5 tantangan adopsi AI terbesar pada tahun 2025

5 tahun yang lalu, Rob Thomas dan Paul Zikopoulos dari IBM membangun kerangka kerja untuk adopsi kecerdasan buatan (AI) yang sukses yang disebut Tangga AI, “pendekatan terpadu dan preskriptif untuk membantu [pemimpin] memahami dan mempercepat perjalanan AI.” Kerangka kerja tersebut menjadi sebuah buku, yang digambarkan dengan sebuah kutipan yang sekarang tampak agak kuno:

“Semua orang berbicara tentang AI. Mengapa? Yah, kami percaya AI menghadirkan peluang luar biasa bagi bisnis dalam skala apa pun dan di industri apa pun.”

Dengan mempertimbangkan lingkungan AI saat ini, lucu membayangkan dunia di mana Rob dan Paul merasa perlu membujuk pembaca bahwa AI akan menjadi masalah besar. Yang tidak kalah terkenal adalah “anak tangga” dari tangga: memodernisasi, mengumpulkan, mengatur, menganalisis, dan menanamkan.

Menengok kembali ke tahun 2020, ada banyak organisasi yang bahkan belum mulai mengangkat kaki mereka ke anak tangga pertama itu. Hanya 5 tahun berselang, tidak perlu ada laporan McKinsey untuk memberi tahu Anda bahwa AI adalah masa depan.

Hampir setiap organisasi dapat merangkul AI sampai tingkat tertentu. Kemajuan teknologi baru telah membuatnya lebih mudah untuk menyelesaikan integrasi AI yang menghasilkan laba atas investasi (ROI) segera.

Kurangnya antusiasme terhadap AI tidak pernah menjadi pertanyaan ketidakpastian tentang potensi AI, melainkan tentang bagaimana melakukannya dengan benar.

IBM Institute of Business Value merilis laporan yang mengungkapkan beberapa data menarik seputar adopsi AI, yaitu hambatan yang masih mencegah organisasi membuat kemajuan dengan kecerdasan buatan generatif (gen AI). 

Hampir setengah dari responden menunjukkan kekhawatiran tentang akurasi data atau bias. Para pemimpin bisnis dapat mengatasi kekhawatiran tersebut dengan memprioritaskan tata kelola, transparansi, dan etika AI.

Tata kelola AI sangat penting untuk mencapai keadaan kepatuhan, kepercayaan, dan efisiensi dalam mengembangkan dan menerapkan teknologi AI. Tata kelola AI yang efektif meliputi mekanisme pengawasan yang menangani risiko seperti bias, pelanggaran privasi dan penyalahgunaan seraya menumbuhkan inovasi dan membangun kepercayaan. 

Struktur tata kelola yang kuat, seperti komite AI yang etis dan kepatuhan terhadap kerangka kerja, membantu menjaga akuntabilitas dan penerapan AI yang bertanggung jawab.

Etika AI adalah bidang multidisiplin yang mempelajari cara mengoptimalkan dampak menguntungkan dari AI sekaligus mengurangi risiko dan hasil yang merugikan. Etika AI mencakup tanggung jawab dan privasi data, keadilan, penjelasan, ketahanan, transparansi, dan pertimbangan etika lainnya.

Pemeriksaan keadilan dan tindakan korektif lainnya termasuk dalam etika AI dan membantu memastikan bahwa output AI dapat diandalkan dan adil.

Transparansi AI membantu setiap orang mengakses informasi untuk lebih memahami bagaimana solusi AI dibuat dan bagaimana AI membuat keputusan. Peneliti seringkali mendeskripsikan AI sebagai "kotak hitam", karena masih sulit untuk menjelaskan, mengelola, dan mengatur hasil AI karena kompleksitas teknologinya yang terus meningkat. Transparansi AI membantu membuka kotak hitam ini untuk lebih memahami hasil AI.

Sekitar 42% responden mengatakan bahwa mereka merasa organisasi mereka tidak memiliki akses ke data kepemilikan yang memadai. Perusahaan dapat mengatasi tantangan signifikan dari data berkualitas tinggi yang tidak mencukupi untuk menyesuaikan model AI dengan menggunakan kombinasi augmentasi data, pembuatandata sintetis, dan kemitraan data strategis.

Salah satu pendekatan yang efektif adalah meningkatkan kumpulan data yang ada melalui teknik augmentasi seperti parafrase, penerjemahan atau penambahan noise untuk meningkatkan keberagaman tanpa mengumpulkan data yang benar-benar baru.

Data sintetis yang dibuat secara artifisial melalui simulasi komputer atau yang dihasilkan oleh algoritme AI dapat menggantikan data dunia nyata. Data ini dapat digunakan sebagai alternatif atau pelengkap data dunia nyata ketika data tersebut tidak tersedia secara langsung.

Strategi kunci lainnya adalah membentuk kemitraan strategis dan berpartisipasi dalam inisiatif berbagi data di seluruh industri. Berkolaborasi dengan perusahaan, lembaga penelitian, atau konsorsium yang tidak bersaing memungkinkan perusahaan untuk mengakses kumpulan data yang lebih besar dan lebih beragam sekaligus menghindari masalah etika dan mematuhi standar hukum.

Pembelajaran federasi, di mana model dilatih di seluruh sumber data terdesentralisasi tanpa berbagi data mentah, adalah cara lain untuk mendapatkan manfaat dari data eksternal sekaligus mempertahankan keamanan dan kepatuhan.

