Panduan Pengembangan AI untuk Perusahaan dan BUMN di Indonesia
Pengembangan AI adalah pekerjaan membangun solusi kecerdasan buatan yang dirancang khusus untuk satu perusahaan, mulai dari menyiapkan data, memilih dan menyesuaikan model, sampai mengoperasikannya di lingkungan kerja nyata. Sederhananya, perusahaan tidak hanya memakai AI buatan orang lain, tetapi membentuk kemampuannya agar cocok dengan data, istilah, dan proses sendiri. Tulisan ini membahas pengertian, kapan layak dikerjakan, pilihan pendekatan teknis, tahapan proyek, aturan di Indonesia, komponen biaya, risiko, cara memilih vendor, hingga cara Burung Hantu Infratek mengerjakannya.
TLDR
Apa Itu Pengembangan AI dan Apa Bedanya dengan Integrasi AI?
Pengembangan AI membangun atau menyesuaikan model untuk kebutuhan khusus, sedangkan integrasi AI menyambungkan model yang sudah ada ke sistem perusahaan.
Kapan Perusahaan atau BUMN Perlu Membangun Solusi AI Sendiri?
Membangun sendiri layak bila model umum gagal memenuhi kebutuhan, data khusus sudah tersedia, dan nilai bisnisnya cukup besar untuk menutup biaya.
RAG, Fine-Tuning, atau Model dari Nol: Memilih Pendekatan Teknis
RAG cocok untuk fakta yang sering berubah, fine-tuning untuk gaya dan format yang konsisten, dan gabungan keduanya sering paling kuat.
Tahapan Proyek Pengembangan AI dari Masalah Bisnis sampai Operasi
Proyek berjalan dari definisi masalah, penyiapan data, pemilihan pendekatan, pembangunan dan evaluasi, pengujian kepatuhan, sampai operasi dengan gerbang keputusan di tiap tahap.
Aturan Apa yang Berlaku bagi Pengembangan AI di Indonesia pada 2026?
UU PDP dan PP 33/2026 mengikat proyek yang memproses data pribadi, sementara Perpres Etika AI dan Peta Jalan AI Nasional masih menunggu penandatanganan per 30 Oktober 2026.
Apa Saja Komponen Biaya Pengembangan AI?
Biaya terdiri dari penyiapan data, tenaga ahli, komputasi, evaluasi, kepatuhan, dan operasi berkelanjutan, dengan penyiapan data sering menjadi komponen yang paling diremehkan.
Risiko Pengembangan AI dan Cara Mengendalikannya
Risiko utama meliputi data yang buruk, jawaban keliru, kebocoran data pribadi, pengetahuan model yang membeku, dan ketergantungan pada satu penyedia.
Bagaimana Memilih Vendor Pengembangan AI yang Tepat?
Pilih vendor yang mau mengukur hasil dengan data Anda, transparan soal model dan lokasi data, serta menyerahkan kode, dokumentasi, dan hak atas hasil kerja.
Cara Burung Hantu Infratek Mengerjakan Pengembangan AI
Burhan menempatkan pengembangan AI sebagai salah satu dari sembilan layanan, dikerjakan end-to-end dari konsultasi sampai pemeliharaan.
Kesimpulan
Pengembangan AI berhasil bila dimulai dari masalah bisnis yang terukur, memakai pendekatan paling sederhana yang cukup, dan dijaga patuh terhadap aturan pelindungan data.
Banyak tim sudah mencoba asisten AI siap pakai dan menemukan batasnya: istilah internal tidak dipahami, format laporan berantakan, atau jawaban tidak bisa dipertanggungjawabkan. Saat itu muncul pertanyaan lanjutan. Apakah perusahaan perlu melatih model sendiri, berapa biayanya, dan apakah aman secara hukum? Panduan ini menjawab pertanyaan tersebut dengan bahasa yang bisa langsung dipakai manajer IT, manajer pengadaan, dan direksi untuk menyusun rencana proyek yang realistis.
Apa Itu Pengembangan AI dan Apa Bedanya dengan Integrasi AI?
Pengembangan AI adalah proses membangun, melatih, atau menyesuaikan model dan sistem kecerdasan buatan untuk kebutuhan khusus perusahaan. Integrasi AI, sebaliknya, menyambungkan model yang sudah jadi ke sistem yang ada. Keduanya sering berjalan bersama dalam satu proyek, tetapi pekerjaan utamanya berbeda.
