AI Tidak Hanya Butuh Model Besar, AI Butuh Data yang Siap Dipakai

Snorkel AI baru saja mengumumkan pendanaan Series E sebesar $350 juta dengan valuasi $3,5 miliar. Angka ini hampir tiga kali lipat dari valuasi sebelumnya, yaitu $1,3 miliar, ketika perusahaan tersebut menggalang $100 juta sekitar 17 bulan lalu.

Di permukaan, ini terlihat seperti satu lagi cerita startup AI yang tumbuh cepat karena pasar sedang panas.

Tetapi ada sinyal yang lebih menarik di balik berita ini: bisnis AI mulai semakin sadar bahwa model saja tidak cukup. Nilai besar justru muncul dari kemampuan menyiapkan data yang benar, konteks yang tepat, dan environment yang bisa dipakai untuk melatih sistem AI secara lebih terarah.

Snorkel awalnya dikenal sebagai perusahaan software untuk otomatisasi data labeling. Sekarang, arahnya bergeser menjadi penyedia dataset lengkap dan simulated environment melalui pendekatan data-as-a-service. Mereka tidak hanya menyediakan marketplace manusia untuk memberi label data, tetapi menggabungkan software, model, data sintetis, dan subject matter expert.

Itu perubahan penting.

Karena semakin banyak perusahaan memakai AI, pertanyaan utamanya bukan lagi hanya “model apa yang dipakai?” tetapi “data apa yang dipakai untuk membuat AI ini berguna?”

The Core Update

Pendanaan baru Snorkel dipimpin oleh Insight Partners dan S32, dengan partisipasi investor lama seperti Addition, Lightspeed, Greylock, GV, dan Wells Fargo.

Perusahaan ini menyebut annualized revenue run rate mereka sudah mencapai $375 juta, naik delapan belas kali lipat dalam 12 bulan terakhir. Pertumbuhan ini didorong oleh permintaan besar dari AI labs yang membutuhkan training data berkualitas tinggi.

Snorkel bukan satu-satunya perusahaan yang menikmati momentum ini. Beberapa perusahaan data lain juga mencatat pertumbuhan besar. Mercor dilaporkan mencapai gross annualized revenue $2 miliar, Handshake mencapai milestone $1 miliar, dan Micro1 disebut telah naik ke $500 juta gross run rate.

Namun angka-angka besar seperti ini perlu dibaca dengan hati-hati.

Sebagian perusahaan data membayar sekitar 60% sampai 70% dari pendapatan kotor mereka kepada domain specialist yang melakukan pekerjaan. Artinya, revenue bersih mereka bisa jauh lebih rendah daripada angka headline.

Snorkel mengambil posisi yang sedikit berbeda. Mereka menjual reinforcement learning environment dan dataset lengkap, bukan sekadar akses ke tenaga kerja manusia. Biaya untuk expert tetap ada, tetapi dicatat sebagai cost of goods sold, bukan sebagai angka top-line yang terlihat di headline.

Dengan kata lain, pasar tidak hanya membayar orang untuk memberi label data. Pasar membayar sistem yang bisa menghasilkan data siap pakai dengan kualitas, konteks, dan skala yang lebih bisa diulang.

The Reality Check

Euforia AI sering membuat bisnis terlalu cepat melihat model sebagai pusat masalah.

Kalau chatbot belum akurat, ganti model. Kalau automation belum jalan, tambah agent. Kalau hasil AI belum konsisten, naikkan paket API. Kalau laporan belum rapi, pakai tool baru.

Kadang itu membantu. Tetapi sering kali masalahnya lebih dasar: data yang diberikan ke AI belum cukup jelas.

AI yang baik tetap membutuhkan bahan kerja yang baik. Training data, prompt, knowledge base, workflow, aturan keputusan, dan konteks bisnis semuanya menentukan kualitas hasil. Model besar tidak otomatis memahami cara kerja spesifik sebuah perusahaan jika datanya berantakan, tidak lengkap, atau tidak punya struktur.

Ini mirip dengan masalah operasional biasa.

Kalau tim sales tidak punya status lead yang jelas, CRM tidak akan otomatis membuat follow-up menjadi sehat. Kalau data order tidak konsisten, dashboard tidak akan otomatis memberi keputusan yang benar. Kalau kategori support tidak disepakati, automation hanya mempercepat kekacauan.

