Sebagian besar organisasi sudah mengenal AI generatif, dan banyak yang telah memakainya untuk membuat ringkasan, menulis draf, atau menjawab pertanyaan pelanggan. Pertanyaan berikutnya kini bergeser: apakah AI bisa menyelesaikan pekerjaan dari awal sampai akhir, dengan pengawasan yang memadai? Itulah yang dimaksud dengan agentic AI, yaitu sistem AI yang mampu merencanakan langkah, menggunakan berbagai aplikasi, dan menjalankan tugas dengan tingkat otonomi tertentu. Bagi CTO dan IT Manager, pertanyaan ini kini menyangkut arsitektur sistem, tata kelola, dan anggaran.
Dari Chatbot ke Agentic AI yang Bertindak
Perbedaan utama terletak pada cara AI berinteraksi dengan sistem. Chatbot generatif menjawab berdasarkan permintaan pengguna. Agen AI menerima tujuan, menyusun rangkaian langkah, lalu mengakses data, sistem tiket, atau aplikasi lain untuk menyelesaikannya. Misalnya, sebuah agen layanan pelanggan tidak hanya menjelaskan prosedur klaim, tetapi juga memeriksa status dokumen, membuat tiket, dan memberi tahu pelanggan.
Pergeseran ini mendorong pengembangan standar interoperabilitas. Model Context Protocol (MCP), yang kini dikelola oleh Agentic AI Foundation, adalah salah satu contohnya. Standar semacam ini memungkinkan agen terhubung ke berbagai sumber data dengan cara yang lebih seragam.
Adopsi Agentic AI Meningkat, tetapi Belum Merata
Gartner dalam Hype Cycle for Agentic AI 2026 menempatkan agentic AI di puncak ekspektasi yang meningkat (Peak of Inflated Expectations). Menurut survei CIO dan eksekutif teknologi Gartner, baru sekitar 17% organisasi yang telah menerapkan agen AI, tetapi lebih dari 60% berencana melakukannya dalam dua tahun ke depan.
Selisih tersebut menunjukkan bahwa minat sudah sangat tinggi, sementara kesiapan produksi masih terbatas. Sebagian besar penerapan saat ini bersifat sempit, dengan cakupan tugas yang jelas dan pengawasan manusia. Gartner juga memperkirakan bahwa sekitar 40% aplikasi enterprise akan memuat agen AI yang dirancang untuk tugas tertentu hingga akhir 2026. Angka ini menunjukkan arah yang jelas: agen akan semakin sering menjadi fitur bawaan perangkat lunak yang sudah digunakan perusahaan, bukan aplikasi terpisah.
Agentic AI Tertanam di Sistem yang Sudah Ada
Dalam praktiknya, banyak organisasi tidak membangun agen dari nol. Mereka mengaktifkan kemampuan agen pada platform yang sudah dipakai, seperti sistem CRM, ERP, atau layanan Microsoft 365. Pendekatan ini mengurangi waktu implementasi, tetapi juga menuntut kejelasan tentang data apa yang boleh diakses agen dan tindakan apa yang boleh dijalankan tanpa persetujuan manusia.
Tantangan Utamanya Bukan Kecerdasan Model
Pembahasan agentic AI tahun ini semakin bergeser dari kemampuan model ke tata kelola. Gartner mencatat munculnya profil teknologi baru seperti agentic AI governance, agentic AI security, dan FinOps for agentic AI. Ketiganya mencerminkan kekhawatiran yang nyata: siapa yang bertanggung jawab atas keputusan agen, bagaimana aksesnya dibatasi, dan bagaimana biayanya dikendalikan.
Beberapa tantangan yang sering muncul antara lain:
Kualitas dan Akses Data
Agen hanya sebagus data yang dapat diaksesnya. Data yang tidak konsisten, tersebar di banyak sistem, atau tidak memiliki kepemilikan yang jelas akan menghasilkan keputusan yang sulit dipertanggungjawabkan. Sejumlah survei yang dikutip analis industri menyebut kualitas data sebagai hambatan utama, tetapi angka pastinya perlu diverifikasi dari sumber aslinya sebelum digunakan dalam pengambilan keputusan internal.
Keamanan dan Hak Akses
Agen yang memiliki akses ke sistem internal memperluas permukaan serangan. Prinsip hak akses minimum (least privilege), autentikasi yang kuat, dan pencatatan aktivitas agen perlu diterapkan sejak awal. Dalam konteks ini, kontrol seperti Privileged Access Management (PAM) dan Zero Trust Network Access (ZTNA) menjadi relevan karena membatasi apa yang dapat dilakukan setiap identitas, termasuk identitas non-manusia.
Biaya yang Sulit Diprediksi
Agen dapat menjalankan banyak panggilan model dalam satu tugas. Tanpa pemantauan penggunaan dan batas anggaran, biaya bisa meningkat lebih cepat daripada nilai yang dihasilkan. Karena itu, pemantauan biaya per tugas menjadi bagian penting dari perencanaan.
Implikasi bagi Organisasi di Indonesia
Bagi organisasi di Indonesia, pertanyaan tentang lokasi data menjadi semakin penting. Ketika agen mengolah data pelanggan atau data keuangan, organisasi perlu memastikan bahwa pemrosesan dan penyimpanan data sesuai dengan ketentuan pelindungan data pribadi dan regulasi sektoral yang berlaku. Untuk sektor perbankan, layanan keuangan, dan pemerintahan, aspek kedaulatan data sering menjadi syarat awal sebelum teknologi dipertimbangkan.
Infrastruktur juga berperan. Agen yang berjalan dengan latensi rendah dan terhubung ke sistem internal membutuhkan fondasi cloud yang stabil, pengamanan yang berlapis, serta pemantauan yang berjalan terus-menerus. Dukungan operasional yang tersedia dalam zona waktu yang sama dengan tim internal juga mempermudah penanganan insiden.
Langkah Awal yang Realistis
Organisasi yang ingin memulai dapat berangkat dari tiga langkah sederhana. Pertama, pilih satu proses dengan batasan yang jelas dan dampak yang terukur, misalnya triase tiket layanan pelanggan. Kedua, tetapkan kebijakan tata kelola sebelum agen diberi akses ke sistem produksi, termasuk siapa pemilik agen, tindakan apa yang memerlukan persetujuan manusia, dan bagaimana aktivitasnya dicatat. Ketiga, ukur hasilnya dengan indikator yang disepakati sejak awal, bukan hanya jumlah tugas yang diotomatisasi.
Pengalaman kami menangani lebih dari 150 klien dari berbagai industri menunjukkan bahwa proyek yang berhasil biasanya dimulai dari cakupan yang sempit, dengan tata kelola dan keamanan yang dirancang bersamaan dengan fungsionalitasnya.
Ingin memahami kesiapan infrastruktur, keamanan, dan tata kelola untuk penerapan agentic AI di organisasi Anda? Schedule a Free Consultation bersama tim Indonesian Cloud.