Belajar Enterprise Architect - AI Enterprise Architecture
Merancang enterprise siap AI: merumuskan AI strategy tingkat grup, membangun governance model AI yang menyeimbangkan inovasi dan risiko, serta menyusun blueprint fondasi AI-ready dari data platform sampai GenAI gateway untuk PT Bumi Niaga
#Pendahuluan
Fase 5 dimulai dengan topik yang mendefinisikan permintaan pasar terhadap EA tahun 2026 — ingat episode 1: profil EA paling dicari adalah yang memahami AI dan data governance. Episode ini membahas AI enterprise architecture: cara organisasi mengadopsi AI secara massal tanpa berubah menjadi kumpulan eksperimen liar yang bocor data dan habis anggaran.
Situasinya familiar bagi kalian: AI adoption 2026 mirip cloud adoption 2015 — setiap divisi ingin pakai, tanpa fondasi bersama, tanpa governance, tiap tim membeli tools sendiri. Kalian sudah tahu obatnya karena persis pola yang kita bangun sepanjang series: strategy sebelum tools, platform bersama, guardrail otomatis. Sekarang kita terapkannya pada AI.
#AI Strategy: Use Case Sebelum Model
AI strategy enterprise bukan dokumen tentang teknologi model — ia portofolio use case bernilai bisnis yang difilter kemampuan data. Untuk Bumi Niaga, kandidatnya jelas dari artefak-artefak lama:
| Use Case | Lini | Nilai Bisnis | Kesiapan Data |
|---|---|---|---|
| Rekomendasi personal | BelanjaKu | Konversi naik, basket size | Butuh unified profile (ep 5!) |
| Prediksi permintaan stok | BelanjaKu | Markdown turun, availability naik | Historis transaksi lengkap |
| Optimasi rute dinamis | KirimKu | Biaya per paket turun | Telemetri armada ada |
| Fraud scoring real-time | BayarKu | Loss rate turun | Event stream + label fraud |
| CS chatbot multi-lini | Grup | Beban call center turun | FAQ + riwayat tiket |
Dua filter yang membedakan strategy dewasa dari hype: nilai terukur (tiap use case punya metrik baseline dan target — gaya unit economics episode 15) dan kesiapan data (use case dengan data rapuh ditunda sampai fondasi beres — bukan dipaksakan lalu gagal dan mendiskreditkan program AI keseluruhan). Prioritisasi klasik: mulai dari use case berdampak sedang dengan data matang, bukan yang paling gemerlap tapi datanya lumpuh.
#Fondasi AI-Ready: Arsitektur Platform
Platform AI enterprise tersusun bertingkat, dan bagian bawahnya bukan teknologi AI sama sekali:
Perhatikan bahwa lakehouse, feature store, dan identity service dari episode 5 adalah fondasi literalnya — organisasi dengan data foundation rapi bisa onboard use case AI dalam minggu; yang tanpa itu harus membangun ulang fondasinya per proyek. Tiga komponen spesifik AI yang baru:
- Model registry — inventaris semua model produksi: versi, data training, owner, evaluasi, status approval. Analogi langsung: application portfolio untuk model (episode 6).
- GenAI gateway — titik akses tunggal ke LLM provider: routing, kuota per tim, redaction data sensitif, logging prompt/response untuk audit. Tanpa gateway, tiap developer paste data pelanggan ke API publik — insiden yang paling sering terjadi di adopsi GenAI.
- Vector index & retrieval layer — infrastruktur RAG agar model menjawab dari pengetahuan internal dengan citation, bukan dari ingatan samar parameter.
#AI Governance: Guardrail, Bukan Rem
Governance AI menghadapi dilema nyata: terlalu longgar = risiko reputasi/regulasi/hallucination ke keputusan material; terlalu ketat = shadow AI di laptop pribadi yang jauh lebih buruk. Jawabannya pola governance episode 9 yang disesuaikan:
- Tiering use case berdasarkan dampak — low-risk (draft konten internal, summarization) self-service lewat platform; high-risk (keputusan kredit, pricing otomatis, interaksi pelanggan sensitif) lewat review formal dengan evaluasi bias/drift wajib.
- Prinsip AI tertulis — contoh: "keputusan material terhadap manusia selalu punya human override"; "data personal tidak masuk prompt layanan pihak ketiga tanpa kontrak pemrosesan dan redaction"; "setiap output GenAI ke pelanggan diberi disclosure".
- Evaluasi berkelanjutan — quality eval sebelum rilis dan monitoring pasca-rilis (drift, hallucination rate sampling, feedback loop); model bukan software statis — ia bisa membusuk tanpa deploy apa pun.
Terhubung ke regulasi: era 2026 membawa tuntutan AI governance formal (transparansi model, dokumentasi risiko) dari berbagai yurisdiksi — mekanisme bukti otomatis ala episode 19 berlaku sama: registry, log gateway, dan laporan evaluasi adalah artefak auditnya.
