Dari Otomasi ke Kognisi: Evolusi AI Agenik

Selama beberapa dekade, otomasi perusahaan telah mengikuti logika yang familiar: mendefinisikan proses, mengkodekan langkah-langkah, dan membiarkan perangkat lunak mengeksekusinya secara konsisten. Skrip mengotomatisasi perintah, runbook merekam prosedur, orkestrasi menghubungkan tugas di seluruh sistem, dan AIOps membawa pembelajaran mesin ke volume data operasional yang terus bertambah. Setiap kemajuan membuat otomasi lebih mampu, namun manusia masih melakukan sebagian besar keputusan. Mereka menentukan proses; perangkat lunak melaksanakannya.

Agentic AI mengubah hubungan itu. Alih-alih memulai dengan seperangkat instruksi tetap, sebuah agen dapat memulai dengan tujuan dan mencari cara untuk mencapainya dalam batasan yang ditentukan. Itu memerlukan lebih dari sekadar menghasilkan jawaban. Sistem harus menafsirkan tujuan, mengumpulkan konteks yang relevan, mengevaluasi bukti, menggunakan memori, memilih di antara alat atau otomasi, dan menyesuaikan diri saat kondisi berubah. Anthropic membuat perbedaan serupa antara alur kerja, di mana model dan alat mengikuti jalur kode yang telah ditentukan, dan agen, di mana model dapat secara dinamis mengarahkan proses dan penggunaan alatnya sendiri.

Dari Eksekusi Deterministik ke Keputusan Adaptif

Semua ini tidak membuat otomasi tradisional usang. Bahkan, otomasi deterministik tetap menjadi jawaban yang tepat ketika jalur dari kondisi yang diketahui ke tindakan dipahami dengan baik. Jika sebuah layanan gagal pada pemeriksaan kesehatan, restart layanan tersebut. Jika sebuah permintaan memenuhi kriteria tertentu, arahkan ke antrean yang sesuai. Jika sebuah antarmuka melewati ambang batas, buka tiket dan jalankan diagnostik. Inilah jenis tindakan berulang yang dikelola dengan baik oleh otomasi.

AIOps memperluas model itu dengan membantu organisasi menafsirkan apa yang terjadi sebelum otomasi dijalankan: mengkorelasikan peristiwa, mengidentifikasi anomali, mengurangi kebisingan, dan menambahkan konteks. AI Agenik mengambil langkah selanjutnya dengan memperkenalkan penilaian antara sinyal dan tindakan. Pertanyaannya tidak lagi hanya, “Alur kerja mana yang dipicu oleh kondisi ini?” Tetapi menjadi, “Dengan mempertimbangkan tujuan dan bukti yang kita miliki sekarang, apa langkah selanjutnya yang terbaik?”

Pertimbangkan layanan yang menurun. Sebuah agen mungkin perlu memeriksa telemetri, topologi, perubahan terbaru, tiket, data konfigurasi, insiden historis, dan dampak bisnis sebelum memutuskan apa yang harus dilakukan. Dalam satu situasi, bukti dapat mengarah pada remediasi yang sudah dikenal, dan dalam situasi lain, agen mungkin perlu mengumpulkan lebih banyak informasi atau menjalankan diagnostik hanya-baca. Dan ketika potensi dampaknya tinggi atau bukti tidak konklusif, keputusan yang tepat mungkin melibatkan manusia. Kemampuan untuk menyesuaikan jalur berdasarkan apa yang ditemukan sistem adalah pergeseran yang signifikan.

Konteks dan Memori Mengubah Kualitas Keputusan

Agensi tanpa konteks tidak terlalu berguna. Gejala yang sama dapat berarti sesuatu yang sepenuhnya berbeda tergantung pada topologi, aktivitas pemeliharaan, perubahan terbaru, ketergantungan, atau dampak pada pelanggan. Operator berpengalaman memahami hal ini secara intuitif; mereka jarang membuat keputusan penting hanya dari satu sinyal terisolasi. Mereka menyusun gambaran, memisahkan observasi dari inferensi, dan memutuskan seberapa besar kepercayaan yang layak diberikan pada bukti.

Memori menambahkan dimensi lain. Google Cloud mengidentifikasi memori sebagai komponen inti arsitektur agenik karena membantu agen mempertahankan konteks dan menggunakan informasi dari interaksi sebelumnya. Dalam operasi, peluangnya lebih luas daripada sekadar mengambil tiket lama. Memori operasional yang berguna dapat menyimpan apa yang terjadi ketika kondisi serupa muncul, hipotesis mana yang terbukti benar, remediasi apa yang dicoba, apakah berhasil atau dibatalkan, dan apa yang dipelajari operator setelahnya. Ketika pengalaman itu telah divalidasi, ia dapat menjadi bukti untuk keputusan berikutnya, bukan sekadar pengetahuan yang menghilang dalam postmortem atau tetap di kepala seorang ahli.

Ada paralel menarik dalam ilmu kognitif. Penelitian tentang pembebanan kognitif meneliti bagaimana orang menggunakan alat eksternal dan tindakan untuk mengurangi beban mental suatu tugas, sementara penelitian tentang penggunaan alat telah menunjukkan bahwa interaksi berulang dengan alat dapat mengubah cara orang memrepresentasikan jangkauan praktis dan kemampuan bertindak mereka. Analogi ke AI perusahaan tidak boleh diambil secara harfiah, tetapi gagasan dasarnya berguna: alat tidak hanya menghemat waktu. Seiring waktu, mereka dapat mengubah cara kita mendekati suatu masalah. Penelitian terkenal tentang sopir taksi London dan keahlian navigasi memberikan pengingat lain bahwa pengalaman berkelanjutan dapat membentuk kognisi itu sendiri. Bagi perusahaan, pertanyaan desainnya oleh karena itu bukan sekadar seberapa banyak pekerjaan yang dapat diambil alih oleh agen, melainkan apakah sistem manusia-agen menjadi lebih baik dalam memahami dan bertindak atas kompleksitas.

