Menata kelola data pemasaran untuk AI bermuara pada empat keputusan yang Anda buat sebelum modelnya melihat apa pun: apa yang boleh dilihatnya, di mana ia boleh berjalan, siapa yang memiliki keluarannya, dan berapa lama Anda menyimpannya. Buat keputusan itu sebelum membangun lapisan memori dan mereka akan membentuk arsitekturnya. Lewati dan Anda akan membangun ulang lapisannya nanti, biasanya di bawah pengawasan pengacara, setelah ada yang salah.
Saya telah membangun memori ke dalam sistem dan menyaksikan tim melewati langkah ini demi kecepatan. Polanya konsisten: modelnya melihat lebih banyak daripada yang dimaksudkan siapa pun, sebuah pertanyaan diajukan dalam tinjauan, dan penyulaman yang terburu-buru menyusul. Tata kelola bukan pajak atas pekerjaan yang menarik; ini prasyarat untuk melakukan pekerjaan yang menarik dengan aman.
Empat keputusannya
Apa yang boleh dilihat model? Tidak setiap bagian data pemasaran sama. Riset publik, data performa internal, PII pelanggan, dan kategori yang diatur semuanya membawa kewajiban yang berbeda. Putuskan klasifikasinya sebelum modelnya menyentuh apa pun, karena begitu datanya ada di jendela konteks, "tidak melihatnya" bukan pilihan yang nyata.
Di mana ia boleh berjalan? Model yang berjalan di dalam lingkungan Anda adalah risiko yang berbeda dari yang Anda kirimi prompt lewat API, dan keduanya berbeda dari alat publik yang ditempel anggota tim. Putuskan kelas data mana yang boleh pergi ke jenis model mana, dan buat jawabannya bisa ditegakkan alih-alih bersifat angan.
Siapa yang memiliki keluarannya? Ketika modelnya menghasilkan rencana, potongan copy, atau definisi audiens, seseorang harus memilikinya. Tata kelola berarti menamai orang itu, dan jelas bahwa akuntabilitasnya tidak berpindah ke alatnya. Ini prinsip yang sama dengan standar tinjauan di jalur eksekusi.
Berapa lama Anda menyimpannya? Retensi adalah keputusan yang ditunda tim lalu disesali. Jika konteksnya membuat modelnya lebih baik, Anda ingin menyimpannya. Jika ia memuat data pribadi atau yang diatur, Anda mungkin berkewajiban menghapusnya. Putuskan retensinya per kelas data, dan buat penghapusannya nyata.
Klasifikasikan datanya lebih dulu
Klasifikasinya adalah fondasi bagi tiga keputusan lainnya, jadi lakukan lebih dulu dan buat tetap sederhana. Skema yang bisa berjalan adalah empat ember: publik, internal, rahasia, dan diatur. Data publik bisa pergi hampir ke mana saja. Data internal — performa, belanja, strategi — tetap dengan model yang disetujui. Data rahasia — konteks spesifik klien, rencana yang belum dirilis — tetap di dalam kendali. Data yang diatur — apa pun yang menyentuh informasi pribadi atau yang dilindungi hukum — mendapat penanganan paling ketat dan sering sama sekali tidak masuk model umum.
Nilai klasifikasinya adalah ia membuat aturannya terbaca semua orang. Pemasar yang tahu embernya tahu apa yang bisa ia tempel ke alat mana, tanpa butuh memo kebijakan untuk tiap kasus. Sederhana mengalahkan menyeluruh di sini, karena aturan yang tak ada yang ingat bukanlah tata kelola.
Di mana modelnya berjalan
Keputusan hosting adalah tempat sebagian besar risiko sebenarnya berada. Model yang ditempatkan di dalam lingkungan Anda sendiri dengan kendali Anda sendiri adalah opsi paling terkendali dan paling banyak kerja untuk menjalankannya. Model yang diakses lewat API vendor di bawah perjanjian pemrosesan data adalah jalur tengah yang umum, dan syaratnya sangat penting — apakah masukannya melatih model vendornya, di mana datanya disimpan, dan apa jaminan penghapusannya.
