Meskipun pengawasan terhadap klaim terkenal MIT yang menyatakan bahwa 95% proyek percontohan AI generatif perusahaan gagal, bukti berdasarkan pengalaman menunjukkan bahwa banyak perusahaan besar masih kesulitan menerapkan AI di seluruh bisnis mereka.
Ada berbagai hal yang patut disalahkan, mulai dari budaya perusahaan yang salah, talenta yang tidak efektif, hingga kebersihan data dan infrastruktur. Salah satu COO yang tidak disebutkan namanya menangkap sentimen yang ada pada para peneliti MIT: “Hype di LinkedIn mengatakan segalanya telah berubah, namun dalam operasi kami, tidak ada hal mendasar yang berubah.”
Sebaliknya, Bayer Crop Science tampaknya menerapkan alat GenAI dalam skala besar, sehingga menghasilkan peningkatan operasional yang terukur: sistem ELY Bayer, yang membantu ahli agronomi mengakses pengetahuan produk, menunjukkan peningkatan produktivitas sebesar 60% dan digunakan oleh lebih dari 1.500 karyawan garis depan di seluruh Amerika Utara, menurut kepala informasi Bayer Amanda McClerren.
Perbedaan ini mungkin terletak pada akuisisi berusia 12 tahun yang tidak dimiliki sebagian besar pesaing.
Pembangunan 12 tahun
Landasan bagi kemampuan AI Bayer saat ini diletakkan pada tahun 2013, ketika Monsanto mengakuisisi The Climate Corporation senilai $930 juta. Kesepakatan itu membawa lebih dari sekedar Tampilan Lapangan platform pertanian presisi—hal ini menghadirkan budaya data, bakat teknis, dan, yang terpenting, pembelajaran tentang pengembangan produk digital yang membentuk segala sesuatu yang terjadi setelahnya, kata McClerren AFN.
Kini, alat GenAI terkemuka dari Bayer, ELY, baru-baru ini memenangkan 'Solusi AgTech Terbaik Tahun Ini berbasis AI' di Penghargaan Terobosan AgTech.
“Salah satu alasan kami memilih untuk mengembangkan (ELY) adalah karena kami memiliki data yang unik, dan kami memiliki wawasan unik tentang data tersebut…(seperti) kekayaan data penelitian dan pengembangan serta pasokan produk dan pengujian lapangan komersial kami,” kata McClerren, yang memulai karirnya sebagai ahli biokimia di Monsanto dan menghabiskan hampir delapan tahun di bidang bioteknologi sebelum beralih ke bidang peternakan dan akhirnya IT.
Akuisisi Iklim memberikan pelajaran penting, kata McClerren: memahami “betapa berbedanya membawa produk digital ke pasar dibandingkan dengan produk fisik” dan memahami “proposisi nilai antara antarmuka kedua hal tersebut.” Perusahaan menghabiskan waktu bertahun-tahun untuk membangun infrastruktur data—mengumpulkan data pengujian lapangan, menciptakan alat semantik agar data tersebut dapat ditemukan, dan membangun, seperti yang dijelaskan McClerren, platform gudang data yang matang.
Parit
Parit datanya sangat besar: 117 miliar titik data mengenai kinerja benih.
“Kami memiliki salah satu kumpulan data terbesar dan terlengkap di industri ini. Kami memiliki data pengujian lapangan selama puluhan tahun mengenai produk-produk kami, baik yang berhasil dipasarkan, maupun yang sedang dalam proses…dan gagal, serta informasi genetik tentang produk-produk tersebut, sehingga kami dapat mulai mengeksplorasi dan memahami hubungan antara kombinasi genetik yang paling berhasil dalam lingkungan apa.”
Namun fondasi ini pertama kali dibangun untuk AI tradisional. Perusahaan ini telah menggunakan pembelajaran mesin dan pembelajaran mendalam dalam penelitian dan pengembangan “sejak waktu yang lama,” kata McClerren—jauh sebelum siklus GenAI dimulai.
