Bagaimana Perusahaan Menambahkan AI ke Sistem yang Sudah Ada Tanpa Mengganti Semuanya?

Bagaimana Perusahaan Menambahkan AI ke Sistem yang Sudah Ada Tanpa Mengganti Semuanya?

Integrasi AI ke sistem yang sudah ada adalah cara menambahkan kemampuan kecerdasan buatan di atas aplikasi lama perusahaan tanpa membongkar atau mengganti aplikasi itu. Sederhananya, sistem lama tetap menyimpan data dan menjalankan proses, sementara lapisan baru di atasnya menerjemahkan pertanyaan dalam bahasa sehari-hari menjadi akses data yang aman. Tulisan ini membahas arti integrasi AI, alasan sistem lama tidak perlu langsung diganti, pilihan arsitektur, tiga lapisan teknis, persiapan data, aturan dan keamanan, risiko proyek, hingga tahapan pelaksanaan.

TLDR

Apa yang Dimaksud dengan Integrasi AI ke Sistem yang Sudah Ada?

Lapisan AI ditambahkan di atas aplikasi lama lewat API, tampilan data, atau konektor, tanpa mengubah inti sistem.

Mengapa Sistem Lama Tidak Perlu Langsung Diganti?

Sistem lama masih andal untuk transaksi, dan penggantian menuntut investasi bertahun-tahun, jadi masalahnya ada di antarmuka, bukan di inti.

Pola Arsitektur Apa yang Bisa Dipilih: Sidecar, Wrapper, atau Integrasi Penuh?

Sidecar paling aman untuk memulai, wrapper cocok bila middleware sudah ada, dan integrasi penuh baru dipilih setelah pola pertama terbukti.

Bagaimana Tiga Lapisan Arsitektur Bekerja?

Inti sistem lama menyimpan data resmi, lapisan integrasi menyalurkannya, dan lapisan AI menjawab, sehingga tiap lapisan bisa diganti tanpa mengganggu yang lain.

Bagaimana Menyiapkan Data agar AI Menjawab dengan Benar?

Data dirapikan dan diambil saat pertanyaan masuk lewat retrieval-augmented generation, bukan dengan melatih ulang model.

Aturan dan Pengamanan Apa yang Wajib Dipenuhi?

UU Pelindungan Data Pribadi sudah berlaku, Perpres Etika AI menunggu penandatanganan, dan empat kontrol dasar menjaga integrasi tetap aman.

Risiko Apa yang Paling Sering Menggagalkan Proyek Integrasi?

Waktu respons, biaya token, perubahan versi, kepercayaan pengguna, dan cakupan proyek yang melebar.

Bagaimana Tahapan Pelaksanaan dan Cara Menilai Mitra?

Mulai dari satu kasus berisiko rendah, ukur hasilnya, lalu perluas, dengan mitra yang menjelaskan kontrol dan batas proyeknya.

Kesimpulan

Menambah AI di atas sistem lama lebih cepat dan murah daripada mengganti sistem, asalkan datanya rapi dan kontrolnya jelas.

Banyak perusahaan di Indonesia menjalankan aplikasi yang sudah berumur sepuluh tahun lebih: sistem keuangan, pergudangan, kepegawaian, atau pengadaan yang bekerja stabil setiap hari. Lalu pimpinan bertanya, apakah AI bisa dipakai untuk merangkum keterlambatan pemasok kuartal lalu atau menjawab pertanyaan staf tentang kebijakan internal. Pertanyaan berikutnya hampir selalu sama: apakah semua sistem harus diganti dulu. Jawabannya, dalam banyak kasus, tidak. Artikel ini menjelaskan jalan tengahnya, lengkap dengan pilihan arsitektur, aturan yang berlaku, dan risiko yang perlu dihitung sejak awal.

Apa yang Dimaksud dengan Integrasi AI ke Sistem yang Sudah Ada?

Integrasi AI ke sistem yang sudah ada berarti menambahkan layanan model kecerdasan buatan di samping atau di atas aplikasi lama, lalu menghubungkannya lewat API, tampilan basis data, atau konektor, sehingga pengguna bisa bertanya dalam bahasa biasa tanpa aplikasi lama diubah dari dalam.

