Cara Membina Seni Bina Perniagaan AI-Native How to Architect an AI-Native Business | CEO Insights

Ringkasan Utama

• AI-native ≠ AI-first: yang pertama menjadikan AI sebagai asas, yang kedua sekadar meletakkan AI di atas perniagaan sedia ada.
• Ada dua lagi keadaan yang perlu dielakkan: Embedded AI (bergantung semata-mata pada alat pihak ketiga, kecekapan akan mencecah siling) dan Shadow AI (pekerja menggunakan AI secara peribadi, membawa risiko keselamatan dan pematuhan).
• Empat tunggak: asas data, keselamatan dan privasi, ekosistem pembelajaran mesin, serta pagar keselamatan dan gelung maklum balas.
• McKinsey: 92% syarikat merancang untuk menambah pelaburan AI menjelang 2029; garis pemisah sebenar ialah sama ada anda “menampal” atau “membina semula”.

Dalam dua siri CEO Insights sebelum ini, saya menulis “Perkhidmatan sedang menjadi perisian baharu” tentang “mengapa” perkhidmatan bertukar menjadi perisian, dan “Cara membina syarikat perkhidmatan AI-native” tentang bagaimana syarikat permulaan “membinanya dari kosong”. Tetapi saya tahu kebanyakan pembaca siri ini sudah pun memiliki sebuah syarikat. Soalan anda bukan “perlukah saya bermula semula dari kosong?”, tetapi “bagaimana saya menstruktur semula syarikat yang sedia ada ke arah AI-native?”

Artikel terbaharu Harvard Business School Online (HBS Online) tulisan Tim Stobierski, “How to Architect an AI-Native Business”, menjawab soalan ini dengan tepat. Ia menjelaskan maksud “AI-native” dengan jelas dan memecahkannya kepada empat tunggak. Di bawah ini saya rumuskan keseluruhan kandungannya dengan setia kepada sumber asal; pandangan saya sendiri ada di hujung artikel, dalam bahagian “Pandangan Penulis”.

👉 Sumber asal: Harvard Business School Online “How to Architect an AI-Native Business”, oleh Tim Stobierski

---

Kandungan

1. Apakah perniagaan “AI-native”?
2. AI-First lwn. AI-Native: ditindan di atas, atau tumbuh dari akar?
3. Dua lagi perkara yang perlu dielakkan: Embedded AI dan Shadow AI
4. Empat tunggak perniagaan AI-native
5. Kajian kes: syarikat diagnostik pergigian AI-native
6. Pandangan penulis
7. Soalan lazim

Sebaik sahaja AI keluar dari makmal dan masuk ke operasi harian, syarikat-syarikat pantas mengintegrasikannya ke dalam aliran kerja. Menurut laporan McKinsey yang dipetik oleh HBS, seawal sebelum 2024 lagi, 69% syarikat sudah mula melabur dalam AI, dan 92% merancang untuk menambah pelaburan menjelang 2029. Namun semakin banyak syarikat dalam kalangan ini dibina “dengan AI sebagai teras sejak dari asasnya”. Inilah perniagaan AI-native.

---

1. Apakah perniagaan “AI-native”?

Menurut definisi kursus “AI for Leaders” HBS Online, perniagaan AI-native ialah syarikat yang “dibina dari kosong untuk menggunakan AI bagi mencipta nilai dan menyelesaikan masalah”. AI dibenamkan dalam setiap peringkat organisasi, daripada R&D, pemasaran dan interaksi pelanggan hinggalah sumber manusia.

Konsep ini sangat serupa dengan syarikat “digital-native”: syarikat yang membesar dalam era Internet dan mengutamakan infrastruktur digital serta pengalaman pelanggan. Perniagaan AI-native pula meletakkan AI di kedudukan yang sama.

---

2. AI-First lwn. AI-Native: Ditindan di Atas, atau Tumbuh dari Akar?

“AI-native” dan “AI-first” sering digunakan bersilih ganti, tetapi sebenarnya dua perkara berbeza. Syarikat AI-first menganggap AI sebagai satu keupayaan teras untuk memperkukuh produk, perkhidmatan dan operasi sedia ada. Perniagaan AI-native pergi selangkah lagi: mereka bentuk “keseluruhan model perniagaan dan cadangan nilai” berpaksikan AI.