Lalu ada kasus alat publik, yang justru harus ditutup secara eksplisit. Jika anggota tim bisa membuka browser dan menempel data klien ke alat apa pun, sisa dari semua ini tidak penting. Namai alat yang disetujui, blokir atau cegah yang lainnya, dan jelaskan kenapa. Jalur yang tak tertata kelola hampir selalu yang paling nyaman.
Siapa yang memiliki keluarannya
Setiap hasil yang dibantu AI butuh pemilik yang dinamai, dan pemiliknya adalah orang, bukan alur kerja. Itu bukan teknis belaka; itulah yang membuat keluarannya bisa dibela. Jika model menyusun rencana media dan tak ada yang menyetujuinya, agensinya atau timnya sebenarnya telah menerbitkan tebakan mesin. Tata kelola menetapkan tanda tangannya.
Ini terhubung langsung ke pembelian. Ketika Anda membeli layanan AI-native sebuah agensi, kontraknya harus menyatakan siapa yang memiliki keluarannya dan siapa yang bertanggung jawab ketika ia salah. Ambiguitas di sana adalah cara insiden kualitas menjadi insiden hukum. Jawaban tata kelolanya dan standar tinjauannya adalah disiplin yang sama yang diterapkan pada risiko yang berbeda.
Retensi dan penghapusan
Retensi adalah tempat manfaat pelipatan dari memori dan kewajiban menghapus bertabrakan, dan tak ada cara menghindari memikirkannya. Konteks membuat modelnya berguna, jadi Anda ingin menyimpan brief, hasil, dan keputusannya. Sebagian dari data yang sama mungkin terkena persyaratan penghapusan atau batasan kontraktual. Penyelesaiannya adalah retensi per kelas: simpan konteks turunan yang terdeidentifikasi tanpa batas; simpan data pribadi mentah hanya selama Anda diizinkan; dan buat batas di antara keduanya eksplisit.
Alasan melakukannya sebelum membangun adalah menyulap penghapusan ke dalam lapisan memori itu menyakitkan. Jika data mentah dan konteks turunannya tercampur, memisahkannya nanti adalah migrasi. Rancang pemisahannya sejak awal. Ini inti praktis dari kenapa AI tanpa memori hanyalah chatbot mahal — memorinya adalah nilainya, dan ia juga permukaan tata kelolanya.
Sebuah klasifikasi yang dikerjakan
Ambil kampanye yang khas dan sortir masukannya. Riset kategori dan lanskap pesaingnya publik — bisa pergi ke mana saja. Belanja klien, riwayat performa, dan strategi internalnya internal — hanya alat yang disetujui. Konsep kreatif yang belum dirilis dan daftar pelanggan kliennya rahasia — simpan di dalam kendali. Dan apa pun yang mengidentifikasi seseorang, atau masuk kategori yang diatur, mendapat penanganan paling ketat dan sering tetap di luar model umum sama sekali.
Begitu sortirnya ada, aturannya menulis dirinya sendiri. Data publik bisa masuk alat publik. Data internal dan rahasia hanya masuk model yang disetujui dan dikontrak. Data yang diatur tidak ke mana-mana tanpa tinjauan khusus. Klasifikasinya yang mengubah kebijakan yang kabur menjadi keputusan yang bisa dibuat pemasar dalam sepuluh detik, yang merupakan satu-satunya tata kelola yang bertahan saat bersentuhan dengan pekan yang sibuk.
Syarat vendor yang penting
Ketika Anda mengevaluasi penyedia model, empat syarat menentukan sebagian besar risikonya. Apakah penyedianya melatih atas masukan Anda, atau prompt Anda dikecualikan dari pelatihan? Di mana datanya disimpan dan diproses, yang penting jika Anda punya kewajiban residensi data? Apa jaminan penghapusannya dan bagaimana Anda menegakkannya? Dan apa yang terjadi pada data Anda jika kontraknya berakhir? Mintalah jawabannya tertulis, karena situs pemasarannya tidak akan memberi tahu Anda.