Bayangkan sebuah sistem ERP yang sudah dipakai belasan tahun. Sistem itu mahir mencatat stok, memproses faktur, dan mengatur jadwal pengiriman. Namun ia dibangun di sekitar layar dan tabel yang kaku, sedangkan model bahasa bekerja dengan kalimat bebas dan menghasilkan jawaban yang fleksibel. Dua dunia itu tidak bisa saling bicara tanpa penerjemah. Integrasi AI adalah penerjemah itu.

Cloud Security Alliance (CSA) dalam artikel yang terbit pada 8 Oktober 2026 menggambarkan masalahnya dengan gamblang: sistem ERP yang dipasang satu dekade atau lebih lalu tetap mampu melacak stok dan memproses faktur, tetapi tidak bisa menjawab permintaan seperti merangkum keterlambatan pemasok kuartal lalu dalam bahasa alami. Celah antara keandalan operasional dan kemampuan AI terkini inilah yang kini umum dijumpai di perusahaan mapan.

Perlu dibedakan dari dua hal lain yang sering tertukar. Pertama, modernisasi aplikasi, yaitu memindahkan atau menulis ulang sistem lama ke teknologi baru. Modernisasi mengubah isi sistem. Integrasi AI tidak menyentuh isi, ia hanya menambah pintu baru. Kedua, pengembangan AI dari awal, yaitu membuat model atau solusi khusus. Integrasi memakai model yang sudah ada dari penyedia seperti Azure OpenAI Service, AWS Bedrock, atau API Anthropic, lalu mengarahkannya ke data perusahaan.

Hasil yang biasa dikejar ada empat. Staf bisa mencari informasi di banyak sistem dengan satu kotak pertanyaan. Laporan rutin dirangkum otomatis. Dokumen panjang seperti kontrak atau tiket layanan diringkas dalam hitungan detik. Dan proses yang berulang, misalnya mengklasifikasi surat masuk, dipercepat. Semua itu bisa dimulai tanpa mengganti satu pun aplikasi inti.

Perusahaan yang ingin melihat gambaran besar layanan ini bisa membaca Panduan Integrasi AI untuk Perusahaan dan BUMN di Indonesia. Artikel yang sedang Anda baca fokus pada satu pertanyaan yang lebih sempit: bagaimana melakukannya tanpa mengganti semuanya.

Mengapa Sistem Lama Tidak Perlu Langsung Diganti?

Sistem lama tidak perlu langsung diganti karena penggantiannya jarang masuk akal dari sisi biaya dan risiko, sedangkan hambatan sebenarnya ada di antarmuka. Menambah lapisan integrasi di atas sistem yang stabil memberi kemampuan AI tanpa mengganggu operasi harian.

CSA menulis bahwa mengganti sistem lama semacam itu jarang dibenarkan dari sisi biaya maupun risiko, mengingat investasi bertahun-tahun yang biasanya dibutuhkan untuk mengonfigurasi dan memvalidasinya. Organisasi lebih sering menambahkan lapisan integrasi di atas sistem yang ada. Logikanya mudah dipahami: sistem pembayaran gaji yang sudah memproses penggajian selama tiga dekade tidak otomatis cacat hanya karena dirancang sebelum API modern dan infrastruktur cloud ada.

Ada tiga alasan praktis lain untuk tidak langsung mengganti. Pertama, data resmi perusahaan hidup di sistem lama. Memindahkannya berarti proyek migrasi besar dengan risiko kehilangan atau salah petak data. Kedua, proses bisnis dan aturan khusus perusahaan sering tertanam di dalam kode lama, dan tidak semuanya terdokumentasi. Mengganti sistem berarti menemukan kembali aturan itu satu per satu. Ketiga, pengguna sudah terbiasa. Perubahan total menuntut pelatihan ulang dan masa transisi yang rawan gangguan.