HBS membandingkan dua syarikat:

• Syarikat A: syarikat lama berusia 30 tahun yang memperkenalkan alat AI ke dalam pelbagai sistemnya secara bersistematik. Ini AI-first.
• Syarikat B: syarikat permulaan yang ditubuhkan kurang daripada setahun, dengan AI dibenamkan dalam setiap proses sejak hari pertama. Ini AI-native.

Ringkasnya: AI-first “menindan” AI di atas apa yang sedia ada; AI-native menjadikan AI sebagai “asas” tempat seluruh syarikat dibina.

---

3. Dua Lagi Perkara yang Perlu Dielakkan: Embedded AI dan Shadow AI

Perjalanan AI kebanyakan syarikat sedia ada bermula dengan Embedded AI (AI terbenam): menambah alat AI ke dalam aliran kerja sedia ada. Ini memberi nilai awal, tetapi jika hanya bergantung pada alat pihak ketiga, lama-kelamaan ia akan terhad: peningkatan kecekapan akan mencecah siling, malah boleh melahirkan banyak “sistem pintar yang berpecah-pecah” yang tidak saling berhubung.

Satu lagi yang perlu diawasi ialah Shadow AI (AI bayangan): pekerja menggunakan alat AI sendiri tanpa pengawasan organisasi. Ia mungkin meningkatkan produktiviti, tetapi membawa risiko keselamatan dan pematuhan yang serius. HBS mencadangkan tiga langkah pencegahan: tetapkan dasar penggunaan AI yang jelas, sediakan alat yang diluluskan secara rasmi, dan didik pekerja tentang risiko serta langkah perlindungan.

---

4. Empat Tunggak Perniagaan AI-native

Untuk membina, atau beralih menjadi, perniagaan AI-native, HBS mengenal pasti empat tunggak, dan setiap satu merupakan asas kepada seni bina AI-native.

Tunggak 1: Asas Data (Foundational Data)

Profesor HBS Karim Lakhani, yang mengajar kursus ini bersama Profesor Iavor Bojinov, mengibaratkan sistem AI sebagai sebuah “kilang” yang mengubah data menjadi wawasan. Bahan mentah yang masuk ke kilang ialah data, daripada angka dalam hamparan hinggalah teks dan imej. Kilang memproses data ini dan menghasilkan sesuatu yang berguna di hujung sebelah sana, biasanya satu “ramalan”: mungkin ramalan permintaan masa depan, cadangan tentang apa yang pengguna mahukan seterusnya, atau klasifikasi seperti “lulus/tolak”. Kadangkala hasilnya ialah corak yang ditemui, sekumpulan pelanggan yang serupa, atau kandungan baharu.

Untuk menyokong AI, organisasi memerlukan sistem dan proses pengumpulan data yang mantap untuk menukar maklumat mentah kepada format yang boleh digunakan; mereka juga perlu memahami “kitaran hayat data”: penjanaan, pengumpulan, pemprosesan, penyimpanan, pengurusan dan analisis. Tanpa asas data yang kukuh, transformasi AI langsung tidak akan berlaku.

Tunggak 2: Keselamatan dan Privasi Data

Organisasi AI-native melatih model menggunakan sejumlah besar data sensitif, termasuk maklumat proprietari syarikat dan rekod pelanggan, dan bergantung pada industri, mungkin juga data kewangan, perubatan atau biometrik. Untuk mengekalkan kepercayaan pelanggan dan mematuhi piawaian peraturan, amalan tadbir urus data (Data Governance) yang kukuh mesti diwujudkan bagi memastikan maklumat selamat dan peribadi. Tanpa lapisan ini, sistem AI paling canggih pun boleh mendedahkan organisasi kepada risiko pematuhan dan kerosakan reputasi.

Tunggak 3: Ekosistem Pembelajaran Mesin

Setiap perniagaan AI-native bergantung pada ekosistem pembelajaran mesin yang terdiri daripada tiga bahagian: algoritma (logik yang memproses data), model pembelajaran mesin (sistem terlatih yang menghasilkan ramalan atau mengenal pasti corak), dan lapisan orkestrasi (Orchestration Layer) (antara muka yang digunakan pekerja untuk mengurus pelbagai tugasan AI).

