Alasan konteks membentuk ekonomi AI

Seiring dengan semakin terintegrasinya AI dalam operasional bisnis, organisasi tidak hanya melihat kemampuan model dan skor tolok ukur, tetapi juga peluang baru terkait ekonomi dan nilai data mereka. Pada skala besar, konsumsi token, pemanfaatan infrastruktur, dan biaya pemeliharaan konteks semakin menentukan apakah inisiatif AI dapat memberikan nilai bisnis yang berkelanjutan.

Dewasa ini, organisasi yang menciptakan nilai terbesar dari AI mungkin bukanlah organisasi yang menjalankan model terbesar. Namun, organisasi yang memiliki pengetahuan operasional terdalam dan kemampuan untuk menyediakannya kapan pun dan di mana pun diperlukan, karena konteks yang lebih baik sering kali berarti usaha yang diperlukan lebih sedikit untuk mencapai jawaban yang bermanfaat. Terdapat lebih sedikit kesalahan awal dan lebih sedikit komputasi yang berlebihan, sehingga sistem AI dapat mencapai hasil yang bermanfaat secara lebih efisien.

OpenAI¹ berpendapat bahwa investasi AI harus dievaluasi berdasarkan hasil bisnis, bukan hanya berdasarkan konsumsi token semata. Perspektif tersebut menunjukkan poin yang lebih luas: konteks semakin menjadi faktor penentu hasil tersebut. Semakin banyak konteks relevan yang tersedia bagi sistem AI, semakin sedikit pekerjaan yang harus dilakukan untuk mencapai tujuannya.

Baik itu agen dukungan pelanggan atau asisten pemrograman, konteks yang terbatas sering kali berarti lebih banyak siklus pengambilan informasi, lebih banyak pengulangan nalar, dan lebih banyak konsumsi token sebelum menghasilkan hasil yang bermanfaat. Konteks yang kaya membantu AI mencapai hasil yang sama secara lebih efisien, sehingga meningkatkan performa dan efisiensi biaya.

Perspektif ekonomi ini memberikan fokus yang lebih tajam pada cara pemanfaatan data. Banyak aplikasi AI bernilai tinggi bergantung pada akses ke informasi kontekstual. Sementara sistem analitik tradisional dirancang untuk menjawab pertanyaan yang sudah diketahui, sistem AI dapat menggunakan kembali data, pengetahuan, dan pekerjaan sebelumnya di berbagai alur kerja, tim, dan aplikasi di masa mendatang. Hasilnya adalah pengetahuan yang dipertahankan terus menciptakan nilai jauh setelah tujuan awalnya tercapai.

Semakin pentingnya pengetahuan yang disimpan

Secara historis, sebagian besar data yang dikumpulkan terkait tugas tertentu. Laporan dukungan membantu menyelesaikan masalah pelanggan, dokumen teknik mendukung proyek yang sudah berjalan, dan laporan menjawab pertanyaan bisnis yang mendesak. Setelah kebutuhan tersebut terpenuhi, nilai jangka panjang dari data tersebut sering kali kurang mendapat perhatian.

Logika tersebut tidak sepenuhnya berlaku untuk sistem AI. Pengetahuan yang diciptakan untuk satu tujuan dapat menjadi berharga dalam konteks yang sangat berbeda. Dokumen desain yang ditulis untuk membenarkan keputusan teknis pada satu proyek dapat membantu tim lain memahami pertimbangan yang ada, menghindari kesalahan berulang, atau mempercepat pekerjaan yang terkait di kemudian hari. Hal yang awalnya adalah dokumentasi proyek, berubah menjadi memori institusional.

Tugas awal tersebut mungkin bukanlah penggunaan data yang paling berharga, aplikasi di masa mendatang mungkin akan menemukan bahwa data tersebut memiliki tujuan yang jauh lebih besar.

Memutuskan data yang akan disimpan

Realitas ini memaksa organisasi untuk mempertimbangkan kembali bukan hanya data yang perlu disimpan, tetapi juga pengetahuan, riwayat, serta konteks yang harus tetap tersedia bagi sistem AI, karyawan, dan aplikasi di masa mendatang.

Biaya penyimpanan, tata kelola, dan persyaratan peraturan masih memengaruhi data yang harus disimpan, diarsipkan, atau dibuang. AI mengubah berbagai keputusan tersebut seiring dengan terus meningkatnya nilai data. Keputusan terkait infrastruktur penyimpanan yang dahulu terutama didasarkan pada biaya, kepatuhan, atau nilai bisnis langsung, kini perlu mempertimbangkan juga peluang-peluang tak terduga di masa depan.

