Munculnya Agentic AI dan Arsitektur yang Akan Menggerakannya

Selama beberapa tahun terakhir, sebagian besar kemajuan dalam AI telah terkait dengan ukuran. Model yang lebih besar, dataset yang lebih besar, semuanya lebih besar. Dan memang, itu membawa kita jauh. Tapi ketika kita memasuki 2026, rasanya seperti kita telah mencapai titik hasil yang menurun. Model terus membesar dan video demo terus menjadi lebih flash, tapi itu tidak berubah menjadi nilai operasional yang sebenarnya untuk sebagian besar perusahaan. Jarak antara “prototipe yang keren” dan “ini benar-benar menjalankan bisnis kita” masih terlalu lebar.

Apa yang mulai menggerakkan garis itu adalah pergeseran menuju agentic AI. Alih-alih menunggu prompt dan menghasilkan satu jawaban, sistem ini beroperasi lebih seperti komponen perangkat lunak yang persisten yang mengejar tujuan, bereaksi terhadap informasi baru, dan menyesuaikan diri saat mereka berjalan. Ini adalah pola pikir yang sangat berbeda dari apa yang telah kita bangun selama dekade terakhir, dan itu memerlukan kita untuk memikirkan kembali arsitektur di sekitar AI – tidak hanya model itu sendiri.

Perubahan dari Keluaran Sekali ke Tindakan Terus-Menerus

Generative AI telah mengubah cara orang berinteraksi dengan komputer, tapi loopnya belum berubah banyak. Anda bertanya, itu menjawab, dan percakapan reset. Sistem agentic tidak berperilaku seperti itu. Mereka mengambil data langsung, mengawasi perubahan, membuat keputusan, dan merevisinya jika hal-hal tidak berjalan seperti yang diharapkan.

Misalnya masalah yang tidak sesuai dengan satu langkah: perjalanan pelanggan yang berlangsung selama beberapa hari atau minggu, tingkat inventori yang berfluktuasi setiap jam, pola penipuan yang berkembang secara real-time. Ini bukanlah “berikan saya jawaban sekali dan saya selesai” masalah. Mereka adalah loop yang berkelanjutan.

Bagian yang mengejutkan adalah bahwa bottleneck bukanlah model. Ini adalah arsitektur di sekitarnya. Jika agen tidak memiliki data yang tepat, atau data tidak setuju di seluruh sistem, agen berakhir dengan membuat keputusan yang salah, dengan cepat dan percaya diri.

Data Terpadu Menjadi Kebenaran untuk Setiap Agen

Kita semua telah merasakan sakitnya data yang kacau dan terfragmentasi. Dalam sistem agentic, data yang kacau tidak hanya mengganggu – itu memecahkan loop seluruhnya.

Agen perlu memahami dunia dengan cara yang sama seperti bisnis Anda. Dalam pemasaran, itu berarti memahami siapa pelanggan, apa yang telah mereka lakukan, dan apa yang penting bagi mereka sekarang. Ketika satu sistem berpikir “Pelanggan A” adalah orang yang sama dan sistem lain melihat tiga profil yang berbeda, agen tidak dapat membuat pilihan yang cerdas.

Data pelanggan yang terpadu dan terpecahkan menjadi “lapisan memori” untuk sistem otonom. Ini menjaga setiap agen beroperasi dari fakta yang sama. Bonus: itu membuat sistem ini jauh lebih mudah dipahami. Ketika keputusan dapat ditelusuri kembali ke data yang bersih dan konsisten, tim tidak perlu melakukan penyelidikan forensik untuk mengetahui mengapa AI melakukan sesuatu yang aneh.

Ekosistem Agen Menggantikan Platform AI All-In-One

Banyak perusahaan telah beralih ke platform AI all-in-one, biasanya karena takut untuk menyatukan semuanya. Dengan agentic AI, keseimbangan bergeser.

Kita akan melihat ekosistem agen yang lebih kecil, khusus yang berbagi konteks dan berkoordinasi dengan satu sama lain. Ini lebih dekat dengan pergeseran yang kita lihat dari aplikasi monolitik besar ke layanan mikro – kecuali sekarang “layanan” ini dapat bernalar.

