Evolusi AI Bisnis: Dari Classical ML hingga AI Modern

Perkenalkan Priya. Ia mengelola perusahaan freight brokerage dengan 120 karyawan di midwest, sekitar $22 juta pendapatan tahunan.

Bisnis berjalan baik. 2025 adalah tahun terbaik dalam sejarah perusahaan, dan tim menyadarinya.

Tetapi ada sesuatu dalam cara orang berbicara tentang AI yang mengganggunya. Setiap demo vendor dimulai dengan "revolusi AI." Salah satu manajer operasionalnya, yang bergabung tahun lalu langsung dari kampus, memberi tahu dia minggu lalu bahwa AI belum benar-benar ada sebelum large language model.

Pernyataan terakhir itulah yang membuatnya gelisah.

Karena Priya tahu itu tidak benar. Ia pernah bekerja di bank di awal 2000-an. Sistem statistik menyaring aplikasi pinjaman sebelum manajernya pernah melihatnya. AI tidak dimulai pada 2022. Antarmukanya yang berubah. Aksesibilitasnya yang berubah. Tingkat kebisingannya jelas berubah.

Tetapi hal mendasar itu telah berkembang selama 30 tahun.

Artikel ini untuk Priya, dan untuk setiap founder atau pemimpin operasional yang ingin memahami apa yang sebenarnya berubah selama tiga dekade itu, mengapa gelombang 2022 adalah evolusi dan bukan perpecahan, dan bagaimana ACE Framework dibangun untuk bertahan melewati transisi berikutnya.

Era 1: Classical ML (sekitar 1990 hingga 2010)

Era pertama AI bisnis berjalan diam-diam. Tidak ada merek. Tidak ada slide keynote tentangnya. Ia hanya berjalan di dalam sistem yang dibayar dan sebagian besar diabaikan perusahaan.

Tulang punggung teknisnya adalah classical machine learning: decision tree, logistic regression, model statistik yang dilatih pada data historis berlabel. Ini bukan neural network dalam pengertian deep learning. Pada intinya, ini adalah tool pencocokan pola canggih yang mengubah rekaman historis berlabel menjadi estimasi probabilitas.

Yang berhasil. Filter spam, skor FICO (diperkenalkan 1989, dominan sepanjang tahun 1990-an), dan recommendation engine di Amazon dan Netflix awal. Ini tidak glamor. Tetapi berhasil dalam skala besar. Pada pertengahan 2000-an, bank-bank besar menjalankan sistem underwriting otomatis yang memproses ribuan aplikasi pinjaman dengan ulasan manusia minimal pada layar pertama.

Siapa yang mengimplementasikannya. Perusahaan besar dengan tim data science dan infrastruktur khusus. Anda membutuhkan PhD, pipeline pelatihan proprietary, dan berbulan-bulan untuk membangun dan mengimplementasikan model yang bermakna. Perusahaan mid-market dengan 200 karyawan tidak memiliki ini.

Pemetaan ACE Framework. Era ini sebagian besar adalah Predict: scoring, forecasting, deteksi anomali, ranking. Beberapa Analyze hadir. Ingest, Generate, dan Execute tidak ada atau sangat terbatas. Ini adalah AI untuk segelintir orang.

Era 2: Deep Learning dalam Skala Besar (sekitar 2010 hingga 2020)

Era kedua membawa perubahan yang berbeda. Bukan Predict yang menjadi jauh lebih baik. Melainkan keluarga kapabilitas baru yang menjadi layak secara komersial.

Deep learning, didukung oleh GPU dan dilatih pada dataset skala internet, membuka hal-hal yang sulit dilakukan classical ML dengan baik: mengenali gambar, memahami ucapan, menerjemahkan antarbahasa. Makalah AlexNet pada 2012 menunjukkan bahwa deep neural network bisa mengungguli setiap pendekatan yang ada dalam pengenalan gambar. Hasil itu memicu satu dekade riset terapan yang menemukan jalannya ke produk dalam beberapa tahun.

Apa yang berubah. Ingest yang andal dalam skala besar. AI kini bisa memproses gambar (Google Vision API, 2015), mentranskrip ucapan dengan akurasi mendekati manusia (Google Cloud Speech-to-Text, 2016), dan menerjemahkan secara real-time. Informasi yang terjebak dalam audio dan gambar bisa mengalir ke sistem AI dengan biaya rendah.

Aplikasi bisnis. Asisten suara (Siri 2011, Alexa 2014), pengenalan gambar untuk kontrol kualitas ritel dan manufaktur, tool terjemahan. Gong dan Chorus didirikan dalam periode ini, dibangun di atas gagasan bahwa AI kini bisa mentranskrip panggilan penjualan secara andal dan mengekstrak makna darinya.