#Operating Model AI
Siapa mengerjakan apa? Pola hub-and-spoke yang sehat untuk grup seperti Bumi Niaga: hub platform AI kecil (mengelola gateway, registry, paved road ML pipeline, standard evaluasi) plus spoke embedded di tiap lini (memiliki use case dan datanya). Hindari dua ekstrem: centralized lab yang mengantri semua permintaan sampai mati, atau fully decentralized yang mereplikasi infrastruktur tiga kali. Hub menyediakan jalan; spoke yang mengemudi — filosofi yang sama dengan landing zone dan product teams di episode 13 dan 22.
Metrik kesehatan program AI yang layak dilaporkan: jumlah use case produksi vs eksperimen zombie, time-to-production use case baru, coverage registry model, biaya inference per use case (unit economics lagi), dan jumlah insiden AI (kebocoran prompt, output berbahaya). Angka terakhir paling menentukan kepercayaan direksi: satu insiden data yang ditangani transparan dan cepat membangun lebih banyak legitimasi daripada sepuluh laporan bulanan tanpa insiden.
Warning
Waspadai pilot purgatory: puluhan proof-of-concept indah yang tak pernah produksi karena tak ada jalur operasionalisasi. Aturan main yang sehat: PoC tanpa owner bisnis, baseline metrik, dan rencana integrasi ke aplikasi produksi tidak boleh dimulai — eksperimen tanpa pintu keluar adalah pemborosan yang tersamar sebagai inovasi.
#Tiering Use Case dan Jalur Approvalnya
Governance AI yang praktis dimulai dari klasifikasi eksplisit — tim harus bisa membaca sendiri use case mereka masuk jalur mana:
| Tier Use Case | Contoh | Jalur Approval | Evaluasi Wajib |
|---|---|---|---|
| Rendah | Draft konten internal, ringkas dokumen | Self-service via gateway | Sampling kualitas mingguan |
| Menengah | Rekomendasi produk, chatbot pelanggan | Pre-check EA + persetujuan owner data | Eval quality saat rilis + drift bulanan |
| Tinggi | Credit scoring, pricing otomatis, keputusan material | ARB penuh + compliance | Eval bias, uji human override, audit trail penuh |
Tabel ini menyelesaikan 80% pertanyaan governance tanpa rapat: developer melihat barisnya, tahu jalurnya, dan tahu bukti apa yang harus disiapkan. Yang tersisa untuk forum hanyalah kasus benar-benar ambigu — persis filosofi scope ARB dari episode 9.
#Praktik: AI EA Blueprint Bumi Niaga
Kerjakan di ea-lab/case-study/ai/:
- Use case portfolio — lengkapi tabel lima kandidat dengan baseline metrik, target, dan skor kesiapan data; pilih dua untuk wave pertama dengan justifikasi.
- Blueprint platform — gambar diagram bertingkat di atas di Archi/draw.io; posisikan komponen existing (lakehouse ep 5, backbone ep 12, IdP ep 7).
- Prinsip AI — rumuskan 6 prinsip AI enterprise lengkap rasional-implikasinya; format konsisten dengan principles folder episode 9.
- GenAI gateway spec — satu halaman: kontrol apa saja di gateway, siapa owner, bagaimana tim meminta akses, dan apa yang terjadi saat pelanggaran terdeteksi.
Catatan terakhir sebelum praktik: artefak episode ini akan kalian rujuk berulang di episode-episode lanjutan — rawat ia seperti kode produksi, bukan tugas sekali jalan.
#Penutup
Inti yang harus dibawa pulang:
- AI strategy adalah portofolio use case bernilai terukur yang difilter kesiapan data — bukan dokumen tentang model; fondasi data dari episode 5 adalah prasyarat literalnya.
- Platform AI enterprise bertingkat dari data foundation sampai GenAI gateway; komponen khasnya — registry, gateway, vector index — adalah analogi langsung dari pola portfolio dan paved road yang sudah kalian kenal.
- Governance AI bertier berdasarkan dampak: self-service untuk risiko rendah, review formal untuk keputusan material; evaluasi berkelanjutan karena model membusuk diam-diam.
- Operating model hub-and-spoke menyediakan jalan tanpa antrian terpusat; metrik program mengawal pilot purgatory — eksperimen tanpa pintu produksi adalah waste.
Di episode 22 kita hadapi tensi klasik yang menentukan relevansi EA modern: bagaimana EA bekerja dengan organisasi agile dan product-centric — dari governance ringan berbasis guardrail, paved road delivery, sampai fitness functions yang membuat arsitektur ditegakkan oleh pipeline, bukan oleh forum. Sampai jumpa di episode 22!