Agen Harus Mengorkestrasi Otomasi, Bukan Menggantinya

Inilah juga mengapa saya tidak melihat AI agenik sebagai penolakan terhadap otomasi. Pada awal karier saya, saya menghabiskan bertahun-tahun membangun otomasi operasi, dan satu pelajaran tetap melekat pada saya: eksekusi saja tidak cukup. Otomasi harus memperoleh kepercayaan. Operator membutuhkan keyakinan bahwa tindakan yang tepat digunakan untuk situasi yang tepat, dengan otoritas yang tepat dan cukup bukti untuk memahami mengapa.
Arsitektur agenik yang praktis dibangun di atas investasi tersebut. Skrip, alur kerja, API, platform orkestrasi, dan alat khusus domain yang ada menjadi kemampuan yang dapat dipanggil agen bila tepat. Jika bukti mendukung remediasi yang dikenal, agen dapat menggunakan otomasi yang terbukti daripada mengimprovisasi tindakan baru. Jika bukti tidak lengkap, agen dapat menyelidiki lebih lanjut. Nilainya berasal dari menggabungkan eksekusi yang dapat diandalkan dengan pengambilan keputusan yang lebih adaptif mengenai kapan dan bagaimana eksekusi tersebut harus terjadi.

Lebih Banyak Otonomi Membuat Tata Kelola Lebih Penting

Begitu perangkat lunak dapat memilih di antara tindakan; tata kelola tidak lagi dapat ditambahkan setelah fakta. Agen perusahaan harus memahami tidak hanya apa yang secara teknis dapat dilakukannya, tetapi apa yang diizinkannya lakukan dalam lingkungan tertentu, pada tingkat risiko tertentu, dan di bawah identitas atau peran tertentu. Kerangka Manajemen Risiko AI NIST mencerminkan pandangan tata kelola yang lebih luas ini, mengatur manajemen risiko AI di sekitar mengatur, memetakan, mengukur, dan mengelola, dengan tata kelola beroperasi di seluruh fungsi lainnya.

Secara praktik, itu berarti agen harus dapat menunjukkan bukti di balik rekomendasi, menjelaskan sistem dan data apa yang digunakannya, mengungkap ketidakpastian, menghormati persyaratan persetujuan, dan meninggalkan jejak audit atas apa yang terjadi. Reversibilitas juga penting. Diagnostik hanya-baca dan perubahan konfigurasi produksi tidak boleh memiliki ambang otonomi yang sama.

Pengawasan manusia oleh karena itu menjadi lebih tepat daripada sekadar menghilang. Agen yang sama dapat mengumpulkan bukti secara otonom, merekomendasikan remediasi, memerlukan persetujuan sebelum tindakan berisiko tinggi, dan kemudian memverifikasi apakah tindakan yang disetujui benar-benar berhasil. Tujuannya bukan untuk menyatakan manusia secara universal “masuk” atau “keluar” dari siklus. Melainkan menempatkan penilaian manusia pada titik-titik di mana ia memberikan nilai paling besar.

Keuntungan Sebenarnya Terletak pada Apa yang Terjadi Setelah Tindakan

Mungkin perbedaan paling konsekuensial muncul setelah tindakan diambil. Otomasi tradisional biasanya menanyakan apakah alur kerja berhasil dijalankan. Sistem kognitif harus mengajukan pertanyaan yang lebih sulit: apakah tindakan menghasilkan hasil yang diharapkan, dan apa yang harus kita pelajari dari apa yang terjadi?

Itu mengubah nilai dari umpan balik. Remediasi yang berhasil dapat memperkuat bukti untuk situasi serupa di masa depan. Hipotesis yang gagal harus membuat sistem kurang cenderung mengulangi penalaran yang sama. Koreksi operator dapat meningkatkan rekomendasi berikutnya, sementara rollback dapat mengungkap bahwa kepercayaan melebihi apa yang dibenarkan oleh bukti yang tersedia. Seiring waktu, aset penting bukan sekadar perpustakaan otomasi yang lebih besar. Melainkan hubungan yang terakumulasi antara situasi, bukti, keputusan, tindakan, dan hasil.

Dilihat dengan cara ini, evolusi otomasi perusahaan lebih tentang menambahkan kemampuan baru di sekitar apa yang sudah berfungsi daripada menggantikan satu generasi teknologi dengan yang lain. Skrip mengkodekan tindakan, runbook merekam prosedur, orkestrasi menghubungkannya, dan AIOps membantu menafsirkan sinyal operasional yang semakin kompleks. AI Agenik menambahkan kemampuan untuk mengejar tujuan, menalar melintasi konteks dan bukti, memanfaatkan memori, memilih di antara kemampuan yang tersedia, bertindak dalam batasan yang diatur, dan belajar dari hasilnya.

Titik akhir tidak seharusnya menjadi otonomi tak terbatas. Harus menjadi otonomi yang dapat dipertanggungjawabkan: sistem yang dapat mengenali kapan harus bertindak, kapan harus menyelidiki, kapan harus meminta izin, dan kapan harus berhenti. Itulah transisi dari otomasi ke kognisi—bukan mesin yang menggantikan operasi manusia, melainkan perusahaan yang mengembangkan cara yang lebih baik untuk memahami, memutuskan, bertindak, dan belajar.