Claude Dashboards Permudah Grafik, tapi Definisi Data Kini Jadi Biaya Baru

Anthropic kembali menggebrak ranah analitik data. Perusahaan rintisan kecerdasan buatan itu baru saja merilis versi beta Claude Dashboards, fitur yang memungkinkan pengguna membangun dashboard interaktif hanya dengan mengetik pertanyaan dalam bahasa sehari-hari. Dashboard tersebut langsung terhubung ke sumber data seperti Amazon Redshift, BigQuery, ClickHouse, Databricks, Snowflake, dan Salesforce, lalu diperbarui otomatis mengikuti perubahan data. Bagi banyak perusahaan, ini berarti biaya membuat grafik dan visualisasi data yang selama ini menjadi hambatan utama layanan mandiri kini nyaris nol.

Namun di balik kemudahan itu, muncul persoalan klasik yang justru kian krusial: menjaga agar setiap angka dalam dashboard tetap akurat. Sebab, di balik setiap grafik ada definisi metrik, filter, rentang tanggal, dan pemilihan tabel yang menentukan apa yang sebenarnya diukur. Menurut analis industri, perawatan definisi inilah yang akan menyerap porsi biaya analitik yang jauh lebih besar di masa depan. Pasalnya, Claude Dashboards hanya membangun visualisasi; ia tidak serta-merta memahami konteks bisnis yang sering ambigu.

Anthropic sendiri memberikan bukti kuat tentang pentingnya definisi. Dalam unggahan Juni tentang pekerjaan analitik internal mereka, tim data perusahaan mengungkap bahwa Claude mengotomatiskan 95% kueri analitik bisnis dengan akurasi sekitar 95%. Kunci keberhasilan itu adalah panduan teks sederhana yang mereka sebut "skills", yang memberi tahu Claude sumber mana yang harus diperiksa lebih dulu, bagaimana menangani data ambigu, dan kapan jawaban dianggap selesai. Tanpa panduan tersebut, akurasi Claude tidak pernah melampaui 21% dalam pengujian internal. Dengan panduan, akurasi melonjak di atas 95%.

Masalahnya, panduan itu juga perlu perawatan rutin. Model data Anthropic berubah setiap hari, dan panduan yang tidak diperbarui akan kedaluwarsa dalam hitungan minggu. Pengujian tim menunjukkan akurasi merosot dari sekitar 95% menjadi 65% hanya dalam sebulan tanpa pemeliharaan. Sejak itu, Anthropic memperlakukan pemeliharaan panduan sebagai bagian dari pekerjaan rekayasa. Kini setiap panduan ditempatkan berdampingan dengan model data yang dijelaskannya, sehingga perubahan pada model dapat langsung memperbarui panduan dalam langkah yang sama. Sekitar sembilan dari sepuluh perubahan model data tim menyertakan pembaruan panduan.

Tim Anthropic juga sempat mencoba membiarkan model AI menulis definisi metrik langsung dari tabel mentah dan kueri lama. Hasilnya, draf tersebut tampak masuk akal tetapi tetap mengandung ambiguitas yang justru ingin dihilangkan. Skor pengujiannya lebih buruk dibandingkan definisi yang disusun manusia dalam jumlah lebih sedikit. Saran Anthropic sekarang: biarkan Claude menyusun dokumentasi secara keseluruhan, tetapi manusia tetap memegang kendali atas setiap definisi.

Dari sini jelas bahwa tantangan terbesar dalam analitik mandiri berbasis AI bukanlah menulis kueri, melainkan memetakan pertanyaan ke data yang tepat dan memahami arti data yang ambigu. Di sinilah peran semantic layer—lapisan yang mencatat arti setiap istilah bisnis dan cara menghitungnya—menjadi kian sentral. Banyak penerapan business intelligence (BI) yang matang bergantung pada lapisan ini. Claude Dashboards memang membuat grafik dengan cepat, tetapi kepercayaan pada suatu angka tetap berasal dari lapisan di bawahnya, dan itu memerlukan pemeliharaan manusia.

Semakin murah pembuatan dashboard, semakin banyak pula dashboard yang muncul. Ketika siapa pun dapat membuatnya hanya dengan bertanya kepada Claude, tidak sedikit dashboard yang tidak pernah sampai ke tim data. Setiap dashboard membawa pilihan sendiri tentang filter, rentang tanggal, dan tabel sumber. Dashboard yang tidak diketahui tim data berisiko berjalan di atas logika yang tidak terawat. Menjaga setiap angka tetap terhubung ke semantic layer memang mudah dikelola jika hanya satu tim yang membuat dashboard, tetapi menjadi jauh lebih rumit ketika seluruh perusahaan membuatnya sendiri.

