Data Proprietary Mungkin Menjadi Benteng AI Paling Berharga

Kecerdasan buatan semakin mudah diakses oleh perusahaan. Model‑model terkemuka dapat dilisensikan melalui platform cloud, sistem sumber terbuka dapat disesuaikan, dan asisten AI muncul di dalam perangkat lunak bisnis umum. Ketersediaan yang semakin meluas ini menimbulkan pertanyaan penting bagi investor: jika pesaing dapat mengakses model serupa, dari mana keunggulan AI yang bertahan akan berasal?

Sebuah studi baru yang dipublikasikan dalam Research Policy¹ menunjukkan bahwa jawabannya mungkin terletak pada seberapa efektif perusahaan menggabungkan kecerdasan buatan dengan data proprietary, pengetahuan institusional, dan keahlian manusia. Argumen utamanya adalah bahwa AI tidak lagi harus diperlakukan sebagai alat perangkat lunak konvensional. AI kini menjadi agen pembelajaran lain di dalam organisasi.

Perbedaan ini penting karena membeli AI tidak secara otomatis membuat perusahaan menjadi lebih baik dalam belajar. Bisnis masih memerlukan data yang relevan, karyawan yang memahami lingkungan operasional, tim teknis yang mampu mengonfigurasi model, dan proses yang mengubah wawasan yang dihasilkan AI menjadi tindakan. Perusahaan yang menyusun kemampuan ini lebih awal dapat mengembangkan keunggulan yang semakin sulit ditiru.

AI Mengubah Cara Perusahaan Menyerap Pengetahuan

Peneliti manajemen menggunakan istilah kapasitas absorptif untuk menggambarkan kemampuan perusahaan dalam mengenali pengetahuan eksternal yang berharga, memahaminya, dan menerapkannya secara komersial. Secara tradisional, proses ini dipandang sebagai aktivitas manusia yang didukung oleh riset, komunikasi, pelatihan, dan pengalaman.

Makalah baru tersebut berargumen bahwa kerangka kerja ini tidak lagi memadai. Sistem AI modern dapat memindai informasi, mendeteksi pola, menggabungkan data dari domain yang tidak terkait, dan menghasilkan penjelasan atau solusi yang memungkinkan. Alih‑alih sekadar menyimpan informasi untuk diambil oleh karyawan, AI dapat memengaruhi apa yang dicari organisasi dan bagaimana ia menafsirkan temuan.

Ini menciptakan apa yang disebut peneliti sebagai arsitektur pembelajaran ganda. Pembelajaran manusia tetap dipandu oleh pengalaman, konteks, asosiasi, dan penilaian. Pembelajaran mesin beroperasi melalui hubungan statistik yang ditemukan di seluruh data. Masing‑masing memiliki kekuatan dan kelemahan yang berbeda, dan tidak ada yang cukup bila berdiri sendiri.

Ini mendukung pelajaran yang lebih luas yang muncul di seluruh ekonomi: informasi tidak menciptakan nilai sampai sebuah organisasi dapat menafsirkannya dan bertindak atasnya. Liputan terbaru Securities.io tentang bagaimana AI membuka peluang baru bagi usaha kecil juga menemukan bahwa kemampuan AI dan kemampuan kewirausahaan bersifat saling melengkapi, bukan saling menggantikan.

Warisan Data Dapat Menjadi Aset Korporasi yang Mengganda

Salah satu konsep paling berguna dalam makalah tersebut adalah warisan data. Ini merujuk pada volume, variasi, kualitas, dan sejarah data yang dikumpulkan oleh sebuah perusahaan.

Basis data tradisional sebagian besar bersifat pasif. Mereka menyimpan informasi hingga seseorang atau program yang telah ditentukan mengambil dan menganalisisnya. AI membuat data yang terkumpul menjadi lebih aktif karena informasi baru dapat mengubah cara sistem mengidentifikasi pola dan menghasilkan pengetahuan di masa depan.

Sebagai contoh, sebuah produsen dapat memiliki bertahun‑tahun catatan pemeliharaan, pengukuran produksi, laporan cacat, log peralatan, dan observasi teknisi. Seorang pesaing mungkin membeli perangkat lunak AI yang sebanding, tetapi tidak dapat segera mereproduksi sejarah operasional tersebut. Data perusahaan yang sudah ada dapat membantu modelnya mendiagnosa kegagalan, mengoptimalkan produksi, dan mengidentifikasi hubungan yang tidak tampak ketika catatan tersebut dibuat.