Hasilnya nyata: teknologi AI telah “memangkas waktu pengiriman produk secara keseluruhan hingga dua tahun” melalui percepatan siklus pemuliaan tanaman. Dalam industri di mana pengembangan produk biasanya memakan waktu tujuh hingga 10 tahun, hal ini mewakili keunggulan kompetitif yang signifikan.
Rekam jejak yang terbukti telah membantu menghasilkan apa yang digambarkan McClerren sebagai “saluran pipa terkemuka di industri”—senilai $32 miliar dengan investasi penelitian dan pengembangan tahunan sekitar $2,4 miliar.
Inovasi utamanya adalah proyek kembaran digital: “Kembaran digital sebenarnya dari jaringan pengujian lapangan kami…replikasi dari jutaan hektar lahan pertanian potensial,” jelas McClerren. “Dengan memanfaatkan kembaran fidelitas tinggi ini, kami dapat menyimulasikan kinerja hal-hal yang akan datang.”
Nilainya di sini adalah kecepatan dan kemampuan memprediksi dalam kondisi yang belum teruji.
“Anda bergantung pada cuaca. Dalam kehidupan nyata, Anda bergantung pada, 'apakah hujan di bulan Juli, atau sejuk di bulan Juli?'” catatnya. “Pada tahun tertentu, Anda hanya dapat menguji apa yang diberikan oleh cuaca. Dan dengan memiliki kembaran digital ini, kami benar-benar dapat mulai memahami kinerja produk di berbagai lingkungan yang mungkin belum pernah mereka alami.”
GenAI: Uji dan pelajari dalam skala besar
ELY diluncurkan sebagai apa yang disebut McClerren sebagai “peluang uji dan pembelajaran” untuk mengeksplorasi utilitas bisnis dan strategi teknis. Perusahaan menjalankan validasi yang ketat: lebih dari 1.500 ahli agronomi mengujinya selama sekitar satu tahun untuk memastikan produk tersebut memenuhi kebutuhan pelanggan.
Ketika ditanya tentang bagaimana mereka menyeimbangkan “pengujian dan pembelajaran” dengan urgensi, McClerren menekankan iterasi: “AI telah mengalami percepatan baik dalam kemampuan maupun penerapannya dengan kecepatan yang sangat cepat, jadi kami menerapkan metodologi berulang yang memungkinkan kami menguji coba teknologi baru sambil terus mengumpulkan data dan wawasan untuk menginformasikan langkah kami selanjutnya.”
Sistem ini mengumpulkan apa yang digambarkan McClerren sebagai “seluruh pengetahuan agronomi kami, semua lembar rekomendasi produk kami”—informasi kontekstual tentang cara menggunakan produk Bayer secara paling efektif. “Kami mampu mengembangkan alat ini, produk ini. Kami telah menerapkannya di Amerika Utara saat ini. Jadi para ahli agronomi kami yang bekerja di lapangan melihat adanya peningkatan produktivitas sebesar 60%… menghemat waktu sekitar empat jam seminggu sehingga mereka tidak perlu menghabiskan waktu untuk mencari semua pengetahuan ini.”
Penghematan waktu tersebut berarti lebih banyak keterlibatan pelanggan.
McClerren menguraikan tiga pilar utama untuk penerapan AI yang lebih luas: penjualan dan layanan (di mana ELY berada), rantai pasokan dan logistik, serta penelitian dan pengembangan. “Masa depan adalah banyak agen yang bekerja sama,” dia membayangkan. Dia melihat potensi GenAI untuk berintegrasi dengan FieldView untuk memberikan saran langsung kepada para petani. Dia mengakui, “ini bukanlah sesuatu yang telah kami mulai.”
Parit data dalam praktiknya
Hal yang membuat dekade pembangunan infrastruktur menjadi nyata adalah pada aplikasi produk tertentu. McClerren menunjuk ke SEBELUMNYAproduk jagung bertubuh pendek Bayer, sebagai contoh bagaimana produk digital dan fisik bersinggungan.
