Waktu untuk Agentic NOC Adalah Sekarang

Jaringan modern tidak banyak mirip dengan pendahulunya dari beberapa tahun yang lalu, setelah peralihan ke kerja jarak jauh dan era adopsi AI dan SaaS yang cepat. Apa yang dulunya terpusat dan relatif dapat diprediksi sekarang menjadi jaringan yang rumit dari platform cloud, perangkat edge, kantor cabang, dan internet rumah, serta sistem on-premises.

NOC (Network Operations Center) tradisional tidak dirancang untuk ini. Sebagian besar alat pemantauan masih memerlukan korelasi data manual di seluruh sistem yang berbeda, membuat visibilitas lebih sulit dipertahankan dan membiarkan insinyur dengan banjir peringatan yang kontradiktif ketika mereka perlu membuat keputusan dan mendebug dengan cepat.

Penyedia layanan dan tim IT perusahaan juga beroperasi di bawah tekanan yang sama. Margin yang ketat dan tim yang lebih ramping, tetapi standar untuk siklus akuisisi pelanggan belum berubah. Ketika membutuhkan delapan hingga sepuluh bulan sebelum kontrak menjadi menguntungkan, taruhan di sekitar retensi dan pengalaman pelanggan yang berkualitas tinggi sangat tinggi.

Secara keseluruhan, panggung sudah siap untuk agentic NOC.

Membangun Agentic NOC

Menurut Gartner, meskipun hanya 17% organisasi saat ini mengirimkan agentic AI, 60% berharap melakukannya dalam dua tahun ke depan. Ini melanjutkan apa yang telah menjadi kurva adopsi yang agresif sejak teknologi mulai mendapatkan traksi untuk kemampuan untuk secara aktif bernalar atas data, bukan hanya mengotomatisasi tugas yang didefinisikan secara pasif.

Untuk NOC, agentic AI adalah perbedaan antara fragmentasi atau frustrasi, waktu resolusi yang lebih cepat, gangguan yang berkurang, dan pemahaman yang lebih lengkap tentang lingkungan. Untuk manfaat tersebut untuk muncul, bagaimanapun, agentic NOC harus berakar pada kolaborasi antara AI dan operator manusia. Kecepatan tidak pernah lebih penting daripada akurasi dan keandalan, sehingga di mana AI dapat meningkatkan triage, analisis penyebab akar, dan akhirnya merekomendasikan tindakan, penilaian manusia masih penting untuk validasi terakhir.

Agentic NOC juga didefinisikan oleh data yang terstruktur dengan baik. Inventori yang akurat, konvensi penamaan yang konsisten, dan visibilitas jaringan ke lalu lintas, routing, dan kinerja semua melukis gambaran tentang apa yang saat ini terjadi, bagaimana jaringan seharusnya berperilaku, dan bagaimana masalah telah diselesaikan sebelumnya. Tanpa pandangan ini, analisis apa pun akan tidak lengkap, dan operator tidak dapat mengotomatisasi apa yang tidak dapat mereka lihat atau pahami.

Pengambilan pengetahuan suku juga jatuh di bawah payung ini.

Sumber daya terbesar yang dimiliki NOC adalah otak insinyurnya. Kombinasi pengalaman dan intuisi yang berasal dari tahun-tahun mendiagnosis dan menangani masalah jaringan adalah sesuatu yang bahkan model AI paling canggih tidak dapat meniru tanpa bantuan. Itulah mengapa pengetahuan suku ini perlu didokumentasikan dan diterjemahkan ke dalam format yang dapat diambil dan digunakan kembali. Runbook yang dirafin dengan baik dan loop pembelajaran terpusat juga memiliki peran untuk dimainkan, memberikan dasar untuk perilaku manusia dan mesin untuk lebih efektif mengidentifikasi area untuk perbaikan.

Manfaat Nyata

Masalah IT dan jaringan berdiri di belakang 23% dari gangguan paling berdampak pada tahun 2024. Analisis yang sama menemukan bahwa selama tiga tahun terakhir, hampir 40% organisasi mengalami gangguan besar sebagai hasil dari kesalahan manusia. Tingkat gangguan ini tidak berkelanjutan dari perspektif apa pun, bisnis, insinyur, atau konsumen. Namun, ini menunjukkan secara tepat mengapa agentic NOC sangat penting.

Janji agentic NOC bukanlah otonomi untuk tujuan sendiri, tetapi operasi yang lebih cepat dan lebih percaya diri, dibangun di atas fondasi visibilitas jaringan yang nyata. Ketika masalah mengenai jaringan, penundaan terbesar seringkali bukanlah deteksi, tetapi memahami apa yang berubah, apa yang terkena dampak, dan apa yang harus dilakukan selanjutnya. Sistem agentic membantu mengompresi timeline ini, dimulai dengan analisis penyebab akar yang dipercepat.

Perbedaan antara mengidentifikasi penyebab akar dari masalah dalam hitungan menit versus jam atau bahkan hari sangat besar. Biaya rata-rata satu jam gangguan jaringan dapat melebihi $300.000 untuk perusahaan ukuran menengah hingga besar. Faktanya, 41% melaporkan biaya gangguan per jam berkisar dari $1 juta hingga lebih dari $5 juta menurut penelitian terbaru dari ITIC.