Di sisi lain, ada kondisi ketika penggantian memang perlu: teknologi sudah tidak didukung vendor, tidak ada lagi tenaga yang paham, atau sistem tidak mampu memenuhi kewajiban kepatuhan. Dalam kondisi itu, integrasi AI bukan solusi tunggal. Pilihan yang masuk akal adalah menjalankan keduanya, yakni integrasi AI sebagai jembatan sambil merencanakan modernisasi bertahap. Pembahasan lengkap tentang jalur itu ada di Panduan Modernisasi Aplikasi untuk Perusahaan dan BUMN di Indonesia.

Satu kesalahan yang perlu dihindari adalah menganggap kata "legacy" sebagai vonis. Menurut CSA, sumber hambatan utamanya bersifat arsitektural: sistem lama dibangun di sekitar layar tetap dan tabel relasional, bukan untuk memberi masukan terstruktur ke model bahasa. Mengatasi antarmukanya, bukan mengganti sistem di bawahnya, biasanya sudah cukup untuk menyelesaikan keterbatasan praktisnya.

Konteks Indonesia memperkuat argumen ini. Banyak BUMN dan perusahaan besar menjalankan campuran sistem dari berbagai era, mulai dari aplikasi desktop buatan dalam negeri hingga paket ERP internasional. Mengganti semuanya serentak hampir mustahil. Menambah lapisan AI per kasus penggunaan jauh lebih realistis, apalagi bila anggaran tahunan terbatas dan setiap rupiah harus terlihat hasilnya.

Pola Arsitektur Apa yang Bisa Dipilih: Sidecar, Wrapper, atau Integrasi Penuh?

Ada tiga pola utama untuk menempatkan model AI di samping sistem lama: sidecar yang tidak mengubah aplikasi lama, wrapper yang menaruh lapisan integrasi di antara pengguna dan aplikasi, serta integrasi penuh yang mengubah aplikasi itu sendiri. Pilihan pola menentukan risiko dan biaya pemeliharaan.

Pola sidecar meninggalkan aplikasi lama tanpa modifikasi. Sebuah layanan terpisah dipasang di sampingnya, berkomunikasi lewat API yang sudah ada, tampilan basis data, atau, bila tidak ada API, alat pembaca layar seperti UiPath. Layanan ini menyusun perintah ke model, memanggil model dari penyedia seperti Azure OpenAI Service, AWS Bedrock, atau API Anthropic, lalu mengembalikan hasil lewat saluran yang sama. Sistem lama tetap seperti semula.

Pola wrapper memperluas gagasan itu. Lapisan integrasi ditempatkan di antara pengguna dan aplikasi lama sehingga semua permintaan, dari manusia maupun dari AI, lewat satu pintu. Menurut CSA, platform middleware seperti MuleSoft atau Boomi sering sudah menempati posisi itu, sehingga menambahkan pemanggilan model di sana menjadi langkah yang praktis. Keuntungannya, kontrol akses dan pencatatan terpusat.

Pola ketiga, integrasi penuh, mengubah kode aplikasi agar fitur AI menyatu di dalamnya. Hasilnya paling mulus bagi pengguna, tetapi risikonya paling besar: setiap perubahan menyentuh sistem produksi, dan aplikasi lama sering tidak dirancang untuk diubah berulang kali. Pola ini baru layak dipertimbangkan setelah sidecar atau wrapper terbukti memberi nilai dan tim paham betul perilaku sistemnya.

  • Sidecar. Paling aman untuk tahap awal karena aplikasi lama tidak disentuh. Cocok untuk kasus ringkasan, pencarian dokumen, atau tanya jawab data. Kekurangannya, integrasi ke dalam alur kerja pengguna masih terpisah.

  • Wrapper. Cocok bila perusahaan sudah punya middleware atau gerbang API. Kontrol dan audit terpusat, tetapi lapisan perantara menjadi titik yang harus dijaga ketersediaannya.

  • Integrasi penuh. Pengalaman pengguna paling menyatu, tetapi biaya perubahan dan risiko ke sistem produksi paling tinggi. Pilih hanya bila dua pola sebelumnya sudah dicoba.

Aturan praktisnya sederhana. Mulai dari sidecar. Pindah ke wrapper ketika jumlah kasus penggunaan bertambah dan kontrol perlu dipusatkan. Pertimbangkan integrasi penuh hanya untuk fitur yang terbukti dipakai setiap hari dan membutuhkan pengalaman tanpa sambungan. Urutan ini menjaga biaya tetap kecil di awal dan memberi ruang untuk berubah pikiran.

