Mengapa Agentic AI Akan Gagal Tanpa Data Aset Tepercaya

Agentic AI sedang bergerak cepat dari diskusi ke penerapan di industri yang intensif aset. Tidak seperti AI generatif, yang merangkung informasi atau menghasilkan rekomendasi, agentic AI dapat mengambil tujuan, memecahnya menjadi langkah-langkah, menarik data dari sistem yang berbeda, dan bertindak atasnya. Ini dapat meninjau riwayat pemeliharaan, memeriksa pekerjaan yang sedang berlangsung, membandingkan jadwal kru dan menghasilkan rekomendasi tanpa memerlukan seseorang untuk secara manual menghubungkan setiap potongan informasi.

Kemampuan itu adalah alasan mengapa banyak organisasi bergerak cepat untuk mengadopsinya. Menurut survei CIO dan Eksekutif Teknologi Gartner 2026, hanya 17% organisasi telah menggelar AI agen, sementara lebih dari 60% berencana untuk melakukannya dalam dua tahun ke depan. Ini lebih cepat daripada teknologi yang muncul lainnya yang termasuk dalam survei.

Dalam penerapan yang saya dukung, tim telah menghabiskan waktu terlalu lama untuk beralih antara sistem, spreadsheet, catatan inspeksi, dan email hanya untuk membuat keputusan operasional tunggal. Agentic AI berjanji untuk mengurangi gesekan itu, membantu perencana mempersiapkan pekerjaan lebih cepat dan memberikan teknisi gambaran yang lebih jelas tentang sejarah aset tanpa hanya mengandalkan ingatan lembaga.

Tapi janji itu datang dengan penangkap yang mudah diabaikan dalam kerush untuk menerapkan: dari apa yang saya lihat, agentic AI kurang merupakan masalah pemodelan daripada masalah kepercayaan operasional.

Di industri yang intensif aset seperti utilitas, transportasi, pertambangan, telekomunikasi, dan manufaktur, agen AI hanya sebaik data yang digunakannya. Jika data itu tidak lengkap, ketinggalan zaman, atau tidak konsisten, agen tidak selalu gagal dengan keras. Ini mungkin gagal dengan percaya diri, merekomendasikan pekerjaan pada aset yang salah, melewatkan ketergantungan, meremehkan risiko, atau salah menilai apa yang harus diprioritaskan.

Berikan agen data yang buruk, dan itu tidak akan menskala kecerdasan. Ini akan menskala risiko operasional.

Masalah Data Lama dengan Kecepatan Baru

Masalah kualitas data yang diungkapkan oleh agentic AI tidak baru. Dalam lebih dari 17 tahun bekerja pada sistem dan penerapan manajemen aset perusahaan, saya telah melihat masalah yang sama muncul berulang kali: catatan yang digandakan, hubungan aset yang hilang, konvensi penamaan yang tidak konsisten, peringkat kritis yang ketinggalan zaman, dan pengkodean kegagalan yang buruk selama bertahun-tahun.

Apa yang telah berubah bukanlah sifat masalah ini, tapi jangkauannya.

Seorang teknisi yang berpengalaman mungkin menangkap catatan yang buruk sebelum bertindak atasnya, mengandalkan pengetahuan lembaga yang tidak pernah ditangkap dalam sistem. Agen AI tidak memiliki insting itu. Ini dapat memproses ribuan catatan jauh lebih cepat daripada seseorang dapat meninjau mereka secara manual, menerapkan asumsi yang sama yang rusak pada skala sebelum siapa pun menyadari.

Masalah implementasi perusahaan yang lebih luas sudah terlihat. Laporan awal 2025 MIT Project NANDA menemukan bahwa 95% organisasi yang dipelajari belum mencapai dampak laba dan kerugian yang dapat diukur dari inisiatif AI generatif mereka. Laporan tersebut mengaitkan kesenjangan itu sebagian besar dengan kesenjangan pembelajaran dan integrasi, termasuk alat yang tidak mempertahankan konteks atau beradaptasi secara efektif dengan alur kerja yang ada. Dalam operasi aset-intensif di mana rekomendasi yang buruk dapat memengaruhi peralatan fisik daripada hanya dasbor, kesenjangan antara ambisi AI dan kenyataan data itu bahkan lebih konsekuensial.

