Sebelum Deploy Agentic AI: 6 Pilar yang perlu diketahui

17 Jun
4 menit membaca

Adopsi AI di lingkungan enterprise terus meningkat. Namun, mengadopsi AI dan memperoleh dampak bisnis nyata adalah dua hal yang berbeda.

Meskipun 82% organisasi global berencana mengintegrasikan AI Agent dalam beberapa tahun ke depan, sekitar 95% proyek AI di perusahaan gagal memberikan ROI (Return on Investment) yang terukur. Bahkan, hanya 2% organisasi yang berhasil mengimplementasikan AI Agent dalam skala penuh.

Kesenjangannya bukan terletak pada teknologi, melainkan pada kesiapan organisasi.

Agentic AI—jenis AI yang mampu menjalankan alur kerja, mengoordinasikan berbagai sistem, dan mengambil tindakan secara otonom—membutuhkan fondasi yang berbeda dibandingkan solusi Generative AI yang mungkin sudah digunakan oleh perusahaan saat ini.

6 Pilar Sebelum Deploy Agentic AI

1. Data yang Bersih dan Terhubung

Agentic AI bergantung pada data berkualitas tinggi dan tersedia secara real-time untuk mengambil keputusan. Jika data perusahaan tersebar di berbagai sistem (data silo), tidak konsisten, atau terjebak dalam sistem lama (legacy systems), AI Agent berisiko mengambil keputusan yang kurang tepat atau bahkan gagal menjalankan tugasnya.

Pertanyaan untuk mengevaluasi kesiapan data Anda:

Apakah sumber data utama perusahaan (ERP, CRM, HRIS) telah terintegrasi dalam satu lapisan data atau dapat diakses melalui API?
Apakah data telah terstruktur, diberi label dengan baik, dan dikelola secara berkala, atau justru dipenuhi data duplikat dan informasi yang sudah usang?
Apakah perusahaan memiliki tata kelola data (data governance) yang jelas terkait kepemilikan data, hak akses, dan standar kualitas data?

Indikator kesiapan yang baik:

Perusahaan yang siap mengimplementasikan Agentic AI memiliki infrastruktur data yang saling terhubung, sehingga AI Agent dapat membaca maupun memperbarui data secara andal—bukan bergantung pada spreadsheet terpisah atau database yang tidak kompatibel.

2. Sistem yang Saling Terintegrasi

Agentic AI tidak bekerja hanya dalam satu aplikasi. Teknologi ini mengoordinasikan berbagai sistem untuk menyelesaikan suatu proses bisnis.

Sebagai contoh, untuk mengotomatisasi proses pengadaan (procurement), AI Agent mungkin perlu:

Mengakses sistem ERP,
Mengirim permintaan persetujuan melalui email,
Memperbarui database internal,
Mencatat aktivitas pada sistem IT Service Management (ITSM),

semuanya dilakukan secara berurutan.

Jika sistem perusahaan tidak dapat berkomunikasi melalui API atau webhook, maka Agentic AI tidak dapat berfungsi secara optimal.

Checklist kesiapan integrasi:

Apakah sistem operasional utama memiliki API atau endpoint integrasi?
Apakah alur kerja utama perusahaan telah dipetakan secara menyeluruh, termasuk sistem yang terlibat di setiap tahap?
Apakah tersedia middleware atau platform integrasi (iPaaS) untuk mengorkestrasi tindakan lintas sistem?

Tantangan umum di Indonesia:

Banyak perusahaan menengah hingga besar di Indonesia masih menggunakan kombinasi sistem yang dikembangkan secara internal dan platform komersial yang belum memiliki API standar. Dalam kondisi seperti ini, membangun atau meningkatkan lapisan integrasi menjadi langkah penting sebelum Agentic AI dapat diterapkan secara efektif.

3. Kejelasan Proses: Apakah Anda Sudah Mendefinisikan Tugas AI Agent?

Agentic AI dirancang untuk mengotomatisasi proses. Namun, AI tidak dapat mengotomatisasi proses yang belum terdokumentasi dengan jelas.

Banyak perusahaan baru menyadari adanya ketidakjelasan proses bisnis ketika mencoba mendelegasikan pekerjaan kepada AI Agent.

Sebelum menerapkan Agentic AI, dokumentasikan hal-hal berikut:

Pemicu (Trigger): Peristiwa apa yang memulai proses?
Langkah-langkah Proses: Bagaimana urutan penyelesaian tugas?
Titik Pengambilan Keputusan: Kondisi apa yang menghasilkan tindakan tertentu?
Aturan Eskalasi: Kapan AI Agent harus berhenti dan melibatkan manusia?
Kriteria Keberhasilan: Bagaimana menentukan bahwa tugas telah selesai dengan baik?