Untuk melakukan ini, data dan identitas harus konsisten. API perlu membawa makna, bukan hanya bidang. Dua agen harus melihat peristiwa yang sama dan menafsirkannya dengan cara yang sama. Ketika Anda mendapatkan ini dengan benar, Anda dapat menambahkan agen baru atau meningkatkan agen yang ada tanpa mengeluarkan seluruh sistem.

Pemasaran Akan Merasakan Transisi Ini Awal

Jika ada satu bagian bisnis yang akan merasakan perubahan ini pertama, itu adalah pemasaran.

Saat ini, wawasan hidup di satu tempat, pekerjaan kreatif hidup di tempat lain, dan aktivasi terjadi di alat yang sama sekali berbeda. Semuanya disatukan dengan handoff dan ekspor yang sudah ketinggalan zaman. Dengan sistem agentic, langkah-langkah ini berhenti menjadi terpisah.

Agen dapat mengambil profil yang terpadu, pola perilaku, dan sinyal niat waktu nyata dan menggunakannya untuk membentuk konten dan tawaran secara langsung. Kampanye menjadi objek yang hidup yang menyesuaikan diri ketika pelanggan berperilaku secara berbeda. Dalam waktu, tumpukan menjadi lebih ringan dan lebih terhubung karena kecerdasan berada di tengah-tengah alih-alih tersebar di seluruh alat.

Sebagian Besar Perusahaan Akan Perlu Memperbarui Arsitektur Mereka

Inilah kenyataannya: sebagian besar perusahaan mencoba memasang agentic AI ke dalam sistem yang tidak dirancang untuk itu. Dan retakan mulai terlihat.

Dalam survei baru-baru ini, hampir 60% pemimpin AI mengatakan bahwa hambatan terbesar mereka adalah integrasi warisan dan manajemen risiko. Itu adalah cara lain untuk mengatakan: sistem kami tidak dirancang untuk perangkat lunak otonom, dan tata kelola belum tertinggal.

Untuk membuat ini berfungsi dalam skala besar, organisasi akan perlu:

• Membangun model data yang dapat berkembang ketika agen belajar dan bisnis bergeser
• Menempatkan pengaman yang memantau perilaku agen, menangkap drift, dan menandai masalah
• Membuat loop umpan balik sehingga agen dapat meningkatkan tanpa memerlukan reset manusia yang konstan

Manusia Berpindah dari Menginstruksikan ke Mengarahkan

Ketika agen mengambil lebih banyak pekerjaan taktis, peran manusia menjadi lebih tentang penyelarasan daripada instruksi. Alih-alih mengatakan kepada agen apa yang harus dilakukan langkah demi langkah, orang akan menetapkan tujuan, batasan, dan prinsip. Pengawasan menjadi tentang memantau pola, bukan menyetujui setiap tindakan.

Ini adalah satu-satunya cara pengawasan yang skalabel. Satu orang dapat mengawasi banyak agen jika tujuannya adalah untuk memeriksa apakah mereka secara kolektif tetap pada jalur. Manusia masih membuat keputusan besar, menetapkan prioritas, dan mengelola pengaman. Agen melakukan pekerjaan berat di dalam loop.

Terobosan Sebenarnya Tidak Akan Menjadi Model yang Lebih Besar

Ketika kita melihat kembali ke 2026, cerita itu tidak akan menjadi “model dengan parameter dua kali lipat mengubah semuanya.” Ini akan menjadi pergeseran dari pemikiran yang berfokus pada model ke pemikiran yang berfokus pada arsitektur.

Sistem agentic memerlukan kontinuitas, konteks yang dibagikan, dan kemampuan untuk berkolaborasi. Tidak ada yang datang dari ukuran saja. Ini datang dari arsitektur yang Anda bangun di sekitar kecerdasan.

Perusahaan yang memikirkan kembali data mereka, memodernisasi infrastruktur mereka, dan mengadopsi agen yang dapat beroperasi bersama akan menjadi mereka yang membuka kemampuan sebenarnya dari sistem otonom—jauh sebelum putaran lain dari penskalaan model memukul pasar.