Proses ini dapat menjadi saling memperkuat. Data yang lebih baik membantu sistem AI mengidentifikasi informasi tambahan apa yang bernilai. Perusahaan kemudian mengumpulkan informasi yang lebih baik, meningkatkan analisis selanjutnya dan mengarahkan pengumpulan lebih lanjut. Makalah tersebut menggambarkan investasi sengaja dalam pengadaan, kurasi, integrasi, dan pengelolaan data ini sebagai upaya penyerapan data.

Keunggulan yang dihasilkan bukan sekadar memiliki lebih banyak data. Data yang terstruktur buruk, tidak relevan, atau bias dapat melemahkan sistem. Keunggulan kompetitif berasal dari kombinasi:

• Informasi proprietary dan relevan
• Proses pengumpulan dan tata kelola yang andal
• Karyawan yang memahami konteks operasional
• Keahlian teknis yang mampu menyesuaikan AI

Hal ini konsisten dengan pergeseran yang lebih luas menuju strategi data hibrida yang menggabungkan informasi korporasi proprietary dengan kumpulan data eksternal yang lebih besar. Akses ke model yang kuat mungkin menjadi umum, tetapi akses ke konteks internal yang tepat akan tetap tidak merata.

Bagaimana AI Dapat Mempertahankan Pengetahuan Institusional

Studi tersebut juga memperkenalkan gagasan virtualisasi pengetahuan. Karyawan sering mengumpulkan keahlian yang sulit dituliskan. Seorang teknisi berpengalaman dapat mendeteksi masalah mekanis dari getaran yang tidak biasa, sementara analis risiko dapat mengenali aplikasi mencurigakan tanpa dapat mereduksi penilaian menjadi aturan sederhana.

Perusahaan secara tradisional mempertahankan pengetahuan tacit ini melalui pelatihan, bimbingan, rutinitas, dan pengalaman bersama. Metode ini berharga namun mahal, lambat untuk diskalakan, dan rentan terhadap perputaran karyawan.

AI menciptakan saluran lain yang memungkinkan. Model yang dilatih pada keputusan, hasil, dokumen, pembacaan sensor, dan kasus historis dapat mengkodekan bagian pengetahuan pengalaman ke dalam representasi matematis. Ini tidak berarti bahwa model secara harfiah memahami segala yang diketahui oleh karyawan berpengalaman. Ini berarti organisasi dapat mempertahankan dan menggunakan kembali pola yang dihasilkan dari keahlian tersebut.

Hal ini dapat mengubah pengetahuan yang sebelumnya terkait dengan satu karyawan atau tim menjadi aset korporasi yang dapat digunakan kembali. Personel baru mungkin berinteraksi dengan sistem AI yang mencerminkan bagian dari pengambilan keputusan historis organisasi, sementara karyawan berpengalaman dapat menggunakan outputnya untuk mengidentifikasi bukti yang terlewat.

Namun, terdapat ketegangan strategis. Pengetahuan tacit dapat berharga tepat karena pesaing tidak dapat menyalinnya dengan mudah. Memvirtualisasikan pengetahuan tersebut membuatnya lebih dapat diskalakan secara internal, tetapi juga menimbulkan kekhawatiran tentang keamanan, tata kelola, dan kepemilikan. Jika data pelatihan sensitif, bobot model, atau alur kerja terekspos, perusahaan dapat secara tidak sengaja mentransfer sebagian keunggulan operasionalnya.

Penilaian Manusia Dan Mesin Harus Tetap Terhubung

Makalah tersebut menyebut koordinasi efektif antara pengetahuan domain dan pengetahuan AI sebagai dualitas kognitif. Kemampuan ini memerlukan lebih dari sekadar menempatkan ilmuwan data bersama manajer berpengalaman. Kedua kelompok harus dapat saling memahami dan menantang.

Para ahli domain memerlukan literasi AI yang cukup untuk mengenali ketika sebuah model tidak dapat diandalkan, beroperasi di luar lingkungan pelatihannya, atau mengaburkan korelasi dengan kausalitas. Tim teknis memerlukan pemahaman domain yang memadai untuk mengerti hasil mana yang penting dan batasan apa yang tidak dapat disimpulkan hanya dari data.

Tanpa jembatan tersebut, perusahaan menghadapi dua risiko berlawanan. Karyawan mungkin terlalu cepat mempercayai rekomendasi AI, memungkinkan kesalahan atau bias historis menyebar secara luas. Sebaliknya, mereka dapat menolak temuan yang berguna karena penalaran sistem tidak familiar atau tidak cukup dapat dijelaskan.

Hal ini membantu menjelaskan mengapa proyek AI perusahaan dapat menghasilkan hasil yang sangat berbeda meskipun organisasi menggunakan model dasar yang serupa. Kinerja bergantung pada sistem pembelajaran di sekitarnya. Forum Ekonomi Dunia juga telah mengidentifikasi data yang siap AI, keterampilan karyawan, model yang tepat, dan tata kelola yang bertanggung jawab sebagai persyaratan yang saling terkait untuk memperluas AI di seluruh perusahaan.

