Dasar-Dasar AI dan Teknologi Informasi

Empat bagian yang selalu ada

Bayangkan Anda memesan makanan lewat aplikasi. Yang terjadi di balik layar dapat dipecah menjadi empat lapisan.

Frontend

Bagian yang Anda lihat dan sentuh. Tampilan aplikasi di ponsel atau halaman web di browser. Tugasnya menampilkan informasi dan menerima perintah dari pengguna. Frontend tidak menyimpan apa pun secara permanen.

Backend

Bagian yang berpikir. Program yang berjalan di komputer lain, yang memeriksa apakah restoran buka, menghitung ongkos kirim, dan mencari pengemudi terdekat. Pengguna tidak pernah melihatnya secara langsung.

Database

Bagian yang mengingat. Tempat semua data disimpan secara rapi dan permanen: daftar pengguna, riwayat pesanan, harga menu. Kalau database hilang, perusahaan kehilangan ingatannya.

Server

Komputer tempat backend dan database itu berjalan. Bentuknya bukan komputer meja, melainkan mesin yang menyala terus menerus di pusat data, siang dan malam.

Cloud, server sendiri, dan bedanya

Cloud berarti server itu tidak dimiliki, melainkan disewa dari penyedia seperti Amazon, Google, atau Cloudflare. Pembayarannya bulanan sesuai pemakaian, dapat langsung dipakai hari itu juga, dan kapasitasnya dapat ditambah atau dikurangi kapan saja.

On premise, atau server sendiri, berarti mesinnya benar-benar berada di ruang server milik perusahaan. Biayanya di muka dan besar, penyiapannya berminggu-minggu, dan pemeliharaannya menjadi tanggung jawab perusahaan. Keuntungannya satu, tetapi sering kali menentukan: data tidak pernah keluar dari kantor.

Bagi sebagian besar perusahaan, cloud adalah pilihan wajar. Bagi bank, perusahaan tambang, instansi pemerintah, dan perusahaan asuransi tertentu, aturan internal sering kali mengharuskan on premise. Perbedaan ini bukan soal selera, melainkan soal kepatuhan, dan hampir selalu ditanyakan lebih awal oleh klien besar.

Mengapa Excel bukan database

Excel adalah alat yang luar biasa, dan justru karena itu ia sering dipakai jauh melampaui batas kemampuannya. Perbedaannya dengan database ada pada empat hal.

• Aturan. Database menolak data yang salah bentuk. Kolom tanggal hanya menerima tanggal. Di Excel, seseorang dapat mengetik "besok" di kolom tanggal dan tidak ada yang mencegahnya.
• Banyak orang sekaligus. Database dirancang agar ratusan orang menulis pada saat bersamaan tanpa saling menimpa. Excel akan berakhir menjadi berkas bernama laporan_final_revisi_2_fix.xlsx.
• Ukuran. Excel mulai tersendat di puluhan ribu baris. Database menangani puluhan juta baris tanpa keluhan.
• Jejak. Database mencatat siapa mengubah apa dan kapan. Excel tidak.

Karena itu, kalimat "proses ini masih kami kerjakan dengan Excel" bukanlah aib. Itu justru titik awal yang paling umum dan paling wajar bagi perusahaan mana pun.

Apa artinya "data berantakan"

Istilah ini terdengar samar, padahal wujudnya sangat konkret. Dalam kenyataannya, data berantakan berarti hal-hal berikut.

• Format tidak seragam. Tanggal ditulis sebagai 01/02/2026 di satu berkas dan 1 Feb 2026 di berkas lain. Komputer tidak dapat menebak mana yang benar.
• Nama tidak konsisten. "PT Maju Jaya", "Maju Jaya", dan "PT. MAJU JAYA" dianggap tiga perusahaan berbeda oleh komputer, padahal manusia tahu itu satu.
• Data kosong. Kolom alamat terisi hanya pada sebagian baris.
• Duplikat. Satu pelanggan tercatat lima kali karena diinput oleh lima cabang.
• Tercerai berai. Satu bagian informasi ada di sistem keuangan, bagian lain di berkas Excel milik seorang staf, dan sisanya hanya ada di kepala seseorang.

