Batasan AI untuk Data Analyst: 8 Hal yang Masih Gagal Total

AI bisa nulis query SQL 100 baris dalam 10 detik. Yang gak bisa dia lakuin: tau kalau query itu salah.

Itu inti dari semua batasan di bawah. Delapan-delapannya punya satu kesamaan — AI gagal tanpa ngasih tanda apa pun.

Ini bukan tulisan anti-AI. Aku pakai AI tiap hari buat kerjaan data. Tapi aku pakai dengan tau di mana dia bakal ngeboongin aku.

1. Halusinasi angka yang terdengar meyakinkan

Minta AI ngerangkum tren dari 500 baris data, dan dia bakal ngasih kamu angka. Angka yang rapi. Angka yang bunyinya masuk akal.

Sebagian dari angka itu gak ada di datamu.

Bukan karena AI males. Model bahasa itu nebak token berikutnya yang paling mungkin — dan "Rp 1,2 miliar" terdengar jauh lebih mungkin dari "Rp 1.183.492.000". Jadi dia ngasih yang pertama.

Yang bikin berbahaya: kalimatnya percaya diri. Gak ada "kayaknya" atau "kurang lebih". Cuma angka, dinyatakan sebagai fakta.

Cara nanganin: jangan pernah minta AI ngitung dari data mentah yang kamu paste. Minta dia nulis query-nya, terus kamu yang jalanin. Biarin database yang ngitung.

2. Gak tau konteks bisnis yang cuma ada di kepala orang

Kolom status di tabel transaksi kamu punya 5 nilai: paid, pending, cancelled, refunded, test.

Yang test itu transaksi dummy dari tim QA. Semua orang di tim tau harus dikecualikan. Gak ada yang nulis di dokumentasi.

AI gak tau. Dia bikin query, ngitung semua status, dan omzet kamu jadi lebih gede.

Contoh lain yang sering: cabang yang tutup di Februari tapi datanya masih ada. Diskon karyawan yang dicatat sebagai penjualan normal. Satu pelanggan korporat yang nyumbang 40% omzet dan harus dipisah dari analisis retail.

Semua ini tribal knowledge — pengetahuan yang cuma hidup di obrolan tim, bukan di skema database.

Cara nanganin: bikin satu file catatan kekhususan datamu, dan paste itu ke AI tiap kali minta query. Bonus: file itu juga nolongin analyst baru yang gabung.

3. Gak bisa validasi kualitas data

Kamu kasih AI tabel transaksi. Dia bikin query omzet. Query-nya benar secara sintaks.

Yang dia gak tau: tabel itu punya 9% baris duplikat gara-gara script import yang nge-retry.

Ini kejadian beneran di dataset toko_berkah. 12.400 baris transaksi, 1.118 di antaranya duplikat. Omzet kelihatan Rp 1,84 miliar padahal aslinya Rp 1,67 miliar. Selisih Rp 170 juta.

AI ngasih angka Rp 1,84 miliar dengan penuh percaya diri. Dan dia bener — secara teknis, itu memang yang ada di tabel.

Cara benerinnya ada di artikel cara menghapus data duplikat di SQL. Tapi kamu harus curiga dulu, dan curiga itu yang gak bisa dioutsource ke AI.

4. SQL yang jalan tapi salah logika

Ini yang paling licik. Query-nya gak error. Hasilnya keluar. Angkanya masuk dashboard.

Contoh klasik: kamu minta "total penjualan per pelanggan, termasuk pelanggan yang belum pernah beli". AI ngasih INNER JOIN. Pelanggan yang belum beli langsung ilang dari hasil, dan gak ada yang protes karena mereka emang gak muncul.

Contoh kedua: LEFT JOIN ke tabel yang punya banyak baris per pelanggan, bikin baris membengkak, dan SUM-nya jadi dobel. Angkanya naik, tapi kelihatan wajar.

Kalau kamu belum solid soal ini, halaman LEFT JOIN dan glossary fan-out layak dibaca dulu — dua konsep ini yang paling sering jadi lubang.