Bagaimana Tiga Lapisan Arsitektur Bekerja?

Sebagian besar implementasi produksi bermuara pada struktur tiga lapisan: inti sistem lama yang menyimpan data resmi, lapisan integrasi berisi API, antrean pesan, dan alat aliran data, serta lapisan AI berisi model dan kerangka orkestrasi. Setiap lapisan bisa diubah tanpa mengganggu lapisan lain.

CSA menjelaskan bahwa inti sistem lama, di dasar, tetap memegang data otoritatif. Di atasnya duduk lapisan integrasi yang terdiri dari API, antrean pesan, dan alat aliran peristiwa seperti Apache Kafka. Lapisan teratas adalah lapisan AI, yaitu model beserta kerangka orkestrasi seperti LangChain. Karena tiap lapisan dapat diubah secara mandiri, struktur ini mempermudah penggantian penyedia model ketika kebutuhan berubah.

Manfaat pemisahan itu paling terasa saat pasar model bergerak cepat. Hari ini perusahaan mungkin memakai satu penyedia, tiga bulan lagi harga atau kualitas bisa berubah. Bila model terikat langsung ke sistem lama, penggantian berarti membongkar integrasi. Bila ada lapisan AI yang terpisah, penggantian hanya menyentuh lapisan teratas, dan sistem lama tidak tahu apa-apa.

Diagram tiga lapisan arsitektur dan tiga pola penempatan model AI di samping sistem lama perusahaan

Diagram tiga lapisan dan tiga pola. Diolah Burung Hantu Infratek dari Cloud Security Alliance.

Lapisan integrasi layak mendapat perhatian khusus karena di situlah kebanyakan pekerjaan teknis berlangsung. Sistem lama punya sesi dan kontrol akses sendiri, sedangkan layanan AI berbasis cloud biasanya memakai token autentikasi modern. Lapisan integrasi menjembatani perbedaan itu, memetakan nama kolom yang tidak lagi bermakna menjadi istilah yang dipahami model, dan mencatat setiap panggilan agar bisa diaudit.

Dalam beberapa tahun terakhir muncul pula standar terbuka untuk menyambungkan aplikasi AI ke sistem luar, yaitu Model Context Protocol (MCP). Dokumentasi resminya menyebut MCP sebagai standar sumber terbuka untuk menghubungkan aplikasi AI ke sistem eksternal, mulai dari berkas lokal dan basis data hingga alat dan alur kerja, dan membandingkannya dengan port USB-C yang menyeragamkan cara menyambungkan perangkat. Bagi perusahaan, artinya sistem lama cukup dibuatkan satu penghubung standar, lalu banyak aplikasi AI bisa memakainya.

Standar seperti MCP tidak menghapus kebutuhan akan kontrol. Penghubung yang terlalu longgar berarti AI bisa menjangkau data yang tidak semestinya. Karena itu, hak akses penghubung dirancang sesempit mungkin, misalnya hanya membaca tabel tertentu, dan setiap panggilan dicatat. Perusahaan yang ingin melihat bagaimana banyak aliran AI dipantau dari satu layar bisa membaca Apa Itu AI Command Center dan Bagaimana Cara Kerjanya bagi Operasional Perusahaan?.

Bagaimana Menyiapkan Data agar AI Menjawab dengan Benar?

Kualitas jawaban model dibatasi oleh kualitas data yang bisa diaksesnya, jadi data lama perlu dirapikan dan dihubungkan lewat retrieval-augmented generation (RAG), yaitu mengambil catatan relevan saat pertanyaan masuk lalu memberikannya ke model sebagai konteks, bukan melatih ulang model.

CSA mencatat bahwa basis data lama sering tidak konsisten. Nama kolom yang ditetapkan seorang pengembang pada 2011 mungkin tidak bermakna hari ini. Catatan pelanggan kerap tersebar di beberapa sistem dengan format berbeda untuk entitas yang sama. Model sehebat apa pun akan salah menjawab bila diberi data yang kacau, dan kesalahannya terdengar meyakinkan.