Data terstruktur dan tidak terstruktur

Data terstruktur adalah data yang sudah tersusun dalam baris dan kolom: tabel penjualan, daftar pelanggan, catatan transaksi. Komputer dapat langsung mengolahnya.

Data tidak terstruktur adalah segala sesuatu yang tidak berbentuk tabel: dokumen kontrak, rekaman rapat, foto lapangan, video CCTV, surel, dan pesan WhatsApp. Diperkirakan sebagian besar informasi di perusahaan mana pun berada dalam bentuk ini, dan sampai beberapa tahun lalu praktis tidak dapat diolah oleh komputer.

Perubahan besar yang dibawa AI modern justru terletak di sini: untuk pertama kalinya, komputer dapat membaca dokumen, mendengarkan rekaman, dan melihat gambar. Inilah alasan mendasar mengapa AI tiba-tiba terasa berguna bagi banyak perusahaan.

API adalah pintu resmi

API adalah cara suatu sistem membuka pintu bagi sistem lain untuk meminta data atau mengirim perintah, tanpa perlu tahu isi dapurnya. Sistem A dapat bertanya kepada sistem B, "berapa stok barang nomor 4471?", dan sistem B menjawab, tanpa sistem A perlu mengetahui bagaimana B menyimpan datanya.

Mengapa "tinggal sambungkan saja" sering ternyata sulit

Dari luar, integrasi terdengar sepele. Kenyataannya, ada empat hal yang sering menghambat.

• Sistem lama tidak punya API. Banyak sistem internal berusia belasan tahun tidak dirancang untuk berbicara dengan sistem lain sama sekali.
• Izin. Pemilik sistem lama, kadang vendor pihak ketiga, harus bersedia membuka aksesnya. Ini sering menjadi urusan politik dan kontrak, bukan urusan teknis.
• Beda bahasa. Sistem A menyebut "customer_id", sistem B menyebut "kode_pelanggan", dan keduanya harus dipetakan satu per satu.
• Keamanan. Setiap pintu baru adalah risiko baru, sehingga harus dijaga dan diawasi.

Karena itu, pertanyaan "sistem apa saja yang sudah dipakai sekarang" adalah pertanyaan yang sangat menentukan, jauh lebih menentukan daripada kelihatannya.

Program biasa: diberi aturan

Program konvensional bekerja berdasarkan aturan yang ditulis manusia secara eksplisit. Contohnya: jika saldo kurang dari nol, tolak transaksi. Programnya akan patuh seratus persen, selamanya, tanpa pernah salah dan tanpa pernah berimprovisasi.

Pendekatan ini sangat baik untuk hal yang aturannya jelas, seperti akuntansi dan penggajian. Pendekatan ini runtuh ketika aturannya terlalu banyak atau terlalu sulit ditulis. Cobalah menuliskan aturan yang membedakan foto kucing dari foto anjing, dalam bentuk kalimat yang pasti. Praktis mustahil.

Machine learning: diberi contoh

Pendekatan lain adalah tidak menuliskan aturannya sama sekali, melainkan menunjukkan puluhan ribu contoh dan membiarkan mesin menemukan sendiri polanya. Ditunjukkan sepuluh ribu foto kucing dan sepuluh ribu foto anjing, mesin akan menyimpulkan sendiri ciri pembedanya, bahkan ciri yang tidak pernah terpikirkan oleh manusia.

Inilah yang disebut machine learning, dan inilah inti dari hampir semua yang orang sebut AI hari ini. Konsekuensinya penting untuk dipahami:

• AI membutuhkan contoh. Tidak ada contoh, tidak ada pembelajaran.
• AI mewarisi kesalahan contohnya. Kalau contohnya berat sebelah, hasilnya juga akan berat sebelah.
• AI bekerja dengan kemungkinan, bukan kepastian. Jawabannya bukan "ini kucing", melainkan "kemungkinan besar ini kucing". Dari sinilah lahir semua persoalan akurasi yang dibahas di bab-bab berikutnya.

