Tantangan AI bagi perusahaan tidak dapat diselesaikan hanya dengan pembuatan kode saja
Disajikan oleh SAP, menghasilkan kode dengan AI sangatlah cepat, namun membuat kode tersebut dapat berjalan dengan andal di dalam perusahaan besar, terintegrasi dengan sistem yang ada, diatur kepatuhannya, dan dapat dipelihara selama bertahun-tahun memerlukan upaya mendasar yang dianggap remeh oleh sebagian besar organisasi. Meskipun 81% dari seluruh organisasi memiliki strategi terperinci, hanya 12–16% yang mencapai eksekusi berbasis AI, kata Michael Ameling dari SAP, CPO dari SAP Business Technology Platform, dan alasannya jarang sekali disebabkan oleh kualitas kode yang dihasilkan. Ada persyaratan khusus untuk menerapkan logika yang dihasilkan AI pada skala perusahaan: seperti apa sebenarnya kesiapan data dan integrasi, bagaimana tata kelola bekerja ketika agen AI beralih dari membuat rekomendasi ke mengeksekusi alur kerja, dan bagaimana tim pengembangan mengubah peran mereka saat AI mengambil alih lebih banyak pekerjaan pengkodean. Mengapa pembuatan kode AI gagal di lingkungan produksi perusahaan Peningkatan produktivitas dari pembuatan kode AI adalah nyata dan terdokumentasi dengan baik, namun kemudahan pembuatan prototipe telah memberikan gambaran yang menyesatkan bagi banyak organisasi tentang sejauh mana kemajuan mereka sebenarnya. “Menghasilkan kode adalah satu hal,” kata Ameling. “Pelanggan perusahaan, termasuk perusahaan multinasional dan organisasi besar, perlu memastikan tidak ada kompromi dalam kepatuhan atau keamanan. Kode yang berjalan dengan andal selama sepuluh atau dua puluh tahun, seperti yang terjadi pada banyak pelanggan terbesar SAP, juga harus dipelihara, ditambal, dan dipahami oleh siapa pun yang mewarisinya. Manajemen siklus hidup, dengan kata lain, tidak muncul dengan sendirinya.” Masalahnya jarang sekali terletak pada kualitas generasi. Tim membangun sesuatu yang menarik, lalu menyadari bahwa mereka kekurangan akses ke data yang menjadi sandarannya, atau integrasi yang diperlukan, atau izin yang diperlukan untuk menjalankannya di lingkungan nyata. Permasalahannya pada dasarnya adalah bahwa AI memperkuat kematangan data dan proses yang ada dalam suatu organisasi, namun AI tidak dapat menggantikannya. Dinamika ini semakin intensif ketika AI beralih dari memproduksi kode ke mengeksekusi tindakan. Latensi, biaya, dan beban sistem semuanya meningkat ketika logika berjalan terus menerus terhadap data langsung dibandingkan merender output satu kali. Persyaratan kinerja agen otonom yang beroperasi di sistem transaksi multinasional sangat berbeda dengan kopilot pengembang. Cara menghubungkan logika yang dihasilkan AI ke sistem perusahaan yang terfragmentasi Tantangan arsitektur yang diremehkan oleh sebagian besar proyek AI perusahaan adalah integrasi. Lingkungan perusahaan sebenarnya bukanlah lingkungan yang bersih: mereka menggabungkan sistem cloud, infrastruktur lokal yang lama, penyimpanan data yang terfragmentasi, dan lusinan aplikasi bisnis yang tidak pernah dirancang untuk berkomunikasi satu sama lain. Agar logika yang dihasilkan AI dapat beroperasi dengan andal di seluruh elemen tersebut, diperlukan lapisan yang menyatukan akses data, konteks proses, dan tata kelola, dan lapisan tersebut harus sudah ada sebelum agen mulai mengeksekusi. Dan organisasi yang melihat AI sebagai alasan untuk menunda modernisasi infrastruktur adalah sebuah kesalahan. “Pertanyaannya bukan apakah akan melakukan modernisasi atau tidak. Tentu saja Anda perlu melakukan modernisasi,” kata Ameling. Akses data gabungan dan lapisan proses yang diselaraskan bukanlah alternatif untuk meningkatkan lanskap yang terfragmentasi, namun justru itulah yang membuat peningkatan ini bermanfaat.” Di tingkat platform, hal ini diterjemahkan ke dalam serangkaian persyaratan praktis: integrasi data terstruktur, visibilitas proses menyeluruh, dan kemampuan untuk menemukan dan terhubung ke API di sistem modern dan lama. Pendekatan SAP dengan Business AI Platform memanfaatkan alat-alat termasuk Joule Studio, Integration Suite, Business Data Cloud, dan lapisan arsitektur perusahaan SAP AI Agent Hub untuk menyediakan konteks tersebut. Tujuannya adalah untuk memberikan logika yang dihasilkan AI secara akurat dan pengetahuan terkini tentang apa yang dilakukan dan bagaimana suatu bisnis dilakukan, bukan sekadar akses ke data mentah. Agen AI menangani tantangan besar dengan membaginya menjadi