Sebelum membeli proyek AI, periksa datanya dulu: apakah datanya ada, cukup bersih, bisa diakses oleh sistem yang akan memakainya, dan boleh dipakai secara hukum. Kalau salah satu jawabannya "belum", proyek yang aman dimulai adalah proyek kecil yang tetap jalan di atas data berantakan, atau proyek merapikan data itu sendiri. Model AI yang bagus tidak bisa menebus data yang tidak ada.
Pesan yang sama muncul di beberapa berita teknologi pertengahan Oktober. Dikutip dari Selular.ID (15 Oktober 2026), dalam Virtus Showcase 2026 di Jakarta pada 13 Oktober, Direktur Virtus Technology Indonesia Christian Atmadjaja mengatakan, "Ketika AI mulai masuk ke proses bisnis, kualitas hasilnya tidak hanya ditentukan oleh model yang digunakan." Infobanknews meliput acara yang sama dan menyebut kesiapan data sebagai fondasi adopsi AI.
Kenapa data menentukan, bukan modelnya
Virtus di acara itu mengutip prediksi Gartner. Sumber aslinya adalah rilis pers Gartner tanggal 26 Februari 2025, yang memperkirakan sepanjang 2026 organisasi akan meninggalkan 60% proyek AI yang tidak didukung data siap AI. Itu prediksi, tapi polanya cocok dengan yang kami lihat di proyek.
Dalam pengalaman kami, proyek AI jarang gagal karena modelnya. Yang lebih sering terjadi: data penjualan tersebar di tiga spreadsheet dengan kode produk berbeda, riwayat pelanggan tersimpan di chat WhatsApp staf, atau data yang dibutuhkan ternyata tidak pernah dicatat. Vendor baru menemukan ini di minggu ketiga, dan anggaran mulai terpakai untuk membersihkan data, bukan untuk membangun fitur yang dijanjikan.
Ada sisi lain dari soal ini. Andrew Boyd, SVP dan GM Asia Pasifik dan Jepang Dataiku, kepada Bloomberg Technoz mengatakan, "Adopsi AI pada tingkat perusahaan akan semakin diukur berdasarkan dampaknya terhadap bisnis." Kalau dampak yang diukur, Anda butuh angka pembanding dari sebelum proyek dimulai, dan angka itu juga harus diambil dari data yang Anda punya.
Empat pertanyaan sebelum menandatangani proyek AI
Pertanyaan pertama: datanya ada atau tidak? Kalau Anda ingin AI memprediksi stok, Anda butuh riwayat penjualan per produk per periode. Kalau riwayat itu baru dicatat rapi sejak enam bulan lalu, prediksi musiman belum mungkin, siapa pun vendornya.
Kedua, seberapa bersih datanya. Alex Budiyanto, Ketua DAMA Indonesia, di acara yang sama menyebut indikator yang bisa dipakai untuk menilai kesiapan data: akurasi, kelengkapan, konsistensi, validitas, tingkat duplikasi, dan ketepatan waktu (dikutip dari Selular.ID). Anda tidak perlu mengukur semuanya. Ambil satu tabel penting, misalnya data pelanggan, lalu hitung sendiri berapa yang namanya dobel atau nomor teleponnya kosong. Hasilnya biasanya sudah cukup sebagai bahan diskusi dengan vendor.
Ketiga, bisakah data itu diakses. Data yang terkunci di software lama tanpa fitur ekspor atau API sama saja dengan data yang tidak ada. Tanyakan ke tim IT atau vendor software lama Anda bagaimana cara mengeluarkan datanya, berapa biayanya, dan seberapa sering bisa diambil.
Keempat, bolehkah data itu dipakai. UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi mengatur pemrosesan data pribadi, termasuk dasar yang sah untuk memprosesnya dan tujuan pemakaiannya. Data pelanggan yang dikumpulkan untuk pengiriman barang belum tentu boleh dikirim ke layanan AI pihak ketiga untuk analisis perilaku. Kami bukan konsultan hukum, jadi untuk kasus yang meragukan, tanyakan ke penasihat hukum Anda sebelum datanya keluar dari sistem.
Proyek yang tahan data berantakan dan yang tidak
Sebagian proyek AI tetap bisa jalan dengan data yang belum rapi, sebagian lagi tidak. Memilahnya sejak awal mencegah anggaran habis di tengah jalan.
| Jenis proyek | Kebutuhan data | Cocok untuk mulai sekarang? |
|---|---|---|
| Merangkum dokumen, menyusun draf email, menjawab pertanyaan dari SOP internal | Dokumen teks yang sudah ada, tidak harus terstruktur | Ya, asal dokumennya boleh diproses dan versinya terbaru |
| Membaca faktur atau formulir hasil scan menjadi data | Contoh dokumen dan orang yang memeriksa hasilnya | Ya, dan hasilnya sekalian merapikan data Anda |
| Prediksi permintaan atau stok | Riwayat transaksi yang panjang dan konsisten | Tunggu sampai riwayatnya cukup |
| Skoring pelanggan atau deteksi kecurangan | Data berlabel, bersih, dan bebas duplikasi | Biasanya belum, kecuali datanya sudah dikelola dengan baik |
Dua baris pertama biasanya memberi hasil dalam hitungan minggu, dan tim Anda belajar cara kerja AI tanpa taruhan besar. Dua baris terakhir menjanjikan dampak lebih besar, tetapi hanya kalau datanya sudah tertata. Kami cukup sering melihat perusahaan membeli proyek prediksi, lalu menghabiskan sebagian besar waktu proyek untuk menyatukan data dari sistem yang tidak pernah dirancang untuk bicara satu sama lain.