RAG, menurut CSA, telah menjadi pendekatan standar untuk masalah ini. Melatih ulang model dengan data internal mahal dan cepat usang. Organisasi lebih memilih mengambil catatan yang relevan pada saat pertanyaan diajukan, lalu menyodorkannya ke model sebagai konteks. Praktiknya biasanya memuat data ke basis data vektor seperti Pinecone atau Weaviate, lengkap dengan pembuatan dan pemeliharaan embedding. Snowflake dan Databricks lazim dipakai sebagai tempat penampungan data sebelum langkah itu.

Pekerjaan ini bukan terobosan, tetapi fondasi. Tim perlu mendata sumber data yang relevan, menentukan mana yang boleh dibaca AI, membersihkan duplikasi, dan menyepakati satu kamus istilah. Pertanyaan sederhana seperti "pelanggan A" harus menunjuk ke satu entitas, bukan tiga baris dengan ejaan berbeda. Tanpa kesepakatan itu, jawaban AI akan berubah-ubah tergantung baris mana yang kebetulan terambil.

  • Petakan sumber data. Tulis di mana data relevan berada, siapa pemiliknya, dan seberapa sering berubah.

  • Batasi cakupan. Mulai dari satu domain, misalnya data pemasok atau dokumen kebijakan, bukan seluruh basis data.

  • Rapikan identitas. Satukan catatan ganda dan seragamkan format agar satu entitas punya satu rujukan.

  • Akses tanpa mengganggu produksi. Ambil data dari salinan atau tampilan baca-saja supaya beban kueri AI tidak memperlambat sistem utama.

  • Catat asal jawaban. Simpan rujukan ke catatan yang dipakai model supaya pengguna bisa memeriksa.

Soal kesiapan data ini punya konteks lebih luas di Indonesia. Dalam laporan yang diulas Burhan, riset Akamai mencatat 84 persen organisasi Indonesia masih berada pada tahap uji coba AI, sebagaimana dibahas di Riset Akamai Catat 84 Persen Organisasi Indonesia Masih Uji Coba AI. Banyak uji coba itu tertahan bukan karena modelnya, melainkan karena data belum siap dipakai.

Aturan dan Pengamanan Apa yang Wajib Dipenuhi?

Integrasi AI yang memproses data pribadi harus patuh pada Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi, sementara Perpres Etika AI dan Peta Jalan AI Nasional 2026 sampai 2029 masih menunggu penandatanganan. Di luar aturan, empat kontrol dasar menjaga integrasi tetap aman.

Aturan yang sudah berlaku adalah UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi, ditetapkan dan diundangkan pada 17 Oktober 2022 dan berlaku sejak tanggal itu menurut basis data peraturan BPK. Undang-undang ini mengatur hak subjek data pribadi, pemrosesan data, kewajiban pengendali dan prosesor data pribadi, transfer data, sanksi administratif, hingga ketentuan pidana. Putusan Mahkamah Konstitusi Nomor 151/PUU-XXII/2024 juga tercatat menafsirkan kata "dan" dalam Pasal 53 ayat (1) huruf b menjadi "dan/atau". Bagi proyek integrasi, implikasinya jelas: bila AI membaca data karyawan, pelanggan, atau pasien, perusahaan bertanggung jawab atas pemrosesan itu.

Di tingkat kebijakan AI, pemerintah menyiapkan dua Perpres. Kementerian Komunikasi dan Digital menyatakan pembahasan lintas kementerian untuk Rancangan Perpres tentang Etika Kecerdasan Artifisial dan Rancangan Perpres tentang Peta Jalan Kecerdasan Artifisial Nasional Tahun 2026 sampai 2029 selesai dengan rapat finalisasi pada 5 Mei 2026, sebelum diajukan kepada Presiden untuk ditetapkan. Rapat pleno sebelumnya pada 11 Februari 2026 melibatkan lebih dari 30 kementerian dan lembaga. Pada 30 Oktober 2026, Direktur Kecerdasan Artifisial dan Ekosistem Teknologi Baru Komdigi, Said Mirza Pahlevi, menyebut keduanya masih dalam proses penandatanganan. Hasil pencarian untuk artikel ini tidak menemukan laporan penetapan sesudah tanggal itu, jadi nomor dan tahun Perpres belum bisa dicantumkan.