Dua tahap: melatih dan memakai

Melatih model adalah proses mesin mempelajari puluhan ribu contoh. Prosesnya berat, mahal, memakan waktu, dan hanya dilakukan sesekali.

Memakai model adalah proses menanyakan sesuatu kepada model yang sudah terlatih. Prosesnya ringan, cepat, dan murah, terjadi jutaan kali.

Kabar baiknya, sebagian besar kebutuhan perusahaan sudah tercukupi oleh model yang sudah dilatih pihak lain dan tinggal dipakai. Melatih model dari nol hanya diperlukan bila kasusnya benar-benar khusus, dan itu menuntut ribuan contoh dari klien sendiri, sesuatu yang jarang tersedia.

Apa yang sebenarnya dilakukan LLM

Pada dasarnya, LLM adalah mesin yang sangat pandai memperkirakan kata berikutnya. Ia dilatih dengan teks dalam jumlah luar biasa besar, lalu belajar memperkirakan kelanjutan sebuah kalimat.

Terdengar sederhana, bahkan terdengar remeh. Namun ketika kemampuan itu mencapai skala tertentu, muncul hal-hal yang tidak diduga: mesin ini menjadi mampu meringkas dokumen, menerjemahkan bahasa, mengelompokkan keluhan pelanggan, menjawab pertanyaan, menulis surat, bahkan menulis program. Semuanya lahir dari satu kemampuan dasar yang sama.

Memahami hal ini penting, karena dari sinilah kekuatan sekaligus kelemahannya berasal. LLM tidak "tahu" apa pun dalam arti manusia. Ia menghasilkan kelanjutan yang paling masuk akal. Biasanya kelanjutan yang paling masuk akal memang kebetulan benar. Kadang tidak.

Prompt, konteks, dan token

Prompt

Instruksi yang diberikan kepada AI. Sama seperti briefing kepada staf: semakin jelas dan semakin lengkap konteksnya, semakin baik hasilnya. Sebagian besar keluhan "AI-nya bodoh" sebenarnya adalah persoalan briefing yang buruk.

Konteks

Segala hal yang dapat "dilihat" AI saat menjawab: pertanyaan Anda, percakapan sebelumnya, dan dokumen yang disertakan. Di luar itu, AI tidak tahu apa-apa. Ia tidak mengetahui isi sistem perusahaan Anda kecuali diberi tahu.

Token

Satuan potongan kata yang dipakai untuk menghitung pemakaian. Biaya AI dihitung dari jumlah token yang masuk dan keluar. Dari sinilah biaya operasional sebuah sistem AI berasal, dan biaya ini berjalan terus selama sistemnya dipakai.

Halusinasi

Keadaan ketika AI menjawab dengan percaya diri, tetapi salah. Ini bukan kerusakan yang dapat diperbaiki, melainkan sifat bawaan dari cara kerjanya. Yang dapat dilakukan adalah menekannya, bukan menghilangkannya.

RAG: membuat AI menjawab dari dokumen perusahaan

Masalah utama LLM bagi perusahaan sudah jelas: model itu tidak tahu apa pun tentang perusahaan Anda. Ia tidak pernah membaca SOP Anda, kontrak Anda, maupun katalog produk Anda.

Penyelesaiannya disebut RAG. Cara kerjanya, secara sederhana, berlangsung dalam tiga langkah. Pertama, seluruh dokumen perusahaan dipotong menjadi bagian-bagian kecil dan disimpan dalam bentuk yang dapat dicari berdasarkan makna, bukan sekadar berdasarkan kata. Kedua, ketika ada pertanyaan masuk, sistem mencari potongan dokumen yang paling relevan. Ketiga, potongan itu diselipkan bersama pertanyaan ke dalam LLM, dengan perintah: jawablah hanya berdasarkan bahan ini.

Hasilnya, jawaban AI bersandar pada dokumen nyata dan dapat menyebutkan sumbernya. Halusinasi menurun drastis, meskipun tidak pernah nol.