Siapa yang mengimplementasikannya. Big Tech membangun fondasi (Google, Microsoft, Amazon) dan membukanya sebagai API. Fast-follower dengan tim engineering mengonsumsi API tersebut. Hambatan turun dari "pekerjakan tim PhD" menjadi "pekerjakan software engineer yang mengenal REST."

Pemetaan ACE Framework. Ingest menjadi kapabilitas nyata yang dapat diakses. Analyze menjadi lebih kaya. Predict terus matang. Generate tetap primitif. Execute secara teknis dimungkinkan tetapi jarang otonom.

Era 3: LLM dan Agen (2022 hingga sekarang)

ChatGPT diluncurkan pada November 2022 dan mencapai satu juta pengguna dalam lima hari. Kecepatan adopsi itu nyata, dan mencerminkan sesuatu yang benar-benar baru: untuk pertama kalinya, antarmuka ke AI adalah bahasa alami. Anda tidak perlu tahu cara menulis kode, mengonfigurasi API, atau memahami arsitektur model. Anda cukup mengetik.

Tetapi teknologi di balik antarmuka itu tidak lahir bulan itu. GPT-3 sudah tersedia secara publik sejak 2020. Arsitektur Transformer berasal dari makalah Google 2017. Riset yang membuat GPT-4 mungkin sudah berlangsung selama bertahun-tahun. Yang berubah pada November 2022 adalah kemasan dan akses, bukan fisika dasar dari apa yang bisa dilakukan AI.

Apa yang berubah. Kapabilitas Generate bergerak dari periferal menjadi dominan. AI kini bisa menghasilkan teks yang lancar dan koheren di hampir semua domain. Dan karena antarmukanya percakapan, pengguna tidak perlu tahu apa-apa tentang model di baliknya. Seorang sales rep bisa menulis email prospecting. Seorang founder bisa menyusun ringkasan board. Seorang pemimpin operasional bisa membuat draf pertama dokumen proses.

Kemudian agen hadir. AI yang tidak sekadar menghasilkan draf tetapi mengambil serangkaian tindakan: mencari, merangkum, menulis, dan kemudian benar-benar melakukan sesuatu di sistem eksternal. Inilah Execute yang menjadi nyata dalam skala besar.

Aplikasi bisnis. GitHub Copilot (pembuatan kode), ringkasan panggilan AI Gong, Intercom Fin (agen support yang menangani tiket dari awal hingga akhir), Salesforce Agentforce, Jasper dan Writer untuk konten. Daftarnya terus bertambah karena hambatan untuk membangun dengan teknologi ini turun hampir ke nol.

Siapa yang mengimplementasikannya. Semua orang. Product manager. Pemimpin operasional. Sales rep. CEO. Ini adalah era pertama di mana orang non-teknis bisa mendapatkan nilai bermakna dari AI tanpa langkah konfigurasi selain membuka tab browser.

Pemetaan ke ACE Framework. Generate menjadi kapabilitas bisnis kelas satu. Execute menjadi nyata: sistem AI yang mengirim email, memperbarui rekaman CRM, melakukan commit kode, dan memicu workflow tanpa sentuhan manusia di setiap langkah. Gambaran lengkap lima kapabilitas, Ingest, Analyze, Predict, Generate, Execute, kini dapat diakses oleh perusahaan mid-market untuk pertama kalinya.

Apa yang tidak berubah di ketiga era

Kebenaran yang tidak nyaman yang tidak masuk ke demo vendor: sebagian besar yang menentukan apakah AI berhasil atau gagal sudah berlaku sejak tahun 1990-an. Eranya berubah. Hambatannya tidak.

Kualitas data masih menentukan hasil. Laporan Gartner 2025 menemukan bahwa 60% proyek AI akan ditinggalkan hingga 2026 karena data yang tidak memadai. Ini adalah masalah 30 tahun yang memakai topi baru. Model kredit bank dari 2001 gagal pada input yang buruk. Lead scoring berbasis CRM Anda gagal pada input yang buruk hari ini. Kesiapan data masih merupakan prasyarat yang tidak seksi namun menentukan segalanya.

Integrasi sistem masih memakan waktu lebih lama dari perkiraan. Setiap era membuat kapabilitas AI lebih mudah diakses. Tidak satu pun yang membuat penghubungan kapabilitas tersebut ke sistem bisnis yang ada menjadi jauh lebih cepat. Anda masih memerlukan kontrak API, pekerjaan pipeline data, dan manajemen izin dalam urutan yang menyakitkan yang sama seperti sebelumnya.