Isi rancangannya sudah diuraikan Komdigi dan berguna sebagai arah desain. Perpres Etika memakai pendekatan berbasis risiko. Said menjelaskan bahwa AI yang berisiko tinggi, misalnya untuk mendiagnosis penyakit, diperbolehkan tetapi dengan pengawasan khusus. Ia mengatakan:

"Dan tetap keputusan akhir tidak boleh sepenuhnya otomatis oleh AI yang tadi saya sampaikan, jadi harus ada manusia yang memutuskan sebagai keputusan akhir."

Rancangan itu juga memuat label pada produk yang dihasilkan AI, kewajiban transparansi tentang cara data pengguna diolah dan dihapus, serta jalur pengaduan bagi warga yang dirugikan. Bagi pelaku usaha, Said menyebut tidak akan ada izin tambahan untuk pengembangan AI, cukup penilaian mandiri atas aplikasi yang dibuat, dengan tambahan syarat dari instansi terkait untuk AI berisiko tinggi, serta masa penyesuaian dua tahun.

Di luar regulasi, CSA mengingatkan bahwa risiko nyata sudah ada. Survei CSA terhadap 418 profesional keamanan menemukan 82 persen perusahaan sudah memiliki agen AI yang berjalan di lingkungan yang tidak resmi disediakan oleh TI, dan dari kelompok itu 65 persen melaporkan insiden keamanan terkait agen AI dalam setahun terakhir. Karena itu, implementasi yang baik memasang empat kontrol dasar.

  • Pemeriksaan manusia. Tindakan yang menyangkut transaksi keuangan atau komitmen ke pelanggan wajib ditinjau sebelum dieksekusi.

  • Pencatatan audit. Setiap perintah dan jawaban direkam, karena fungsi kepatuhan akan memintanya.

  • Validasi masukan. Model dibatasi agar tidak menjangkau data di luar cakupan yang ditetapkan.

  • Batas laju dan biaya. Pemakaian token dipantau dan diberi plafon agar pengeluaran tidak melonjak tanpa direncanakan.

Risiko Apa yang Paling Sering Menggagalkan Proyek Integrasi?

Lima risiko berulang dalam proyek integrasi AI ke sistem lama: waktu respons yang lambat, biaya token yang naik mengikuti pemakaian, versi API dan model yang berubah, kepercayaan pengguna yang belum terbentuk, serta cakupan proyek yang melebar dari pilot kecil.

Risiko pertama adalah waktu respons. Alur kerja yang dibangun di sekitar kueri basis data instan akan terasa lambat bila satu jawaban model memerlukan beberapa detik. Pengguna yang terbiasa menunggu kurang dari sedetik bisa menolak alat baru hanya karena terasa menunggu. Solusinya biasanya menaruh AI di tugas yang memang tidak mendesak, seperti meringkas laporan, bukan di langkah yang dilewati ratusan kali sehari.

Risiko kedua adalah biaya. Harga berbasis token naik seiring pemakaian, berbeda dari lisensi perangkat lunak tradisional yang tarifnya tetap. Pilot dengan sepuluh pengguna bisa murah, tetapi saat dibuka untuk seluruh perusahaan tagihannya berubah drastis. Plafon pemakaian dan pemantauan biaya sejak hari pertama mencegah kejutan. Untuk menghitungnya secara rinci, lihat Menghitung Biaya AI untuk Perusahaan: Token, Harga Model, dan Cara Hemat.

Risiko ketiga adalah versi. API lama tidak dirancang untuk sering diubah, sementara model AI terus diperbarui. Mengganti penyedia model dapat mengubah perilaku perintah yang sudah disetel untuk model tertentu. Menurut CSA, ini alasan memisahkan lapisan AI dari lapisan integrasi dan menguji ulang perintah setiap kali model berganti.