Tangga otomasi

Perbedaan pokoknya sederhana: chatbot menjawab, agent mengerjakan. Chatbot yang ditanya "bagaimana performa iklan minggu ini" akan menjelaskan cara memeriksanya. Agent akan menarik datanya, menyusun laporannya, dan mengirimkannya ke grup, tanpa diminta, setiap Senin pagi.

Alat dan MCP

Yang membuat sebuah AI naik dari sekadar penjawab menjadi pengerja adalah alat, yaitu kemampuan yang diberikan kepadanya: membaca database, mengirim pesan, membuat berkas, memanggil sistem lain. AI sendiri tidak dapat berbuat apa-apa. Ia hanya dapat melakukan apa yang alatnya izinkan.

MCP adalah standar yang belakangan disepakati industri untuk menyambungkan AI dengan alat-alat tersebut secara seragam. Manfaatnya praktis: sebuah alat yang dibuat sekali dapat dipakai oleh berbagai model AI, dan sebuah model dapat berpindah tanpa perlu menulis ulang seluruh sambungannya.

Empat pekerjaan yang berbeda

Klasifikasi

Menjawab "gambar ini gambar apa". Keluarannya satu label untuk seluruh gambar. Contoh: lahan ini kebun sawit atau bukan.

Deteksi objek

Menjawab "ada apa saja di gambar ini, dan di posisi mana". Keluarannya kotak-kotak penanda. Contoh: ada tiga pekerja, dua di antaranya tidak memakai helm.

Segmentasi

Menandai bentuk objek secara persis, bukan sekadar kotak. Diperlukan bila yang dicari adalah luas atau batas, misalnya batas petak sawah atau luas area tergenang.

OCR

Membaca tulisan di dalam gambar. Mengubah foto faktur, hasil pindaian dokumen, atau tangkapan layar menjadi teks yang dapat diolah.

Video pada dasarnya hanyalah rangkaian gambar yang beruntun. Menganalisis video berarti menganalisis gambar berkali-kali per detik, ditambah kemampuan mengikuti objek yang sama dari satu gambar ke gambar berikutnya. Karena itu analitik video jauh lebih berat, dan biayanya bertumpu pada jumlah kamera dan lamanya perekaman.

Batas yang jujur

Computer vision sangat kuat, tetapi kekuatannya bergantung pada hal-hal yang sering diremehkan.

• Kualitas kamera menentukan segalanya. Kamera buram, gelap, atau memandang dari sudut yang buruk akan menghasilkan deteksi yang buruk pula, betapapun canggih modelnya.
• Akurasi tidak pernah seratus persen. Selalu ada dua jenis kesalahan: pelanggaran yang terlewat, dan peringatan palsu. Menekan yang satu biasanya menaikkan yang lain. Yang mana lebih dapat ditoleransi adalah keputusan bisnis, bukan keputusan teknis.
• Peringatan palsu yang terlalu sering akan membunuh sistemnya. Kalau pengawas menerima ratusan peringatan keliru setiap hari, dalam sepekan ia akan berhenti menghiraukan semuanya, termasuk yang benar.

Dari suara menjadi keputusan

Rangkaiannya berlangsung dalam tiga langkah, dan yang menghasilkan nilai justru langkah terakhir.

• Transkripsi. Suara diubah menjadi tulisan. Untuk bahasa Indonesia, hasilnya sudah cukup baik, meskipun istilah teknis, nama orang, dan campuran bahasa masih sering meleset.
• Pengenalan pembicara. Sistem memisahkan siapa berbicara kapan, sehingga transkrip tidak menjadi satu blok teks tanpa penutur.
• Pemahaman. LLM membaca transkrip itu dan menghasilkan hal yang benar-benar dibutuhkan orang: ringkasan, daftar keputusan, dan daftar tugas beserta penanggung jawabnya.

Perlu ditegaskan, transkrip mentah sepanjang dua jam nyaris tidak berguna. Tidak ada yang mau membacanya. Nilai sesungguhnya lahir pada langkah ketiga, ketika transkrip itu diringkas menjadi keputusan dan tugas.

