Beberapa bulan lalu, pertanyaan yang paling sering muncul tentang agentic AI masih sederhana: apakah AI benar-benar bisa bekerja sendiri?
Sekarang pertanyaannya sudah berubah.
Bukan lagi apakah AI agent bisa membaca email, mencari informasi, mengisi dokumen, menjalankan workflow, atau mengambil tindakan melalui software lain. Kita sudah tahu bahwa secara teknis banyak dari hal itu mungkin dilakukan.
Pertanyaan yang jauh lebih penting adalah:
proses mana yang benar-benar layak diserahkan kepada agent, dan apakah hasilnya sebanding dengan biaya, risiko, serta kompleksitas yang ditambahkan?
Inilah fase yang lebih menarik.
Kita mulai meninggalkan fase demonstrasi dan masuk ke fase operasional. Dan seperti hampir semua teknologi enterprise, jarak antara demo yang terlihat pintar dan sistem yang menghasilkan value setiap hari ternyata cukup jauh.
Ketika teknologi baru muncul, kita cenderung mengukur kemampuan: model apa yang paling pintar? Agent bisa memakai tools apa saja? Berapa banyak langkah yang bisa dilakukan tanpa manusia?
Pertanyaan-pertanyaan itu berguna pada fase eksplorasi. Tetapi untuk perusahaan, tidak ada teknologi yang hidup hanya dari kemampuan. Pada akhirnya ia harus menjawab pertanyaan yang lebih membosankan — tetapi lebih penting:
- waktu apa yang berhasil dikembalikan kepada manusia?
- biaya proses apa yang benar-benar turun?
- error apa yang berkurang?
- keputusan apa yang menjadi lebih cepat?
- risiko baru apa yang muncul?
- siapa yang bertanggung jawab ketika agent salah?
Pada September 2026, Gartner mempublikasikan analisis terhadap 107 deployment agentic AI. Salah satu kesimpulan paling menariknya: value terbesar justru cenderung datang dari agent yang spesifik terhadap domain dan business process, bukan dari satu general-purpose agent yang mencoba mengerjakan semuanya. Gartner bahkan memprediksi bahwa pada 2028, 80% tangible ROI dari agentic AI akan berasal dari specialized atau domain-specific agents.
Karena dalam operasi nyata, value biasanya bukan berada pada kemampuan "menjawab apa saja" — melainkan pada kemampuan melakukan satu pekerjaan yang penting, berulang, memiliki konteks yang cukup jelas, dan bisa diukur hasilnya.
Agent yang Paling Berguna Mungkin Justru yang Paling Membosankan
Bayangkan dua demo.
Demo pertama memperlihatkan satu AI agent yang bisa membuka browser, membaca banyak website, membuat presentasi, mengirim email, dan mengambil keputusan sendiri.
Demo kedua hanya melakukan satu hal: membaca permintaan spare part, mengecek data inventory, mencocokkan kebutuhan dengan aturan tertentu, lalu mempersiapkan replenishment untuk approval.
Mana yang terlihat lebih mengesankan? Kemungkinan demo pertama. Mana yang lebih mudah dihitung ROI-nya? Kemungkinan demo kedua.
Gartner memberikan contoh sebuah digital worker untuk parts ordering yang menghasilkan sekitar US$3 juta annual ROI dan mengembalikan sekitar 90.000 jam kerja teknisi. Yang menarik bukan sekadar angka tersebut — yang menarik adalah bentuk masalahnya: agent ditempatkan di dalam business process yang jelas, dengan input yang jelas, sistem yang perlu diakses jelas, tindakan yang boleh dilakukan jelas, dan outcome-nya bisa diukur.
Ini berbeda dengan membangun agent karena kita merasa semua orang harus punya AI agent. Teknologi seharusnya mengikuti masalah, bukan sebaliknya.
Agentic AI sebagai Layer Operasi, Bukan Pengganti IoT
Latar belakang saya adalah IoT. Selama bertahun-tahun saya melihat bagaimana perusahaan menghubungkan mesin, sensor, gateway, cloud, dashboard, dan sistem enterprise untuk membuat data operasional terlihat.