Hal yang sama terjadi pada AI.

Jika dokumen internal saling bertentangan, AI akan bingung. Jika knowledge base berisi informasi lama, AI akan menjawab dengan data lama. Jika SOP hanya hidup di kepala beberapa orang, AI tidak punya sumber yang stabil untuk belajar. Jika contoh kasus tidak diberi konteks, AI sulit membedakan jawaban yang benar secara umum dengan jawaban yang benar untuk bisnis tersebut.

Berita Snorkel menunjukkan bahwa pasar mulai membayar mahal untuk lapisan yang sering dianggap membosankan: data preparation.

Bukan karena data terlihat lebih menarik daripada model. Tetapi karena tanpa data yang tepat, model yang mahal tetap bisa menghasilkan output yang tidak bisa dipercaya.

The Havedev Way

Dari sudut pandang Havedev, pelajaran penting dari berita ini bukan bahwa semua bisnis harus membeli layanan data-as-a-service besar seperti Snorkel.

Untuk sebagian besar bisnis, itu terlalu jauh.

Pelajaran yang lebih praktis adalah ini: sebelum mengejar AI yang lebih canggih, rapikan dulu data dan proses yang akan menjadi bahan kerja AI.

Mulainya tidak harus rumit.

Bisnis bisa mulai dari pertanyaan sederhana:

• data apa yang paling sering dipakai untuk menjawab pelanggan?
• informasi apa yang sering ditanyakan berulang oleh tim?
• dokumen mana yang paling sering menjadi acuan kerja?
• keputusan apa yang ingin dibantu oleh AI?
• contoh jawaban benar seperti apa yang bisa dijadikan referensi?
• bagian mana dari proses yang masih terlalu bergantung pada ingatan orang tertentu?

Jawaban dari pertanyaan ini lebih penting daripada langsung memilih tool AI baru.

Untuk website, misalnya, AI tidak akan banyak membantu jika lead yang masuk masih minim konteks. Form kontak sebaiknya tidak hanya mengambil nama dan nomor. Ia perlu membawa kebutuhan, layanan yang diminati, urgensi, dan sumber halaman. Tombol WhatsApp sebaiknya membawa pesan awal yang memberi konteks, bukan membuka chat kosong.

Untuk support, AI tidak akan stabil jika kategori masalah belum jelas. Tim perlu tahu jenis pertanyaan apa yang sering muncul, jawaban mana yang sudah disetujui, kapan harus eskalasi ke manusia, dan data apa yang tidak boleh dijawab sembarangan.

Untuk sales, AI bisa membantu follow-up, tetapi hanya jika status lead, riwayat percakapan, dan penawaran yang relevan tercatat dengan rapi.

Untuk operasional, AI bisa membantu membuat ringkasan dan rekomendasi, tetapi hanya jika sumber datanya konsisten.

Di sinilah banyak proyek AI sebaiknya dimulai: bukan dari demo yang terlihat pintar, tetapi dari data yang bisa dipercaya.

Snorkel tumbuh besar karena pasar AI membutuhkan data training berkualitas. Versi kecil dari masalah yang sama juga ada di banyak bisnis. Bedanya, bisnis tidak selalu butuh dataset skala enterprise. Sering kali, bisnis hanya butuh knowledge base yang rapi, form yang lebih kontekstual, status kerja yang jelas, dan alur follow-up yang tercatat.

AI tidak menggantikan kebutuhan akan struktur. AI memperbesar dampak struktur yang sudah ada.

Jika struktur datanya rapi, AI bisa membantu mempercepat pekerjaan. Jika struktur datanya kabur, AI bisa mempercepat kebingungan.

Sebelum menambah tool AI baru, cek satu hal sederhana: apakah bisnis Anda sudah punya data, konteks, dan contoh keputusan yang cukup jelas untuk diajarkan ke AI?

Kalau jawabannya belum, mulai dari sana.

Dapatkan Audit Teknis Gratis untuk meninjau kesiapan data, website, dan workflow bisnis Anda sebelum membangun automation atau sistem AI yang lebih serius.

---

Sumber referensi berita: TechCrunch