Meningkatkan Kualitas Insight Analitik Agentik: Tantangan dan Solusi untuk Bisnis Indonesia

Dari Generatif ke Agentik: Lompatan Berikutnya Analitik Enterprise

Dalam beberapa tahun terakhir, AI generatif telah mengubah wajah analitik enterprise dengan membuat data dapat diakses pengguna di seluruh organisasi—tanpa harus menunggu tim data scientist. Sekarang, agentic AI menjanjikan lebih jauh: mengotomatiskan seluruh alur kerja dan mengambil tindakan berdasarkan insight yang dihasilkan agen sendiri.

Namun laporan terbaru MIT Technology Review Insights (dibuat oleh divisi custom content MIT, bukan staf editorial) menunjukkan realitas yang masih menantang. Hanya 48% insight yang dihasilkan agen analitik di perusahaan yang disurvei benar-benar mengarah pada tindakan yang memperbaiki bisnis. Angka ini naik dari 37% setahun lalu, tapi berarti lebih dari separuh insight masih gagal memberi nilai.

Bagi perusahaan Indonesia yang mulai mengadopsi AI agentik—mulai dari e-commerce, fintech, hingga manufaktur—temuan ini adalah pengingat penting: membangun agen saja tidak cukup, kualitas insight harus dijaga agar investasi AI tidak sia-sia.

Kesenjaran Kualitas: Deskriptif vs Preskriptif

Responden survei umumnya memuji kualitas insight deskriptif (“apa yang terjadi”) dari agen mereka. Masalah muncul pada insight preskriptif (“apa yang harus dilakukan”)—di sinilah ulasan jadi “decidedly mixed” atau campur aduk.

Contoh konkret: Agen e-commerce bisa memberitahu “penjualan kategori skincare turun 15% minggu ini” (deskriptif, akurat). Tapi saat diminta rekomendasi tindakan, agen mungkin menyarankan “naikkan budget iklan 20%” tanpa mempertimbangkan musiman, stok, atau margin—sehingga tindakan itu justru merugi.

Ini berbahaya: insight cacat yang memicu tindakan salah bisa menyebabkan kerugian finansial atau reputasional. Bayangkan agen supply chain merekomendasikan pembatalan pesanan bahan baku berdasarkan prediksi permintaan yang keliru—pabrik berhenti, kustomer kecewa, kontrak terancam.

Siapa “Insight Leaders” dan Apa yang Beda?

Studi mengidentifikasi kelompok kecil “insight leaders” di mana lebih dari 70% insight agen mengarah pada perbaikan bisnis. Perbedaan kunci:

• Mereka memberi nilai lebih tinggi pada kualitas insight agen mereka, terutama yang preskriptif.
• Jauh lebih sedikit yang melaporkan agen kesulitan mengakses konteks bisnis.
• Mereka investasi awal pada fondasi data dan tata kelola sebelum menyebarkan agen skala penuh.

Pelajaran untuk CTO/CDO Indonesia: jangan buru-buru deploy agen ke seluruh divisi tanpa memperkuat lapisan semantik dan tata kelola data dulu. Perbedaan 48% vs 70% bukan angka statistik—itu selisih antara AI yang jadi beban vs AI yang jadi penggerak pertumbuhan.

Penyebab Utama: Kurangnya Konteks Bisnis dan Data Terfragmentasi

Dua faktor dominan mengganggu kualitas insight:

1. Kurangnya konteks bisnis (55% responden). Agen AI tidak “tahu” realitas bisnis: musiman promosi, kebijakan harga, batasan regulasi (mis. OJK untuk fintech), atau dinamika tim sales. Tanpa konteks, rekomendasi agen jadi generik dan berisiko.
2. Data terfragmentasi atau tidak akses (45%). Data tersebar di ERP, CRM, data lake, spreadsheet, hingga grup WhatsApp tim operasional. Agen tidak bisa “melihat” gambaran utuh.

Di Indonesia, tantangan ini diperparah oleh silo data antar divisi, legacy system yang belum terintegrasi, dan budaya “data ownership” yang membuat sharing sulit. Perusahaan yang sukses biasanya punya tim data platform terpusat yang membangun data mesh atau lakehouse dengan catalog dan lineage yang jelas—sebelum agen AI dilepaskan.

Overload Insight: Terlalu Banyak, Terlalu Sedikit yang Dievaluasi

Masalah lain yang mengejutkan: 52% organisasi melaporkan agen menghasilkan terlalu banyak insight sehingga tidak bisa dievaluasi dengan benar. Hanya 24% yang mampu mengevaluasi semua insight; sisanya pilih-pilih (case-by-case) dengan proses yang masih sangat bergantung pada manusia.

