Sebelum Memperkenalkan Ejen AI, Tanya Dahulu Satu Soalan yang Kolot: Berapa Versi Data Pelanggan Anda?

Naib presiden jualan sebuah kilang jentera tempatan, dalam mesyuarat demonstrasi pembantu AI menanya satu soalan yang sangat mudah: "Berapa banyak perniagaan kami buat dengan Top Glove tahun lepas?"

Sistem membalas satu angka. Naib presiden mengerutkan dahi: "Tak betul, angka ini terlalu kecil."

Kemudian didapati, dalam ERP ada tiga entri pelanggan iaitu "Top Glove", "Top Glove Corporation Berhad", dan "Topglove", dengan pesanan tersebar di bawah tiga nombor. AI tidak salah, ia dengan jujur menjumlahkan jumlah entri "Top Glove" itu dan memberitahu anda. Yang salah ialah data.

Kesimpulan mesyuarat demonstrasi ini ialah "AI masih belum matang". Saya rasa kesimpulan ini dibuat terlalu cepat.

Latar Belakang Peristiwa

Satu tinjauan 2026 yang menemu bual 1,000 pengurus C-level global memberikan satu angka yang sangat menarik: pengurusan data sudah menjadi cabaran terbesar pelaksanaan AI, menyumbang 51%, mengatasi kos dan bakat.

Ini sama sekali berbeza daripada naratif dua tahun sebelumnya. Pada 2023, 2024 apa yang dirisaukan semua orang ialah "tidak dapat mencari orang yang boleh membuat AI" dan "GPU terlalu mahal". Dua tahun berlalu, model menjadi lebih murah, alat menjadi lebih senang digunakan, kemudian semua orang mendapati tempat yang tersekat berada lebih ke hadapan — data tidak dapat dikeluarkan, tidak dapat dipadankan, dan tiada siapa berani menjaminnya.

Pada tempoh yang sama, satu lagi perubahan menolak keseriusan perkara ini ke satu peringkat lebih tinggi: AI bertukar daripada "menjawab soalan" kepada "melaksanakan tindakan".

Ini perbezaan yang mendasar. Dahulu AI memberi anda satu ringkasan, dan jika salah anda sendiri akan menyedarinya. Kini ejen terus pergi membuka pesanan di CRM, membina pelanggan di ERP, menghantar e-mel kepada pelanggan — jika salah maka ia sudah pun berlaku, dan anda hanya boleh menampalnya selepas kejadian.

Tumpuan Kali Ini

Untuk membiarkan ejen bekerja dengan selamat, ada tiga asas data yang tidak dapat dielakkan:

• Pengurusan data induk (MDM): memastikan pelanggan, produk, pembekal yang sama ialah satu entri dalam semua sistem. Ini yang paling asas, dan juga paling kerap dilangkau.
• Resolusi entiti (entity resolution): menilai sama ada "Ahmad bin Ali", "Encik Ahmad Ali", "AHMAD ALI" ialah orang yang sama, dan mesti dapat menjelaskan mengapa. Kebolehterangan dalam industri terkawal bukan item bonus, tetapi syarat yang perlu.
• Silsilah data dan tadbir urus capaian: data ini dari mana, siapa yang pernah mengubahnya, medan mana yang boleh dilihat ejen. Tanpa lapisan ini, apabila berlaku masalah anda pun tidak dapat menyiasatnya.

Analisis Kesan Pasaran

Bagi pengguna tempatan: Perasaan paling langsung pekerja biasa ialah pembantu AI yang "bercakap dengan penuh yakin tetapi jawapannya salah". Reaksi kebanyakan orang ialah tidak percaya, kemudian tidak menggunakannya. Ini sebenarnya reaksi yang rasional — seorang pembantu yang boleh mencipta angka, lebih berbahaya daripada tiada pembantu.