Pada integrasi AI, otaknya sudah tersedia: model komersial atau model terbuka yang dipakai apa adanya. Pekerjaan utamanya ada di sambungan ke ERP, aplikasi layanan, dan gudang data. Kami membahas sisi itu secara rinci di Panduan Integrasi AI untuk Perusahaan dan BUMN di Indonesia. Pada pengembangan AI, pekerjaan utamanya ada di bagian dalam: data, pelatihan atau penyesuaian, dan evaluasi kualitas.
Spektrum pengembangan AI sebenarnya lebar. Di ujung paling ringan ada penyusunan instruksi dan contoh untuk model yang sudah ada, ditambah sistem pencarian dokumen agar jawabannya bersumber dari data perusahaan. Di tengah ada fine-tuning, yaitu melatih ulang sebagian parameter model dengan contoh khusus. Di ujung paling berat ada pelatihan model dari nol, yang membutuhkan data dan komputasi sangat besar dan jarang masuk akal bagi perusahaan di luar penyedia model.
Kebanyakan proyek pengembangan AI di perusahaan dan BUMN berada di bagian ringan sampai tengah. Contohnya asisten kebijakan internal yang menjawab dari ribuan dokumen, sistem klasifikasi tiket yang memahami istilah teknis perusahaan, model prakiraan permintaan berbasis data penjualan sendiri, atau pemeriksa dokumen yang menandai klausul janggal pada kontrak. Pada semua contoh itu, nilai bisnisnya datang dari data dan proses khusus perusahaan, bukan dari model yang paling besar.
Pembedaan ini penting saat menulis kerangka acuan kerja. Kerangka yang hanya menyebut "pengembangan AI" tanpa hasil yang diukur akan menarik penawaran yang sulit dibandingkan satu sama lain. Tulis hasil yang diinginkan, misalnya akurasi klasifikasi minimal pada kumpulan uji yang Anda sediakan, atau waktu penelusuran dokumen yang turun. Dengan begitu vendor bisa memilih pendekatan paling hemat untuk mencapainya, bukan pendekatan yang paling mahal untuk dijual.
Satu hal lagi yang sering terlewat: pengembangan AI selalu mencakup pekerjaan di luar model. Ada penyusunan kumpulan uji, pengaturan hak akses ke data, pencatatan jawaban untuk audit, dan prosedur saat jawaban keliru. Bagian-bagian ini tidak tampil di demo, tetapi menentukan apakah solusi bisa dipakai dengan tenang oleh ratusan pegawai atau berhenti sebagai percobaan menarik.
Kapan Perusahaan atau BUMN Perlu Membangun Solusi AI Sendiri?
Perusahaan perlu membangun solusi AI sendiri ketika model umum tidak cukup baik untuk tugasnya, perusahaan punya data khusus yang menjadi sumber keunggulan, hasilnya bisa diukur dengan jelas, dan nilai bisnisnya cukup besar untuk menutup biaya pembuatan serta perawatan.
Ada beberapa tanda yang biasa muncul. Model umum salah memahami istilah teknis yang hanya dipakai di industri Anda. Format keluaran harus sangat konsisten, misalnya laporan dengan struktur tetap yang dibaca sistem lain. Data tidak boleh keluar dari lingkungan perusahaan karena aturan atau sensitivitasnya. Atau volume pemakaian begitu tinggi sehingga biaya per pemanggilan model komersial menjadi beban tersendiri.
Ada pula tanda bahwa waktunya belum tepat. Data masih tersebar tanpa pemilik, proses bisnisnya belum disepakati, atau tidak ada orang yang bisa menilai apakah keluaran AI benar. Pada keadaan itu, membangun model sendiri hanya memindahkan kekacauan ke dalam parameter. Langkah yang lebih bernilai adalah merapikan data dan alur kerja lebih dulu, lalu mencoba model siap pakai sebagai pembanding.
Data global menunjukkan betapa cepat bidang ini bergerak, dan itu alasan untuk berhati-hati sebelum membangun. Laporan AI Index 2026 dari Stanford HAI mencatat bahwa industri menghasilkan lebih dari 90 persen model frontier yang menonjol pada 2025, dan adopsi AI di organisasi mencapai 88 persen. Artinya, kemampuan dasar yang dulu perlu dibangun sendiri kini sudah tersedia dari penyedia, sehingga pertanyaan yang tepat bukan lagi bisakah kita membangunnya, melainkan apa yang tidak bisa dibeli.
