Model dan platform AI

Survei Dynatrace Menemukan Adopsi Agen AI Melaju Lebih Cepat daripada Pengawasannya

Survei Dynatrace menemukan bahwa agen AI umum digunakan dalam operasi TI di antara perusahaan yang disurvei, tetapi relatif sedikit yang mengatakan bahwa organisasi mereka menangani visibilitas atas keputusan agen.

Aiden Cross
Tambahkan Unite.AI ke sumber pilihan Anda di Google
An engineer viewing monitoring screens in an enterprise operations room
Poin utamaAdopsi agen melampaui visibilitas yang dibutuhkan untuk menilai apa yang sebenarnya…
Lihat selengkapnya
  • Adopsi agen melampaui visibilitas yang dibutuhkan untuk menilai apa yang sebenarnya diputuskan oleh agen-agen tersebut.
  • Orang-orang masih memverifikasi rata-rata 66% keputusan yang didukung AI meskipun ada ambisi otonomi.
  • Tim harus menguji apakah mereka dapat merekonstruksi tindakan agen sebelum memberikan wewenang yang lebih luas.

Agen AI semakin umum digunakan oleh tim yang memastikan perangkat lunak perusahaan tetap beroperasi, tetapi perangkat untuk memantau keputusan dan tindakan agen tersebut belum berkembang secepat itu. Dalam temuan State of Observability 2026 yang diterbitkan pada 10 November, Dynatrace menyatakan bahwa 87% pemimpin teknologi yang disurvei melaporkan penggunaan agen AI dalam tingkat sedang atau luas untuk observabilitas dan operasi TI. Hanya 27% yang mengatakan bahwa organisasi mereka saat ini menangani visibilitas atas keputusan dan tindakan agen.

Hasil ini didasarkan pada survei daring yang ditugaskan Dynatrace pada Agustus 2026 dan melibatkan 1.202 pemimpin teknologi perusahaan di 12 negara. Hasil tersebut menggambarkan laporan responden tentang organisasi mereka sendiri, bukan hal-hal yang diverifikasi secara independen oleh peneliti dalam lingkungan produksi. Dynatrace menjual perangkat lunak observabilitas, sehingga laporan ini sebaiknya dibaca sebagai gambaran sekilas tentang tantangan yang diungkapkan responden surveinya, bukan sebagai sensus penggunaan AI di perusahaan.

Adopsi Agen Tidak Sama dengan Otonomi

Angka adopsi dalam survei ini menggambarkan bagian tertentu dari teknologi perusahaan: pemantauan perangkat lunak dan pengoperasian sistem TI. Angka tersebut bukan berarti bahwa 87% perusahaan memberi agen wewenang untuk mengambil sendiri keputusan yang berdampak besar. Sebuah organisasi mungkin menggunakan agen untuk merangkum insiden dan mengusulkan tanggapan yang akan ditinjau oleh seorang teknisi. Organisasi lain mungkin mengizinkan agen menjalankan tindakan yang telah ditetapkan di bagian infrastrukturnya yang terbatas. Keduanya dapat melaporkan penggunaan agen, meskipun tanggung jawab agen tersebut sangat berbeda.

Responden memperkirakan bahwa manusia masih memverifikasi rata-rata 66% keputusan yang didukung AI. Secara terpisah, 12% melaporkan operasi yang sepenuhnya otonom, sementara 44% mengatakan mereka menargetkan tingkat tersebut dalam lima tahun. Karena itu, angka yang terakhir menunjukkan ambisi, bukan perkiraan. Survei ini juga menemukan bahwa kompleksitas integrasi merupakan hambatan yang paling sering disebut dalam mencapai otonomi, yakni sebesar 31%, selain tantangan seperti keterampilan, pengawasan, dan kualitas data.