Di Mana Data Buruk Menjadi Keputusan yang Tidak Aman

Dalam pengaturan operasional, konsekuensi itu menjadi fisik.

Ambil prioritas pemeliharaan. Jika agen tidak dapat melihat kegagalan terbaru, pekerjaan yang tertunda, atau perubahan kondisi aset, itu mungkin menetapkan prioritas yang salah. Ini dapat menciptakan pekerjaan yang tidak perlu di satu area sementara membiarkan risiko yang lebih signifikan tetap tidak terpecahkan di tempat lain.

Taruhannya meningkat lebih lanjut ketika hubungan aset itu sendiri tidak benar. Ini adalah skenario yang mengibarkan bendera merah. Jika sistem tidak secara akurat mencerminkan aset mana yang terhubung, peralatan apa yang harus diisolasi sebelum pekerjaan dimulai, atau konstrain apa yang berlaku di lokasi tertentu, rekomendasinya dapat menjadi tidak aman.

Itulah mengapa organisasi harus berpikir dengan hati-hati sebelum memberikan agentic AI otonomi penuh atas keputusan kritis. Kerangka Manajemen Risiko AI sukarela NIST menawarkan struktur untuk menggabungkan kepercayaan sepanjang siklus hidup sistem AI daripada hanya menanganinya setelah penerapan. AI dapat mengumpulkan informasi dengan cepat, menampilkan opsi, dan merangkum bukti di balik rekomendasi. Namun, ketika keselamatan, kepatuhan, atau keandalan layanan dipertaruhkan, orang-orang perlu tetap terlibat.

Setidaknya awalnya, tujuannya haruslah AI yang mendukung keputusan, bukan AI yang membuat keputusan sendiri.

Mengapa Manajemen Aset Perusahaan Adalah Pondasi, Bukan Kantor Belakang

Manajemen aset perusahaan, atau EAM, adalah tempat kenyataan operasional diatur. Ini adalah tempat perintah kerja, strategi pemeliharaan, inspeksi, persetujuan, hubungan aset, dan riwayat peralatan dicatat dan dikelola.

Dasar EAM yang kuat memberikan agen AI data operasional yang dapat diandalkan untuk bekerja. Dasar yang lemah kemungkinan akan terbuka hampir seketika. Analisis EY tentang sistem manajemen aset perusahaan yang ditenagai AI juga menekankan peran data waktu nyata dan analitik dalam memindahkan organisasi dari pemeliharaan reaktif ke proaktif.

Bukannya memperlakukan EAM sebagai sistem kantor belakang, organisasi yang mempersiapkan diri untuk agentic AI harus memperlakukannya sebagai bagian dari lapisan kontrol operasional. Ini membentuk apa yang dapat diakses AI, proses apa yang harus diikuti, bukti apa yang digunakan, dan di mana persetujuan manusia masih diperlukan.

EAM juga membantu menyediakan konteks di balik keputusan operasional. Rekomendasi pemeliharaan tidak boleh hanya didasarkan pada kondisi aset individu. Ini juga mungkin bergantung pada kritisitas aset, kegagalan terbaru, peralatan yang terhubung, suku cadang yang tersedia, prosedur keselamatan, ketersediaan kru, dan efek yang downtime akan memiliki pada operasi yang lebih luas.

Tanpa konteks itu, bahkan agen AI yang sangat canggih secara teknis mungkin merekomendasikan tindakan yang salah.

Apakah Data Anda Benar-Benar “Siap AI”?

Bukannya meluncurkan tinjauan kualitas data yang luas dan abstrak, organisasi lebih baik dimulai dengan kasus penggunaan tertentu, seperti perencanaan pemeliharaan yang dibantu AI, dan mengajukan pertanyaan yang ditargetkan.

Ini adalah pertanyaan yang saya ajukan pertama: Apakah kita mempercayai hierarki aset? Apakah riwayat kegagalan dapat diandalkan? Apakah rencana pekerjaan saat ini? Apakah ketersediaan kru akurat? Apakah rencana keselamatan sudah mutakhir?

