Pelajaran dari China: AI Scale Butuh Data, Infrastruktur, dan Governance

AI scale bukan sekadar memilih model paling baru

Laporan Xinhua pada 14 Juli 2026 tentang World AI Conference 2026 di Shanghai dan High-Level Meeting on Global AI Governance memberi sinyal penting: industri AI sedang bergerak dari fase demo menuju fase ekosistem. WAIC 2026 disebut menghadirkan lebih dari 140 forum, 1.100 enterprise, 3.000 produk dan teknologi, serta area pameran lebih dari 100.000 meter persegi.

Angka-angka tersebut menarik, tetapi pelajaran terbesarnya bukan pada besar acaranya. Pelajarannya adalah bahwa AI dalam skala industri membutuhkan kombinasi yang rapi antara data, infrastruktur komputasi, ekosistem talenta, investasi, aplikasi nyata, dan governance.

Bagi perusahaan yang ingin mengadopsi AI, ini berarti pertanyaan utamanya bukan lagi: “model apa yang paling canggih?” Pertanyaan yang lebih tepat adalah: “masalah bisnis mana yang paling layak diselesaikan dengan AI, dan apakah flow kita siap untuk diskalakan?”

Tiga fondasi: data, infrastruktur, governance

Shanghai diposisikan sebagai salah satu hub AI utama China. Dalam laporan yang sama, kota ini disebut memiliki ratusan enterprise AI besar, dukungan fund investasi, universitas dengan riset AI, komunitas open-source, dan fokus pada intelligent terminal seperti AI glasses dan AI smartphone.

Dari perspektif strategi teknologi, ini menunjukkan tiga fondasi penting:

1. Data readiness: AI membutuhkan data yang tersedia, bersih, terstruktur, dan relevan dengan proses bisnis.
2. Infrastruktur: scale membutuhkan compute, storage, observability, deployment pipeline, dan arsitektur yang bisa menangani traffic nyata.
3. Governance: semakin AI masuk ke proses operasional, semakin penting kontrol risiko, audit, keamanan, privasi, dan kepatuhan regulasi.

Tanpa tiga fondasi ini, AI mudah berhenti sebagai prototype yang terlihat impresif, tetapi sulit dipakai secara konsisten oleh user internal maupun customer.

Dampaknya untuk client: cost inference dan latency harus dihitung sejak awal

Dalam implementasi nyata, biaya AI sering muncul bukan di tahap eksperimen, tetapi saat sistem mulai digunakan banyak orang. Setiap request ke model punya biaya inference. Jika workflow memanggil model terlalu sering, menggunakan konteks terlalu besar, atau tidak memiliki caching dan routing yang efisien, cost bisa naik cepat.

Karena itu, desain AI product harus mempertimbangkan:

• kapan perlu memakai model besar dan kapan cukup model kecil;
• bagian mana yang bisa di-cache;
• apakah perlu retrieval-augmented generation atau cukup rules sederhana;
• bagaimana memonitor token usage, error rate, dan response time;
• bagaimana menjaga kualitas output tanpa membuat biaya operasional membengkak.

Latency juga sama pentingnya. AI assistant untuk customer support, internal knowledge base, fraud review, atau document processing memiliki toleransi waktu yang berbeda. Untuk beberapa use case, jawaban 10 detik mungkin terlalu lambat. Untuk use case lain, akurasi dan audit trail lebih penting daripada kecepatan.

Data readiness menentukan kualitas output

Banyak organisasi ingin langsung membangun chatbot, copilot, atau agent. Namun, masalah paling sering bukan pada modelnya, melainkan pada data internal yang belum siap.

Contohnya:

• dokumen tersebar di Google Drive, Notion, email, dan spreadsheet;
• naming file tidak konsisten;
• data customer tidak memiliki schema yang stabil;
• akses permission belum jelas;
• knowledge base tidak pernah diperbarui;
• proses approval masih manual dan tidak terdokumentasi.

Jika data tidak siap, model yang bagus tetap akan menghasilkan jawaban yang tidak konsisten. Karena itu, tahap awal implementasi AI sebaiknya mencakup audit data, mapping sumber informasi, pembersihan dokumen, definisi akses, dan evaluasi kualitas output berdasarkan use case bisnis.

Compliance dan governance bukan fitur tambahan

High-Level Meeting on Global AI Governance dalam rangkaian WAIC 2026 menunjukkan bahwa governance menjadi bagian inti dari diskusi AI global. Ini relevan untuk perusahaan di sektor finansial, kesehatan, pendidikan, legal, enterprise SaaS, dan bisnis yang mengelola data sensitif.

Client perlu memikirkan sejak awal:

• data apa yang boleh dikirim ke model eksternal;
• apakah perlu deployment private atau hybrid;
• bagaimana menyimpan log percakapan dan hasil keputusan AI;
• siapa yang bertanggung jawab jika output AI salah;
• bagaimana melakukan human review untuk keputusan berisiko tinggi;
• bagaimana memenuhi regulasi privasi dan kebijakan internal.

AI yang tidak memiliki governance akan sulit mendapatkan kepercayaan dari user, legal team, dan stakeholder bisnis.

Scale dimulai dari existing flow, bukan hype model

Pelajaran paling praktis dari tren industri AI adalah bahwa scale tidak terjadi karena perusahaan memakai model terbaru. Scale terjadi ketika AI masuk ke flow kerja yang sudah ada dan membuat proses tersebut lebih cepat, lebih murah, atau lebih akurat.

Contoh pendekatan yang lebih sehat:

• mulai dari proses customer support yang repetitif;
• otomatisasi ekstraksi data dari dokumen operasional;
• bantu tim sales mencari insight dari CRM;
• bantu finance melakukan rekonsiliasi awal;
• bantu engineering membaca log dan membuat ringkasan incident;
• bantu legal atau compliance melakukan review dokumen tahap pertama.

Dengan pendekatan ini, keberhasilan AI bisa diukur menggunakan metrik bisnis: waktu proses, biaya per transaksi, tingkat error, response time, conversion rate, atau kepuasan customer.

Kesimpulan

WAIC 2026 di Shanghai menggambarkan arah industri AI yang semakin matang: tidak cukup hanya punya model, tetapi harus punya data, infrastruktur, talenta, investasi, aplikasi industri, dan governance.

Untuk client, ini berarti implementasi AI sebaiknya dimulai dari masalah bisnis dan existing flow. Pilih use case yang jelas, hitung cost inference, pastikan data readiness, ukur latency, perhatikan compliance, lalu scale secara bertahap.

AI yang berhasil bukan yang paling ramai dibicarakan, tetapi yang benar-benar masuk ke operasional dan memberi dampak terukur.

Sumber

• Xinhua – Shanghai enters "AI moment" with upcoming 2026 World AI Conference