Tata kelola masih penting. Credit scoring di Era 1 harus mematuhi aturan fair lending. Pengenalan gambar di Era 2 memunculkan bias dalam tool perekrutan. LLM di Era 3 menghasilkan jawaban yang salah dengan percaya diri dan membocorkan data sensitif. Sifat masalah tata kelola berkembang. Kebutuhannya tidak pernah hilang.

Predict masih merupakan kapabilitas yang paling sulit. Predict bergantung pada data historis berlabel yang mencerminkan masa depan yang ingin Anda prediksi. Ketergantungan itu tidak berubah dengan model yang mendasarinya. Input buruk menghasilkan skor buruk di ketiga era.

Manusia masih perlu tetap dalam loop untuk Execute berisiko tinggi. Batas Generate vs. Execute memerlukan pengawasan manusia terlepas dari tahunnya. Era 1 memiliki penolakan pinjaman otomatis yang melanggar aturan fair lending. Era 3 memiliki agen AI yang mengirim email salah dan memperbarui rekaman CRM secara keliru. Tool berbeda, kategori masalah yang sama.

Cara ACE Framework memetakan ketiga era

ACE Framework disusun berdasarkan kapabilitas, bukan teknologi, karena kapabilitas-kapabilitas tersebut mendahului tools saat ini selama beberapa dekade.

Ingest ada di ketiga era: OCR dan entri manual di Era 1, Google Vision dan API speech-to-text di Era 2, model multimodal di Era 3. Kapabilitasnya konsisten. Fidelitas dan aksesnya meningkat.

Analyze adalah kapabilitas tertua. Klasifikasi teks dan ekstraksi entitas ada dalam riset sebelum AI komersial menjadi kategori. Era 3 membuatnya tersedia melalui instruksi bahasa alami bagi siapa saja yang memiliki browser.

Predict adalah wilayah Era 1, yang disempurnakan selama 30 tahun. Logikanya (data historis menghasilkan perkiraan probabilistik) tidak berubah. Pendekatan yang ditingkatkan LLM kini menggabungkan sinyal tidak terstruktur bersama data terstruktur, tetapi kategori kapabilitasnya sama.

Generate hampir tidak ada di Era 1 selain pengisian template. Era 3 menjadikannya kapabilitas yang paling terlihat, karena outputnya dapat dipahami oleh manusia mana pun tanpa konteks teknis.

Execute ada di ketiga era dalam bentuk yang semakin luas: penolakan pinjaman otomatis di Era 1, penandaan konten dalam skala besar di Era 2, agen AI otonom di Era 3. Yang berubah adalah cakupan tindakan dan seberapa cepat AI bisa merangkai semuanya. Persyaratan tata kelola tumbuh secara proporsional.

Mengapa stabilitas framework itu penting

Nama model spesifik memiliki umur simpan yang pendek. GPT-4 menjadi GPT-4o. Claude-3 menjadi Claude-3.5, lalu 3.7. Gemini Ultra diumumkan, diperbarui, dan diganti namanya dalam setahun. GitHub Copilot menambahkan fitur setiap kuartal. Jasper mendapat rumor akuisisi, perubahan kemitraan, dan satu dua pivot.

Jika pemahaman Anda tentang AI diorganisasi di sekitar produk-produk spesifik, Anda sedang membangun ulang model mental Anda setiap enam bulan. Ini melelahkan, dan mengarah pada keputusan buruk: mengejar model terbaru alih-alih melakukan pekerjaan integrasi yang tidak glamor, terlalu banyak berinvestasi pada vendor yang mungkin tidak ada dalam dua tahun, dan mengacaukan "antarmuka baru" dengan "kapabilitas baru."

ACE Framework diorganisasi pada tingkat abstraksi yang melampaui siklus produk. Ingest adalah Ingest baik Anda memanggil Google Vision API pada 2016 maupun endpoint GPT-4o multimodal pada 2025. Predict adalah Predict baik Anda menjalankan XGBoost di server maupun memanggil Salesforce Einstein Forecasting. Toolnya berubah. Kapabilitasnya tidak.

Ini bukan sekadar filosofis. Ada implikasi praktis untuk cara Anda menyusun pemikiran AI Anda. Jika Anda mengevaluasi inisiatif AI menggunakan tagging kapabilitas daripada nama produk, kerangka evaluasi Anda bertahan melewati perubahan vendor, merger, dan penghapusan model. Anda bisa mengganti tool. Peta kapabilitas tetap konsisten.

Apa yang mungkin terjadi di Era 4: spekulasi

Tidak ada yang tahu seperti apa Era 4. Tetapi ada arah riset yang layak diperhatikan yang bisa mempromosikan kapabilitas kelas satu baru.

