Masa Depan Agentic AI Adalah Vertikal, dan Keuangan Menunjukkan Mengapa

Pasar perangkat lunak bisnis saat ini mengalami perubahan struktural karena fokus bergeser dari kopilot konversasional ke agen otonom.

Selama setahun terakhir, konglomerat teknologi telah berlomba untuk menerapkan sistem eksekusi-berorientasi ini di seluruh jaringan inti mereka. Anthropic baru-baru ini melaporkan bahwa agen-agen mereka mulai menangani pekerjaan pengetahuan kompleks, sementara Microsoft menggunakan konferensi Build 2025 untuk memperkenalkan orkestrasi multi-agen dalam produknya. Bahkan ekosistem yang berfokus pada konsumen juga berubah. Meta baru-baru ini memasuki pasar perusahaan dengan agen bisnis yang dirancang untuk mengotomatisasi operasi harian di seluruh platform komunikasinya.

Namun, ketika perangkat lunak berpindah dari menghasilkan jawaban ke menjalankan pekerjaan yang sebenarnya, kecerdasan menjadi hanya satu bagian dari persamaan. Konteks, kontrol, alur kerja, dan pertanggungjawaban mulai menjadi hal yang sama pentingnya. Keuangan perusahaan adalah salah satu fungsi pertama yang memperlihatkan kenyataan ini, berfungsi sebagai cetakan biru untuk bagaimana perangkat lunak otonom harus berkembang.

Pertandingan agentic AI sebagian besar diframing sebagai kompetisi untuk membangun sistem tujuan umum yang lebih mampu. Namun, ketika perangkat lunak bergerak ke eksekusi, kecerdasan mentah menjadi kurang penting daripada lingkungan yang dihuni agen. Sistem yang dapat menulis puisi atau menghasilkan email berdasarkan prompt kekurangan fondasi arsitektur untuk menjalankan transaksi yang sangat diatur, mengelola rantai pasokan organisasi yang kompleks, atau mengatur modal perusahaan. Industri mencapai kesepakatan bahwa kecerdasan tujuan umum tidak dapat menyelesaikan masalah bisnis yang spesifik dan berorientasi hasil tanpa lingkungan asli yang dibangun di sekitar domain tersebut.

Agen Tujuan Umum versus Hasil yang Bertanggung Jawab

Sebagian besar sistem agentic masih dinilai berdasarkan kemampuan mereka untuk menyelesaikan tindakan individu. Mereka menyelaraskan transaksi tunggal, menghasilkan laporan, atau menjelaskan varian tertentu. Namun, keuangan perusahaan tidak gagal pada tugas terisolasi. Gagal, tepatnya, dalam penyerahan antar tugas.

Secara historis, operator manusia telah membawa penilaian, kepemilikan, dan kepercayaan yang diperlukan untuk menjembatani kesenjangan ini. Ketika alur kerja adalah bagian dari siklus operasional yang diatur, multi-langkah di mana setiap output memiliki bobot hukum dan keuangan, agen tujuan umum gagal. Setiap penyerahan yang rusak akhirnya muncul dalam angka.

Untuk perangkat lunak mengambil tanggung jawab operasional yang sebenarnya, pengawasan manusia harus tetap penting sebagai lapisan yang menjaga sistem tetap bertanggung jawab. Tantangan yang lebih luas adalah mengubah investasi industri yang substansial ini menjadi kenyataan fungsional. Data ventura menunjukkan bahwa perusahaan AI menangkap sekitar setengah dari semua pendanaan startup global pada 2025. Konsentrasi modal yang intens ini telah menempatkan tekanan besar pada penyedia perangkat lunak perusahaan untuk melampaui fitur obrolan sederhana dan membangun sistem yang benar-benar dapat menangani eksekusi berat, multi-langkah.

Mengapa Agen Vertikal Mengubah Siklus Operasional

Agen vertikal menjadi perlu ketika alur kerja memerlukan output yang dipercaya dalam kerangka regulasi yang ketat. Pasar sudah merespons keterbatasan ini dengan bergeser fokus dari alat perangkat lunak mandiri ke infrastruktur operasional yang siap agen.

Reuters melaporkan bahwa bank komersial dan investasi JPMorgan menunjuk seorang kepala operasional baru untuk memimpin strategi data dan AI, dengan tim yang berdedikasi untuk meningkatkan kualitas data, memperkuat tata kelola, dan mempersiapkan infrastruktur untuk agen AI di seluruh operasi seperti kredit dan pendaftaran klien. Perubahan institusional ini menyoroti kebenaran mendasar: model yang mampu tidak berguna tanpa lingkungan yang terstruktur yang dibangun untuk mengatur tindakannya.