Gen AI masih baru, tetapi perusahaan dapat mengatasi keahlian gen AI yang tidak memadai dengan berinvestasi dalam pengembangan talenta, kemitraan strategis, dan alat AI yang dapat diakses.

Salah satu pendekatan yang paling efektif adalah meningkatkan keterampilan karyawan yang ada melalui program pelatihan khusus, lokakarya, dan sertifikasi dalam AI dan machine learning (ML). Memberikan pengalaman langsung dengan alat AI dan menumbuhkan budaya pembelajaran berkelanjutan membantu menjembatani kesenjangan keterampilan secara internal.

Selain mengembangkan keahlian internal, perusahaan dapat berkolaborasi dengan vendor AI, lembaga penelitian, dan perusahaan konsultan untuk mendapatkan akses ke pengetahuan khusus.

Bermitra dengan startup atau perusahaan rintisan AI atau penyedia teknologi memungkinkan bisnis untuk menggunakan keahlian eksternal tanpa perlu membangun semuanya dari awal. Berpartisipasi dalam ekosistem sumber terbuka juga dapat memberikan wawasan berharga dan model bawaan yang mengurangi kompleksitas penerapan strategi AI.

Solusi lain adalah mengadopsi platform no-code AI yang memungkinkan karyawan dengan latar belakang teknis terbatas untuk bekerja dengan gen AI. Alat-alat ini menyederhanakan penyebaran dan penyesuaian AI, sehingga lebih mudah bagi perusahaan untuk mengintegrasikan AI ke dalam alur kerja mereka tanpa memerlukan keahlian yang mendalam.

Perusahaan harus melakukan pendekatan untuk membuat justifikasi keuangan untuk menjelajahi inisiatif gen AI dengan berfokus pada penghematan biaya, pertumbuhan pendapatan, keunggulan kompetitif, dan mitigasi risiko.

Mereka perlu mengidentifikasi contoh penggunaan spesifik di mana kemampuan gen AI dapat mendorong efisiensi, seperti mengotomatisasi proses bisnis, menghasilkan konten pemasaran, atau mempercepat transformasi digital.



Dengan mengukur manfaat AI —seperti pengurangan biaya tenaga kerja dari otomatisasi rantai pasokan, time-to-market yang lebih cepat, atau peningkatan interaksi pelanggan—perusahaan dapat memperkirakan ROI. Bisnis juga harus mempertimbangkan potensi penuh untuk aliran pendapatan baru, seperti penawaran produk yang didukung AI, pengalaman pelanggan yang dipersonalisasi, atau pengambilan keputusan real-time. Dimulai dengan proyek percontohan kecil dan berisiko rendah dapat memberikan hasil nyata yang mempertimbangkan investasi lebih lanjut.

Penilaian risiko juga berperan dalam justifikasi keuangan. Organisasi harus mempertimbangkan biaya kelambanan, termasuk kehilangan pangsa pasar dari pesaing yang didorong oleh AI atau inefisiensi yang dapat diatasi oleh proyek-proyek AI.

Masalah privasi tetap menjadi penghalang utama bagi implementasi gen AI . Sekali lagi, tata kelola data dan prinsip-prinsip AI yang bertanggung jawab memegang peran. Langkah pertama yang penting adalah membatasi paparan data sensitif dengan menggunakan manajemen data seperti anonimisasi, privasi diferensial, dan enkripsi sebelum memasukkan informasi ke dalam model AI.

Ini mengurangi risiko memaparkan informasi identifikasi pribadi (PII) atau data bisnis eksklusif. Perusahaan juga harus membantu memastikan bahwa sistem AI mengikuti kontrol akses yang ketat dan mekanisme audit untuk melacak siapa saja yang berinteraksi dengan data dan bagaimana data tersebut digunakan.

Pembelajaran federasi dapat menjadi pendekatan yang efektif, yang memungkinkan model AI dilatih di beberapa kumpulan data terdesentralisasi tanpa memindahkan data itu sendiri, sehingga menjaga privasi.

Kepatuhan terhadap peraturan adalah faktor kunci lainnya. Bisnis harus menyelaraskan penggunaan AI mereka dengan undang-undang privasi data global seperti GDPR, CCPA, dan peraturan khusus industri. Melakukan penilaian dampak privasi secara rutin dan memelihara dokumentasi yang jelas tentang bagaimana aplikasi AI menangani data dapat membantu perusahaan tetap patuh dan membangun kepercayaan pelanggan. 

Sisi baiknya, banyak organisasi yang berhasil mengatasi tantangan-tantangan ini:

• 80% responden memiliki bagian terpisah dari fungsi risiko yang didedikasikan untuk risiko yang terkait dengan AI atau gen AI.

• 81% melakukan penilaian risiko reguler untuk mengidentifikasi potensi ancaman keamanan yang dimiliki gen AI.

• 78% mempertahankan dokumentasi yang kuat untuk meningkatkan penjelasan tentang cara kerja dan pelatihan model gen AI.

• 76% menetapkan struktur organisasi, kebijakan, dan proses yang jelas untuk tata kelola AI gen.

• 72% mengembangkan kebijakan dan prosedur untuk mengelola data dan mengatasi potensi risiko.

Mengatasi tantangan umum untuk adopsi AI memerlukan pendekatan holistik yang mencakup tidak hanya tim pengembangan AI tetapi juga pemangku kepentingan dari seluruh departemen teknologi, keuangan, keamanan, dan hukum. Namun, mengingat seberapa cepat teknologi bergerak, waktu terbaik bagi para pemula untuk memulainya adalah hari ini.