AI memudahkan kita membayangkan fitur baru. AI tidak otomatis membuat fitur tersebut berguna.
Sebuah tim dapat menghubungkan model ke aplikasi dengan cepat, menunjukkan respons yang terlihat mengesankan, tetapi masih jauh dari sistem yang memberikan nilai bisnis secara andal. Bagian tersulit bukan menghasilkan hasil pertama. Bagian tersulit adalah memilih alur kerja yang tepat, menyediakan konteks yang benar, menentukan kualitas yang dapat diterima, dan menempatkan kemampuan tersebut di dalam operasional sehari-hari.
Itulah mengapa strategi AI perlu hadir sebelum kode AI.
Mulai dari pekerjaan, bukan model
Peluang AI yang paling jelas biasanya dimulai dari pekerjaan atau keputusan yang berulang:
- orang menghabiskan terlalu banyak waktu untuk mencari informasi;
- dokumen perlu dibaca, diklasifikasikan, atau diringkas;
- tim menyiapkan respons serupa berkali-kali setiap hari;
- pengguna membutuhkan panduan di dalam produk yang kompleks;
- alur kerja berbasis aturan tidak mampu menangani variasi yang cukup luas.
Jelaskan pekerjaannya lebih dulu. Siapa yang mengerjakan? Informasi apa yang digunakan? Seperti apa hasil yang baik? Kesalahan mana yang masih dapat diterima, dan keputusan mana yang memerlukan persetujuan manusia?
Setelah pertanyaan tersebut jelas, lebih mudah menentukan apakah AI memang tepat dan peran apa yang seharusnya dijalankan.
Periksa data dan kondisi operasional
Kualitas AI sangat bergantung pada konteks. Informasi yang dibutuhkan dapat tidak lengkap, tidak konsisten, sulit diakses, atau dilindungi oleh hak akses yang tetap harus dihormati oleh fitur baru.
Sebelum pembangunan, nilai data yang tersedia, volume penggunaan, kebutuhan waktu respons, batasan keamanan, dan biaya penggunaan model. Sistem pencarian, aturan yang pasti, atau kombinasi beberapa pendekatan dapat lebih sesuai daripada mengandalkan satu panggilan model.
Arsitektur harus mengikuti kondisi operasional, bukan popularitas alat saat ini.
Tentukan hasil yang dapat diukur
“Menambahkan AI” bukan hasil produk. Tujuan yang berguna harus cukup spesifik untuk dievaluasi: mengurangi waktu peninjauan dokumen, meningkatkan relevansi hasil pencarian, membantu tim dukungan menyiapkan respons, atau mengotomasi bagian yang jelas dari alur operasional.
Tujuan tersebut memandu evaluasi sekaligus membuat batasan. Jika fitur tidak memperbaiki hasil yang dipilih, pembangunan yang berhasil secara teknis tetap merupakan investasi produk yang salah.
Mulai dari rilis berguna yang paling kecil
Rilis pertama yang berguna membutuhkan lebih dari integrasi model. Dibutuhkan pengalaman produk, hak akses, pencatatan, evaluasi, tinjauan manusia bila perlu, penanganan kegagalan, serta cara untuk memantau biaya dan kualitas.
Memulai dari alur kerja yang sempit membuat tanggung jawab tersebut lebih mudah dikelola. Tim dapat belajar dari penggunaan nyata, memperbaiki konteks dan tampilan, lalu memperluas sistem setelah perilakunya dapat diprediksi.
Transformasi AI menjadi nyata ketika kemampuan AI menjadi bagian yang dapat diandalkan dari sebuah produk dan cara kerja yang lebih baik. Strategi adalah penghubung keduanya.