Bayangkan sebuah agen AI yang mengelola pemesanan ulang stok di sebuah perusahaan distribusi, langsung dari master data perusahaan. Ia bekerja pukul tiga pagi dan tidak pernah lelah. Suatu malam, ia memesan 400 karton untuk produk yang stoknya tercatat nol.
Logikanya tidak salah. Masalahnya, produk yang sama tercatat di sistem dengan tiga kode berbeda, dan dua di antaranya masih memiliki stok di gudang.
Tidak ada yang salah ketik. Agen tersebut menjalankan tugasnya persis sesuai dengan data yang ada. Seorang perencana pasokan manusia akan berhenti sejenak dan berpikir, “Sebentar, kemarin saya lihat barang itu masih ada di rak.” Namun, agen AI tidak akan ragu karena tidak ada data yang membuatnya berpikir demikian.
Jalan Pintas yang Diinginkan Semua Orang
Ada satu gagasan menarik yang sedang hangat dibicarakan di tingkat manajemen. Jika agen AI bisa bekerja di atas sistem yang sudah ada, mengapa harus mengeluarkan biaya besar untuk membenahi sistem intinya? Biarkan saja sistem lama tetap berjalan, lalu biarkan agen AI yang mengakalinya.
Saya memahami daya tariknya. Memodernisasi sistem inti memang lambat, mahal, dan jarang menjadi proyek impian. McKinsey mencatat bahwa biaya migrasi ERP di sebagian besar perusahaan besar berkisar antara 100 juta dan 1 miliar dolar AS. Bagi perusahaan yang lebih kecil, biayanya mungkin lebih rendah, tetapi tingkat kesulitannya tetap sama.
Artikel McKinsey tersebut mempertanyakan apakah memakai sistem inti yang “cukup baik” dengan menambahkan agen AI di atasnya bisa menjadi solusi masa depan, dan menyimpulkan bahwa hal itu sulit terwujud. Saya setuju. Alasan saya bukan sekadar urusan arsitektur sistem, melainkan berdasarkan apa yang saya amati langsung dari satu implementasi ke implementasi lainnya.
Kita Sudah Pernah Mencoba Ini
Sekitar sepuluh tahun lalu, teknologi robotic process automation (RPA) menjanjikan hal serupa. Robot perangkat lunak akan mengeklik layar sistem lama untuk kita, sehingga sistem lama tersebut tidak perlu diganti.
Hasil instannya memang terlihat nyata. Namun, dampak buruknya juga nyata. Data pelanggan ganda, daftar harga yang inkonsisten, dan alur persetujuan yang tidak jelas tetap tidak terselesaikan. Robot hanya membuat proses yang berantakan berjalan lebih cepat. McKinsey menjadikan RPA sebagai pelajaran berharga karena alasan ini: hasilnya hanya menyentuh permukaan, sementara masalah mendasar di sistem inti tetap tidak terselesaikan.
Banyak implementasi sistem mengalami nasib serupa. Data lama dimigrasikan apa adanya karena mengejar tenggat go-live lebih diutamakan daripada pembenahan. Akibatnya, kekacauan tidak hilang, melainkan hanya berpindah ke sistem yang baru.
Agen AI jauh lebih canggih daripada robot RPA, dan justru itulah yang perlu diwaspadai. Ketika menemukan data yang janggal, robot akan berhenti dan menunggu instruksi dari manusia. Sebaliknya, agen AI akan berimprovisasi.
Master Data Anda Selama Ini Dijaga oleh Manusia
Dalam sebagian besar implementasi yang saya temui, bukan sistem yang menjaga agar master data tetap akurat, melainkan manusia di dalamnya.
Ada staf admin yang tahu bahwa kedua kode pelanggan sebenarnya merujuk pada toko yang sama. Ada kepala gudang yang hafal konversi satuan untuk pemasok tertentu, lalu mengoreksinya secara manual di luar sistem. Semua penyesuaian itu tidak pernah tercatat. Semuanya bisa berjalan hanya karena ada orang yang mengintervensi data sebelum keputusan diambil.
Mengadopsi agen AI berarti menghilangkan peran manusia tersebut. Walau itu memang tujuannya, setiap koreksi manual yang biasa dilakukan diam-diam akan ikut hilang, dan agen AI tidak mungkin mengetahui hal-hal yang tidak pernah tercatat di dalam sistem.
AI tidak memperbaiki data Anda. AI mempercayainya bulat-bulat.