Di Indonesia, Direktur Kecerdasan Artifisial dan Ekosistem Teknologi Baru Komdigi, Said Mirza Pahlevi, mengatakan kepada CNBC Indonesia pada 30 Oktober 2026 bahwa data Boston Consulting Group 2024 memasukkan Indonesia ke 10 besar dunia pengguna harian AI generatif, tetapi pemakaiannya masih banyak berbentuk promosi dan layanan pelanggan. Ia menyebut Indonesia perlu naik kelas menjadi pengembang dan produsen, tidak hanya pengguna. Bagi perusahaan, ini membuka ruang untuk pemakaian yang lebih dalam di operasi inti.
Sebelum memutuskan, jawab empat pertanyaan. Pekerjaan apa yang paling mahal bila dilakukan manual dan hasilnya bisa diukur? Mengapa model siap pakai dengan sistem pencarian dokumen tidak cukup? Siapa pemilik data pelatihnya? Dan apa yang terjadi bila hasilnya keliru? Bila keempatnya terjawab, Anda punya dasar untuk satu proyek percontohan yang terukur.
RAG, Fine-Tuning, atau Model dari Nol: Memilih Pendekatan Teknis
Pilih RAG ketika jawaban harus bersumber dari dokumen yang sering berubah, pilih fine-tuning ketika perilaku, gaya, atau format keluaran perlu konsisten, dan gabungkan keduanya bila perlu fakta terbaru dengan gaya yang tetap. Melatih model dari nol hampir tidak pernah dibutuhkan perusahaan.
Panduan Contextual AI yang terbit pada 14 Januari 2026 merangkum perbedaannya. RAG mengambil dokumen relevan saat pertanyaan datang sehingga datanya selalu terkini dan sumbernya mudah dikutip. Fine-tuning melatih pengetahuan ke dalam bobot model sehingga datanya statis dan harus dilatih ulang untuk diperbarui. Menurut panduan itu, RAG unggul untuk tanya jawab faktual, dokumentasi, dan riset, sedangkan fine-tuning unggul untuk gaya, nada, dan kosakata khusus.
Databricks, dalam blog yang kami buka untuk tulisan ini, menyimpulkan hal senada: RAG dipakai terutama untuk menyuntikkan pengetahuan baru ke model, sedangkan fine-tuning paling baik untuk mengubah perilaku, nada, atau struktur tugas. Pendekatan gabungan, kata mereka, biasanya mengungguli salah satu metode saja, karena fine-tuning menjaga konsistensi perilaku dan RAG menjaga jawaban tetap sesuai fakta terbaru.
Pilih RAG. Untuk tanya jawab atas dokumen kebijakan, kontrak, atau manual, terutama bila isinya berubah bulanan, jawaban perlu dirujuk ke sumber, dan hak akses berbeda per pengguna.
Pilih fine-tuning. Untuk keluaran dengan format ketat seperti struktur JSON, gaya bahasa perusahaan yang konsisten, atau kosakata khusus industri yang ditangani buruk oleh model umum.
Pilih gabungan. Untuk asisten yang perlu fakta terkini dari dokumen sekaligus suara dan format yang seragam, misalnya layanan pelanggan dengan gaya bahasa merek.
Hindari pelatihan dari nol. Kebutuhan data dan komputasinya sangat besar, sementara model dasar dari penyedia sudah mampu pada tugas umum.
Diagram perbandingan RAG dan fine-tuning. Diolah Burung Hantu Infratek dari Contextual AI dan Databricks.
Contextual AI juga menyebut bahwa pada pengetahuan yang sering berubah, fine-tuning menjadi beban operasional karena tiap perubahan menuntut pelatihan ulang, dan banyak proyek fine-tuning macet karena tim tidak sanggup menjaga kesegaran datanya. Satu perbedaan lain menyangkut tata kelola. Pada RAG, kontrol akses diterapkan saat pertanyaan datang, sehingga dokumen sensitif tetap berada di repositori yang terkontrol. Pada fine-tuning, informasi masuk ke bobot model dan pembatasan aksesnya menjadi sulit.
Ada satu catatan tentang ketergantungan pada penyedia. Dokumentasi optimasi model OpenAI yang kami buka pada 11 November 2026 menyatakan bahwa platform fine-tuning sedang dihentikan bertahap dan tidak lagi bisa diakses pengguna baru, sementara pengguna lama masih bisa membuat pekerjaan pelatihan beberapa bulan ke depan. Pelajarannya praktis: jangan menyandarkan seluruh proyek pada fitur satu penyedia. Simpan data pelatihan, skrip, dan kumpulan uji sendiri agar pekerjaan bisa dipindah ke model lain. Untuk membandingkan model besar dan kecil, baca juga Memilih Model AI yang Tepat untuk Bisnis Anda: Panduan Lengkap LLM vs SLM.
