Satu antarmuka saja tidak cukup untuk AI perusahaan
Dipersembahkan oleh Oracle NetSuiteSetiap transisi teknologi besar menghasilkan serangkaian asumsi tentang arah pasar. Asumsi-asumsi tersebut seringkali benar, namun cenderung meremehkan sejauh mana organisasi mengadaptasi teknologi baru terhadap keadaan mereka sendiri. AI juga mengikuti tren serupa. Banyak diskusi terkini tentang AI perusahaan mengasumsikan masa depan di mana karyawan berinteraksi dengan sistem bisnis melalui antarmuka yang sama. Detailnya berbeda-beda tergantung prediksi, namun tujuannya sering kali terlihat serupa: sistem percakapan yang menjadi cara utama orang mengakses informasi, menyelesaikan tugas, dan berinteraksi dengan perangkat lunak. Sejarah teknologi perusahaan menunjukkan hasil yang lebih rumit. Organisasi jarang mengadopsi kemampuan baru secara seragam karena berbagai bagian bisnis beroperasi dalam batasan yang berbeda. Tim keuangan yang bertanggung jawab atas keakuratan pelaporan, kontrol, dan persetujuan melakukan pendekatan terhadap teknologi secara berbeda dibandingkan kelompok analitik yang mengeksplorasi data operasional. Kedua kelompok memiliki persyaratan yang berbeda dibandingkan organisasi layanan pelanggan yang berfokus pada waktu respons dan penyelesaian kasus. Bahkan ketika ada kesepakatan luas bahwa suatu teknologi itu berharga, jalur penerapannya cenderung bervariasi antar fungsi. Peralihan ke perangkat lunak cloud mengikuti pola ini — beberapa organisasi bergerak secara agresif sementara yang lain menghabiskan waktu bertahun-tahun untuk mengoperasikan lingkungan hybrid. Departemen-departemen yang berbeda sering kali melakukan modernisasi pada jangka waktu yang berbeda-beda, yang mencerminkan prioritas pekerjaan itu sendiri dan bukan konsensus industri mengenai kecepatan penerapan yang tepat. Tidak ada solusi yang tepat untuk semua AIAI yang telah mempercepat banyak aspek pengembangan teknologi, namun AIAI tidak mengubah dinamika mendasar ini. Organisasi masih mengevaluasi kemampuan baru melalui sudut pandang proses, tanggung jawab, dan persyaratan operasional yang ada. Bagi sebagian karyawan, kemampuan AI yang paling berguna mungkin adalah kemampuan yang paling tidak terlihat. Seorang manajer keuangan yang menutup pembukuan sering kali kurang tertarik pada antarmuka baru dibandingkan memperpendek siklus pelaporan. Seorang pemimpin operasi yang menangani masalah inventaris biasanya berfokus pada identifikasi masalah lebih awal dan menyelesaikannya dengan lebih cepat. Dalam situasi ini, nilai AI berasal dari pengurangan jumlah upaya yang diperlukan untuk menyelesaikan pekerjaan yang ada. Pada saat yang sama, kelompok pengguna lain semakin menginginkan interaksi langsung dengan sistem AI. Analis, perencana, dan tim operasional sering kali mendapat manfaat dari kemampuan mengeksplorasi informasi secara percakapan, membandingkan skenario, dan menyelidiki pertanyaan yang tidak sesuai dengan laporan yang telah ditentukan sebelumnya. Bagi para pengguna ini, antarmuka itu sendiri menjadi berharga karena menyediakan cara yang lebih fleksibel untuk bekerja dengan informasi bisnis. Perwakilan layanan pelanggan yang menangani pertanyaan dalam jumlah besar memiliki persyaratan yang berbeda dari seorang analis keuangan yang menyelidiki tren biaya operasional. Salah satu pihak mendapat manfaat dari informasi yang muncul secara otomatis dalam proses yang ada, sedangkan pihak lain mendapat manfaat dari kebebasan untuk mengajukan pertanyaan lanjutan, mengeksplorasi penjelasan alternatif, dan menelusuri data secara lebih dinamis. Banyak organisasi menemukan bahwa kedua pola tersebut ada secara bersamaan, yang mencerminkan realitas yang lebih luas tentang bagaimana bisnis berkembang. Kompleksitas operasional terakumulasi secara bertahap, sistem bertambah banyak, dan proses menjadi terfragmentasi. Informasi didistribusikan ke seluruh aplikasi, laporan, spreadsheet, dan alur kerja, dan karyawan menghabiskan lebih banyak waktu untuk menemukan informasi sebelum mereka dapat mulai mengambil tindakan. Sebagian besar nilai yang diciptakan oleh perangkat lunak perusahaan selama beberapa dekade terakhir berasal dari pengurangan fragmentasi tersebut. Menggabungkan keuangan, operasi, inventaris, informasi pelanggan, perencanaan, dan pelaporan ke dalam sistem umum menciptakan gambaran yang lebih lengkap tentang cara bisnis beroperasi. AI mulai mengatasi masalah terkait. Ketika informasi sudah ada dalam sistem yang terhubung, karyawan masih perlu menemukannya, menafsirkannya, dan menerapkannya. Siklus pelaporan memakan waktu. Pertanyaan rutin memerlukan penyelidikan. Manajer sering kali menghabiskan banyak upaya untuk mengumpulkan informasi sebelum mereka dapat mengambil keputusan. Seiring berkembangnya organisasi, aktivitas ini menjadi