Data Readiness untuk AI: Audit 6 Dimensi Sebelum Investasi
Mekari ERP Highlights
- Kesiapan data diukur lewat enam dimensi berbobot, bukan lewat perasaan tim
- Tiap use case AI punya ambang berbeda, jadi menunggu data sempurna justru menunda hasil
- Fitur Laporan Keuangan Mekari ERP menyatukan data operasional dan keuangan agar keluaran AI bisa ditelusuri ke transaksi aslinya
Data readiness untuk AI adalah tingkat kesiapan data perusahaan untuk dipakai langsung oleh model dan agen AI tanpa dirapikan manual lebih dulu.
Gartner memperkirakan hingga 2026 organisasi akan meninggalkan 60% proyek AI yang tidak ditopang data siap pakai, dan 63% organisasi tidak yakin punya praktik pengelolaan data yang tepat untuk AI. Masalahnya hampir tidak pernah ada di model, melainkan di lapisan data, jauh sebelum prediksi pertama muncul.
Artikel ini mengulas pentingnya data readiness untuk AI dan langkah praktis menyiapkan fondasi data operasional yang solid sebelum menggelontorkan anggaran teknologi.
Apa Itu Data Readiness untuk AI dan Bedanya dengan Data yang Rapi
Data rapi dan data siap AI itu berbeda. Data rapi cukup untuk manusia yang bisa menebak konteks yang hilang. AI tidak menebak: ia memecah dokumen, mengambil potongannya, lalu merakit jawaban, sehingga satu konteks yang hilang langsung jadi jawaban yang salah.
Tabel perbandingan data readiness umum dan data readiness untuk AI
| Aspek | Readiness umum | Readiness untuk AI |
| Pengguna utama | Analis dan tim pelaporan | Model dan agen AI |
| Bentuk data | Terstruktur: tabel dan kolom | Campuran: tabel, teks, dokumen |
| Lapisan konteks | Metadata dasar: pemilik, tanggal | Metadata semantik: arti dan relasi |
| Cara mencari | Filter dan kueri SQL | Pencarian berbasis makna |
| Titik kontrol akses | Di penyimpanan dokumen | Juga saat jawaban dirakit |
| Ukuran lulus | Laporan terbit tepat waktu | Jawaban terlacak ke sumbernya |
Baris terakhir yang paling sering diabaikan. Laporan bisa terbit tepat waktu dan tetap salah tanpa ketahuan.
Enam Dimensi yang Menentukan Kesiapan Data
McKinsey mencatat hanya 7% perusahaan berhasil menskalakan AI ke seluruh organisasi, dan lebih dari dua pertiga perusahaan berkinerja tinggi menyebut data sebagai penghambatnya.
Enam dimensi berikut bisa dinilai dengan bukti, bukan opini.
1. Kelengkapan (bobot 20%)
AI tidak melewati baris yang datanya kosong. Ia tetap menghitung, lalu menghasilkan angka yang terlihat wajar padahal keliru.
2. Konsistensi definisi (bobot 20%)
Kalau “pendapatan bersih” punya dua rumus di dua departemen, AI menjawab pertanyaan yang sama dengan dua angka berbeda.
3. Ketepatan waktu (bobot 15%)
Jeda panjang antara kejadian dan pencatatannya membuat model membaca kondisi kemarin sebagai kondisi hari ini.
4. Keterlacakan (bobot 15%)
Tanpa jejak mundur ke dokumen sumber, keluaran AI tidak bisa dipertahankan saat auditor bertanya dari mana angka itu berasal.
5. Tata kelola dan akses (bobot 20%)
Kepemilikan yang hanya tersirat, misalnya anggapan bahwa tim sales memiliki data pelanggan, tidak cukup begitu AI mengambil data lintas departemen.
6. Keterhubungan sistem (bobot 10%)
Setiap ekspor Excel adalah titik putus: data berhenti diperbarui, versi bercabang, dan jejak sumbernya hilang.
Tabel enam dimensi kesiapan data untuk AI beserta pertanyaan audit dan bobotnya

Setiap dimensi diberi skor 1 sampai 5, dan skor hanya sah kalau buktinya bisa ditunjukkan. Tanpa aturan ini, audit berubah jadi rapat saling meyakinkan.
Cara Menghitung Skor Kesiapan Data
PT Arunika Sentra Manufaktur, produsen komponen otomotif dengan tiga pabrik dan pendapatan Rp 840 miliar per tahun, menjalankan audit ini sebelum anggaran AI disetujui.