“Agar petani benar-benar memanfaatkan inovasi tersebut dan melihat hasil pertanian yang paling produktif, mereka perlu memadukan inovasi tersebut dengan seleksi hibrida yang tepat, dan mereka harus memadukannya dengan kepadatan yang tepat, kepadatan tanam hibrida tersebut di pertanian mereka,” jelasnya. “Hal ini tidak mungkin terjadi tanpa platform seperti FieldView yang membantu kami memahami lahan pertanian dan dapat membantu membuat rekomendasi yang tepat.”
Integrasi plasma nutfah yang dipatenkan, data kinerja selama puluhan tahun, dan alat digital mewakili sebuah tantangan yang sulit untuk ditiru. Seperti yang dicatat oleh McClerren, “agronomi sangat unik dalam pertanian dan pertanian,” tidak seperti aplikasi AI yang lebih dapat dikomoditisasi seperti layanan pelanggan yang “melintasi berbagai jenis industri.”
Tumbuh di pertanian—ayahnya adalah seorang petani—McClerren membawa konteks pribadi ke dalam tantangan digitalisasi. “Saya pikir Anda sedang melihat generasi petani baru yang tumbuh dengan cara yang berbeda…dan memiliki (pendekatan) yang berbeda dalam hal kompleksitas keputusan dan berbagai jenis data yang perlu digabungkan untuk membuat keputusan yang baik,” dia mengamati. “Digital adalah pilihan yang tepat dalam mengelola semua keputusan di sektor pertanian selama satu musim.”
Pendekatan Bayer selaras dengan apa yang ditemukan oleh para peneliti MIT yang membedakan 5% penerapan AI yang berhasil: “Mereka memilih satu titik kelemahan, melaksanakannya dengan baik, dan bermitra dengan cerdas.” Uji coba ELY yang melibatkan 1.500 orang, penekanan pada metodologi berulang, dan fokus pada kasus penggunaan spesifik, semuanya mencerminkan strategi yang disiplin.
Namun pembeda sebenarnya mungkin lebih sederhana: Bayer memiliki keunggulan dalam 12 tahun.
“Membayangkan kembali pekerjaan”
Akuisisi iklim tidak hanya membawa teknologi tetapi juga juga budaya data yang membutuhkan waktu bertahun-tahun untuk dibangun dan telah dibangun disalahkan karena menghentikan AI perusahaan peluncuran secara lebih luas.
Mungkin wawasan yang paling terbuka muncul ketika McClerren membahas manajemen perubahan untuk AI agen. “Kami tidak hanya harus bersiap untuk bekerja secara berbeda dan mungkin meminta agen melakukan tugas yang dilakukan orang-orang di masa lalu dan orang-orang melakukan jenis tugas yang berbeda, namun kami juga harus menata ulang pekerjaan tersebut,” katanya. “Jika agen digital dapat melakukan sesuatu yang sebelumnya hanya dapat dilakukan dengan orang atau tim, mungkin keseluruhan proses bisnisnya perlu terlihat berbeda.”
Hal ini menunjukkan bahwa perusahaan berpikir lebih dari sekedar otomatisasi sederhana hingga mendesain ulang proses bisnis secara mendasar—ambisius, namun sebagian besar masih bersifat hipotetis. “Ini adalah sesuatu yang masih sangat awal bagi kami, dalam perjalanan pembelajaran, namun ini adalah sesuatu yang sangat kami perhatikan,” akunya.
Ketika ditanya tentang penghitungan ROI, McClerren menganggapnya rumit: “Mengukur ROI adalah proses yang memiliki banyak aspek, dan pada akhirnya tujuan kami adalah menciptakan solusi AI yang tidak hanya mendorong kinerja keuangan namun juga berkontribusi pada praktik pertanian berkelanjutan.”
Respons yang diberikan mencerminkan upaya perusahaan untuk menyeimbangkan peningkatan produktivitas jangka pendek dengan posisi strategis jangka panjang terkait keberlanjutan—apakah hal tersebut mewakili pemikiran canggih atau melakukan lindung nilai terhadap permasalahan keuangan yang lebih sulit masih harus dilihat.
Lebih lanjut tentang AI dalam agribisnis:
Apakah perusahaan pangan pertanian cukup mendorong agenda AI mereka?
Rencana pemisahan Corteva menimbulkan pertanyaan tentang AI dan pemisahan data