Data tidak perlu sempurna. Sedikit organisasi yang akan pernah memiliki data operasional yang sempurna. Ini perlu akurat, mutakhir, dan dikelola dengan baik cukup untuk AI yang benar-benar mendukung orang-orang yang membuat keputusan.

Pendekatan ini juga membuat perbaikan data lebih mudah dikelola. Bukannya mencoba membersihkan setiap catatan di seluruh organisasi, tim dapat fokus pada informasi yang secara langsung memengaruhi kasus penggunaan yang dipilih.

Risiko salah tidak terdistribusi secara merata. Industri di mana keputusan digital memengaruhi operasi fisik membawa eksposur terbesar, yang mengapa NIST sedang mengembangkan profil Kerangka Manajemen Risiko AI yang didedikasikan untuk membimbing operator infrastruktur kritis yang menggunakan kemampuan yang ditenagai AI. Dalam proses yang berisiko lebih rendah, rekomendasi AI yang buruk mungkin menyebabkan ketidaknyamanan atau pekerjaan tambahan. Dalam grid listrik, sistem air, tambang, jaringan transportasi, atau lingkungan telekomunikasi, ini dapat memengaruhi keselamatan, menyebabkan downtime, menciptakan masalah kepatuhan, atau mengganggu layanan.

Itu tidak berarti industri tersebut harus menghindari agentic AI. Ini berarti mereka perlu lebih sengaja tentang kualitas data, tata kelola, dan pengawasan manusia sebelum meningkatkan tanggung jawabnya.

Jalan Praktis Menuju Agentic AI

Jalan implementasi yang praktis dimulai dengan kasus penggunaan tertentu di mana AI dapat menambah nilai tanpa memperkenalkan risiko yang berlebihan.

Dari sana, organisasi harus memetakan data yang kasus penggunaan itu bergantung dan secara jujur menilai apakah informasi itu dapat dipercaya. Tim harus kemudian memperbaiki data aset yang paling kritis, menetapkan kepemilikan yang jelas, dan memstandarisasi cara kerja, kegagalan, dan perubahan operasional dicatat.

AI harus beroperasi dalam proses tata kelola yang ada daripada di sekitarnya. Pada tahap awal, agen dapat mendukung perencana, tim keandalan, dan teknisi dengan mengumpulkan informasi, mengidentifikasi pola, dan merekomendasikan tindakan yang mungkin.

Ini memberi organisasi waktu untuk membandingkan rekomendasi agen dengan hasil nyata, mengidentifikasi celah data, dan mengonfirmasi bahwa kontrol yang diperlukan berfungsi.

Hanya setelah hasilnya dipahami organisasi harus mempertimbangkan untuk memberi AI tanggung jawab yang lebih besar. Otonomi harus meningkat secara bertahap dan hanya ketika risiko yang terkait jelas, dikendalikan, dan dapat diaudit.

Strategi agentic AI yang sukses menghubungkan AI dengan data aset tepercaya dan alur kerja EAM yang kuat, didukung oleh tata kelola yang jelas dan akuntabilitas manusia. Deloitte’s 2026 State of AI in the Enterprise mencapai kesimpulan yang sama dari atas ke bawah, menggambarkan fondasi data yang terpercaya dan terpadu sebagai penting untuk menskala AI. Organisasi tetap bertanggung jawab atas tindakan yang direkomendasikan atau diambil oleh AI. Tanggung jawab itu tidak menghilang hanya karena keputusan itu dihasilkan oleh algoritma.

Agentic AI harus mendapatkan jalan ke dalam operasi, bukan diberikan kepadanya. Mulailah dengan sempit, periksa rekomendasinya terhadap apa yang sebenarnya terjadi, perbaiki celah data yang muncul, dan perluas perannya hanya ketika bukti itu membenarkan. Saya lebih suka melihat agen mendapatkan sejumlah kecil kepercayaan dan mempertahankannya daripada diberi sejumlah besar dan kehilangannya. Dalam industri yang intensif aset, kesabaran itu adalah perbedaan antara AI yang mendapatkan kepercayaan dan AI yang diam-diam kehilangannya.