Scorecard kesiapan data PT Arunika Sentra Manufaktur dengan skor tertimbang
| Dimensi | Temuan audit | Skor | Bobot | Tertimbang |
| Kelengkapan | 14% SKU tanpa biaya standar valid | 3 | 20% | 0,60 |
| Konsistensi definisi | “Pendapatan bersih” beda antara ERP dan laporan sales | 2 | 20% | 0,40 |
| Ketepatan waktu | Transaksi gudang tercatat 6 jam setelah kejadian | 4 | 15% | 0,60 |
| Keterlacakan | HPP tidak terlacak ke work order asal | 2 | 15% | 0,30 |
| Tata kelola dan akses | Hak akses belum diatur per peran | 3 | 20% | 0,60 |
| Keterhubungan sistem | 5 dari 9 aliran data lewat ekspor Excel | 2 | 10% | 0,20 |
| TOTAL | Belum layak AI produksi | 100% | 2,70 |
Ambangnya: 4,0 ke atas siap AI produksi, 3,0 sampai 3,9 siap pilot terbatas, di bawah 3,0 perbaiki fondasi dulu. PT Arunika mendapat 2,70, jadi anggaran AI-nya ditunda satu kuartal.
Keputusan itu terasa mahal sampai tim menghitung biaya produksi yang sudah keluar diam-diam.
Tabel biaya data yang belum siap di PT Arunika dalam Rupiah
| Gejala di data | Angka temuan | Dampak terukur per tahun |
| SKU ganda di master item | 1.240 dari 8.600 (14%) | Kelebihan persediaan Rp 2,10 miliar |
| Vendor ganda di master vendor | 310 dari 1.450 | Diskon volume hilang Rp 640 juta |
| Jurnal penyesuaian manual saat tutup buku | 285 per bulan | 1.900 jam kerja finance |
| Laporan direvisi setelah terbit | 4 dari 12 | Keputusan tertunda 9 hari |
| TOTAL | Rp 2,74 miliar + 1.900 jam |
Angka Rp 2,74 miliar itu bukan biaya perbaikan data. Itu biaya yang sudah dibayar karena datanya belum diperbaiki.
Ambang Kesiapan Berbeda untuk Setiap Use Case AI
Kesalahan tersering setelah audit adalah mengejar skor 5 di semua dimensi sebelum berani memulai.
McKinsey menyarankan sebaliknya: tentukan arti “cukup baik” untuk tiap use case sesuai kebutuhan bisnis dan profil risikonya.
Tabel ambang kesiapan data minimum per use case AI
| Use case AI | Dimensi paling kritis | Ambang minimum |
| Rekonsiliasi bank otomatis | Ketepatan waktu dan kelengkapan | Skor 4 keduanya |
| Deteksi anomali transaksi | Konsistensi definisi dan keterlacakan | Skor 4 dan 3 |
| Prediksi arus kas | Kelengkapan histori 24 bulan | Skor 4 |
| Perencanaan permintaan | Keterhubungan sistem | Skor 4 |
| Asisten tanya-jawab dokumen | Tata kelola dan akses | Skor 4 |
Baris terakhir punya konsekuensi hukum. Aturan akses di level dokumen tidak otomatis berlaku saat AI mengambil potongan isinya, sehingga pemrosesan data pribadi harus diuji terhadap UU No. 27 Tahun 2022 sebelum produksi.
Lima Lapis Fondasi dan Urutan Mengerjakannya
Diagram lima lapis fondasi data readiness untuk AI

Lapis 1: Sumber transaksi
Setiap kejadian dicatat di titik asalnya. Begitu ada tahap rekap manual, data kehilangan waktu kejadian aslinya.
Lapis 2: Standardisasi master data
Satu kode item, satu kode vendor, dan satu bagan akun di semua entitas. Duplikasi di lapis ini merusak hampir semua perhitungan di atasnya.
Lapis 3: Tata kelola dan hak akses
Hak akses diberikan per peran, bukan per orang, sehingga aturannya tetap berlaku saat orangnya pindah divisi.
Lapis 4: Metadata dan keterlacakan
Setiap angka membawa arti, pemilik, tanggal berlaku, dan jejak sampai dokumen sumbernya.
Lapis 5: Konsumsi oleh AI
Model membaca data yang sama dengan laporan, bukan salinan terpisah yang angkanya akan terus berbeda.
Urutannya tidak bisa dibalik. Lapis atas mewarisi kesalahan lapis bawahnya, dan AI memperbesarnya ke lebih banyak keputusan sekaligus.
Roadmap 90 Hari Menuju Data Siap AI
Tabel roadmap 90 hari menuju data siap AI
| Fase | Aktivitas utama | Output |
| Hari 1-30 | Profiling data master dan transaksi 24 bulan terakhir | Scorecard 6 dimensi berbukti |
| Hari 31-50 | Samakan istilah bisnis lintas departemen | Kamus data bertanda tangan |
| Hari 51-70 | Deduplikasi master item dan vendor | Master data tunggal dan validasi input |
| Hari 71-85 | Tetapkan pemilik data dan hak akses per peran | Matriks kepemilikan akses |
| Hari 86-90 | Nilai ulang skor dan pilih use case pertama | Keputusan lanjut atau tunda |
Agar roadmap ini tidak berhenti jadi dokumen, pasang lima gerbang berikut sebagai syarat pencairan anggaran.
Diagram lima gerbang persetujuan anggaran proyek AI

Gerbang 1: Skor kesiapan tersedia
Pengusul melampirkan scorecard enam dimensi beserta buktinya, bukan klaim lisan.
