MALUKU — Confluent merilis Data Streaming Report Juli 2026 yang menyoroti kesiapan data perusahaan Indonesia dalam mengadopsi AI. Sebanyak 83% pemimpin TI menyebut silo data sebagai hambatan utama scale-up AI, sementara 82% pernah menghadapi minimal tiga tantangan sekaligus. Temuan ini muncul saat investasi AI di Tanah Air terus naik, tetapi fondasi data belum siap operasional.
Laporan tersebut menjaring responden dari kalangan pemimpin teknologi informasi di Indonesia yang tengah menggenjot inisiatif kecerdasan buatan. Selain silo data, ada sejumlah persoalan teknis lain yang mengemuka ketika perusahaan berpindah dari tahap uji coba ke produksi penuh.
Keterampilan hingga Infrastruktur Jadi Penghambat
Sebanyak 80% pemimpin TI mengaku keterbatasan keterampilan dan keahlian AI menjadi kendala saat memperbesar skala penerapan. Infrastruktur yang dinilai belum memadai untuk pemrosesan data real-time juga dikeluhkan 79% responden.
Soal kualitas data tak kalah pelik. Sekitar 77% organisasi menghadapi ketidakjelasan asal-usul, ketepatan waktu, dan mutu data. Sementara 76% bergulat dengan sumber data yang tidak konsisten di antara berbagai sistem.
Enam dari sepuluh organisasi di Indonesia bahkan menghadapi sedikitnya lima tantangan data secara bersamaan ketika berupaya meningkatkan skala pemanfaatan AI.
Dampak Data Usang Kini Lebih Besar
Senior Vice President & General Manager APAC Confluent Greg Taylor menilai persoalan kualitas dan konsistensi data bukan hal baru. Namun, efeknya berubah drastis ketika data dipakai menjalankan sistem AI.
"Meski bukan masalah baru, dampaknya kini telah berubah secara signifikan. Dataset yang usang atau sumber data yang tidak konsisten dahulu mungkin hanya berujung pada laporan yang terlambat atau dasbor yang diperdebatkan. Kini, masalah yang sama dapat memengaruhi setiap rekomendasi, prediksi, atau keputusan otomatis yang dibuat sistem AI," ujar Greg dikutip Minggu (4/10/2026).
Menurut Greg, menyediakan data dalam jumlah besar saja tidak cukup. Data harus tersedia tepat saat dibutuhkan. Setiap interaksi pelanggan, transaksi pembayaran, perubahan inventaris, dan aktivitas operasional perlu mengalir cepat antarsistem agar aplikasi AI bekerja dengan konteks bisnis terbaru.
Mengapa Proyek AI Gagal Naik Kelas
Kesenjangan aliran data ini menjelaskan mengapa sejumlah proyek AI berjalan mulus di tahap pilot, tetapi tersendat saat diterapkan dalam skala operasional. Model AI mungkin sudah mampu bekerja, tetapi aliran data yang menjadi fondasinya belum siap mendukung kebutuhan bisnis secara real-time.
Tiga Fondasi yang Perlu Dibangun
Confluent menyoroti tiga area yang perlu menjadi perhatian perusahaan ketika membawa AI dari eksperimen menuju produksi.
Pertama, membangun fondasi data real-time dengan mengurangi ketergantungan pada pembaruan batch dan memungkinkan data operasional mengalir berkelanjutan antarsistem.
Kedua, mengelola data saat sedang bergerak. Tata kelola tidak semestinya baru dilakukan setelah data masuk ke data warehouse. Perusahaan butuh visibilitas atas kualitas, asal-usul, dan keamanan data sejak informasi berpindah antarplatform.
Ketiga, meningkatkan kualitas data sedekat mungkin dengan sumbernya. Pendekatan shift-left memungkinkan data divalidasi, dibersihkan, dan dikelola sebelum masuk ke data warehouse maupun model AI, sehingga mengurangi kesalahan di tahap hilir dan mendeteksi persoalan kepatuhan lebih awal.
Data Terbaru Lebih Menentukan daripada Model Terpintar
Greg menilai perusahaan yang masih mengandalkan arsitektur data terfragmentasi dan berbasis batch akan kesulitan membawa AI melampaui proyek pilot. Sebaliknya, perusahaan yang memperlakukan data sebagai aliran informasi berkelanjutan lebih siap memakai AI berdasarkan kondisi bisnis terkini.
"Di era AI, keberhasilan tidak ditentukan oleh siapa yang memiliki model terpintar. Keberhasilan ditentukan oleh siapa yang memiliki data terbaru," kata Greg.
Temuan Confluent ini menjadi sinyal bagi pelaku bisnis digital dan investor startup di Indonesia bahwa kesiapan infrastruktur data akan menentukan siapa yang bisa mengeksekusi AI secara konsisten di skala produksi.