Tahapan Proyek Pengembangan AI dari Masalah Bisnis sampai Operasi
Proyek pengembangan AI yang sehat berjalan dalam enam tahap: definisi masalah dan ukuran keberhasilan, penyiapan data, pemilihan pendekatan, pembangunan dan evaluasi, pengujian keamanan dan kepatuhan, lalu peluncuran dan operasi. Tiap tahap berakhir pada gerbang keputusan untuk lanjut, mengubah arah, atau berhenti.
Tahap pertama menentukan satu kasus penggunaan, pemilik bisnisnya, dan ukuran keberhasilan yang bisa dihitung, misalnya akurasi minimal pada kumpulan uji. Dokumentasi OpenAI menyarankan pendekatan yang sama dari sisi teknis: tulis evaluasi lebih dulu untuk menetapkan garis dasar kinerja, bahkan sebelum menulis instruksi untuk model, mirip pengembangan berbasis perilaku. Tanpa ukuran, tim tidak bisa tahu apakah perubahan membuat hasil lebih baik atau lebih buruk.
Tahap kedua, penyiapan data, biasanya paling panjang. Data dikumpulkan, dibersihkan, diberi pemilik, dan dipisah antara bahan pelatihan, bahan pencarian, dan bahan uji. Bahan uji harus mewakili pertanyaan nyata di lapangan, termasuk pertanyaan sulit dan permintaan yang seharusnya ditolak. Pada tahap ini pula ditentukan data mana yang mengandung data pribadi dan perlu penanganan khusus.
Definisi masalah. Pilih satu kasus penggunaan, pemilik bisnis, dan ukuran keberhasilan yang bisa dihitung.
Penyiapan data. Bersihkan, beri pemilik, dan pisahkan bahan pelatihan, pencarian, dan uji.
Pemilihan pendekatan. Putuskan RAG, fine-tuning, atau gabungan, dengan model siap pakai sebagai pembanding.
Pembangunan dan evaluasi. Bangun versi kecil, jalankan evaluasi, lalu perbaiki instruksi atau data berdasarkan hasilnya.
Keamanan dan kepatuhan. Uji kebocoran data, hak akses, dan siapkan penilaian dampak pelindungan data.
Peluncuran dan operasi. Luncurkan bertahap, pantau kualitas dan biaya, lalu perbarui data dan model secara berkala.
Tahap ketiga dan keempat membentuk lingkaran umpan balik. Dokumentasi OpenAI menggambarkannya sebagai siklus: tulis evaluasi, beri instruksi dan konteks ke model, bila perlu lakukan fine-tuning, jalankan evaluasi pada data yang mewakili dunia nyata, ubah instruksi atau data pelatihan berdasarkan hasil, lalu ulangi. Siklus ini jauh lebih murah dijalankan pada versi kecil daripada setelah sistem selesai dibangun.
Tahap kelima memeriksa sisi keamanan dan hukum sebelum pengguna menyentuh sistem. Tahap keenam tidak pernah selesai, karena dokumen berubah, kebijakan berganti, dan penyedia model memperbarui atau mencabut versinya. Anggaran operasi perlu direncanakan sejak awal. Untuk memantau banyak sistem AI setelah berjalan, lihat Panduan AI Command Center untuk Perusahaan dan BUMN di Indonesia.
Aturan Apa yang Berlaku bagi Pengembangan AI di Indonesia pada 2026?
Proyek pengembangan AI yang memproses data pribadi terikat UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi dan PP Nomor 33 Tahun 2026 yang berlaku 16 Januari 2027. Perpres Etika AI dan Peta Jalan AI Nasional 2026 sampai 2029 masih menunggu penandatanganan per 30 Oktober 2026.
Mulai dari PP 33/2026. Hukumonline mencatat bahwa PP itu ditetapkan pada 16 Juli 2026 dan berlaku enam bulan kemudian, yaitu 16 Januari 2027. Ulasan KRES.ID yang disusun dari analisis salinan PP tersebut menyebut aturan ini memiliki 225 pasal dalam 12 bab dan mencantumkan Lembaran Negara Tahun 2026 Nomor 88. Karena sumber-sumber ini adalah ulasan hukum, tim hukum Anda sebaiknya memeriksa teks resmi dari kanal pemerintah sebelum dijadikan dasar kontrak.