tugas-tugas yang lebih kecil dan otonom, dengan masing-masing agen bertanggung jawab atas domain tertentu, dan semuanya dikoordinasikan untuk mencapai hasil bersama. Penutupan keuangan, misalnya, melibatkan lusinan sub-proses yang berbeda. Agen yang menangani setiap tugas secara paralel, dalam batasan yang ditentukan, dapat mempersingkat waktu siklus secara drastis, namun hanya jika sistem yang mendasari tempat mereka berinteraksi koheren dan dapat diakses. Tata kelola dan pengawasan yang dibutuhkan agen AI dalam produksiKetika AI berpindah dari asisten ke aktor operasional, pertanyaan tata kelola menjadi besar, karena agen yang memicu alur kerja, memperbarui catatan, dan berinteraksi dengan sistem bisnis yang ada memerlukan kerangka akuntabilitas yang sama yang berlaku untuk karyawan manusia, yaitu identitas, hak istimewa yang ditentukan, dan perilaku yang dapat diaudit. Ada dua model berbeda: Prinsipal propagasi, di mana agen bertindak atas nama pengguna, mewarisi izin dan cakupan pengguna tersebut. Agen yang dipicu sistem, di mana agen beroperasi berdasarkan identitasnya sendiri dan hak istimewa yang ditentukan perannya, berfungsi lebih seperti peran SDM otomatis daripada asisten pribadi. Kedua model memerlukan infrastruktur dasar yang sama: hub agen tempat operator dapat melihat agen mana yang ada, API apa yang dapat mereka akses, dan apa yang diizinkan untuk mereka lakukan. Observabilitas juga perlu dioperasionalkan dengan benar untuk AI, dikombinasikan dengan evaluasi teknis dan bisnis. “Dalam produksi, keterbukaan sangat penting,” kata Ameling. “Kami menggunakan OpenTelemetry sebagai kerangka kerja, sehingga kami dapat berintegrasi dengan solusi lain, agar alat dapat diamati secara end-to-end, agen pihak ketiga, dan sejenisnya.” Selain itu, evaluasi teknis standar, yang menguji apakah suatu agen menghasilkan keluaran yang konsisten, diperlukan namun tidak cukup. Evaluasi bisnis menilai apakah agen benar-benar meningkatkan indikator kinerja yang telah diterapkan, namun agen harus bekerja secara end-to-end. Tempat pengujian dilakukan juga sama pentingnya. Siklus pengembangan perangkat lunak tradisional di lingkungan pengembangan, pengujian, dan produksi terhenti ketika suatu model menghasilkan keluaran yang berbeda bergantung pada apakah model tersebut dijalankan terhadap data pengujian atau data langsung. Mendapatkan AI yang dapat dipercaya dalam produksi berarti menerima bahwa validasi terlihat berbeda secara mendasar dari apa yang telah dipraktikkan oleh tim teknik selama beberapa dekade, dengan pengujian lingkungan langsung, bahkan pengujian A/B/C untuk memastikan hasilnya dapat diandalkan. Bagaimana pembuatan kode berbasis AI mengubah peran rekayasa perangkat lunakPeran pengembang tidak hilang dalam lingkungan ini, namun pusat gravitasinya sedang bergeser. Pengganda produktivitas menjadi signifikan ketika pengembang dapat menjalankan beberapa agen pengkodean secara paralel di terminal terbuka, masing-masing menangani masalah terpisah dan masing-masing memerlukan waktu beberapa menit untuk menyelesaikannya. Namun hal ini menimbulkan tuntutan kognitif jenis baru, karena manusia harus terus mengikuti perkembangannya. Hal ini berarti melacak konteks di seluruh aliran kerja yang terjadi secara bersamaan, mengevaluasi keluaran yang tersebar di seluruh basis kode yang besar, dan membuat penilaian arsitektural yang tidak dapat dilakukan sendiri oleh agen mana pun. “Semakin spesifik dan lengkap perintahnya, semakin sedikit intervensi yang diperlukan, dan pengembang belajar bahwa menghadirkan lebih banyak konteks di awal akan menghasilkan keuntungan dalam pengurangan bolak-balik,” kata Ameling. “Tetapi keluarannya masih perlu dipahami, bukan sekadar diterima.” Keunggulan kompetitifnya tetap pada kekayaan intelektual, bukan peralatan. Perusahaan-perusahaan yang mampu unggul adalah perusahaan-perusahaan yang paling efektif dalam mengkodekan pengetahuan domain mereka ke dalam sistem yang mereka bangun. “Keahlian proses sebuah pabrik, logika risiko lembaga keuangan, kecerdasan perutean perusahaan logistik, ini adalah aset-aset yang dapat dipercepat oleh AI, namun hanya jika organisasi yang memegang aset-aset tersebut melakukan upaya untuk menjadikannya dapat diakses dan digunakan,” kata Ameling. “Lindungi itu, dan terapkan AI untuk mempercepat diferensiasi Anda.” 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 15:00:00
sumber : venturebeat.com