Untuk menilai sama ada pembantu AI syarikat anda berbaloi dipercayai, ada satu kaedah ujian yang sangat kolot: tanya ia satu soalan yang anda sendiri tahu jawapannya. Jika ini pun ia jawab salah, maka ketika ia menjawab soalan yang anda tidak tahu, atas apa dasar anda mempercayainya?

Bagi aplikasi korporat: Keadaan data perniagaan tempatan mempunyai beberapa masalah yang khas.

Pertama ialah generasi sistem yang bertindih. Banyak syarikat pada masa yang sama mempunyai ERP yang berjalan lima belas tahun, CRM yang diperkenalkan lima tahun lalu, alat awan yang dipasang tahun lalu, dan tiga set sistem ini mempunyai takrifan "pelanggan" yang sama sekali berbeza — ERP guna nombor pendaftaran syarikat, CRM guna nama syarikat, alat pemasaran guna e-mel. Untuk mensintesis seorang, peraturan pemadanan di tengah-tengah tiada siapa dapat menjelaskannya.

Kedua ialah anak-anak syarikat kumpulan berdikari sendiri. Pelanggan yang sama membuka akaun berasingan di tiga anak syarikat, berunding harga masing-masing, dan di peringkat kumpulan langsung tidak dapat melihat "berapa jumlah sumbangan pelanggan ini". Perkara ini sebelum memperkenalkan AI hanya menjadikan laporan tidak cantik, dan selepas memperkenalkannya akan bertukar menjadi ejen memberi sebut harga yang salah.

Ketiga ialah masalah variasi nama syarikat. Akhiran Sdn Bhd atau Berhad, nama Inggeris atau nama tempatan, ada tidak perkataan "Malaysia" — variasi sebegini menjadi kebiasaan tempatan. Inilah juga sebab menerapkan terus alat resolusi entiti Eropah dan Amerika, kesannya sering tidak seperti jangkaan, jadi mesti diuji dengan data sendiri.

Alat yang mengendalikan lapisan ini di pasaran tidak sedikit: Reltio mengambil laluan AI masa nyata dan berbentuk ejen, Semarchy mengutamakan disiplin DataOps, Profisee mengikat mendalam ekosistem Microsoft, CluedIn menggunakan pangkalan data graf dan mengambil pendekatan bayar ikut guna untuk menurunkan halangan. Yang khusus dalam pemadanan itu sendiri pula ada Senzing dan Data Ladder. Soalan pertama pemilihan bukan perbandingan fungsi, tetapi "adakah ia sepadan dengan timbunan data sedia ada saya".

Bagi pembangun: Jika anda membuat ejen AI dalaman perniagaan, ada satu prinsip reka bentuk yang saya rasa mesti dipatuhi: setiap data yang dibaca ejen, mesti dapat menjawab "ini dari mana datangnya".

Dalam praktik ini bermakna beberapa perkara. Kandungan yang dipulangkan alat kepada model perlu membawa penanda sumber; setiap tindakan penulisan ejen perlu meninggalkan jejak yang lengkap; serta yang paling penting — apabila data ada percanggahan (pelanggan yang sama ada dua had kredit yang berbeza), ejen sepatutnya berhenti dan menanya manusia, dan bukan memilih satu sendiri.

Reka bentuk ini akan menjadikan ejen kelihatan "agak bodoh", kerana ia akan sering berkata "saya menemui dua data yang tidak konsisten, sila sahkan". Tetapi kebodohan jenis ini adalah betul. Ejen yang meneka sendiri, barulah risiko yang sebenar.

Trend Perkembangan Masa Depan

Saya memerhatikan dua hala tuju.

Pertama, MDM dan seumpamanya yang dahulunya dianggap urusan dalaman IT, sedang bertukar menjadi prasyarat AI. Dahulu perkara paling sukar projek MDM ialah meyakinkan bos mengapa perlu membelanjakan wang untuk perkara yang tidak dapat dilihat; kini hujahnya bertukar menjadi "ejen membawa data salah akan menyebabkan masalah", dan hujah ini jauh lebih kuat.