Tapi visibility hanyalah satu tahap. Sensor memberi tahu kita bahwa sesuatu terjadi. Dashboard membantu manusia melihatnya. Analytics membantu manusia memahami pola. AI bisa memberikan rekomendasi.
Agentic AI membawa kita satu langkah lagi: sistem mulai memiliki kemampuan untuk mengambil tindakan di dalam batas yang kita tentukan.
Misalnya dalam konteks industri — sensor mendeteksi anomali temperatur, sistem IoT mengirim data, model menganalisis pola — lalu agent dapat: (1) mencari histori mesin; (2) membandingkan anomali dengan kondisi sebelumnya; (3) mengecek jadwal maintenance; (4) membuat draft work order; (5) mencari availability spare part; (6) memberi rekomendasi kepada maintenance supervisor.
Perhatikan bahwa saya berhenti pada poin enam. Agent belum tentu harus langsung menghentikan mesin. Kemampuan teknis untuk melakukan tindakan bukan berarti kita selalu harus memberikan kewenangan itu. Di sinilah desain agentic system menjadi lebih menarik daripada sekadar memilih model AI.
Stack industri ke depan kurang lebih seperti ini: Physical world → Sensors & machines → IoT / connectivity / data infrastructure → Analytics & AI → Agentic decision layer → Enterprise / operational workflows. Prinsipnya tetap sama: AI tidak memperbaiki data infrastructure yang buruk hanya karena modelnya semakin pintar.
Autonomy adalah Design Choice, Bukan Target
Ada kecenderungan menganggap agent yang paling "canggih" adalah agent yang paling sedikit membutuhkan manusia. Saya tidak melihatnya seperti itu.
Autonomy adalah design choice. Dalam beberapa proses, full automation mungkin sangat masuk akal. Dalam proses lain, agent sebaiknya hanya: observe → analyze → recommend. Kemudian manusia: approve → execute.
Contoh sederhana batas yang perlu didefinisikan eksplisit:
- agent boleh memesan barang di bawah nilai tertentu; di atas threshold harus mendapatkan approval;
- agent boleh membuat work order; shutdown mesin membutuhkan supervisor;
- agent boleh menandai transaksi sebagai anomali; keputusan final tetap berada pada manusia.
Gartner juga menyoroti risiko ketika human-in-the-loop dihilangkan terlalu cepat: context loss, goal drift, repeated error loops, dan kesalahan yang terus terakumulasi. Pertanyaannya bukan "bagaimana supaya manusia tidak lagi dibutuhkan?" — tetapi "di titik mana keterlibatan manusia memberikan value tertinggi?"
Enam Pertanyaan Sebelum Membuat AI Agent
Kalau saya harus mengevaluasi satu ide agentic AI hari ini, saya akan mulai dari enam pertanyaan berikut.
1. Proses apa yang sebenarnya ingin diperbaiki?
Jangan mulai dari "Kita butuh AI agent." Mulai dari: "Proses ini membutuhkan terlalu banyak waktu karena..." Definisikan bottleneck-nya terlebih dahulu. Kalau masalahnya sendiri tidak jelas, agent hanya akan mengotomatisasi kebingungan.
2. Apakah proses tersebut cukup berulang?
AI agent sangat menarik untuk workflow yang memiliki pola berulang tetapi tetap membutuhkan reasoning. Kalau sebuah pekerjaan hanya terjadi dua kali setahun, automation mungkin tidak pernah mengembalikan biaya implementasinya. Volume matters.
3. Apakah agent mempunyai data dan context yang cukup?
Agent yang pintar tetapi tidak memiliki akses ke context bisnis yang benar akan menghasilkan keputusan yang terlihat meyakinkan tetapi salah. Challenge terbesar di enterprise sering bukan model — melainkan data yang tersebar, naming yang tidak konsisten, sistem yang tidak terintegrasi, dan SOP yang hanya hidup di kepala beberapa orang. AI memperbesar kualitas sistem yang sudah ada — kalau fondasinya berantakan, AI juga memperbesar kekacauan itu.
4. Apa yang boleh dilakukan tanpa approval?
Ini harus didefinisikan sebelum deployment, bukan setelah terjadi insiden. Pisahkan: read / recommend / prepare / execute / approve. Tidak semua agent membutuhkan semua hak tersebut.