Risiko keempat adalah kepercayaan. CSA mencatat bahwa tumpukan keamanan telah memasukkan kemampuan AI lebih cepat daripada kepercayaan terhadap kemampuan itu terbentuk. Integrasi yang tidak ditinjau dengan baik justru melebarkan jurang tersebut. Praktisnya, jawaban AI perlu disertai rujukan ke sumber, dan pengguna perlu tahu kapan harus memeriksa sendiri.

Risiko kelima adalah perluasan cakupan. Pilot sempit untuk merangkum tiket layanan bisa tumbuh menjadi inisiatif jauh lebih besar bila batasnya tidak jelas. Satu permintaan tambahan memicu permintaan berikutnya, lalu anggaran dan jadwal bergeser. Menetapkan satu tujuan terukur sebelum mulai, serta pintu keluar yang disepakati, menjaga proyek tetap terkendali.

Ada juga risiko yang lebih mendasar: banyak proyek AI berhenti karena kegagalan perencanaan, bukan teknologi. Alasan lazimnya dibahas di Mengapa 99% Perusahaan Gagal Integrasi AI dan Cara Masuk 1% yang Sukses. Pola umumnya sama: tujuan kabur, data belum siap, dan tidak ada yang bertanggung jawab atas hasil.

Bagaimana Tahapan Pelaksanaan dan Cara Menilai Mitra?

Pelaksanaan yang berhasil biasanya dimulai dari lingkup sempit lalu diperluas bertahap: pilih satu kasus berisiko rendah, petakan data, pasang sidecar, tambahkan pencatatan dan pemeriksaan manusia, ukur hasilnya, lalu putuskan perluasan. Mitra dinilai dari kejelasan kontrol dan batas proyek.

CSA menguraikan pendekatan bertahap yang lazim dipakai organisasi yang berhasil. Langkah pertama memilih satu kasus berisiko rendah, misalnya alat ringkasan, bukan sistem pengambil keputusan. Langkah kedua mendokumentasikan lokasi data yang relevan dan cara mengaksesnya tanpa mengganggu produksi. Langkah ketiga memasang layanan sidecar tanpa mengubah kode sistem lama. Langkah keempat menambahkan pencatatan dan peninjauan manusia sebelum dipakai menghadap pelanggan. Langkah kelima mengevaluasi hasil dalam periode tertentu sebelum cakupan diperluas.

Untuk perusahaan Indonesia, tahapan itu bisa dijabarkan dalam rencana kerja yang sederhana. Bulan pertama dipakai untuk memilih kasus, menetapkan ukuran keberhasilan, dan memetakan data. Bulan kedua untuk membangun sidecar dan lapisan RAG pada data terbatas. Bulan ketiga untuk uji bersama pengguna terpilih, lengkap dengan pencatatan dan peninjauan manusia. Sesudah itu baru ada dasar untuk memutuskan perluasan, karena angka pemakaian dan biaya sudah tersedia. Rentang waktu ini perkiraan umum, bukan janji, dan sangat bergantung pada kondisi data.

  • Kasus penggunaan yang jelas. Satu tujuan terukur, misalnya waktu penyusunan laporan bulanan turun, bukan "memakai AI".

  • Pemilik bisnis. Seseorang di unit pengguna yang bertanggung jawab atas hasil, bukan hanya tim TI.

  • Kontrol sejak awal. Empat kontrol dasar dirancang bersama arsitektur, bukan ditambal setelah ada masalah.

  • Pintu keluar. Kriteria berhenti atau mengubah arah disepakati sebelum mulai.

Saat menilai mitra, ajukan pertanyaan yang bisa diperiksa. Pola arsitektur apa yang dipakai dan mengapa. Bagaimana hak akses dibatasi. Di mana data diproses dan siapa yang bisa melihat catatan panggilan. Bagaimana rencana bila penyedia model diganti. Mitra yang menjawab dengan rinci dan mau menuliskan batas proyek biasanya lebih bisa diandalkan daripada yang hanya menjanjikan hasil cepat. Kriteria umum memilih vendor dibahas lebih lengkap di Bagaimana Perusahaan dan BUMN Memilih Software House yang Tepat?.

