Target melalui Senior Vice President Siobhán Mc Feeney menegaskan bahwa keunggulan kompetitif perusahaan dalam ranah AI tidak terletak pada model-model dasar yang digunakan, melainkan pada seluruh lapisan infrastruktur yang dibangun di sekitarnya. Pernyataan ini disampaikan dalam VB Transform 2026, di mana Mc Feeney menjelaskan bahwa model AI memang penting namun belum cukup untuk menciptakan keunggulan berkelanjutan.
Pendekatan Target dimulai sejak tahap awal pengambilan keputusan untuk membangun agen AI. Perusahaan secara sengaja menghindari tren membangun agen untuk segala hal. Sebaliknya, tim mengevaluasi apakah suatu masalah benar-benar memerlukan agen otonom atau cukup diselesaikan dengan alat sederhana. Proses ini mencakup pertanyaan-pertanyaan kritis seperti jenis agen yang tepat, mekanisme pemicu, serta tingkat akses data yang diizinkan.
Salah satu prinsip utama adalah pemberian otonomi secara bertahap. Agen baru memulai dengan level observasi tanpa kemampuan bertindak, kemudian naik ke level rekomendasi yang memerlukan persetujuan manusia, dan baru kemudian beroperasi dalam batasan tertentu. Level tertinggi saat ini masih melibatkan pengawasan manusia secara penuh. Otonomi ini dapat dicabut jika performa menurun, menciptakan mekanisme akuntabilitas yang ketat.
Target juga membangun sistem pemantauan menyeluruh yang mencakup lineage lengkap sejak agen diciptakan. Hal ini memungkinkan tim memahami setiap keputusan yang diambil, terutama saat terjadi anomali di luar jam kerja. Pendekatan ini berbeda dari banyak perusahaan yang langsung memberikan otonomi tinggi tanpa fondasi tata kelola yang matang.
Dalam konteks ritel, strategi ini berdampak langsung pada efisiensi rantai pasok dan peramalan permintaan. Contoh simulasi digital twin menunjukkan bagaimana agen mampu mengidentifikasi kebutuhan stok yang tidak terlihat oleh analis manusia, menghasilkan keputusan yang lebih akurat secara matematis. Pendekatan semacam ini menjadi semakin relevan ketika industri ritel menghadapi tekanan margin yang tinggi dan kebutuhan respons cepat terhadap perubahan pola belanja.
Selain aspek teknis, Target juga menyoroti perubahan keterampilan yang diperlukan. Insinyur dan pembangun sistem kini harus mampu mengawasi agen sekaligus membimbing tim manusia yang bekerja berdampingan dengan teknologi tersebut. Transisi ini menciptakan lapisan kompleksitas baru dalam manajemen proyek dan evaluasi kinerja.
Dengan fondasi arsitektur, taksonomi, serta lapisan tata kelola data yang kuat, Target mampu memilih model yang tepat sesuai kebutuhan spesifik, mulai dari model frontier untuk tugas kompleks hingga model yang lebih hemat biaya untuk operasi rutin. Kombinasi ini memungkinkan investasi AI yang lebih terarah dan berkelanjutan.