Cara nanganin: minta AI jelasin logikanya dalam bahasa manusia, bukan cuma kasih kode. Terus baca penjelasannya dan tanya: ini masuk akal secara bisnis gak? Sering kali penjelasannya sendiri yang ngungkapin asumsinya salah.

5. Gagal bedain korelasi dan kausalitas — di praktiknya

Tanya AI "apa bedanya korelasi dan kausalitas?" dan dia bakal jawab dengan sempurna. Definisinya rapi, contohnya pas.

Sekarang kasih dia data penjualan dan minta insight. Dalam tiga kalimat, dia bakal nulis sesuatu kayak: "Diskon di bulan Maret mendorong kenaikan penjualan sebesar 23%."

Kata "mendorong" itu klaim sebab-akibat. Yang dia lihat cuma dua angka yang gerak bareng.

Padahal Maret itu bulan Ramadan. Penjualan sembako naik karena Ramadan, bukan karena diskon. Diskonnya kebetulan barengan.

Bahasanya halus, meyakinkan, dan gampang banget lolos ke slide presentasi.

Cara nanganin: scan tiap kalimat kesimpulan dari AI, cari kata kerja sebab-akibat — mendorong, menyebabkan, meningkatkan, berdampak pada. Tiap ketemu satu, tanya: buktinya mana?

6. Risiko data sensitif yang gak bisa ditarik balik

Kamu paste 200 baris data pelanggan ke chatbot buat minta bantuan analisis. Ada nama, nomor HP, alamat.

Data itu sekarang ada di server pihak ketiga. Dan tergantung layanannya, bisa jadi dipakai buat training model.

Di Indonesia, UU PDP udah berlaku penuh sejak Oktober 2024. Bocornya data pribadi bukan cuma masalah etika lagi — ada konsekuensi hukumnya. Rinciannya bisa kamu cek di teks resmi UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi.

Cara nanganin: paste skema tabel, bukan isinya. Kalau butuh contoh baris, bikin data dummy. AI gak butuh nama asli pelanggan buat nulis query yang bener.

7. Gak bisa mempertanggungjawabkan keputusan

Analisis kamu jadi dasar keputusan nutup satu cabang. 12 orang kehilangan kerjaan.

Tiga bulan kemudian ketahuan angkanya salah — ada satu JOIN yang bikin omzet cabang itu kecatat separuhnya.

Siapa yang tanggung jawab? Bukan AI-nya.

Ini bukan soal teknis. Ini soal siapa yang berdiri di depan direksi dan bilang "aku yang salah". AI gak bisa dipanggil rapat, gak bisa dipecat, gak bisa belajar dari konsekuensi.

Selama keputusan bisnis punya konsekuensi ke manusia, ada manusia yang harus mempertanggungjawabkannya. Dan orang itu harus ngerti analisisnya, bukan cuma nge-copy hasilnya.

8. Gak tau kapan harus bilang "aku gak tau"

Ini akar dari tujuh masalah di atas.

Analyst yang bagus bilang: "Datanya gak cukup buat jawab pertanyaan ini." Atau: "Aku bisa jawab, tapi sampelnya cuma 40 orang jadi jangan dipakai buat keputusan besar."

AI hampir gak pernah bilang gitu. Kasih dia 40 baris data, minta prediksi tahun depan, dan dia bakal ngasih prediksi. Lengkap dengan angka.

Kalibrasi ketidakpastian — tau seberapa yakin kamu boleh yakin — itu skill yang masih jauh dari beres di AI 2026.

Dan itu justru skill inti seorang analyst.

Terus AI bagusnya buat apa?

Biar seimbang, ini yang beneran kepake dari pengalamanku.

• Draft query pertama. Kasih skema, minta query, terus kamu perbaiki. Nghemat 10–15 menit per query kompleks.
• Jelasin query orang lain. Warisan query 200 baris tanpa komentar? Paste, minta dijelasin. Ini use case terkuatnya.
• Nulis regex. Gak ada yang suka nulis regex. Serahin.
• Nyari nama fungsi. "Fungsi apa yang buat ngitung selisih hari di BigQuery?" Lebih cepat dari googling.
• Nge-review query kamu. "Ada bug logika gak di query ini?" Sering nangkep hal yang kelewat.