Kedua, alat itu sendiri sedang bertransformasi ke arah "menyediakan konteks yang ditadbir untuk ejen". Output MDM tradisional ialah rekod emas untuk dilihat manusia, kini outputnya ialah perkhidmatan data untuk dipanggil ejen. Peralihan ini akan mentakrifkan semula pasaran ini, dan juga akan menyebabkan sekumpulan alat lama yang hanya membuat pemprosesan berkelompok disingkirkan.

Namun saya perlu menuang sedikit air sejuk: alat tidak dapat menyelesaikan masalah tadbir urus. "Data pelanggan berpandukan versi siapa", "takrifan medan siapa yang berkata", "salah siapa bertanggungjawab" — ketiga-tiga soalan ini ialah politik organisasi, bukan fungsi perisian. Membeli platform tetapi tiada satu peranan tadbir urus data yang mempunyai kuasa sebenar, projek akan bertukar menjadi mesyuarat penyelarasan merentas jabatan tanpa penghujung. Inilah punca paling lazim kegagalan projek MDM, dan tidak berubah selama dua puluh tahun.

Rumusan dan Ulasan TheAI Academy

Kembali kepada contoh kilang jentera di awal tadi. Perkara yang mereka lakukan kemudian sangat mudah: menghabiskan enam minggu, membuat sekali penyahduaan dan penormalan fail induk pelanggan dalam ERP, menetapkan peraturan "nombor pendaftaran syarikat ialah pengecam unik", dan menugaskan bahagian kewangan sebagai pemilik fail induk pelanggan.

Demonstrasi sekali lagi, angkanya betul.

Ulasan: Kejayaan atau kegagalan projek AI, lapan puluh peratus ditentukan sebelum anda membuka model. Sahkan dahulu data pelanggan anda hanya ada satu versi, kemudian barulah bercakap tentang model mana hendak digunakan.

Cadangan konkrit untuk pembaca, saya sebut tiga perkara yang boleh mula dilakukan minggu depan:

Pertama, buat satu "ujian tanya-jawab sendiri". Pilih lima soalan operasi yang anda sendiri tahu jawapan betulnya, dan tanya alat AI syarikat atau terus semak pangkalan data. Soalan yang dijawab salah itulah lubang data anda. Perkara ini tidak memerlukan bajet, dan satu petang boleh disiapkan.

Kedua, tetapkan dahulu "sumber kebenaran tunggal", kemudian barulah bercakap tentang membeli alat. Data pelanggan berpandukan ERP atau CRM? Data produk berpandukan siapa? Keputusan ini tidak berbelanja, tetapi ia prasyarat untuk semua perkara selepasnya. Jika tidak dapat memutuskannya, membeli apa-apa sistem pun tidak berguna.

Ketiga, skop perlu kecil. Jangan membuka satu projek "tadbir urus data seluruh syarikat", kerana itu pasti mengambil tiga tahun kemudian tidak menjadi apa-apa. Pilih satu bidang data yang paling kerap digunakan ejen (biasanya pelanggan), tiga bulan hasilkan versi yang bersih, gunakannya untuk membuktikan nilai, kemudian barulah kembangkan ke luar.

Bacaan lanjutan: Kebolehcerapan dan Tadbir Urus Ejen AI di laman ini membincangkan cara memantau ejen selepas ia dilancarkan, dan kebetulan bersambung dengan "sebelum dilancarkan" artikel ini; Siapa yang Mengesahkan Kod yang Dihasilkan AI pula ialah versi logik yang sama di bahagian pembangunan.

Sumber Rujukan

• McKinsey: The State of AI (Global Survey)
• Gartner Magic Quadrant for Master Data Management Solutions (dimuat semula laman rasmi setiap pembekal)
• Penjelasan tinjauan rasmi Semarchy

Disusun berdasarkan maklumat awam; setiap angka tinjauan adalah tertakluk pada laporan asal.