Proses yang paling sesuai untuk Agentic AI umumnya memiliki tiga karakteristik:

Bersifat repetitif,
Berbasis aturan yang jelas (meskipun kompleks),
Memiliki volume pekerjaan yang tinggi.

Contohnya meliputi:

Rekonsiliasi invoice,
Pengumpulan dokumen onboarding karyawan,
Routing tiket IT,
Klasifikasi pertanyaan pelanggan.

4. Tata Kelola dan Kepatuhan Regulasi

Ketika AI Agent melakukan tindakan—seperti mengirim email, menyetujui transaksi, atau memperbarui data—siapa yang bertanggung jawab? Bagaimana perusahaan melakukan audit terhadap tindakan yang diambil AI dan alasan di balik keputusan tersebut?

Di Indonesia, implementasi Agentic AI juga harus memperhatikan kepatuhan terhadap Undang-Undang Perlindungan Data Pribadi (UU PDP) yang berlaku bagi setiap sistem yang memproses data pribadi, termasuk AI Agent.

Selain itu, industri tertentu seperti:

Perbankan (OJK),
Kesehatan,
Telekomunikasi,

memiliki regulasi tambahan yang perlu dipenuhi.

Setiap tindakan AI Agent sebaiknya menghasilkan jejak audit (audit trail) yang memungkinkan perusahaan menelusuri apa yang terjadi dan mengapa keputusan tersebut diambil.

Sebagian besar organisasi memulai dengan pendekatan human-in-the-loop, di mana AI Agent menjalankan tugas, tetapi keputusan akhir tetap memerlukan persetujuan manusia. Tingkat otonomi kemudian dapat ditingkatkan secara bertahap seiring bertambahnya kepercayaan terhadap sistem.

5. Tim yang Siap Bekerja Bersama AI Agent

Kesiapan teknologi dan kesiapan organisasi adalah dua hal yang berbeda.

Banyak proyek AI mengalami hambatan bukan karena teknologinya gagal, melainkan karena sumber daya manusia belum siap untuk menggunakannya.

Terdapat tiga aspek penting yang perlu diperhatikan:

Kesadaran (Awareness)

Apakah karyawan memahami apa yang dapat dan tidak dapat dilakukan oleh AI Agent?

Keterampilan (Skills)

Apakah ada tim yang mampu mengonfigurasi, memantau, dan terus menyempurnakan performa AI Agent?

Kepemilikan (Ownership)

Ketika AI Agent mengambil alih suatu proses, siapa yang bertanggung jawab atas performanya dalam jangka panjang?

Tanpa kepemilikan yang jelas, AI Agent berisiko diterapkan tanpa pemantauan yang memadai sehingga kinerjanya menurun seiring waktu.

6. Infrastruktur yang Mampu Mendukung Beban Kerja AI Agent

Berbeda dengan penggunaan LLM untuk satu kali permintaan (query), AI Agent dapat berjalan secara terus-menerus, mengakses banyak API secara berurutan, dan mempertahankan konteks atau memori antar sesi.

Hal ini membutuhkan lebih dari sekadar berlangganan layanan SaaS standar.

Infrastruktur yang diperlukan meliputi:

Infrastruktur cloud yang dapat melakukan scaling secara elastis,
Arsitektur keamanan untuk mengelola kredensial AI Agent secara ketat,
Sistem monitoring yang memungkinkan perusahaan melihat aktivitas AI Agent secara real-time, bukan sekadar mengetahui apakah tugas berhasil atau gagal.

AI Agent yang memiliki akses luas terhadap berbagai sistem dapat menjadi risiko serius apabila keamanan tidak dikelola dengan baik.

Memulai dengan Pendekatan Pilot Project

Bahkan perusahaan yang telah siap pada keenam aspek di atas jarang langsung menerapkan Agentic AI di seluruh organisasi.

Implementasi yang paling berhasil biasanya dimulai dari satu proses bisnis yang terdefinisi dengan baik.

Langkah yang dapat dilakukan:

Identifikasi proses yang repetitif, bernilai tinggi, dan saat ini menjadi hambatan operasional.
Tentukan metrik keberhasilan sejak awal, seperti:
Waktu pemrosesan,
Tingkat kesalahan,
Biaya per transaksi.
Terapkan AI Agent dengan pengawasan manusia terlebih dahulu.
Lakukan evaluasi dan penyempurnaan sebelum memperluas implementasi ke proses lainnya.

Setelah fondasi yang tepat terbentuk, tantangan berikutnya adalah memastikan implementasi dapat berjalan secara optimal dalam skala produksi.

Siap Membangun Fondasi Agentic AI yang Tepat?

CODE.ID membantu perusahaan di Indonesia mengevaluasi kesiapan AI, mengidentifikasi area implementasi yang paling tepat, serta membangun solusi Agentic AI yang dirancang untuk berkembang sesuai kebutuhan bisnis.

Diskusikan kebutuhan AI perusahaan Anda bersama tim kami →