Sekitar dua pertiga pertumbuhan produk domestik bruto AS pada paruh pertama tahun 2025 didorong oleh bisnis pengeluaran untuk perangkat lunak dan peralatan yang dirancang untuk bahan bakar AI adopsi.
Dengan begitu banyaknya investasi dan energi yang difokuskan untuk membuka potensi AI, maka masuk akal jika banyak pelaku bisnis, investor, dan komentator mulai mempertanyakan kapan kita bisa mengharapkan keuntungannya.
Mereka menunjuk pada “paradoks AI” yang berkembang dimana, meskipun ada peningkatan investasi dan adopsi AI, perusahaan masih belum dapat menunjukkan manfaat nyata.
Apa yang menyebabkan kesenjangan yang semakin besar antara nilai potensial dan nilai dunia nyata? Hal ini semakin disebabkan oleh kurangnya pemahaman tentang interaksi penting di antara keduanya datakeahlian domain, dan orkestrasi alur kerja AI.
Meskipun sebagian besar pemimpin bisnis kini memahami bahwa mereka perlu menata data mereka sebelum mereka benar-benar dapat memanfaatkan kekuatan AI, banyak yang melakukan proses tersebut dengan cara yang salah.
Mereka melakukan upaya besar-besaran migrasi data inisiatif atau fokus pada bagian kecil dari bisnis mereka untuk membuat prosesnya lebih mudah dikelola, namun hanya sedikit yang menggunakan AI untuk memecahkan masalah data. Mereka memandang AI sebagai tujuan akhir dari proyek harmonisasi big data dibandingkan memanfaatkan kekuatan AI untuk membuka data mereka.
Kesiapan data menentukan keberhasilan atau kegagalan inisiatif AI
Saya telah melihat fenomena ini terjadi dalam jumlah yang tak terhitung jumlahnya bisnis yang telah memprioritaskan inovasi berbasis AI tanpa terlebih dahulu memperhatikan landasan data dan teknologi yang diperlukan untuk mendukung pemberdayaan AI.
Saya juga melihat sisi sebaliknya, dimana dunia usaha mampu merekayasa ulang alur kerja perusahaan dari awal dan mendapatkan manfaat yang sangat besar dari AI. Dalam setiap contoh, satu-satunya karakteristik yang membedakan mereka yang menggunakan formula AI dengan benar dan mereka yang kesulitan melewati fase pembuktian konsep adalah kesiapan data.
Agar AI benar-benar memberikan nilai di tingkat perusahaan, AI harus mampu memanfaatkan beragam kumpulan data terstruktur dan tidak terstruktur dari seluruh aspek bisnis. Dalam kebanyakan kasus, kumpulan data ini bersifat tersendiri, tidak lengkap, tidak kompatibel, atau tidak dapat diakses oleh berbagai bagian organisasi.
Fragmentasi inilah yang membatasi potensi banyak proyek AI saat ini. Ini juga merupakan masalah yang secara unik dapat dipecahkan oleh AI. Dengan AI agen saat ini, AI dapat digunakan untuk mengotomatiskan penemuan, kurasi, dan transformasi data, sehingga data yang tepat siap untuk AI di seluruh perusahaan.
Merekayasa ulang alur kerja perusahaan dari awal
Misalnya, industri asuransi properti dan kecelakaan (P&C) telah muncul sebagai salah satu tempat uji coba AI yang paling subur karena ini adalah bisnis yang berkembang dengan data tidak terstruktur dan memerlukan serangkaian proses yang terstandarisasi dan berulang, namun sangat kompleks agar dapat berfungsi dengan baik.
Secara keseluruhan, alur kerja ini sudah siap untuk diubah oleh AI. Namun, banyak perusahaan asuransi kesulitan untuk sepenuhnya mengintegrasikan AI dalam proses ini karena mereka tidak dapat memperoleh data dasar untuk mendukung arus informasi yang benar-benar lancar.
Agar adil, ini adalah proses yang rumit. Dari penjaminan emisi hingga pembayaran klaim, alur kerja asuransi sangat bergantung pada data—namun setiap tahap menangani dan menyimpannya secara berbeda. penjamin emisi, pelanggan melayani, keuangandan pengelolaan akun semuanya menggunakan kumpulan data terpisah, dan prosesnya sering kali dilakukan secara manual.