Sebagian besar vendor enterprise kini menawarkan opsi tanpa-pelatihan dan syarat penghapusan yang wajar; intinya adalah mengonfirmasinya alih-alih mengasumsikannya. Bagi tim yang menempel data klien ke jendela obrolan, tak satu pun dari syarat ini berlaku, itulah kenapa daftar alat yang disetujui harus eksplisit dan pendek.
Urutan langkahnya
Klasifikasikan datanya, putuskan di mana tiap kelas boleh berjalan, namai pemilik keluarannya, dan tetapkan retensi per kelas. Lakukan dalam urutan itu, sebelum prompt pertama yang menyentuh data nyata. Lalu tuliskan di tempat yang bisa ditemukan timnya, dan jadikan alat yang disetujui sebagai jalur yang mudah. Tata kelola yang bergantung pada orang mengingat aturan bukanlah tata kelola; ia harapan.
FAQ
Apakah kami butuh kebijakan formal atau kesepakatan tim saja cukup?
Mulailah dengan catatan keputusan satu halaman yang mencakup keempat pertanyaannya, dan formalkan nanti jika skala atau regulator Anda menuntutnya. Kesepakatan yang pendek dan ditegakkan mengalahkan kebijakan yang panjang dan diabaikan. Intinya adalah memutuskan, bukan menghasilkan dokumen.
Bisakah kami memakai alat AI publik untuk data pemasaran internal?
Hanya jika data internalnya bukan rahasia atau diatur dan syarat alatnya mengizinkannya. Bagi sebagian besar tim, jawaban jujurnya adalah mengalihkan data internal dan klien lewat alat yang disetujui dan dikontrak, dan menyimpan alat publik untuk data publik atau sintetis.
Bagaimana kami menetapkan batas datanya sendiri?
Per klasifikasi, bukan per alat. Sortir setiap masukan ke salah satu dari empat ember — publik, internal, rahasia, diatur — dan biarkan embernya memutuskan ke mana ia boleh pergi: data publik ke alat publik, internal dan rahasia ke model yang disetujui dan dikontrak, data yang diatur tidak ke mana-mana tanpa tinjauan khusus. Batasnya adalah klasifikasinya, dan begitu ia ada, seorang pemasar bisa mengambil keputusannya dalam sepuluh detik tanpa memo kebijakan.
Bagaimana jika kami tidak bisa menentukan sesuatu masuk ember mana?
Berpihak pada ember yang lebih ketat dan taruh di daftar tinjauan yang pendek alih-alih menebak. Data yang ambigu biasanya pribadi, spesifik-klien, atau diatur, yang justru data yang tak ingin Anda temukan salah ditangani nanti. Daftar dua baris berisi kasus yang sebenarnya orang tandai, ditinjau tiap bulan, menyelesaikan area abu-abunya tanpa memperlambat pekerjaannya.
Versi singkat
Tata kelola data pemasaran untuk AI dengan empat keputusan yang dibuat sebelum modelnya melihat apa pun: apa yang boleh dilihatnya, di mana ia boleh berjalan, siapa yang memiliki keluarannya, dan berapa lama Anda menyimpannya. Klasifikasikan dulu, hosting dengan sengaja, namai pemiliknya, dan tetapkan retensi per kelas — lalu bangun lapisan memorinya di atas itu. Panduan Eksekusi membahas sisa pertanyaan operasinya, dan jalur untuk tim in-house mengerjakan tata kelolanya sampai ke pengukuran.
Jika Anda pernah menyiapkan ini di tim Anda sendiri, saya ingin mendengar keputusan mana dari empat itu yang paling sulit disepakati.
Salam, Chandler
Artikel ini tersedia dalam bahasa Indonesia. Materi kursus (video, template, dan panduan pendamping) tersedia dalam bahasa Inggris dan Jepang. Situs ini tersedia dalam 13 bahasa.