Menyambung kiasan kilang tadi: algoritma ibarat jentera di lantai kilang, iaitu set arahan yang memproses data yang masuk. Algoritma membantu membina model pembelajaran mesin, dan model itulah alat yang benar-benar menghasilkan ramalan dan mengenal pasti corak. Kebanyakan organisasi bermula dengan menggunakan algoritma sumber terbuka pada data proprietari mereka sendiri; apabila semakin matang, mereka beransur-ansur beralih kepada “membina model sendiri” untuk menyokong cadangan nilai mereka yang tersendiri.

Tunggak 4: Pagar Keselamatan, Perlindungan dan Gelung Maklum Balas

Model pembelajaran mesin akan “merosot” secara semula jadi apabila data dunia sebenar berubah. Untuk kekal tepat, organisasi AI-native perlu membina tiga mekanisme: pagar keselamatan (Guardrails) menetapkan sempadan semasa pembangunan supaya model digunakan secara beretika; perlindungan (Safeguards) memantau model yang sedang beroperasi secara masa nyata, mencetuskan amaran atau semakan manusia apabila output kelihatan tidak kena; dan gelung maklum balas (Feedback Loops) menjejak prestasi dalam jangka panjang supaya model dapat belajar daripada data baharu dan terus meningkatkan ketepatan. Ketiga-tiganya bersama-sama menyokong kebolehpercayaan, keadilan dan keyakinan.

---

5. Kajian Kes: Syarikat Diagnostik Pergigian AI-native

HBS menggunakan syarikat AI pergigian VideaHealth sebagai contoh: organisasi AI-native yang dibina di sekitar “alat diagnostik dipacu AI” dan berkhidmat kepada industri penjagaan kesihatan.

Ketua Pegawai Eksekutif merangkap pengasas bersama syarikat itu, Florian Hillen, menjelaskan dalam kursus tersebut bahawa diagnosis pergigian sebenarnya sukar: doktor gigi sering meneliti imej pada skrin kecil di bawah tekanan masa, jadi mudah terlepas pandang; pesakit pula meragui diagnosis kerana tidak dapat melihat prosesnya dengan jelas. Beliau juga menyebut bahawa ketidakpercayaan pesakit pergigian terhadap doktor gigi lebih tinggi berbanding bidang perubatan lain.

Penyelesaian VideaHealth ialah membina keseluruhan perniagaannya di atas diagnosis AI: melatih model AI untuk membaca X-ray pergigian dengan ketepatan tinggi, lalu memberi doktor klinikal satu “pendapat kedua” yang objektif. Hasilnya, keyakinan diagnosis meningkat dan pesakit juga mendapat lebih ketelusan. Kini platform VideaAI mempunyai lebih 30 model diagnostik dan dianggarkan berkhidmat kepada kira-kira 50,000 profesional pergigian di seluruh dunia. Kejayaan ini membuktikan nilai yang boleh dicipta oleh strategi AI-native.

Kebanyakan organisasi “menambah” AI pada sistem sedia ada; perniagaan AI-native berbeza, kerana ia membenamkan AI di teras strategi, operasi dan penciptaan nilai. Sama seperti syarikat digital-native dahulu menggunakan Internet untuk mengubah pelbagai industri, organisasi AI-native kini bersedia melakukan perkara yang sama dengan AI, membentuk semula cara perniagaan mencipta nilai dari dalam ke luar.

---

Pandangan Penulis

Selepas membaca artikel HBS ini, saya ingin membantu pembaca B2B di Asia membuat penilaian yang jujur tentang kedudukan kita: terus terang, kebanyakan syarikat kita sekarang belum pun layak dipanggil AI-first. Paling jauh pun kita berada di tahap yang HBS gelar Embedded AI: membeli beberapa alat dan menampalnya pada proses lama. Itu tidak salah, malah ia titik permulaan yang wajib dilalui; tetapi peringatan HBS sangat tepat: jika berhenti di sini, kecekapan akan mencecah siling.

Perkara yang ingin saya tekankan secara khusus ialah “Tunggak 1: asas data”. Artikel ini meletakkannya di tempat pertama bersebab: daripada empat tunggak, inilah prasyarat kepada tiga yang lain. Namun bagi sektor pembuatan dan syarikat B2B di Taiwan, tunggak inilah yang paling lemah: data pelanggan yang paling penting selalunya tiada di tangan syarikat, sebaliknya bertaburan dalam akaun aplikasi pesanan peribadi setiap jurujual, dalam fail Excel dan timbunan kad nama. Jika anda tidak dapat menjawab “di mana data kita, dan siapa pemiliknya?”, maka ekosistem pembelajaran mesin, pagar keselamatan dan gelung maklum balas selepas itu hanyalah omong kosong.