World model memberi AI pemahaman fisik yang persisten: bagaimana objek berperilaku di ruang angkasa, bagaimana sistem mekanis bekerja. Ini paling relevan untuk manufaktur dan infrastruktur fisik. World model yang andal akan mewakili sumbu kapabilitas yang benar-benar baru, bukan sekadar versi yang lebih baik dari yang sudah ada.

Memori persisten mengubah cara Analyze dan Predict bekerja. AI saat ini sebagian besar memulai segar setiap sesi. Sistem yang mengakumulasi konteks tentang bisnis Anda selama berbulan-bulan akan bekerja sangat berbeda dari yang melupakan Anda setiap refresh.

Koordinasi multi-agen mendorong Execute menuju otonomi penuh: satu agen merencanakan, agen lain mengeksekusi, agen ketiga memvalidasi, agen keempat melakukan eskalasi ke manusia. Versi awal sudah ada (AutoGPT, Microsoft Copilot Studio), tetapi sistem multi-agen yang andal dalam skala bisnis masih dalam tahap awal.

Jika salah satu dari ini matang menjadi kapabilitas komersial, "Remember" atau "Coordinate" mungkin layak mendapat tempat bersama lima kapabilitas ACE yang sudah ada. Framework ini secara eksplisit menyatakan bahwa mungkin perlu revisi. Lima kapabilitas saat ini mencakup bidang per 2026.

Cara mempersiapkan diri untuk Era 4

Strategi persiapan bukan "pilih model terbaik hari ini." Setiap perusahaan yang terlalu banyak berinvestasi pada model atau vendor tertentu harus mengulang pekerjaan ketika sesuatu berubah. Investasi yang tahan lama bersifat era-independen.

Investasikan dalam pekerjaan Foundation terlebih dahulu. Kesiapan data membosankan. Ini juga merupakan investasi AI yang paling tahan lama. Data yang bersih, berlabel, dan dapat diakses mengekstrak nilai dari setiap generasi tooling. Input berantakan menghasilkan output buruk terlepas dari modelnya.

Buat model yang mendasarinya bisa ditukar. Jika workflow Anda dibangun di atas API satu vendor tanpa abstraction layer, vendor tersebut bisa mencabut pendekatan Anda kapan saja. Library seperti LangChain dan LlamaIndex ada khusus agar Anda bisa menukar model tanpa membangun ulang workflow. Batas ACE Framework secara eksplisit mencakup bersifat agnostik teknologi. Stack Anda juga harus begitu.

Evaluasi berdasarkan kapabilitas, bukan nama produk. Tanyakan kapabilitas ACE mana yang digunakan inisiatif baru. Beri tag tools berdasarkan kapabilitas. Membaca use case AI berdasarkan campuran kapabilitasnya adalah keterampilan yang dapat ditransfer lintas era, karena lanskap vendor akan terus bergeser.

Perjalanan 30 tahun, dalam satu bingkai

AI bisnis sudah ada di lapangan sebelum sebagian besar orang yang menjualnya hari ini memulai karier mereka. Kapabilitasnya telah berkembang. Hambatan aksesnya telah turun. Antarmukanya berubah secara dramatis pada 2022, dan perubahan itu nyata dan signifikan.

Tetapi logika yang mendasarinya tidak berubah. Kualitas data menentukan hasil. Integrasi itu sulit. Tata kelola penting. Predict masih merupakan kapabilitas yang paling sulit untuk dilakukan dengan benar. Manusia masih perlu tetap dalam loop untuk tindakan yang berdampak.

ACE Framework tidak menggambarkan AI 2026. Ia menggambarkan apa itu AI bisnis: lima kata kerja, diterapkan pada data, dirangkai menjadi workflow. Lima kata kerja itu mendahului ChatGPT selama beberapa dekade. Dan jika Era 4 menambahkan yang keenam, kami akan memperbarui framework untuk mencerminkannya.

Priya tidak perlu percaya AI dimulai pada 2022. Ia perlu memahami apa yang dilakukannya, cara mengevaluasinya, dan di mana investasi yang tahan lama berada. Pemahaman itulah yang dibangun oleh framework ini untuk disediakan.

---

Bacaan selanjutnya

• ACE Framework: model lima kapabilitas penuh, dengan stack enam layer dan contoh yang dikerjakan pada Gong
• Predictive AI vs. Generative AI: cara biner populer industri dipetakan ke ACE Framework, dan di mana ia rusak
• Apa Itu AI Bisnis?: definisi praktis yang mencakup ketiga era
• Batas ACE Framework: batas jujur, termasuk fakta bahwa framework ini akan memerlukan revisi seiring berkembangnya bidang ini
• Kesiapan Data: prasyarat yang sama pentingnya di ketiga era
• Predict: kapabilitas tertua, dan masih yang paling sulit untuk dilakukan dengan benar