Oleh karena itu, pertanyaan penting bagi seorang pemimpin bukanlah seberapa pintar AI yang digunakan, melainkan seberapa banyak fakta penting tentang bisnis Anda yang hanya ada di dalam ingatan karyawan.

Mengapa Saya Menaruh AI di Urutan Terakhir
Dalam setiap proses transformasi, saya melihat ada lima elemen penting: SDM, proses, data, teknologi, dan AI. Saya sengaja menempatkan AI di urutan terakhir. Bukan karena AI tidak penting, melainkan karena AI sangat bergantung pada empat elemen sebelumnya.

Jika urutannya dibalik, Anda hanya akan mendapatkan kecepatan tanpa akurasi.
Maka dari itu, saya tidak memandang pengelolaan master data sebagai tanggung jawab tim IT semata. Kode pelanggan terduplikasi jarang terjadi akibat kesalahan perangkat lunak. Masalah tersebut biasanya muncul karena tim penjualan dan keuangan tidak pernah menyepakati siapa yang berwenang membuat data pelanggan. Master data adalah bentuk kesepakatan antarmanusia, dan tidak ada agen AI yang bisa menggantikan kesepakatan tersebut.
Pekerjaan yang Diabaikan Semua Orang
Sangat mudah bagi kita untuk memperlakukan hal ini sebagai proyek pembenahan biasa, lengkap dengan cakupan kerja, anggaran, dan tenggat waktu. Namun, kini saya melihatnya sebagai sesuatu yang lebih mendasar dan lebih menantang.
Lebih mendasar, karena membenahi satu alur kerja saja sudah cukup untuk memetik pelajaran. Dalam implementasi sistem, momen paling berharga jarang terjadi saat mengonfigurasi sistem, melainkan ketika anggota tim menyadari, “Oh, bagian itu memang selalu kami perbaiki secara manual.” Kita sering kali lupa untuk berhenti sejenak dan mempertanyakan “mengapa”.
Lebih menantang karena daftar masalah yang ada biasanya lebih panjang dari perkiraan manajemen, dan sebagian koreksi tersebut terjadi akibat keputusan kita sendiri, seperti diskon khusus yang pernah disetujui sekali tetapi tidak pernah dicatat, atau pelanggan yang dibiarkan terdaftar dengan dua cara berbeda oleh tim yang berbeda.
Hal yang ditunjukkan oleh masalah tersebut sebenarnya bukan sekadar data yang berantakan, melainkan ketiadaan rasa kepemilikan terhadap data. Harus ada pihak yang berwenang menentukan data mana yang benar, dan di banyak perusahaan, peran tersebut belum ada. Selama masalah kepemilikan ini belum terselesaikan, saya akan sangat ragu untuk membiarkan agen AI mengambil keputusan secara mandiri.
Tugas pembenahan ini memang tidak bergengsi. Tidak ada orang yang mendapat promosi jabatan hanya karena berhasil menggabungkan data produk yang ganda, dan karena itulah pekerjaan ini sering kali tidak pernah tuntas.
Alasan untuk Menunda Makin Tidak Relevan
Ada kabar baik dari riset McKinsey tersebut. Mereka memperkirakan bahwa agen AI dapat memangkas alokasi waktu dan durasi pengerjaan proyek ERP hingga setengahnya. Jika perkiraan ini terbukti, pembenahan sistem inti akan jauh lebih terjangkau, sehingga alasan “terlalu mahal” tidak bisa lagi digunakan.
Hal ini berlaku secara umum. Ketika implementasi menjadi lebih cepat dan hemat, tidak ada lagi alasan untuk mengaku tidak memiliki waktu untuk membenahi tata kelola data.
Oleh karena itu, saya tidak melihat ini sebagai pilihan dilematis antara membenahi sistem inti dan mengadopsi AI. Pembenahan sistem inti adalah prasyarat mutlak sebelum melangkah ke adopsi AI.
Mari kita bayangkan kembali agen AI yang memesan 400 karton pada jam 3 pagi tadi. Ia bukan agen AI yang buruk, melainkan agen yang bekerja secara jujur berdasarkan data apa adanya yang kita berikan.
Seandainya mulai besok pagi agen AI mengambil alih pengambilan keputusan berbasis data di perusahaan Anda, kekeliruan apa saja yang akan terjadi akibat data yang tidak akurat, padahal selama ini diam-diam dikoreksi oleh karyawan Anda?