Meskipun ada kemajuan dalam teknologi, perusahaan asuransi kini membutuhkan rata-rata 44 hari untuk memproses klaim pemilik rumah pada umumnya—mulai dari pengajuan hingga pembayaran. Alih-alih menyederhanakan alur kerja, prosesnya menjadi lebih lambat dari sebelumnya.
Menanamkan agen AI pada titik-titik kritis dalam alur kerja yang kompleks
Tidak perlu seperti itu. Perusahaan asuransi yang menggunakan AI bukan sebagai solusi utama atau bukti konsep, namun sebagai peluang untuk merekayasa ulang koneksi data penting dan menanamkan agen AI di seluruh arsitektur data mereka, melihat hasil yang sangat berbeda.
Misalnya, salah satu perusahaan asuransi nasional besar baru-baru ini memulai proyek yang dirancang untuk mempercepat pemberitahuan pertama pemrosesan kerugian, dengan tujuan mengurangi waktu antara pelanggan melaporkan suatu insiden hingga menerima pembayaran.
Dengan menanamkan AI agen pada titik-titik penting dalam proses, dan – secara kritis – menyusun semua data sehingga dapat ditangani dalam format standar dan konsisten, mereka mampu mengurangi waktu siklus klaim dari beberapa minggu menjadi dua hari.
Saus rahasia untuk keseluruhan proyek bukanlah lebih besar, lebih baik model bahasa besar atau lebih banyak investasi pada AI. Orkestrasi AI dalam alur kerja menjadi lebih baik.
Perusahaan asuransi harus mampu membuat koreografi spektrum penuh dari gambar kecelakaan, panggilan audio, catatan penyesuaian, data klaim, konteks historis, nomor identifikasi kendaraan, pemeriksaan kualitas data, tinjauan cakupan, dan pemeriksaan penipuan untuk mendukung alur kerja yang selaras dan didukung AI.
Misalnya, perusahaan asuransi dapat memperkenalkan agen AI yang berfokus pada kualitas data yang bekerja sama dengan agen AI yang berfokus pada operasi yang memantau operasi yang sedang berlangsung dan melakukan intervensi ketika ada jeda atau penyimpangan dalam alur kerja.
Kemampuan untuk membuat agen AI bekerja sama, dibandingkan bekerja dalam silo vertikal, memungkinkan alur kerja AI perusahaan yang lengkap dan memberikan hasil yang benar-benar transformatif.
Dengan menerapkan agen AI yang terkoordinasi di seluruh kumpulan data utama, bisnis dapat membangun tulang punggung data terpadu yang mendukung operasi lintas fungsi. Pendekatan ini memungkinkan sistem untuk berkolaborasi, beradaptasi, dan menjalankan alur kerja yang kompleks dengan lancar.
Data, domain, dan AI
Saat kita mendekati peringatan tiga tahun peluncuran ChatGPT dan kebangkitan dunia akan potensi AI generatif dan agenik untuk benar-benar mentransformasi bisnis, banyak komentator mencari celah pada fondasinya—contoh-contoh yang menunjukkan bahwa hasilnya tidak sesuai dengan apa yang diharapkan.
Padahal, bagi pebisnis yang paham hasilnya paling praktis aplikasi AI dan meluangkan waktu untuk tidak hanya membuat alat tetapi juga menata ulang fungsi inti adalah hal yang luar biasa.
Bagi mereka yang menghadapi tantangan, hal ini biasanya bukan merupakan fungsi dari teknologi itu sendiri, namun kemampuan untuk mengintegrasikannya secara efektif.
Ini bukan jenis teknologi yang Anda beli begitu saja, pasang dan tunggu hasilnya. Hal ini memerlukan pendukung AI yang memahami cara bekerja dengan data yang diperlukan untuk mendukung AI dan pengetahuan terperinci tentang alur kerja spesifik industri yang merupakan kandidat terbaik untuk transformasi.
Itu adalah keseimbangan yang rumit, tetapi tidak ada batasnya bagi mereka yang mendapatkan formulanya dengan benar.
Kami telah menampilkan penulis AI 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