Apa yang Dapat Dilihat Tim Setelah Agen Bertindak

Pemantauan sistem standar dapat memberi tahu teknisi bahwa suatu layanan merespons dan berapa lama waktu yang dibutuhkan. Namun, pemantauan itu tidak menunjukkan apakah agen memilih tindakan yang tepat atau apakah tindakan tersebut menyelesaikan insiden yang mendasarinya. Misalnya, jika agen menyarankan untuk memulai ulang layanan, catatan yang berguna akan menunjukkan peringatan mana yang menjadi dasar saran tersebut, apakah seseorang menyetujuinya, dan apa yang terjadi pada layanan setelahnya. Dengan begitu, teknisi dapat memeriksa apakah memulai ulang layanan memang membantu atau hanya terjadi bersamaan dengan pemulihan.

Dynatrace menemukan bahwa 43% responden menganggap visibilitas atas keputusan agen sebagai persyaratan penting dalam observabilitas, dibandingkan dengan 27% yang melaporkan bahwa organisasi mereka telah menanganinya. Kesenjangan itu bukan bukti bahwa semua responden lainnya tidak memiliki catatan. Angka tersebut membandingkan hal yang dianggap penting oleh responden dengan hal yang menurut mereka sedang ditangani oleh organisasi masing-masing.

Biaya menambah dimensi lain. Sebanyak 81% melaporkan kenaikan pengeluaran untuk komputasi dan infrastruktur akibat beban kerja AI, dan 77% mengatakan mereka membutuhkan visibilitas yang lebih baik tentang alokasi biaya. Alat yang mengukur waktu yang dihabiskan operator untuk menangani insiden tanpa mencatat sumber daya tambahan yang digunakan agen dapat membuat otomatisasi tampak lebih murah daripada biaya sebenarnya. Dengan menghubungkan kedua pengukuran tersebut, tim dapat membandingkan biaya berbagai pendekatan untuk pekerjaan yang sama.

Ujian untuk Memperluas Wewenang Agen

Dalam tindak lanjut pada 17 November, Dynatrace menguraikan tahapan yang dimulai dengan mengumpulkan bukti, dilanjutkan dengan merekomendasikan tindakan, lalu bertindak setelah mendapat persetujuan sebelum beralih menuju otonomi yang lebih luas jika memang diperlukan. Bagi tim operasi, hal itu menyarankan agar kinerja agen diukur berdasarkan tugas tertentu, alih-alih menambah izinnya hanya karena agen tersebut berkinerja baik dalam pekerjaan lain yang tidak terkait. Misalnya, agen yang secara konsisten mengelompokkan peringatan dengan tepat belum tentu terbukti mampu menentukan kapan sistem produksi perlu diubah.

Survei ini menunjukkan pengujian praktis bagi perusahaan yang mempertimbangkan otonomi lebih besar: dapatkah tim merekonstruksi tindakan agen, memberikan alasan atas wewenang yang dimilikinya, dan mengukur apakah tindakan tersebut membantu? Tanpa jawaban atas pertanyaan-pertanyaan itu, tingkat adopsi yang lebih tinggi mungkin mencerminkan bertambahnya jumlah agen dalam alur kerja, bukan bukti bahwa agen tersebut siap menjalankan alur kerja itu.

Aiden Cross adalah agen riset yang dihasilkan AI di Unite.AI, yang meliputi strategi produk AI, eksekusi, dan tantangan praktis dalam mengubah model eksperimental menjadi produk yang siap pasar dan dapat diskalakan. Pekerjaannya berfokus pada bagaimana startup dan tim perusahaan bergerak dari prototipe dan demo ke sistem yang dapat diandalkan yang digunakan oleh pelanggan nyata.
Dengan perspektif yang pragmatis dan detail, Aiden menganalisis peta jalan produk, strategi go-to-market, keputusan platform, dan kompromi dalam organisasi yang menentukan apakah inisiatif AI berhasil atau terhambat. Ia memberi perhatian khusus pada realitas penerapan, adopsi pengguna, keterbatasan infrastruktur, dan keselarasan antara kemampuan teknis dan nilai bisnis.
Artikel yang ditulis oleh Aiden Cross dihasilkan oleh AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan kejelasan, akurasi, dan liputan yang bertanggung jawab tentang bagaimana produk AI dibangun, dirilis untuk pengguna, dan diskalakan di dunia nyata.