Namun, kenyataan seringkali lebih dekat dengan yang terakhir ketika operator diminta untuk menyortir data secara manual. Di sisi lain, alat AI agentic dapat menampilkan penyebab potensial dan layanan yang terkena dampak dan merekomendasikan langkah selanjutnya dalam hitungan detik. Ketika taruhan keuangan sangat tinggi, analisis penyebab akar yang lebih cepat dan perbaikan yang lebih aman telah menjadi keharusan absolut.

Melampaui peningkatan tugas taktis, agentic NOC bertindak sebagai fasilitator untuk berbagi pengetahuan – menggabungkan keahlian insinyur dari seluruh organisasi menjadi sumber daya bersama. Dalam jangka panjang, proses ini menciptakan loop pembelajaran terus-menerus di mana keberhasilan dan tantangan dari setiap insiden berfungsi untuk memandu dan memperbaiki rekomendasi AI ketika insiden baru terjadi.

Misalnya, katakanlah sebuah perusahaan telah berjuang dengan masalah kinerja jaringan yang persisten dan memutuskan untuk mengimplementasikan perangkat baru untuk mencoba meningkatkan efisiensi, tetapi pembaruan memerlukan perubahan konfigurasi. Dalam prosesnya, sesuatu salah, dan itu memicu gangguan. Dalam era agentic NOC, sistem AI dapat mengorelasikan telemetri, topologi, keadaan perangkat, dan perubahan terbaru, pada akhirnya menunjukkan operator ke arah penyebab akar yang mungkin dalam sebagian kecil dari waktu. Dampak positif sistem agentic pada operasi jaringan sangat jelas, dan data mendukungnya.

McKinsey baru-baru ini menemukan bahwa resolusi masalah otonom dan perbaikan dalam operasi jaringan mengurangi total tiket troubleshooting hingga 70%, bersama dengan biaya operasional sebesar 55-80%, semuanya sambil memperbaiki waktu perbaikan sebesar 30-40%.

Tantangan yang Perlu Diperhatikan

Salah satu kesalahan paling umum yang dilakukan organisasi adalah melompat langsung ke AI tanpa membangun fondasi yang diperlukan. Sebagian besar (70%) pekerja sangat antusias dengan manfaat AI menurut KPMG, tetapi tanpa data yang dapat diandalkan dan proses yang didokumentasikan dengan baik, nilai sistem ini menderita.

Sebaliknya, AI harus diperkenalkan secara bertahap. Membangun agentic NOC adalah sebuah perjalanan. Akhirnya, sistem harus mulai memiliki kasus penggunaan yang lebih maju dan proaktif, seperti mendeteksi pola dalam lonjakan suhu atau mengidentifikasi tren dalam reboot perangkat – keduanya dapat menjadi sinyal untuk gangguan yang akan datang. Pada awalnya, bagaimanapun, fokus pada tugas yang lebih kecil seperti membantu dengan diagnosa memberi ruang bagi sistem untuk belajar dan memperbaiki.

Kesalahan lainnya adalah berpikir bahwa setiap tindakan dapat mendapat manfaat dari otomatisasi. Aturan yang baik adalah, ketika manusia menyelesaikan masalah yang sama berulang kali, tugas itu adalah kandidat yang baik untuk otomatisasi. Mengambil pendekatan bertahap ini juga dapat membantu membangun kepercayaan dan kepercayaan.

Sejak Februari 2025, kepercayaan pada AI di antara karyawan AS telah turun 33% menurut Deloitte, sementara Indeks Kepercayaan AI McKinsey 2026 menemukan bahwa ketidakakuratan output masih menjadi kekhawatiran utama AI bagi sebagian besar bisnis AS (74%), diikuti oleh masalah keamanan siber (72%). Ingat laporan KPMG yang menemukan bahwa pekerja AS sangat antusias untuk mengadopsi AI? Laporan itu juga menemukan bahwa hanya 41% yang mau mempercayainya.

Mengatasi kekhawatiran AI datang ke dalam tata kelola dan keterjelasan. Garis operasional yang jelas dan jejak audit memberikan insinyur wawasan yang jelas tentang bagaimana agen AI mencapai rekomendasi akhir, serta mekanisme untuk menangkap dan menangani kesalahan sebelum mereka dapat menyebabkan kerusakan. Kepercayaan, tata kelola, dan validasi manusia adalah apa yang memisahkan operasi agentic yang berguna dari otomatisasi yang berisiko, itulah mengapa tujuan agentic NOC tidak boleh menjadi menghilangkan pengawasan manusia, tetapi meningkatkannya.

Jaringan modern meminta banyak dari operator saat ini. Untuk mempertahankan kecepatan, upaya manusia perlu bergeser dari tugas triage yang berulang dan menuju kebijakan, validasi, tata kelola, dan kasus yang berisiko tinggi atau baru. Agentic AI membantu membuat pergeseran ini memungkinkan, mengidentifikasi dan menangani masalah lebih awal, berbagi pengetahuan secara lebih efektif di seluruh tim, dan membuat pengambilan keputusan lebih konsisten. Evolusi dan perbaikan terus-menerus tentang bagaimana jaringan dipantau dan dipelihara berakar pada agentic AI.