan meningkatkan kualitas perangkat lunak, sehingga menumbuhkan budaya pengujian yang lebih kolaboratif dan adaptif. Dalam praktiknya, hal ini berarti peluncuran fitur-fitur baru yang lebih cepat kepada pelanggan dan kepercayaan yang lebih tinggi terhadap rilis tersebut.
Contoh lain datang dari industri farmasi, di mana sebuah perusahaan farmasi Amerika Utara menggunakan GenAI untuk mengubah proses kepatuhan dan auditnya. Sistem audit dokumen berbasis aturan yang ada di perusahaan ini mahal dan tidak mudah digunakan, sehingga mereka bekerja sama dengan mitra untuk mengintegrasikan solusi GenAI.
Hasilnya adalah asisten bertenaga AI yang dapat meninjau peraturan dokumen dan mengidentifikasi potensi kesenjangan kualitas dengan akurasi lebih dari 95%, sekaligus mengurangi upaya pengembangan dokumen manual sebesar 65% dan meningkatkan skor keterbacaan sebesar 50%.
Maraton, bukan lari cepat
Perjalanan untuk meluncurkan GenAI di seluruh bisnis besar adalah sebuah maraton, bukan lari cepat. Banyak organisasi saat ini memasuki jurang kekecewaan, karena percobaan awal belum menghasilkan ROI yang dijanjikan. Namun fase ini masih bisa diatasi, karena perusahaan memikirkan kembali strategi AI mereka dari sekadar sensasi menjadi kenyataan.
Dengan menangani kualitas data secara langsung, berinvestasi pada kesiapan organisasi, dan membina kolaborasi antar TI dan domain bisnis, perusahaan dapat menghindari titik kegagalan yang umum terjadi. Yang terpenting, dengan beralih ke model operasi yang selaras dengan produk dan menetapkan ekspektasi yang realistis, organisasi dapat memperoleh nilai yang signifikan.
Namun untuk mencapai hal tersebut dalam skala besar memerlukan AI yang bertanggung jawab, tata kelola, iterasi, dan fokus berkelanjutan pada hasil bisnis. Perusahaan yang memperlakukan penerapan AI sebagai transformasi holistik, menyelaraskan teknologi dengan manusia, proses, dan tujuan, adalah perusahaan yang telah mengubah investasi awal AI menjadi ROI yang berkelanjutan.
Kami telah menampilkan platform intelijen bisnis terbaik.
Artikel ini dibuat sebagai bagian dari saluran Expert Insights TechRadarPro tempat kami menampilkan para pemikir terbaik dan tercemerlang di industri teknologi saat ini. Pandangan yang diungkapkan di sini adalah milik penulis dan belum tentu milik TechRadarPro atau Future plc. Jika Anda tertarik untuk berkontribusi, cari tahu lebih lanjut di sini: https://www.techradar.com/news/submit-your-story-to-techradar-pro