Jadi, untuk syarikat yang masih dalam perjalanan transformasi, nasihat saya mudah sahaja: jangan tergesa-gesa mengejar model, bina asas data dahulu. Himpunkan hubungan pelanggan yang bertaburan menjadi satu set data yang benar-benar dimiliki dan boleh ditadbir oleh syarikat. Inilah perkara pertama yang dilakukan oleh OakMega Social CDP dan Perkhidmatan pelaksanaan FDE. AI-native tidak bermula dengan membeli model, tetapi bermula apabila “anda akhirnya memiliki data anda sendiri”.

Akhir sekali, selaras dengan kesimpulan HBS: syarikat digital-native dahulu menulis semula peraturan industri dengan Internet, dan perniagaan AI-native akan menulisnya semula sekali lagi dengan AI. Bezanya cuma satu: kali ini, adakah anda mahu membina dari asas, atau terus menampal pada dinding lama?

Apa pandangan anda? Mari berbual dengan kami 👉 Hubungi kami

---

Soalan Lazim

S1: Apakah perniagaan AI-native (AI-native business)?
Perniagaan AI-native ialah syarikat yang dibina dari kosong untuk menggunakan AI bagi mencipta nilai dan menyelesaikan masalah, dengan AI dibenamkan dalam setiap peringkat daripada R&D, pemasaran dan interaksi pelanggan hinggalah sumber manusia. Ia serupa dengan syarikat “digital-native”, cuma terasnya bertukar daripada Internet kepada AI.

S2: Apakah beza AI-native dengan AI-first?
AI-first menganggap AI sebagai satu keupayaan untuk memperkukuh produk dan operasi sedia ada; AI-native mereka bentuk keseluruhan model perniagaan dan cadangan nilai berpaksikan AI. Yang pertama “menindan” AI di atas, yang kedua menjadikan AI sebagai “asas”.

S3: Apakah Embedded AI dan Shadow AI? Bagaimana mengelakkan Shadow AI?
Embedded AI ialah menambah alat AI pihak ketiga ke dalam proses sedia ada; ia memberi nilai awal tetapi lama-kelamaan akan mencecah siling. Shadow AI ialah pekerja menggunakan AI secara peribadi tanpa pengawasan organisasi, yang membawa risiko keselamatan dan pematuhan. Tiga cara mengelakkan Shadow AI: tetapkan dasar penggunaan yang jelas, sediakan alat yang diluluskan secara rasmi, dan didik pekerja tentang risiko serta langkah perlindungan.

S4: Apakah empat tunggak yang diperlukan untuk membina perniagaan AI-native?
Menurut HBS, empat tunggak itu ialah: asas data; keselamatan dan privasi data; ekosistem pembelajaran mesin (algoritma + model + lapisan orkestrasi); serta pagar keselamatan, perlindungan dan gelung maklum balas. Keempat-empatnya bersama-sama membentuk asas seni bina AI-native.

S5: Mengapa “asas data” merupakan langkah pertama yang paling penting?
Kerana ia prasyarat kepada tiga tunggak yang lain: tanpa data yang boleh digunakan dan ditadbir, ekosistem pembelajaran mesin dan gelung maklum balas tidak mungkin wujud. Memahami kitaran hayat data (penjanaan, pengumpulan, pemprosesan, penyimpanan, pengurusan, analisis) dan menukar maklumat mentah kepada format yang boleh digunakan ialah titik permulaan transformasi AI.

S6: Mengapa VideaHealth dikira sebagai syarikat AI-native?
Kerana ia membina keseluruhan perniagaannya di atas diagnosis AI, bukan menambah AI di sisi perkhidmatan sedia ada. Ia melatih AI untuk membaca X-ray pergigian dan memberi “pendapat kedua” yang objektif, dan platform VideaAI kini mempunyai lebih 30 model diagnostik yang dianggarkan berkhidmat kepada kira-kira 50,000 profesional pergigian di seluruh dunia.

‍