semakin mahal karena menyita perhatian orang-orang yang keahliannya sering kali terbatas. AI berjanji untuk mengurangi upaya yang diperlukan untuk beralih dari informasi ke tindakan. Di Dura Software, alur kerja yang terhubung dengan AI membantu mengotomatiskan sebagian pelaporan pendapatan yang sebelumnya memerlukan persiapan manual pada setiap siklus pelaporan. Sloan Session, CFO di Dura Software, menggambarkan pengaturan tersebut dalam istilah praktis: “Agen menangani tarikan. Manusia menangani penilaian dan sentuhan pribadi.” Pengamatan tersebut menangkap aspek penting dari adopsi AI saat ini. Kebanyakan organisasi tidak berusaha menghilangkan penilaian dari proses bisnis. Mereka mencoba mengurangi jumlah waktu yang dihabiskan untuk mengumpulkan, mengatur, dan menyiapkan informasi sehingga karyawan yang berpengalaman dapat fokus pada keputusan yang memerlukan keahlian. Pola serupa muncul di S&B Filters. Karyawan sebelumnya menghabiskan beberapa menit selama interaksi pelanggan untuk mengumpulkan informasi pemesanan di awal dari berbagai sistem. Dengan menghubungkan AI ke data operasional, perusahaan mempersingkat proses tersebut menjadi hitungan detik dan pada akhirnya memperluas kemampuan tersebut langsung ke pelanggan melalui layanan mandiri. Jangan lupakan tata kelola. Dalam kedua kasus tersebut, manfaatnya berasal dari pengurangan hambatan yang terkait dengan pencarian dan penggunaan informasi dibandingkan memperkenalkan antarmuka baru. Saat informasi menjadi lebih mudah diakses, pertanyaan mengenai akses itu sendiri menjadi lebih penting. Izin, struktur persetujuan, dan kebijakan keamanan ada karena bisnis memerlukan mekanisme untuk mengendalikan akses terhadap informasi dan mengelola risiko. Persyaratan tersebut tidak hilang ketika karyawan mulai berinteraksi dengan data melalui sistem AI. Bahkan, hal ini menjadi lebih penting karena AI dapat membuat informasi lebih mudah diakses. Berry Carter, CEO S&B Filters, menjelaskan prinsip ini dengan jelas. Jika pengguna tidak dapat mengakses informasi tertentu dalam NetSuite, pengguna tersebut tidak boleh mengakses informasi yang sama melalui asisten AI. Pernyataan itu terdengar jelas. Menerapkannya secara konsisten di seluruh sistem, alur kerja, dan model memerlukan lebih banyak disiplin daripada yang dinyatakan dalam pernyataan itu sendiri. Lauren Polasek, mantan administrator NetSuite dan anggota dewan Texas NetSuite User Group, baru-baru ini menyampaikan poin terkait. Menghubungkan teknologi seringkali merupakan bagian yang lebih mudah. Organisasi masih perlu menentukan alat mana yang harus digunakan, siapa yang harus memiliki akses terhadap alat tersebut, dan bagaimana tata kelola harus berkembang seiring dengan meluasnya adopsi. Inilah salah satu alasan mengapa prediksi tentang antarmuka AI tunggal sulit diselaraskan dengan cara perusahaan sebenarnya beroperasi. Persyaratan organisasi keuangan yang menutup pembukuan berbeda dengan persyaratan tim layanan pelanggan yang menangani ribuan interaksi setiap hari. Beberapa kemampuan AI akan ditanamkan langsung ke dalam proses bisnis yang mungkin hampir tidak disadari oleh karyawan. Pihak lain akan memberikan akses lebih langsung terhadap informasi operasional melalui sistem percakapan. Banyak bisnis yang akhirnya menggunakan kedua pendekatan tersebut karena cara kerja dasarnya berbeda. Miliki AI sesuai keinginan Anda. Perspektif tersebut telah membentuk cara berpikir kami tentang AI di NetSuite. Beberapa pelanggan menginginkan AI tertanam langsung dalam alur kerja operasional. Yang lain menginginkan kemampuan untuk menghubungkan data NetSuite ke model dan asisten eksternal sehingga mereka dapat berinteraksi dengan informasi bisnis melalui alat yang sudah menjadi bagian dari pekerjaan mereka sehari-hari. Semakin banyak organisasi yang meminta keduanya. Layanan Konektor AI NetSuite dan dukungan kami untuk Model Context Protocol (MCP) dirancang dengan mempertimbangkan kenyataan tersebut. Tujuannya adalah untuk memungkinkan organisasi menghubungkan informasi bisnis dengan aman ke alur kerja dan sistem yang masuk akal bagi mereka sambil terus memanfaatkan kemampuan AI yang dibangun langsung ke dalam NetSuite. Sejarah perangkat lunak perusahaan menunjukkan bahwa penerapannya jarang terjadi secara langsung. Ketika organisasi mengadopsi AI, para pemimpin bisnis harus mengidentifikasi tujuan bisnis dan alur kerja yang terlibat sehingga mereka dapat mencocokkan solusi dengan kenyataan pekerjaan. Artikel bersponsor adalah konten yang diproduksi oleh perusahaan yang membayar untuk postingan tersebut atau memiliki hubungan bisnis dengan VentureBeat, dan artikel tersebut selalu ditandai dengan jelas. Untuk informasi lebih lanjut, hubungi sales@venturebeat.com.
Diterbitkan : 2026-07-09 07:00:00
sumber : venturebeat.com