Burung Hantu Infratek menawarkan integrasi AI sebagai layanan untuk memasukkan kemampuan AI ke sistem yang sudah berjalan, sebagaimana tercantum di profil perusahaan di burhan.co.id. Apa pun mitranya, minta diskusi diawali dari kasus penggunaan dan kondisi data Anda, bukan dari produk yang hendak dijual.

Pertanyaan yang Sering Diajukan

Apakah AI bisa dipasang di sistem lama tanpa mengganti sistemnya?

Bisa. Perusahaan menambahkan lapisan integrasi dan lapisan AI di atas sistem lama lewat API, tampilan basis data, atau alat pembaca layar, sehingga aplikasi inti tidak diubah. Pola paling aman untuk memulai adalah sidecar, yaitu layanan terpisah yang berjalan di samping sistem lama.

Berapa lama integrasi AI ke sistem lama biasanya berjalan?

Tidak ada angka baku karena bergantung pada kondisi data, ketersediaan API, dan cakupan kasus penggunaan. Pilot satu kasus berisiko rendah dengan sidecar umumnya lebih singkat daripada migrasi sistem. Mintalah mitra menyebut asumsi waktunya secara tertulis sebelum proyek dimulai.

Apakah data perusahaan aman bila diakses AI?

Aman bila kontrolnya dirancang: akses dibatasi hanya ke data yang diperlukan, setiap perintah dan jawaban dicatat, serta tindakan penting diperiksa manusia. Bila data pribadi ikut diproses, perusahaan tetap terikat UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.

Apakah perusahaan perlu izin khusus untuk memakai AI menurut aturan pemerintah?

Menurut penjelasan Komdigi pada 30 Oktober 2026 atas rancangan Perpres Etika AI, tidak akan ada izin tambahan baru untuk pengembangan AI, cukup penilaian mandiri. Perpres itu masih dalam proses penandatanganan, jadi ketentuan akhirnya perlu dicek ulang saat terbit.

Kesimpulan

Menambahkan AI di atas sistem yang sudah ada adalah jalan yang masuk akal bagi sebagian besar perusahaan: lebih cepat, lebih murah, dan lebih kecil risikonya daripada mengganti sistem secara total. Kuncinya ada pada tiga hal. Pilih pola arsitektur yang sesuai tahap, mulai dari sidecar. Rapikan data sebelum meminta AI menjawab. Dan pasang kontrol sejak awal, mulai dari pemeriksaan manusia hingga pencatatan audit.

Langkah berikutnya bisa dimulai minggu ini. Tulis satu kasus penggunaan berisiko rendah, tentukan angka yang ingin diperbaiki, dan petakan data yang dibutuhkan. Dari situ pilot kecil bisa berjalan, hasilnya bisa diukur, dan keputusan perluasan diambil dengan dasar angka, bukan dugaan. Bila Perpres Etika AI sudah ditetapkan, sesuaikan rancangan dengan ketentuan akhirnya, termasuk masa penyesuaian yang dijanjikan.

(Burung Hantu Infratek / Berbagai Sumber)


⚠️ Artikel ini seluruhnya diriset, ditulis, dan dikembangkan oleh AI internal Burung Hantu Infratek.

🦉 Burung Hantu Infratek adalah software house dan system integrator yang sudah berpengalaman lebih dari 5 tahun dalam pengembangan dan implementasi generative AI pada berbagai perusahaan dan institusi.


Sumber dan Referensi

[1] Pemerintah Bahas Peta Jalan Kecerdasan Artifisial Indonesia 2026 sampai 2029 dalam Rapat Lintas Kementerian - JDIH Kemkomdigi

[2] Bangun Tata Kelola AI yang Etis dan Bertanggung Jawab, Pemerintah Rampungkan Pembahasan RPerpres - JDIH Kemkomdigi

[3] RI Atur AI Sesuai Risiko, Komdigi Beberkan Isi Regulasinya - CNBC Indonesia

[4] UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi - JDIH BPK

[5] Building a Generative AI Layer into Legacy Business Applications - Cloud Security Alliance

[6] What is the Model Context Protocol (MCP)? - Model Context Protocol

    Bagaimana Perusahaan Menambahkan AI ke Sistem yang Sudah Ada Tanpa Mengganti Semuanya? | Burung Hantu Infratek