Sebagian besar perusahaan, bagaimanapun, menangani masalah ini dari arah yang berlawanan, mencoba menerapkan perangkat lunak otonom dalam lingkungan warisan yang didefinisikan oleh penyebaran alat. Departemen keuangan perusahaan biasanya mengisolasi data di seluruh sistem terpisah untuk buku besar umum, manajemen biaya, tagihan yang harus dibayar, dan perencanaan keuangan.

Memperbaiki ini memerlukan perangkat lunak yang dirancang di sekitar bagaimana sistem-sistem ini saling bergantung. Dalam prakteknya, alat otomatis harus memahami bagaimana pilihan rekonsiliasi bergetar melalui penutupan bulan, mempengaruhi pelaporan waktu nyata, dan pada akhirnya mengubah keputusan modal. Dengan mengikat alur kerja ini ke lapisan operasional yang berkelanjutan, perangkat lunak menggeser peran manusia dari koordinasi data manual ke tinjauan pengecualian dan penilaian strategis.

Arsitektur Lapisan Data Operasional

Generasi pertama AI dalam operasional bisnis sangat bergantung pada pengetahuan statis, menarik dari dokumen, email, obrolan, dan laporan. Agen vertikal memerlukan fondasi teknis yang berbeda. Untuk mengoperasikan alur kerja keuangan dengan andal, agen memerlukan akses langsung ke keadaan langsung sistem bisnis. Agen harus melihat transaksi yang sedang berlangsung, persetujuan, pengecualian, kepemilikan, dan hubungan tepat di antaranya.

Tantangan rekayasa saat ini secara struktural berbeda. Tujuan adalah mempertahankan model waktu nyata tentang bagaimana bisnis beroperasi, bukan hanya mengambil pengetahuan statis. Banyak produk AI keuangan perusahaan bergelut untuk berkembang menjadi agen otonom yang sebenarnya karena mereka kekurangan fondasi ini. Bagian yang hilang adalah lapisan data operasional di bawah model, lapisan yang harus dipersiapkan dan diatur oleh manusia.

Model bahasa besar standar dapat membaca dokumen kebijakan perjalanan perusahaan dan menjawab pertanyaan pengguna tentang batas biaya. Namun, model yang sama tidak dapat mengapprove laporan biaya masuk secara otonom kecuali dapat secara bersamaan memverifikasi bahwa transaksi sesuai dengan kontrak klien yang disetujui, mengkonfirmasi alokasi anggaran yang tersisa, memeriksa batas persetujuan sejarah karyawan, dan menulis entri yang sesuai langsung ke buku besar perusahaan.

Tantangan Sistem Kerja Otonom

Otomatisasi bisnis membuktikan bahwa agentic AI adalah tantangan sistem, bukan tantangan kecerdasan. Kemampuan model bahasa besar yang mendasarinya menjadi kurang penting daripada arsitektur lingkungan yang dihuninya.

Ketika perangkat lunak menjalankan pekerjaan yang mempengaruhi neraca perusahaan atau kepatuhan regulasi, kesalahan membawa konsekuensi yang parah. Model tujuan umum kekurangan rel pengaman, skema khusus, dan pipa data langsung yang diperlukan untuk menjamin akurasi.

Generasi berikutnya dari perangkat lunak bisnis menampilkan sistem vertikal yang secara andal memiliki hasil dalam domain tertentu. Dengan memperkuat agen otonom dalam infrastruktur data yang terpadu, industri dapat menghilangkan overhead manual yang telah mendefinisikan operasional perusahaan selama dekade.

Filsafat sistem-pertama ini sepenuhnya mengubah cara perusahaan mendekati integrasi teknologi. Alih-alih mencari model monolitik tunggal yang dapat menjawab pertanyaan generik apa pun, perusahaan mencari platform khusus yang menggabungkan penyimpanan data, logika pemrosesan, rel pengaman keamanan, dan pengawasan manusia ke dalam antarmuka operasional tunggal. Nilai bergeser dari kekuatan komputasi mentah model dasar dan bergeser ke desain infrastruktur data.

Eksekusi sebenarnya dari operasional bisnis berat milik sistem operasional vertikal yang memprioritaskan integritas data dan tata kelola sistemik daripada kemampuan intelektual mentah. Dengan membangun fondasi infrastruktur yang dalam ini, industri beralih dari bottleneck administratif masa lalu dan memasuki era otonomi operasional yang sebenarnya.