Peta sebagai tumpukan lapisan

Peta digital bukanlah satu gambar, melainkan tumpukan lapisan yang saling ditindihkan dan dapat dinyalakan atau dimatikan satu per satu. Lapisan jalan, lapisan bangunan, lapisan batas wilayah, lapisan risiko banjir, lapisan aset perusahaan. Kekuatan analisis geospasial justru muncul dari persilangan antar lapisan: aset mana yang jatuh di dalam zona rawan banjir, dan berapa nilai pertanggungannya.

Data vektor

Bentuk: titik, garis, dan bidang. Sebuah gudang adalah titik. Sebuah jalan adalah garis. Sebuah kelurahan adalah bidang. Ringan dan presisi.

Data raster

Gambar berpetak, seperti foto satelit atau peta ketinggian tanah. Setiap petak menyimpan satu nilai, misalnya ketinggian atau tingkat kehijauan. Berat, tetapi memuat informasi yang menyeluruh.

Koordinat

Setiap objek memiliki posisi di bumi. Persoalan tersembunyi yang sering muncul: ada banyak sistem koordinat yang berbeda, dan mencampuradukkannya akan menggeser lokasi sampai ratusan meter. Sebagian besar kesalahan pemula di bidang ini berasal dari sini.

Penginderaan jauh: memantau tanpa datang ke lokasi

Satelit memotret seluruh permukaan bumi secara berkala, dan sebagian besar citranya tersedia gratis. Yang membuatnya berguna adalah bahwa satelit tidak hanya menangkap cahaya yang terlihat mata, melainkan juga panjang gelombang lain yang tidak terlihat manusia.

Dari perbandingan antar panjang gelombang inilah lahir kemampuan yang terasa hampir mustahil: membedakan tanaman yang sehat dari yang kering, membedakan lahan terbangun dari lahan kosong, mengenali air, mengenali tanah gundul, dan mengenali kebun sawit. Semuanya dilakukan tanpa seorang pun mendatangi lokasinya.

Tahapan yang selalu dilalui

• Menggali kebutuhan. Memahami masalah yang sebenarnya. Tahap ini paling sering dilewati, dan pengabaiannya adalah penyebab kegagalan project yang paling umum.
• Merancang. Menentukan wujud sistem, bentuk datanya, dan cara orang memakainya.
• Membangun. Menulis programnya. Bagian yang paling terlihat, tetapi bukan bagian yang paling menentukan.
• Menguji. Memastikan sistem bekerja, termasuk pada keadaan aneh yang tidak terduga.
• Menerapkan. Memasang sistem di server agar dapat dipakai orang sungguhan.
• Memelihara. Memperbaiki kerusakan, mengikuti perubahan kebutuhan, menjaga keamanan. Tahap ini tidak pernah berakhir selama sistemnya masih dipakai.

POC, pilot, MVP, dan produksi

Empat istilah ini sering tertukar, padahal maksudnya sangat berbeda.

Urutan ini penting, karena setiap tahap menjawab keraguan yang berbeda. Melompat langsung ke produksi tanpa membuktikan bahwa idenya berhasil adalah cara paling mahal untuk mengetahui bahwa idenya keliru.