Gerbang 2: Use case menyebut dimensi kritisnya
Proposal menuliskan dimensi mana yang menentukan keberhasilan model. Yang tak bisa menjawab belum memahami use case-nya.
Gerbang 3: Ambang minimum terpenuhi
Skor dimensi kritis melewati ambang, atau rencana perbaikannya melekat di anggaran yang sama.
Gerbang 4: Jalur audit jelas
Keluaran AI bisa ditelusuri ke transaksi sumbernya. Tanpa ini, temuan audit hanya tertunda.
Gerbang 5: Kepatuhan data pribadi tertangani
Pemrosesan data diuji terhadap UU No. 27 Tahun 2022 sebelum masuk produksi.
Lima Kesalahan Umum dalam Menyiapkan Data untuk AI
Tabel lima kesalahan umum menyiapkan data untuk AI dan perbaikannya
| Kesalahan | Perbaikan yang berhasil |
| Membeli alat AI sebelum audit data | Jadikan skor kesiapan syarat cair anggaran AI |
| Mengejar data sempurna di seluruh perusahaan | Tentukan ambang “cukup baik” per use case |
| Membersihkan data sekali di awal | Pasang validasi input dan audit bulanan |
| Memindahkan data kotor ke sistem baru | Bersihkan master data sebelum migrasi |
| Mengatur akses hanya di level dokumen | Terapkan aturan akses saat data diambil AI |
Bagaimana Mekari ERP Mendukung Kesiapan Data untuk AI?
Lima lapis fondasi di atas sulit dibangun kalau data tersebar di beberapa sistem yang disambung ekspor manual. Mekari ERP membuat transaksi operasional dan catatan keuangan hidup di satu sistem.
- Satu sumber lintas modul: pembelian, persediaan, produksi, dan akuntansi mencatat ke basis data yang sama
- Keterlacakan sampai dokumen asal: angka laporan dapat ditelusuri ke work order, faktur, atau penerimaan barang
- Konsolidasi multi-entitas: definisi akun dan periode tutup buku berlaku seragam di semua entitas
- Kontrol akses berbasis peran: hak lihat dan ubah diatur per peran, sehingga matriks tata kelola bisa diaudit
- Lapisan AI Mekari Airene: rekonsiliasi bank, deteksi anomali, dan analisis laporan bekerja di atas data ERP yang sama
Dengan fondasi ini, skor enam dimensi naik karena perbaikan struktural, bukan pembersihan data yang diulang tiap kuartal.
Nilai kesiapan data perusahaan Anda sebelum anggaran AI dicairkan. Jadwalkan demo Mekari ERP
Referensi
- Gartner. Lack of AI-Ready Data Puts AI Projects at Risk, 26 Februari 2025.
- McKinsey & Company. AI data readiness: The key to scaling impact, 23 Juni 2026.
- Gizmologi. Survei Cloudera Data Readiness Index.
- UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi.
FAQ Seputar Data Readiness untuk AI
Apa itu data readiness untuk AI?
Apa itu data readiness untuk AI?
Tingkat kesiapan data perusahaan untuk dipakai langsung oleh model dan agen AI tanpa dirapikan manual lebih dulu, diukur dari enam dimensi: kelengkapan, konsistensi definisi, ketepatan waktu, keterlacakan, tata kelola, dan keterhubungan sistem.
Apa bedanya data yang bersih dengan data yang siap AI?
Apa bedanya data yang bersih dengan data yang siap AI?
Data bersih berarti bebas salah ketik dan duplikasi. Data siap AI juga membawa konteks, arti, dan jejak sumbernya, sehingga jawabannya bisa ditelusuri ke transaksi asli. Berapa skor minimum sebelum perusahaan boleh memulai proyek AI? Skor 4,0 ke atas layak masuk produksi, 3,0 sampai 3,9 layak pilot terbatas, di bawah 3,0 perbaiki fondasi dulu. Ambang per dimensi lebih menentukan daripada skor total.
Siapa yang seharusnya memimpin audit kesiapan data?
Siapa yang seharusnya memimpin audit kesiapan data?
Finance Controller bersama Head of IT, dengan business process owner sebagai pemilik definisi. Menyerahkannya hanya ke IT membuat audit berhenti di aspek teknis.
Apa risiko memaksakan proyek AI di atas data yang belum siap?
Apa risiko memaksakan proyek AI di atas data yang belum siap?
Keluaran tidak akurat, tim kembali ke proses manual, dan jawaban yang tidak bisa ditelusuri jadi temuan saat audit atau pemeriksaan kepatuhan data pribadi.
Apakah data tidak terstruktur seperti kontrak dan email juga perlu disiapkan?
Apakah data tidak terstruktur seperti kontrak dan email juga perlu disiapkan?
Perlu, dan di sinilah celah terbesarnya. Dokumen harus punya metadata pemilik, tanggal berlaku, dan status, agar AI tidak memakai versi yang sudah digantikan.