Jalan tengahnya kurang menarik untuk dipresentasikan: perbaiki dulu cara data dicatat. Pakai satu sistem untuk transaksi dan kode produk yang sama di semua cabang, dan pastikan kolom wajib memang tidak bisa dikosongkan. Pekerjaan ini tidak terdengar seperti proyek AI, tapi proyek prediksi tahun depan bergantung padanya.
Risiko yang ikut masuk bersama AI
Begitu data mulai dikirim ke alat AI, jalur kebocorannya bertambah. Dalam tayangan CNBC Indonesia 13 Oktober 2026 tentang adopsi AI dan risiko siber, keamanan data, tata kelola, dan kesiapan SDM disebut sebagai tantangan yang menyertai percepatan adopsi. Untuk bisnis menengah, ini berarti pertanyaan praktis: siapa yang boleh memasukkan data apa ke alat AI, dan di mana data itu disimpan setelahnya. Kebiasaan karyawan menempel dokumen kantor ke chatbot sebagai jalur kebocoran dari dalam juga kami bahas di pertanyaan keamanan untuk vendor software.
Aturan sederhana yang ditulis lebih dulu lebih berguna daripada kebijakan panjang yang disusun setelah ada insiden. Contohnya, data gaji dan data pelanggan tidak boleh ditempel ke chatbot publik, dan setiap integrasi AI harus tercatat siapa pemiliknya.
Yang perlu ditanyakan ke vendor AI
- Data apa saja yang Anda butuhkan dari kami, dalam format apa, dan untuk periode berapa lama?
- Kalau setelah dicek datanya ternyata kurang bersih, siapa yang membersihkan dan apakah biayanya masuk penawaran?
- Di mana data kami diproses dan disimpan, dan apakah dipakai untuk melatih model milik pihak lain?
- Angka apa yang akan kita ukur sebelum dan sesudah, dan dari sistem mana angka itu diambil?
- Kalau proyek dihentikan, data dan hasil olahannya diserahkan dalam bentuk apa?
Kalau vendor menjawab pertanyaan pertama dengan "data apa saja bisa", minta mereka melihat sampel data Anda dulu sebelum memberi harga. Untuk gambaran lebih luas tentang pemakaian AI di perusahaan Indonesia, baca juga AI untuk bisnis Indonesia.
Digieco, software house di Jakarta dan Medan, mengerjakan software custom dan aplikasi mobile serta konsultasi IT. Pertanyaan apakah sistem pencatatan Anda sekarang menghasilkan data yang bisa dipakai adalah titik awal yang wajar, baik dengan kami maupun dengan vendor lain.
Pertanyaan yang Sering Diajukan
Bagaimana tahu data perusahaan saya siap untuk AI?
Ambil satu tabel yang paling penting, misalnya data pelanggan atau transaksi, lalu hitung berapa yang dobel, kosong, atau tidak konsisten. Cek juga apakah data itu bisa diekspor dari sistemnya dan apakah Anda punya dasar yang sah untuk memakainya. Kalau tiga hal itu belum jelas, datanya belum siap untuk proyek yang bergantung pada data rapi.
Proyek AI apa yang bisa dimulai walaupun data kami masih berantakan?
Proyek yang bekerja di atas dokumen teks yang sudah ada, seperti merangkum dokumen, menjawab pertanyaan dari SOP internal, atau membaca faktur hasil scan. Proyek seperti ini tidak butuh riwayat transaksi yang panjang dan bisa memberi hasil dalam beberapa minggu.
Apakah boleh memasukkan data pelanggan ke layanan AI pihak ketiga?
Belum tentu. UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi mengatur dasar dan tujuan pemrosesan data pribadi, jadi data yang dikumpulkan untuk satu keperluan tidak otomatis boleh dipakai untuk keperluan lain. Untuk kasus yang meragukan, tanyakan ke penasihat hukum sebelum data dikirim.
Berapa lama membersihkan data sebelum proyek AI?
Tergantung jumlah sistem sumbernya dan seberapa konsisten pencatatannya selama ini. Minta vendor mengecek sampel data Anda sebelum memberi penawaran, supaya pekerjaan pembersihan masuk ke rencana dan anggaran sejak awal.
Butuh tim yang mengerjakan ini untuk Anda?
Javaman Digieco menyediakan dedicated team, staff augmentation, dan pengembangan software custom untuk perusahaan di Jakarta, Medan, dan seluruh Indonesia.
Hubungi Kami Sekarang