Ironinya: agen dibuat untuk mengotomatisasi, tapi akhirnya menciptakan botol leher evaluasi manual. Bayangkan tim marketing menerima 200 rekomendasi kampilan per hari dari agen—mereka hanya bisa cek 5-10, sisanya diabaikan atau, lebih buruk, dieksekusi tanpa review.

Solusi praktis yang mulai diterapkan perusahaan terdepan:

• Scoring otomatis pada insight berbasis confidence score, alignment dengan KPI, dan risk assessment.
• Human-in-the-loop hanya untuk insight high-stakes (mis. >Rp100 juta impact atau melibatkan compliance).
• Feedback loop tertutup: hasil tindakan dikembalikan ke agen untuk memperbaiki rekomendasi mendatang.

Dua Pilar Solusi: Tata Kelola AI dan Semantic Layer

Survei mengungkap dua inisiatif prioritas perusahaan untuk memperbaiki kualitas insight:

1. Perkuat Tata Kelola AI dan Data (60%)

Ini mencakup: kebijakan akses data, definisi metrik bisnis yang disepakati (single source of truth), pemantauan drift model, audit trail keputusan agen, dan compliance regulasi (PDP Indonesia, OJK, dll). Tanpa tata kelola, agen beroperasi di “zona abu-abu” yang berisiko hukum dan operasional.

2. Tambahkan Semantic Layer ke Arsitektur Data (45%)

Ahli yang diwawancarai MIT setuju: semantic layer adalah kunci agen berperforma tinggi. Lapisan ini menerjemahkan data teknis (tabel, kolom, foreign key) ke konsep bisnis yang dimengerti agen dan pengguna: “pelanggan aktif”, “pendapatan bersih”, “churn risk”, “margin kontribusi”.

Tanpa semantic layer, agen hanya “membaca SQL” tanpa memahami artinya. Dengan semantic layer, agen bisa menjawab “mengapa margin turun di Jawa Timur Q3?” dengan menelusuri definisi bisnis yang konsisten—bukan menebak-nebak kolom database.

Implementasi praktis di stack modern (contoh):

• dbt + Snowflake/BigQuery untuk transformasi dan semantic modeling (metrics, dimensions).
• Cube.dev atau AtScale sebagai semantic layer universal untuk BI dan agen AI.
• LangChain/LlamaIndex + function calling yang memanggil semantic layer via API, bukan query SQL mentah.

Langkah Konkret untuk Mulai Minggu Ini

1. Audit insight yang ada: Ambil sampel 50 insight agen terakhir, cek berapa yang actionable dan benar. Ukur baseline Anda.
2. Peta kekosongan konteks: Wawancara 5 pemangku kepentingan bisnis (sales, finance, ops). Tanyakan: “Apa yang agen AI tidak tahu tapi kritis untuk keputusan Anda?”
3. Bangun glossary bisnis: Definisikan 20-30 metrik inti (ARR, CAC, LTV, OTIF, dll) dengan formula SQL yang disepakati. Simpan di dbt atau data catalog.
4. Pilot semantic layer: Pilih satu domain (mis. sales pipeline), bangun semantic model, hubungkan ke agen uji coba. Bandingkan kualitas insight sebelum/sesudah.
5. Atur SLA evaluasi: Tentukan insight mana yang wajib review manusia (high risk), mana yang auto-approve (low risk), dan mana yang di-suppress (noise).

Kesimpulan: Fondasi Dulu, Otomatisasi Kemudian

Agentic analytics bukan sihir—ia memperbesar apa yang sudah ada di fondasi data Anda. Jika data kotor, konteks hilang, dan definisi metrik ambigu, agen hanya akan menghasilkan insight yang cepat tapi salah, dalam volume besar.

Perusahaan Indonesia yang ingin mengejar keunggulan kompetitif via AI agentik harus memperlakukan semantic layer dan tata kelola data sebagai investasi infrastruktur wajib, bukan opsional. Seperti yang dibuktikan “insight leaders”: 70%+ keberhasilan insight tidak datang dari model yang lebih canggih, tapi dari fondasi yang lebih kuat.

Mulai dari glossary bisnis hari ini. Bangun semantic layer bulan ini. Baru skalkan agen kuartal depan. Itu jalur paling realistis menuju ROI AI yang nyata.