Polanya kelihatan: AI kuat di tugas yang jawabannya bisa kamu verifikasi cepat. Lemah di tugas yang salahnya baru ketahuan tiga bulan kemudian.

Empat aturan yang aku pakai

1. Kasih konteks sebelum minta query. Skema tabel plus catatan kekhususan data. Ini yang paling ngaruh ke kualitas hasilnya.
2. Jalanin sebagai SELECT dulu. Cek jumlah barisnya masuk akal. Baca beberapa barisnya beneran.
3. Minta penjelasan, bukan cuma kode. Kalau penjelasannya aneh, kodenya juga aneh.
4. Jangan paste data sensitif. Skema dan dummy aja.

Aturan nomor 1 yang paling sering diskip, dan paling gede efeknya.

FAQ

Apakah AI akan menggantikan data analyst?

Belum, dan bukan karena AI kurang pintar. AI gak punya konteks bisnis yang cuma ada di kepala orang, gak bisa mempertanggungjawabkan keputusan, dan gak tau kapan dia salah. Yang berubah komposisi kerjaannya — nulis query jadi lebih cepat, porsi validasi dan interpretasi jadi makin besar. Analyst yang cuma jago nulis query memang lebih rentan.

Kenapa AI sering salah menulis query SQL?

Bukan salah sintaksnya, tapi salah asumsinya. AI gak tau kalau kolom status di tabelmu punya nilai test yang harusnya dikecualikan, atau kalau tabelmu punya 9% duplikat. Query-nya jalan sempurna dan ngasih angka — cuma angkanya salah. Selalu kasih skema tabel plus catatan kekhususan data sebelum minta query.

Boleh gak paste data perusahaan ke ChatGPT?

Tergantung kebijakan kantormu, dan mayoritas perusahaan Indonesia belum punya kebijakan jelas soal ini. Aturan aman: jangan pernah paste data yang mengandung nama, nomor HP, NIK, alamat, atau angka finansial yang belum dipublikasi. Paste skema tabel dan data dummy aja — itu udah cukup buat AI bikin query yang bener.

Bisa gak AI membedakan korelasi dan kausalitas?

AI bisa jelasin bedanya dengan sempurna kalau ditanya. Tapi waktu dia lagi nganalisis datamu, dia sering tetap nulis kesimpulan berbau sebab-akibat — "diskon mendorong penjualan" — padahal yang dia lihat cuma dua angka yang gerak bareng. Bahasanya halus dan meyakinkan, dan itu yang bikin bahaya.

Gimana cara pakai AI yang aman buat analisis data?

Empat aturan. Kasih skema tabel dan catatan kekhususan data sebelum minta query. Selalu jalanin SELECT dulu dan cek jumlah barisnya masuk akal. Minta AI jelasin logikanya dalam bahasa manusia, lalu cek apakah masuk akal secara bisnis. Dan jangan pernah paste data sensitif. AI bagus buat draft pertama, bukan buat jawaban final.

Penutup

Benang merah dari delapan batasan di atas: AI gagal secara diam-diam.

Kalau dia salah sintaks, kamu langsung tau — ada error message. Kalau dia salah asumsi, gak ada yang ngasih tau. Angkanya tetap keluar, dashboard-nya tetap cakep, dan kesalahannya baru ketahuan pas keputusan udah diambil.

Makanya skill yang paling naik nilainya di 2026 bukan nulis query — itu udah dibantu AI. Yang naik: curiga sama angka, ngerti datanya kotor di mana, dan tau kapan bilang "ini belum cukup buat mutusin".

Mau bangun fondasi buat curiga sama angka? Mulai dari ngerti SQL-nya beneran, bukan cuma bisa nge-copy. Panduan belajar SQL dari nol tempat yang bener buat mulai.