Ada pula anggapan bahwa dashboard sudah mati. Sebagian orang memperkirakan grafik akan memudar ketika jendela obrolan dapat menjawab pertanyaan langsung. Memang, banyak pertanyaan cepat beralih ke obrolan, tetapi grafik masih menampilkan tren lebih cepat daripada paragraf teks. Yang dimaksud "dashboard mati" mungkin adalah bahwa menjual dashboard sebagai produk tunggal sudah menjadi komoditas dan sulit mendatangkan laba. Investor sempat menghukum saham perusahaan riset hukum, keamanan siber, dan perangkat lunak desain setelah Anthropic merilis alat yang menyasar pekerjaan mereka. Vendor BI bisa menjadi kelompok berikutnya.

Meski demikian, kepanikan "SaaSpocalypse" dinilai berlebihan. Alat coding AI memang semakin canggih, tetapi adopsi untuk sistem kritis masih jauh. Claude Dashboards diperkirakan tidak akan melibas vendor BI, terutama mereka yang menyimpan definisi bisnis perusahaan. Hampir semua vendor BI dan platform data kini membuka semantic layer mereka ke asisten AI eksternal, umumnya melalui Model Context Protocol (MCP), standar terbuka yang memungkinkan asisten AI terhubung ke alat dan data eksternal. Dengan begitu, pertanyaan yang diketik di asisten umum dapat memanfaatkan definisi metrik yang sudah disetujui perusahaan di dalam produk vendor. Tentu, aturan akses di alat vendor tetap berlaku.

Vendor yang membuka definisinya kepada asisten mana pun menerima risiko bahwa sebagian pengguna tidak akan pernah membuka dashboard mereka. Langkah ini dibaca sebagai taruhan bahwa pelanggan akan tetap membayar untuk tempat di mana definisi setiap angka ditulis. Vendor analitik juga mulai membangun agen AI yang memantau metrik kunci dan menjelaskan pergerakannya. Ketika penjelasan itu bersumber dari semantic layer, definisi yang kedaluwarsa akan menimbulkan kerusakan lebih besar dengan setiap fitur yang dibangun di atasnya.

Bagi pembeli, setiap koneksi asisten baru meningkatkan taruhan pada semantic layer yang sudah mereka jalankan. Setiap asisten yang mengambil angka dari lapisan itu mewarisi definisinya, baik yang mutakhir maupun yang usang, dan definisi itulah yang sangat menentukan benar tidaknya grafik yang dihasilkan. Karena itu, ketika penyedia model AI semakin agresif masuk ke analitik, mereka diperkirakan akan ingin mengendalikan semantic layer. Perusahaan disarankan tetap memegang kendali atas lapisan tersebut.

Secara default, Claude Dashboards dimatikan dalam paket Enterprise Anthropic, memberi pelanggan ruang untuk menetapkan tiga keputusan. Pertama, memilih apa yang akan dikueri asisten: hubungkan Claude terlebih dahulu ke sumber yang dikendalikan tim data, seperti semantic layer melalui konektor atau tabel yang sudah disetujui. Grafik yang dibangun di atas definisi yang disetujui dimulai dari logika yang sudah diperiksa, sehingga peluang mencerminkan realitas bisnis lebih besar. Kedua, mendanai pemeliharaan: beri setiap metrik inti seorang pemilik, dan perbarui dokumentasi model data setiap kali model berubah. Biaya pemeliharaan ini layak mendapat pos anggaran tersendiri di samping lisensi perangkat lunak. Ketiga, menetapkan aturan transisi: putuskan kapan dashboard buatan obrolan harus pindah ke alat BI resmi perusahaan. Dua pemicu masuk akal adalah saat dashboard dibagikan ke lebih dari satu orang dan saat digunakan untuk mengambil keputusan pengeluaran.

Ke depan, Claude Dashboards diperkirakan akan menempatkan grafik langsung di depan banyak orang yang jarang membuka alat BI. Semakin banyak orang mengajukan pertanyaan langsung ke data mereka adalah perubahan sehat bagi analitik. Namun, perusahaan yang paling diuntungkan adalah mereka yang sudah membayar orang untuk mengurus arti angka mereka. Pertanyaannya, apakah perusahaan di Indonesia siap menginvestasikan sumber daya pada tata kelola definisi data, bukan sekadar mengadopsi alat AI baru?