Menurut KRES.ID, bagi proyek AI ada tiga ketentuan yang paling relevan. Pertama, penilaian dampak pelindungan data (DPIA) wajib dilakukan sebelum pemrosesan berisiko tinggi, termasuk pengambilan keputusan otomatis yang berdampak signifikan, dan bagian penjelasan menyebut kecerdasan buatan serta machine learning sebagai contoh teknologi baru (Pasal 120 sampai 122). Kedua, pemberitahuan kebocoran data paling lambat 3x24 jam kepada subjek data dan lembaga pengawas (Pasal 114). Ketiga, denda administratif hingga 2 persen dari pendapatan tahunan (Pasal 185).
Untuk pelatihan model, dua ketentuan lain patut diperhatikan. Transfer data pribadi ke luar wilayah Indonesia, termasuk lewat cloud dan SaaS asing, mengikuti mekanisme berjenjang pada Pasal 165 menurut KRES.ID. Dan pengendali atau prosesor data wajib menunjuk pejabat pelindungan data bila memproses data untuk pelayanan publik, atau bila kegiatan intinya memerlukan pemantauan teratur atas data skala besar (Pasal 142). Bagi BUMN yang melayani publik, ketentuan terakhir ini hampir pasti berlaku.
Untuk aturan khusus AI, Said Mirza Pahlevi menjelaskan kepada CNBC Indonesia bahwa Perpres Etika AI memakai pendekatan berbasis risiko. Ia mencontohkan: AI yang berisiko tinggi, misalnya untuk mendiagnosis penyakit tertentu kepada pasien ya, ini memerlukan pengawasan khusus.
Ia menegaskan keputusan akhir tidak boleh sepenuhnya otomatis oleh AI. Draf itu juga memuat label pada produk buatan AI serta kewajiban transparansi pengolahan dan penghapusan data pengguna.
Kabar yang menenangkan pelaku usaha, menurut Said: tidak ada izin tambahan baru bagi pengembangan AI, cukup penilaian mandiri atas aplikasi yang dibuat. Ia juga menyatakan bahwa AI yang masih tahap riset atau prototipe itu tidak harus melapor sampai produknya dipakai secara komersial
, dengan masa penyesuaian dua tahun. Peta Jalan AI Nasional 2026 sampai 2029 menargetkan 45 ribu talenta AI per tahun. Keduanya masih dalam proses penandatanganan, sehingga isinya bisa berubah.
Apa Saja Komponen Biaya Pengembangan AI?
Biaya pengembangan AI terdiri dari penyiapan data, tenaga ahli, komputasi untuk pelatihan dan pengujian, evaluasi, kepatuhan dan keamanan, serta operasi berkelanjutan. Besarannya bergantung pada pendekatan yang dipilih, sehingga angka pasti baru layak dihitung setelah masalah dan datanya dipahami.
Komponen pertama dan paling sering diremehkan adalah penyiapan data. Membersihkan dokumen, memberi pemilik, melabeli contoh, dan menyusun kumpulan uji memakan waktu staf bisnis, bukan hanya waktu vendor. Banyak proyek membengkak bukan karena modelnya mahal, tetapi karena data yang dikira siap ternyata belum siap.
Komponen kedua adalah tenaga ahli: insinyur data, insinyur machine learning, dan penguji. Komponen ketiga adalah komputasi. Contextual AI mencatat bahwa RAG punya biaya awal menengah untuk membangun infrastruktur pencarian dan biaya berjalan yang lebih rendah, sedangkan fine-tuning punya biaya awal tinggi untuk komputasi dan keahlian serta biaya berulang karena pelatihan ulang berkala. Pilihan pendekatan di bagian sebelumnya karenanya langsung memengaruhi bentuk anggaran.
Penyiapan data. Pembersihan, pelabelan, pemetaan hak akses, dan penyusunan kumpulan uji.
Tenaga ahli. Insinyur data dan machine learning, penguji, serta pemilik bisnis dari sisi Anda.
Komputasi dan penggunaan model. Pelatihan, pengujian, dan biaya per penggunaan bila memakai model komersial.
Evaluasi. Penyusunan dan pengulangan pengujian kualitas hingga ukuran keberhasilan tercapai.
Kepatuhan dan keamanan. DPIA, pengujian keamanan, pencatatan, dan dokumen kebijakan.
