Model

Kecerdasan Buatan Memperkuat Kesalahan Data Bukan Memperbaikinya

16 November 2026 · Baca 2 menit

a close up of a computer with green lights
Tyler / Unsplash

Banyak pemimpin data saat ini menghadapi tantangan besar dalam mengintegrasikan kecerdasan buatan karena kualitas data yang buruk. Meskipun ada keinginan kuat untuk mengadopsi teknologi ini dengan cepat, terdapat kesenjangan yang signifikan antara rasa percaya diri pemimpin dan kesiapan data aktual mereka.

Sebuah survei yang dilakukan oleh Precisely dan LeBow College of Business dari Universitas Drexel terhadap 565 profesional data menunjukkan bahwa 88 persen pemimpin data merasa siap untuk kecerdasan buatan. Namun, 43 persen dari mereka mengakui bahwa data mereka saat ini menjadi sebuah hambatan. Pada tahun 2024, hanya 12 persen yang menyatakan bahwa data mereka memiliki kualitas dan aksesibilitas yang cukup, sementara 67 persen tidak sepenuhnya percaya pada data mereka sendiri untuk mengambil keputusan.

Kondisi ini menciptakan risiko teknis yang besar karena kecerdasan buatan tidak mengubah aturan dasar bahwa input yang buruk akan menghasilkan output yang buruk. Berbeda dengan proses manual di mana manusia dapat memeriksa dan mengoreksi kesalahan, model kecerdasan buatan mempelajari kesalahan, menggeneralisasikannya, dan menerapkannya ribuan kali per detik. Hal ini menjadi lebih kritis dengan adanya agen yang tidak hanya memberikan rekomendasi tetapi juga mengeksekusi tindakan, sehingga kesalahan berpindah dari laporan ke operasional.

Data dari Gartner menunjukkan bahwa 63 persen organisasi tidak memiliki praktik manajemen data yang memadai untuk kecerdasan buatan atau tidak mengetahui apakah mereka memilikinya. Diperkirakan hingga akhir tahun 2026, perusahaan akan meninggalkan 60 persen proyek kecerdasan buatan yang tidak didukung oleh data yang siap, meskipun ada investasi besar dalam kecerdasan buatan generatif dan agenik yang seringkali tidak memberikan pengembalian terukur.

Hambatan utama yang diidentifikasi oleh para pemimpin data bukanlah model itu sendiri, melainkan tata kelola data dan kualitasnya untuk pelatihan serta inferensi. Masalah lain mencakup kurangnya atribut konteks, privasi, dan kurangnya data yang cukup untuk menghindari bias. Namun, organisasi dengan strategi dan program tata kelola data formal menunjukkan tingkat kepercayaan yang lebih tinggi, yaitu 71 persen, dibandingkan dengan 50 persen pada organisasi yang tidak memilikinya.

Kecerdasan buatan kini juga digunakan sebagai alat untuk menyelesaikan masalah data, seperti agen yang menemukan data pribadi atau mengusulkan aturan kualitas. Platform seperti Data Integrity Suite dari Precisely memungkinkan tata kelola data melalui permintaan bahasa alami. Selain itu, peraturan Eropa tentang kecerdasan buatan mewajibkan praktik tata kelola dan kualitas data untuk sistem berisiko tinggi, seperti dalam pemilihan personel atau pemberian kredit.