Sebagian besar data perusahaan sudah tersebar di berbagai lingkungan, termasuk multicloud, internal, dan tepi jaringan. Selain itu, gravitasi data sering kali membuat pemindahan informasi tersebut menjadi tidak praktis atau tidak ekonomis, yang merupakan salah satu alasan mengapa model penerapan hibrida menjadi norma bagi banyak organisasi yang mengadopsi AI.

Namun, mengelola data di lingkungan hibrida juga mengungkap tantangan yang lebih dalam, yakni memutuskan data yang layak disimpan dan tempat data tersebut seharusnya disimpan. Di sinilah banyak organisasi menemukan kesenjangan yang semakin lebar antara nilai data mereka dan cara pengambilan keputusan terkait retensi data. Data sering kali diperlakukan terutama sebagai biaya pengelolaan, sementara AI mengubahnya menjadi aset untuk aplikasi dan peluang di masa depan.

Inilah alasan utama mengapa sistem pencatatan yang terukur dan tahan lama menjadi lebih penting dari sebelumnya. Perusahaan memerlukan arsitektur data yang menyimpan catatan pengetahuan institusional, riwayat operasional, dan informasi yang dihasilkan oleh AI. Bagi banyak orang, itu berarti merangkul pendekatan hibrida yang memungkinkan data tetap berada di tempat yang diperlukan oleh tata kelola, performa, independensi, atau ekonomi, sambil tetap menyediakan informasi tersebut untuk sistem AI.

Ekonomi hard disk

Seiring dengan semakin otonomnya agen AI, AI akan menghasilkan dan mengonsumsi konteks yang jauh lebih banyak daripada aplikasi tradisional. Dalam lingkungan ini, setiap interaksi, alur kerja, keputusan, dan hasil dapat menjadi bagian dari kumpulan pengetahuan yang dapat digunakan kembali yang terus berkembang dalam suatu organisasi.

Faktanya, IDC memperkirakan generasi data tahunan akan meningkat lebih dari tiga kali lipat antara tahun 2025 hingga 2030, tumbuh dari 218 zettabyte tahun 2025 menjadi lebih dari 718 zettabyte tahun 2030, dengan AI agenik diidentifikasi sebagai sumber data yang dihasilkan mesin yang terus berkembang.²

Sekalipun organisasi hanya menyimpan sebagian kecil dari informasi tersebut, skalanya akan dengan cepat menjadi sangat besar. Tantangannya bukan lagi sekadar mengumpulkan data. Organisasi harus menentukan pengetahuan yang harus dilestarikan dan memastikan pengetahuan tersebut tetap dapat diakses pada waktu yang tepat dan di tempat yang tepat. Seiring organisasi menyimpan volume konteks yang lebih besar untuk sistem AI, karyawan, dan aplikasi, aspek ekonomi penyimpanan menjadi semakin penting.

Selain menurunkan biaya, ekonomi penyimpanan membuat penyimpanan dan akses pengetahuan dalam skala yang diperlukan sistem AI menjadi praktis. Arsitektur penyimpanan objek yang mendukung platform cloud modern dibangun berdasarkan realitas ini, menggabungkan perangkat lunak untuk manajemen data dengan infrastruktur penyimpanan yang mampu menyimpan data secara permanen dalam skala besar. Pendekatan arsitektur ini memungkinkan organisasi untuk mempertahankan dan menggunakan kembali pengetahuan di seluruh sistem AI, karyawan, dan aplikasi.

Nilai data tidak lagi berakhir saat tugas awal selesai. Informasi yang tetap mudah diakses dapat berkontribusi pada pertanyaan, alur kerja, dan peluang di masa mendatang. Seiring sistem AI semakin bergantung pada pengetahuan dan konteks yang terakumulasi, data yang disimpan oleh organisasi mungkin menjadi sama pentingnya dengan data yang diciptakan AI. Menentukan informasi yang akan penting di masa depan, dan memastikan informasi tersebut tetap mudah diakses, adalah satu-satunya cara agar informasi tersebut dapat terus menciptakan nilai. Informasi yang hilang tidak akan pernah mendapatkan kesempatan.

Baca selengkapnya: Jelajahi cara konteks persisten membentuk kembali sistem AI.

Catatan Kaki

1. https://openai.com/index/managing-ai-investments-in-agentic-era
2. IDC, Prakiraan Pasar: Prakiraan DataSphere Global IDC, 2026–2030, Juni 2026