Operasi. Pemantauan kualitas, pembaruan data, dan pelatihan ulang bila diperlukan.
Komponen keempat, evaluasi, jarang muncul di proposal vendor padahal inilah yang memberi bukti bahwa uang terpakai dengan benar. Komponen kelima adalah kepatuhan. Mengingat denda administratif hingga 2 persen dari pendapatan tahunan dan kewajiban DPIA menurut ulasan KRES.ID atas PP 33/2026, anggaran untuk penilaian dampak dan pengujian keamanan adalah pengeluaran yang jauh lebih murah dibanding risikonya.
Komponen terakhir, operasi, adalah biaya yang berjalan selama sistem dipakai. Dokumen berubah, kebijakan berganti, dan penyedia model memperbarui versinya. Anggaran yang hanya mencakup pembangunan awal akan membuat sistem menua dengan cepat. Minta vendor merinci biaya per komponen beserta asumsinya, lalu bandingkan setelah tahap prototipe, karena pada saat itulah angka yang tadinya perkiraan mulai berbasis bukti.
Risiko Pengembangan AI dan Cara Mengendalikannya
Risiko utama pengembangan AI adalah data yang buruk, jawaban keliru yang meyakinkan, kebocoran data pribadi, pengetahuan model yang membeku, dan ketergantungan pada satu penyedia. Semuanya bisa dikendalikan lewat evaluasi terukur, pembatasan akses, persetujuan manusia, dan arsitektur yang memudahkan pergantian model.
Gambaran umum risikonya tidak ringan. Laporan AI Index 2026 Stanford HAI mencatat insiden AI yang terdokumentasi naik menjadi 362 pada 2025 dari 233 pada 2024. Laporan itu juga menyebut bahwa penelitian terbaru menemukan perbaikan pada satu dimensi AI yang bertanggung jawab, misalnya keselamatan, bisa menurunkan dimensi lain seperti akurasi. Pelajarannya: kualitas harus diukur pada beberapa dimensi sekaligus, bukan satu angka.
Risiko pertama, jawaban keliru. AI Index mencatat agen AI melonjak dari 12 persen menjadi sekitar 66 persen keberhasilan tugas pada OSWorld, tetapi masih gagal kira-kira 1 dari 3 percobaan pada tolok ukur terstruktur. Untuk perusahaan, artinya keluaran model tidak boleh langsung dipakai tanpa pemeriksaan pada pekerjaan berdampak besar. Tentukan topik yang harus dialihkan ke manusia dan wajibkan rujukan sumber pada jawaban faktual.
Risiko kedua, kebocoran data. Data pelatihan yang memuat data pribadi tanpa dasar pemrosesan yang jelas menjadi masalah hukum sejak awal. Samarkan atau hapus data sensitif sebelum pelatihan, catat aktivitas pemrosesan, dan siapkan prosedur insiden yang mampu memenuhi tenggat 3x24 jam. Contextual AI menambahkan bahwa pada fine-tuning, informasi masuk ke bobot model dan model bisa membocorkan data pelatihan dengan cara yang tidak terduga, jadi data yang tidak boleh dilihat semua orang sebaiknya tidak ikut dilatihkan.
Risiko ketiga, pengetahuan yang membeku. Model hasil fine-tuning adalah potret data pada saat pelatihan. Tanpa pelatihan ulang, ia tidak tahu kebijakan baru. Pisahkan pengetahuan yang sering berubah ke sistem pencarian dokumen, dan sisakan fine-tuning untuk perilaku yang stabil.
Risiko keempat, ketergantungan pada penyedia, yang contohnya sudah muncul pada dokumentasi OpenAI tentang pemberhentian bertahap platform fine-tuning. Kurangi dengan menyimpan data dan skrip sendiri, memakai gerbang yang memudahkan pergantian model, dan menjalankan evaluasi yang sama pada model alternatif. Terakhir, tunjuk pemilik risiko di sisi bisnis dan teknis, serta siapkan cara menonaktifkan fitur dengan cepat bila terjadi insiden.
Bagaimana Memilih Vendor Pengembangan AI yang Tepat?
Pilih vendor pengembangan AI yang mau mengukur hasil dengan data Anda sendiri, transparan soal model dan lokasi pemrosesan data, memahami aturan pelindungan data, serta menyerahkan kode, dokumentasi, dan hak atas hasil kerja. Presentasi yang memukau bukan ukuran yang cukup.