5. Bagaimana kita tahu agent ini berhasil?
Pilih baseline sejak awal: processing time, error rate, cost per transaction, downtime, response time, hours saved. Tanpa baseline, semua demo agent terlihat berhasil.
6. Apa yang terjadi ketika agent salah?
Ini mungkin pertanyaan terpenting. Harus ada: audit trail, escalation path, rollback, permission boundaries, monitoring, dan owner yang jelas. Kalau kita tidak tahu siapa yang akan menangani kesalahan agent, berarti sistemnya belum benar-benar siap menjadi bagian dari operasi.
ROI Agent Bukan Hanya Biaya Model
Satu kesalahan umum adalah menghitung AI seperti subscription software biasa — model API hanya sekian dolar per bulan, berarti ROI-nya tinggi. Belum tentu.
Total cost dari agentic system bisa mencakup: model/token usage, orchestration, vector/database infrastructure, integration, observability, security, human review, maintenance, testing, retraining atau prompt/workflow adjustment, engineering time, dan change management.
IBM Institute for Business Value dalam 2026 Tech Leader Study menekankan bahwa organisasi yang ingin scale AI membutuhkan fondasi infrastructure, governance, dan portfolio discipline secara bersamaan. Deloitte juga menemukan bahwa hanya sekitar 21% organisasi dalam survei global mereka yang mengatakan sudah memiliki mature governance untuk agentic AI — artinya deployment agent bisa tumbuh lebih cepat daripada kemampuan perusahaan mengawasinya.
Kita tidak boleh hanya mengukur berapa banyak pekerjaan yang bisa dilakukan agent. Kita juga harus mengukur: berapa besar sistem yang dibutuhkan agar agent tersebut bisa dipercaya.
"Agent Washing" akan Semakin Mudah Terjadi
Semakin populernya istilah agentic AI juga menciptakan problem lain. Semua software sekarang bisa disebut "agent". Workflow automation lama ditambahkan chatbot lalu disebut agentic. Rule engine diberi LLM lalu disebut autonomous.
Gartner menggunakan istilah agent washing untuk menggambarkan kecenderungan ini. Menurut saya, kita tidak perlu terlalu terobsesi pada definisi — lebih berguna bertanya: apakah sistem mempunyai objective? Apakah ia dapat memahami context? Apakah ia dapat memilih tindakan? Apakah tindakannya bisa diaudit? Apakah manusia bisa mengambil alih?
Nama produknya kurang penting dibanding behaviour sistemnya.
Mulai Kecil Bukan Berarti Berpikir Kecil
Perusahaan tidak perlu langsung membuat "digital workforce". Pilih satu workflow. Buat boundary yang jelas. Tetapkan metric. Berikan agent access secukupnya. Jalankan dengan human approval. Ukur. Baru kemudian tambah autonomy.
Ini lebih sehat daripada mencoba membangun agent serba bisa sejak hari pertama. Riset terbaru Gartner tentang scaling agentic AI mengarah ke pola yang serupa: value muncul ketika perusahaan menemukan specialized agent yang bekerja pada process yang jelas, lalu memperluasnya ke workflow lain setelah keberhasilannya terbukti.
Penutup
Saya masih percaya agentic AI akan mengubah cara perusahaan beroperasi. Tapi mungkin bentuk akhirnya tidak sedramatis demo yang kita lihat hari ini.
Bisa jadi agent paling berharga di sebuah perusahaan bahkan tidak memiliki interface yang menarik. Ia berjalan di belakang layar: memeriksa, mencocokkan, mengingat, mengeskalasi, mempersiapkan. Menjalankan tindakan kecil yang dulu dilakukan manusia berkali-kali setiap hari.
Kalau itu bisa mengembalikan ribuan jam kerja, mengurangi error, atau membuat keputusan operasional terjadi lebih cepat — kita tidak perlu peduli apakah agent tersebut terlihat futuristik atau tidak.
Di fase Agentic AI berikutnya, ukuran keberhasilan bukan lagi "Lihat apa yang AI ini bisa lakukan" — tetapi: "Lihat proses yang sekarang berjalan lebih baik karena AI ini ada."
Bagi saya, di situlah agentic AI mulai menjadi teknologi operasional yang sebenarnya.