Apa yang Ditemukan Studi tentang Pembelajaran Berbasis AI

Penelitian tersebut menggabungkan tinjauan konseptual dengan 40 wawancara yang dilakukan di delapan perusahaan AI‑first kecil dan menengah di Italia. Para peserta memegang posisi teknis dan manajerial di bidang perawatan kesehatan, keuangan, konten kreatif, manajemen data, peramalan, dan analisis risiko.

Kerangka kerja ini berharga, tetapi keterbatasannya penting. Ini adalah studi kualitatif yang membangun teori, bukan bukti kuantitatif bahwa kemampuan ini meningkatkan keuntungan atau pengembalian bagi pemegang saham. Tidak ada perusahaan yang berpartisipasi memiliki 250 karyawan atau lebih, dan semuanya berbasis di satu negara. Penelitian lebih lanjut diperlukan untuk menguji model ini di perusahaan besar, industri berteknologi rendah, dan lingkungan ekonomi yang berbeda.

ServiceNow Menawarkan Paparan pada Alur Kerja AI Perusahaan

Bagi investor yang mencari paparan terhadap pergeseran ini, ServiceNow memberikan contoh yang relevan. Platformnya menghubungkan data perusahaan, alur kerja, karyawan, dan agen AI yang semakin otonom. Posisi tersebut sangat mencerminkan argumen makalah bahwa nilai AI muncul dari integrasinya dengan proses organisasi, bukan hanya dari modelnya saja.

ServiceNow telah memperluas Workflow Data Fabric, AI Control Tower, dan kemampuan analitik otonomnya. Perusahaan menggambarkan fondasi data perusahaan real‑time sebagai cara untuk menyediakan konteks operasional yang diatur bagi sistem AI. Securities.io juga telah meneliti peluang terkait melalui liputannya tentang UiPath dan pasar otomasi agenik.

Kasus investasi ini tidak bebas risiko. Persaingan perangkat lunak perusahaan sangat intens, fitur AI mungkin menjadi komoditas yang dibundel, dan pelanggan dapat menolak biaya atau kompleksitas penerapan platform yang luas. ServiceNow juga harus menunjukkan bahwa produk AI-nya menghasilkan nilai pelanggan yang terukur, bukan sekadar memperluas cakupan produk.

Namun demikian, posisinya menggambarkan wawasan investasi utama makalah. Seiring model fondasi menjadi lebih mudah diakses, nilai yang tahan lama dapat berpindah ke perusahaan yang mengendalikan konteks alur kerja, akses data yang diatur, dan sistem di mana keputusan manusia dan mesin menjadi tindakan operasional.

Kesenjangan AI yang Sebenarnya Mungkin Membesar Seiring Waktu

Kesenjangan yang muncul mungkin bukan antara bisnis yang menggunakan AI dan yang tidak. Itu mungkin antara perusahaan yang memperlakukan AI sebagai alat terisolasi dan yang membangun sistem pembelajaran organisasi di sekitarnya.

Data proprietary, keahlian yang terakumulasi, tata kelola model, dan koordinasi lintas fungsi semuanya bergantung pada jalur. Mereka membutuhkan waktu untuk dikembangkan dan ditingkatkan melalui penggunaan berulang. Perusahaan yang mulai membangunnya lebih awal dapat memperoleh keunggulan kumulatif, sementara pengadopsi terlambat tidak selalu dapat menutup kesenjangan hanya dengan membeli model terbaru.

Bagi investor, hal ini mengubah cara kesiapan AI harus dievaluasi. Pengeluaran untuk perangkat lunak dan infrastruktur komputasi penting, tetapi memberikan sedikit gambaran apakah perusahaan dapat menerjemahkan AI menjadi nilai yang dapat dipertahankan. Pertanyaan yang lebih mengungkap meliputi informasi proprietary apa yang dikendalikan bisnis, apakah dapat mempertahankan keahlian karyawan, seberapa dekat tim teknis bekerja dengan spesialis domain, dan apakah wawasan AI dapat mencapai alur kerja nyata.

Generasi berikutnya dari pemenang AI mungkin oleh karena itu didefinisikan lebih sedikit oleh siapa yang memiliki akses ke kecerdasan dan lebih banyak oleh siapa yang tahu cara menyerapnya.

Referensi:

¹ Pedota, M. (2026). Minds and machines: Memikirkan kembali kapasitas absorptif di era kecerdasan buatan. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600