Mulailah dari bukti, bukan janji. Minta uji coba berbayar yang kecil: satu kasus penggunaan, kumpulan uji yang Anda siapkan, dan skor yang disepakati sebelum mulai. Cara ini lebih jujur daripada membandingkan proposal, dan hasilnya langsung menjadi dasar menghitung biaya tahap berikutnya. Vendor yang menolak diukur dengan data Anda sedang menjual keyakinan, bukan hasil.
Pengalaman sejenis. Minta contoh proyek pada industri dan skala seperti milik Anda, beserta kontak referensi.
Kejelasan pendekatan. Vendor harus bisa menjelaskan mengapa memilih RAG, fine-tuning, atau gabungan, dan menunjukkan perbandingannya dengan model siap pakai.
Transparansi data. Tanyakan lokasi pemrosesan, penyedia model, dan siapa yang bisa mengakses data pelatihan.
Kepatuhan. Tanyakan cara vendor mendukung DPIA, pencatatan pemrosesan, dan pemberitahuan insiden.
Kepemilikan. Pastikan kode, data pelatihan, konfigurasi, dan dokumentasi diserahkan, serta model bisa diganti.
Untuk instansi yang pengadaannya mengikuti aturan LKPP, siapkan kerangka acuan kerja yang menjelaskan hasil yang diharapkan dan cara menilainya. Sisi aturan penjualan ke pemerintah kami bahas di Apa yang Perlu Disiapkan Vendor AI Saat Menjual ke Pemerintah Menurut Aturan LKPP 3/2026?, dan proses pengadaan digitalnya di Panduan E-Procurement untuk Perusahaan dan BUMN di Indonesia.
Waspadai tanda bahaya yang umum: harga tetap tanpa melihat data, enggan menyebut model yang dipakai, tidak ada rencana evaluasi, dan tidak ada rencana operasi setelah peluncuran. Vendor yang baik justru akan menyarankan pendekatan paling sederhana yang cukup, termasuk bila itu berarti tidak perlu melatih model sama sekali.
Pertanyaan penutup yang layak diajukan ke setiap calon vendor adalah apa yang akan terjadi setelah peluncuran. Siapa memantau kualitas jawaban tiap minggu, bagaimana data baru masuk ke sistem, dan siapa yang menanggapi bila pegawai melaporkan jawaban yang salah. Vendor yang punya jawaban rinci untuk pertanyaan ini biasanya sudah pernah menjalankan sistem AI di lingkungan sungguhan, bukan hanya membangunnya sampai demo selesai.
Minta pula contoh dokumentasi yang pernah diserahkan pada proyek sebelumnya, dengan data klien disamarkan. Dokumentasi yang baik memuat arsitektur, sumber data, hasil evaluasi, dan cara menjalankan ulang pengujian. Bila contohnya tipis, kemungkinan besar pengetahuan proyek hanya ada di kepala beberapa orang, dan itu menjadi risiko saat tim vendor berganti.
Cara Burung Hantu Infratek Mengerjakan Pengembangan AI
Burung Hantu Infratek (Burhan) menyediakan pengembangan AI sebagai salah satu dari sembilan layanan utamanya, dengan definisi di situs resmi: solusi AI kustom dan model machine learning dari awal. Layanan dikerjakan end-to-end, dari konsultasi, pengembangan, hingga pemeliharaan.
Menurut halaman llms.txt di burhan.co.id yang kami buka untuk tulisan ini, Burhan melayani 18 lebih perusahaan terkemuka di Indonesia, termasuk BUMN dan perusahaan swasta besar di sektor energi, telekomunikasi, kesehatan, dan keuangan. Klien utama yang tercantum mencakup Pertamina, PLN, Kementerian Kesehatan, Telkom Indonesia, dan Prudential Indonesia.
Burhan menyebut lima pilar dalam pendekatannya: pengalaman pada proyek enterprise skala besar, solusi kustom yang dirancang sesuai kebutuhan klien, tim ahli bersertifikat di bidang AI, cloud, dan pengembangan software, layanan end-to-end, serta fokus pada inovasi termasuk AI generatif. Untuk pengembangan AI, itu berarti satu tim yang menangani konsultasi kebutuhan, pembangunan solusi, dan pemeliharaan, sehingga tanggung jawab tidak terpecah antar vendor.
Pengembangan AI jarang berdiri sendiri. Layanan ini berdampingan dengan integrasi AI untuk menyambungkan hasilnya ke sistem yang sudah ada, modernisasi aplikasi untuk sistem lama yang sulit disambungkan, infrastruktur IT untuk komputasi dan penyimpanan, serta AI Command Center untuk pemantauan terpusat. Menggabungkan beberapa layanan dalam satu proyek mengurangi serah terima antar vendor yang sering menjadi sumber kesalahan.