Enam faktor pendorong biaya

• Kejelasan ruang lingkup. Faktor terbesar, dan sering kali satu-satunya yang benar-benar menentukan. Kebutuhan yang jelas dapat diperkirakan. Kebutuhan yang kabur akan terus berubah di tengah jalan, dan setiap perubahan menambah biaya.
• Kondisi data. Data rapi dan lengkap mempercepat segalanya. Data berantakan, tersebar, atau bahkan belum ada, dapat menambah pekerjaan berlipat sebelum baris pertama sistem yang sesungguhnya dikerjakan.
• Jumlah integrasi. Setiap sambungan ke sistem lain menambah pekerjaan, ketergantungan pada pihak lain, dan risiko. Sistem yang berdiri sendiri jauh lebih ringan daripada sistem yang harus berbicara dengan lima sistem lama.
• Tuntutan akurasi. Menaikkan akurasi dari sembilan puluh persen ke sembilan puluh sembilan persen kadang membutuhkan usaha berkali lipat dibanding membangun sistemnya dari awal. Pertanyaan yang benar bukanlah "seberapa akurat", melainkan "seberapa akurat sebelum sistem ini berguna".
• Jumlah pengguna dan beban. Sistem untuk sepuluh orang dan sistem untuk sepuluh ribu orang adalah dua bangunan yang berbeda, meskipun tampilannya identik.
• Kepatuhan dan keamanan. Kewajiban memasang sistem di server sendiri, memenuhi audit, dan mengikuti aturan perlindungan data menambah pekerjaan yang tidak terlihat oleh pengguna, tetapi nyata.

Ke mana data itu pergi

Kekhawatiran utama setiap perusahaan terhadap AI dapat dirumuskan dalam satu kalimat: kalau kami memberikan dokumen kami kepada AI, ke mana dokumen itu pergi, dan siapa yang dapat melihatnya. Pertanyaan ini sah, dan jawabannya bergantung pada rancangan sistemnya.

• Model di cloud. Data dikirim ke penyedia model. Penyedia besar umumnya berjanji tidak memakai data pelanggan untuk melatih modelnya, tetapi datanya tetap keluar dari kantor. Untuk sebagian besar perusahaan hal ini dapat diterima; untuk sebagian yang lain, sama sekali tidak.
• Model di server sendiri. Model dijalankan sepenuhnya di dalam kantor. Data tidak pernah keluar. Konsekuensinya, dibutuhkan perangkat keras yang mahal, dan kemampuan modelnya biasanya berada di bawah model cloud terbaik.
• Jalan tengah. Data yang bersifat sensitif disamarkan lebih dahulu, misalnya nama dan nomor identitas diganti kode, sebelum dikirim ke model cloud.

Perlindungan data pribadi

Indonesia telah memiliki Undang-Undang Perlindungan Data Pribadi. Isinya panjang, tetapi ada beberapa asas yang perlu dipahami dan berlaku bagi hampir semua project.

• Persetujuan. Data pribadi tidak dapat diolah semaunya. Harus ada dasar yang sah.
• Seperlunya. Kumpulkan hanya yang benar-benar dibutuhkan. Menyimpan data yang tidak diperlukan hanya menambah risiko tanpa menambah manfaat.
• Sesuai tujuan. Data yang dikumpulkan untuk satu keperluan tidak boleh dipakai untuk keperluan lain tanpa dasar baru.
• Keamanan dan tanggung jawab. Data wajib dijaga, dan bila bocor ada kewajiban serta akibat hukumnya.

Perlu diperhatikan pula bahwa rekaman video wajah pekerja dan rekaman suara rapat termasuk data pribadi. Karena itu, project pengawasan CCTV dan project notulen rapat selalu bersinggungan langsung dengan bab ini, dan keduanya menuntut pembicaraan yang jujur dengan klien sejak awal.

Enam bidang pekerjaan

Agent dan asisten

Asisten AI yang dikendalikan lewat WhatsApp, Telegram, dan Discord, dengan tugas dikerjakan di dalam wadah terisolasi. Agen pembuat laporan iklan otomatis untuk sebuah agensi digital. Bot WhatsApp yang memantau tugas project. Landasan teorinya ada di Bab 5 dan Bab 6.

Suara dan dokumen

Notulen AI, produk sendiri yang sudah berbayar, mengirim bot ke Zoom, Google Meet, dan Teams, lalu menghasilkan transkrip, ringkasan, keputusan, dan daftar tugas. Landasan teorinya ada di Bab 8.

Computer vision

Deteksi alat pelindung diri dan bahaya kerja dari CCTV untuk kebutuhan sebuah grup pertambangan nasional. Deteksi batas lahan pertanian dari citra satelit. Landasan teorinya ada di Bab 7.

