Sebelum Penerbit Musik Berinvestasi pada AI, Mereka Perlu Mengetahui Apa yang Mereka Perbaiki (Kolom Tamu)
Pada tahun 2019 lalu, saya menulis tentang perlunya kebersihan data menjelang peluncuran Mechanical Licensing Collective (MLC). Argumen saya sangat jelas: Jika penerbit musik ingin beroperasi secara efektif di lingkungan yang lebih berbasis data, mereka harus serius mengenai kualitas, konsistensi, dan aksesibilitas informasi mereka. Tujuh tahun kemudian, para penerbit mengajukan pertanyaan yang paling menonjol: Bagaimana kita memanfaatkan AI? Bagi banyak penerbit musik, AI bisa sangat berguna. Namun terlalu banyak organisasi yang memulai dari tempat yang salah. Mereka memulai dengan menanyakan vendor mana yang akan digunakan, model mana yang akan diuji, atau seberapa cepat mereka dapat menerapkan alat baru. Itu bukanlah pertanyaan yang tepat. Titik awal sebenarnya jauh lebih sederhana: Apa sebenarnya yang ingin kita perbaiki? Terkait Masalah Sebenarnya Bagi sebagian besar penerbit musik, kendala sebenarnya bukanlah terkait teknologi. Sebaliknya, ini adalah fragmentasi – masalah yang sama yang mereka alami pada tahun 2019. Menggunakan lebih banyak teknologi untuk mengatasi masalah apa pun jarang menyelesaikannya. Faktanya, ketika sistem, alur kerja, dan tanggung jawab tidak selaras, alat AI tidak menciptakan kejelasan. Sebaliknya, hal-hal tersebut justru memperbesar inkonsistensi, menyoroti kontradiksi, dan membuat fondasi yang lemah menjadi lebih terlihat. Menurut pengalaman saya, tiga hambatan struktural biasanya muncul. Identitas: Pekerjaan apa yang sedang kita bicarakan? Kedengarannya mendasar, tetapi jarang terjadi. Komposisi, rekaman, atau penulis yang sama mungkin ada di bawah beberapa pengidentifikasi di sistem yang berbeda. Judul mungkin berbeda, nama mungkin diformat berbeda, dan metadata mungkin tidak lengkap di satu tempat dan terduplikasi di tempat lain. Jika hal ini terjadi, pencocokan langsung pun menjadi lebih sulit dari yang seharusnya. Logika: Perhitungan royalti jarang sekali hanya sekedar rumus. Hal ini merupakan akumulasi ketentuan kontrak, keputusan kebijakan, pengecualian historis, solusi operasional, dan memori institusional. Sebagian dari logika tersebut terdapat dalam perangkat lunak, sebagian lagi terdapat dalam dokumentasi, dan sebagian lagi hanya terdapat dalam pikiran orang-orang yang telah menjalankan sistem tersebut selama bertahun-tahun. Jika penerbit tidak dapat menjelaskan dengan jelas bagaimana suatu aturan diterapkan, mereka tidak boleh mengharapkan lapisan AI untuk menerapkan aturan tersebut dengan andal. Silsilah: Dalam penerbitan, kepercayaan bergantung pada kemampuan menjawab pertanyaan dasar: Bagaimana kita bisa mencapai angka ini? Pertanyaan tersebut menjadi penting ketika pembayaran royalti terlihat salah, ketika dua sistem menghasilkan keluaran yang bertentangan, atau ketika kepemimpinan menginginkan keyakinan bahwa suatu rekomendasi dapat diverifikasi. Jika jalur dari sumber data ke hasil yang dilaporkan tidak dapat dilacak, AI hanya akan menambah masalah. Agar infrastruktur hak musik menjadi terotomatisasi, hal ini harus dapat dijelaskan terlebih dahulu. Terkait Kepercayaan dan efektivitas AI tidak akan datang dari seberapa mengesankan tampilan demonya. Hal ini akan bergantung pada apakah seseorang di dalam bisnis dapat mengikuti jalur dari data hingga hasil dan memahami apa yang terjadi di setiap langkah. Sistem AI hanya akan secerdas struktur tempat mereka beroperasi. Apakah kamu siap? Untuk membantu mengidentifikasi dan memperbaiki hambatan ini, saya sering menyarankan agar penerbit memulai dengan penilaian kesiapan AI eksternal daripada langsung menerapkannya. Tinjauan dari luar menciptakan jarak yang berguna dari asumsi-asumsi yang berkembang seiring berjalannya waktu di dalam organisasi mana pun, dan membantu memunculkan sistem-sistem yang saling bertentangan, tanggung jawab yang tidak jelas, dan bisnis yang mempunyai risiko operasional tersembunyi. Itu membuat yang implisit menjadi eksplisit. Penilaian yang baik bukan berarti memperlambat inovasi. Ini tentang membuat keputusan yang lebih baik dengan lebih cepat. Hal ini harus memperjelas bagaimana pekerjaan sebenarnya dilakukan dalam organisasi, di mana data penting berada, ketergantungan mana yang rentan, dan kasus penggunaan mana yang layak untuk dilakukan terlebih dahulu. Proses tersebut harus selalu mencakup wawancara pemangku kepentingan, peninjauan kualitas data dan fragmentasi sistem, serta analisis praktis mengenai peran AI yang dapat membantu dibandingkan dengan peran AI yang cenderung menciptakan lebih banyak kompleksitas daripada nilai. Sasarannya bukanlah kumpulan strategi AI teoretis, melainkan peta jalan jangka waktu 12 hingga 18 bulan yang dapat segera ditindaklanjuti oleh para pemimpin. Hal ini mungkin terdengar kurang menarik dibandingkan membeli alat baru, namun menghindari investasi AI yang salah sering kali lebih bermanfaat dibandingkan menemukan alat yang tepat beberapa minggu sebelumnya. Industri musik tidak membutuhkan lebih banyak teater AI. Perlu lebih banyak kejelasan operasional. Penerbit yang paling diuntungkan dari AI belum tentu menjadi penerbit yang bergerak lebih dulu. Merekalah yang akan meluangkan waktu untuk memahami sistem mereka sendiri, menyelaraskan alur kerja, dan membangun lingkungan di mana intelijen dapat dipercaya. AI benar-benar dapat menciptakan nilai dalam penerbitan, tetapi hanya setelah penerbit mengetahui apa yang mereka perlukan dari teknologi tersebut. Guy Barash adalah pendiri dan CEO Dotted Eighth LLC, sebuah firma penasihat teknologi butik yang bekerja di persimpangan antara musik, data, dan teknologi baru. Dalam perannya ini, ia memberikan nasihat kepada organisasi musik, perusahaan teknologi, startup, dan pihak lain yang melayani industri musik mengenai data dan teknologi yang mendukung hak musik. Dengan latar belakang yang mencakup pengalaman penerbitan yang luas dan lebih dari 20 tahun sebagai komposer, Barash unggul dalam menavigasi domain kreatif, hukum, dan teknis rumit yang dihadapi industri musik sehari-hari.
Diterbitkan : 2026-06-09 14:00:00
sumber : www.billboard.com