Kami sengaja membatasi bagian ini pada hal yang tercantum di halaman resmi Burhan. Rincian harga, durasi, dan metodologi per proyek dibahas langsung setelah asesmen kebutuhan, karena jawabannya berbeda pada tiap perusahaan. Bila Anda ingin memulai, siapkan tiga bahan: satu masalah bisnis yang terukur, gambaran data yang tersedia beserta pemiliknya, dan ukuran keberhasilan yang Anda harapkan.
Dengan tiga bahan itu, percakapan awal bisa langsung masuk ke hal substantif: apakah kebutuhan Anda cukup dipenuhi RAG atau perlu penyesuaian model, apakah proyek memerlukan penilaian dampak pelindungan data, dan bagaimana tahap prototipe disusun. Itu menghemat waktu kedua pihak dibanding memulai dari presentasi umum tentang AI yang sudah sering didengar tim Anda.
Pertanyaan yang Sering Diajukan
Apa itu pengembangan AI untuk perusahaan?
Pengembangan AI untuk perusahaan adalah pekerjaan membangun atau menyesuaikan solusi kecerdasan buatan yang dirancang khusus bagi data, istilah, dan proses satu organisasi, mulai dari penyiapan data dan pemilihan pendekatan hingga evaluasi dan operasi di lingkungan kerja nyata.
Apakah perusahaan harus melatih model AI sendiri?
Biasanya tidak. Menurut Contextual AI dan Databricks, banyak kebutuhan perusahaan terpenuhi dengan RAG untuk fakta terkini, dan fine-tuning hanya dipakai bila gaya atau format keluaran harus konsisten. Pelatihan dari nol hampir tidak pernah diperlukan oleh perusahaan di luar penyedia model.
Apakah pengembangan AI di Indonesia butuh izin khusus?
Menurut Komdigi, Perpres Etika AI yang menunggu penandatanganan per 30 Oktober 2026 tidak menambah izin baru, cukup penilaian mandiri, dan AI tahap riset atau prototipe tidak perlu melapor sampai dipakai komersial. Proyek yang memproses data pribadi tetap terikat UU PDP dan PP 33/2026.
Apa bedanya pengembangan AI dan integrasi AI?
Integrasi AI menyambungkan model yang sudah jadi ke sistem perusahaan seperti ERP dan aplikasi layanan, sedangkan pengembangan AI membangun atau menyesuaikan model dan sistemnya untuk kebutuhan khusus. Keduanya sering dikerjakan dalam satu proyek karena hasil pengembangan perlu disambungkan agar dipakai.
Kesimpulan
Pengembangan AI bukan perlombaan membangun model terbesar, melainkan pekerjaan menyesuaikan kemampuan yang cukup baik dengan data dan proses yang jelas. Mulailah dari satu masalah bisnis yang terukur, tulis evaluasi sebelum membangun, pilih pendekatan paling sederhana yang mencapai ukuran keberhasilan, lalu luncurkan bertahap sambil memantau kualitas dan biaya.
Di sisi aturan, UU PDP dan PP 33/2026 sudah menjadi pagar yang nyata bagi proyek yang memakai data pribadi, sementara aturan khusus AI masih bergerak. Siapkan DPIA, catatan pemrosesan, dan prosedur insiden sejak desain, simpan keputusan akhir pada manusia untuk hal berdampak besar, dan jangan menyandarkan proyek pada satu penyedia model. Dengan begitu, solusi Anda siap menghadapi aturan yang akan datang tanpa perlu dibongkar ulang.
(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] RI Atur AI Sesuai Risiko, Komdigi Beberkan Isi Regulasinya - CNBC Indonesia
[2] Hitung Mundur 16 Januari 2027: PP 33/2026 Terbit, Ini yang Wajib Disiapkan Perusahaan Anda - KRES.ID
[4] The 2026 AI Index Report - Stanford HAI
[5] RAG vs Fine-Tuning: Which Approach is Right for Enterprise AI? - Contextual AI
[6] RAG vs Fine Tuning: Enterprise Decisions for AI Models and AI Systems - Databricks
[7] Model optimization - OpenAI API
[8] Burung Hantu Infratek (Burhan), halaman llms.txt di burhan.co.id, dibuka pada 11 November 2026.