Geospasial dan risiko

Platform data asuransi properti. Pelacakan kapal untuk asuransi maritim sebuah BUMN asuransi umum. Sistem penilaian kelayakan lahan untuk developer perumahan. Simulasi banjir rob dan simulasi tumpahan minyak. Pemantauan padang lamun. Landasan teorinya ada di Bab 9.

Data dan otomasi

Pembersihan data polis untuk kebutuhan sebuah perusahaan reasuransi nasional. Pengumpulan puluhan ribu titik usaha dari sumber peta publik di lima kota. Pemantau peluang project dari media sosial profesional. Landasan teorinya ada di Bab 2 dan Bab 3.

Platform dan aplikasi

Platform tiket event dengan kode QR dan sistem dana jaminan. Sistem manajemen konferensi ilmiah, mulai dari pengiriman abstrak sampai pembayaran. Situs firma hukum dengan pengelolaan konten mandiri. Platform pemesanan wisata. Landasan teorinya ada di Bab 1 dan Bab 10.

Benang merahnya

Bila diperhatikan, hampir seluruh pekerjaan di atas mengikuti pola yang sama: ada data yang sudah tersedia tetapi tidak terpakai, lalu data itu diubah menjadi sesuatu yang dapat ditindaklanjuti orang.

CCTV sudah merekam, tetapi rekamannya hanya dilihat setelah kecelakaan terjadi. Rapat sudah berlangsung, tetapi keputusannya menguap. Satelit sudah memotret setiap lahan di Indonesia, tetapi tidak ada yang membacanya. Data polis sudah terkumpul, tetapi terlalu berantakan untuk dianalisis. Pola inilah yang sebenarnya menjadi inti pekerjaan kami, jauh lebih daripada teknologi tertentu yang kebetulan sedang populer.

"AI selalu benar"

Tidak. AI bekerja dengan kemungkinan, bukan kepastian, dan ia dapat salah dengan sangat meyakinkan. Untuk urusan yang berisiko tinggi, keputusan akhir harus tetap berada di tangan manusia.

"AI akan menggantikan semua orang"

Yang tergantikan adalah pekerjaan, bukan orangnya, dan yang paling cepat tergantikan adalah pekerjaan yang berulang serta dapat diramalkan: menyalin data, menyusun laporan rutin, mengetik ulang dokumen. Penilaian, tanggung jawab, hubungan antarmanusia, dan keputusan tetap tinggal pada manusia.

"Cukup pasang AI, lalu beres"

AI bukan alat yang tinggal dicolok. Ia membutuhkan data, integrasi, pengujian, dan pemeliharaan. Sistem AI yang dibiarkan tanpa perawatan akan memburuk dengan sendirinya, sebab dunia di sekitarnya berubah sementara ia tidak.

"Data kami sudah rapi kok"

Hampir tidak pernah benar, dan ini bukan cela. Kondisi data biasanya baru diketahui setelah benar-benar dibuka dan diperiksa. Karena itu pemeriksaan data selalu menjadi langkah pertama yang serius, bukan formalitas.

"AI-nya harus dilatih dulu dengan data kami"

Dalam sebagian besar kasus tidak perlu. Model yang sudah ada tinggal diberi akses ke dokumen perusahaan melalui RAG, dan itu sudah cukup. Melatih model dari nol hanya masuk akal untuk kasus yang sangat khusus dan menuntut ribuan contoh yang jarang tersedia.

"Yang penting teknologinya canggih"

Justru sebaliknya. Sistem paling bermanfaat sering kali adalah yang paling sederhana. Otomasi yang menghemat sepuluh jam kerja setiap minggu jauh lebih bernilai daripada model termutakhir yang tidak menyelesaikan masalah nyata siapa pun.

"Kalau sudah jadi, selesai"

Sebuah sistem yang hidup tidak pernah selesai. Ia dipelihara, diperbaiki, dan disesuaikan selama masih dipakai. Biaya berjalan ini perlu diperhitungkan sejak awal, bukan ditemukan belakangan.