Apa yang Salah dengan Pemahaman Perusahaan tentang Agentic AI

Agentic AI telah menjadi salah satu teknologi perusahaan yang paling dibicarakan pada 2025, namun penerapan yang sebenarnya masih jarang. Analis mencatat bahwa meskipun ribuan alat dipasarkan sebagai “agen,” sebagian besar tidak memiliki otonomi yang sebenarnya. Tinjauan Gartner terhadap sekitar 3.000 penawaran agen menemukan bahwa hanya 4% menunjukkan perilaku agen yang sebenarnya, sementara sebagian besar lainnya hanya chatbot atau otomatisasi yang ditulis. “Pencucian agen” ini menyebabkan perusahaan salah menganggap RPA, otomatisasi alur kerja, atau akses ChatGPT perusahaan sebagai sistem agen yang sebenarnya yang mengejar tujuan, bereaksi terhadap informasi baru, dan bekerja di seluruh data yang tidak terstruktur.

Kesalahpahaman: RPA, Lisensi ChatGPT, dan Hype

RPA vs. Agentic AI:

Alat RPA tradisional mengikuti instruksi statis yang telah ditentukan sebelumnya. Agentic AI merencanakan tindakan berdasarkan konteks dan menggunakan alat, API, dan sumber data yang tersedia. Seperti IDC dan penelitian industri lain mencatat, RPA menjalankan aturan tetap sementara agen beradaptasi secara dinamis. Banyak alur kerja yang dijual sebagai “otomatisasi cerdas,” yang menggabungkan chatbot dengan pengambilan layar, salah disajikan sebagai sistem agen.

Lisensi ChatGPT vs. Penerapan AI:

Perusahaan sering menganggap bahwa membeli kursi untuk ChatGPT Enterprise atau Copilot berarti mereka telah “menerapkan AI.” Pada kenyataannya, ini hanya memberikan antarmuka obrolan kepada karyawan. Menlo Ventures melaporkan bahwa <strong;kurang dari 10% perusahaan telah menerapkan AI di luar alat obrolan umum, bahkan ketika eksperimen karyawan mendorong tim IT untuk mengadopsinya. Antarmuka chatbot secara fundamental berbeda dari agen yang berorientasi pada tujuan.

Janji Vendor yang Berlebihan:

Perusahaan rintisan dan konsultasi sering mengiklankan “agen” sebagai solusi untuk setiap proses bisnis. Penelitian menunjukkan bahwa 88% eksekutif mendanai upaya agentic AI, namun <strong;kurang dari 2% dari proyek tersebut mencapai skala produksi. Gartner memprediksi bahwa lebih dari 40% dari inisiatif agentic AI saat ini akan dibatalkan pada 2027 karena kinerja yang buruk atau persyaratan yang tidak jelas.

Apa Itu Agentic AI Sebenarnya

Agentic AI melibatkan pengambilan keputusan yang hampir otonom. Agen yang sebenarnya menerima tujuan, mengakses informasi dan alat, dan menentukan langkah-langkah yang diperlukan untuk mencapai tujuannya. Tidak seperti alur kerja yang kaku, agen dapat berubah arah ketika variabel baru muncul.

Kerangka modern menggambarkan bagaimana ekosistem berkembang. LangChain’s LangGraph menyediakan runtime yang siap produksi untuk agen. DeepLearning.AI’s DSPy menawarkan primitif untuk rencana, pekerja, dan alat. Platform yang muncul seperti IBM’s crewAI dan Microsoft’s AutoGen menyoroti pertumbuhan dalam orkestrasi multi-agen. Alat-alat ini masih dalam tahap awal, dan sebagian besar perusahaan kekurangan keahlian internal yang diperlukan untuk mengoperasikannya secara efektif.

Peluang di Industri yang Diatur

Sektor yang diatur seperti keuangan, asuransi, dan perawatan kesehatan adalah kandidat yang kuat untuk otomatisasi agen.

Keuangan:

Alat AI dan agen-otomatisasi digunakan oleh bank untuk menyederhanakan kepatuhan, pendaftaran, dan alur kerja KYC/AML – secara otomatis memverifikasi dokumen, menjalankan skrining risiko dan sanksi, dan menandai kasus untuk tinjauan manusia. Menurut SS&C Blue Prism, ini dapat secara signifikan mempercepat pendaftaran: satu bank melihat 49% pengurangan waktu dari pembukaan akun hingga perdagangan. Sementara itu, pada 2025 sebagian besar bank secara global menerapkan atau mengevaluasi generative-AI, survei Temenos menemukan 36% sudah menerapkan atau sedang dalam proses, dan 39% sedang mengevaluasi. Survei EY-Parthenon pada 2025 melaporkan 61% bank yang menggunakan GenAI telah mengamati manfaat yang signifikan. Analisis tingkat industri memperkirakan bahwa otomatisasi berbasis AI dapat menghasilkan peningkatan produktivitas 30-50% dalam fungsi kepatuhan, operasional, dan manajemen risiko.

Asuransi:

Pengolahan klaim, penjaminan, dan deteksi penipuan dapat dipetakan dengan baik ke sistem agen. Agen klaim dapat membaca dokumen, menarik rincian kebijakan, memverifikasi persyaratan, dan mengusulkan langkah selanjutnya. Penelitian dari BCG menunjukkan bahwa pelopor awal mencapai penanganan klaim sekitar 40% lebih cepat dan peningkatan kepuasan pelanggan dua digit. Dengan peraturan seperti Pedoman AI NAIC, perusahaan asuransi dapat menyematkan aturan langsung ke logika operasional agen. Analisis Menlo Ventures pada 2025 bahwa 92% dari perusahaan asuransi kesehatan AS menggunakan AI untuk pengujian kepatuhan, pemeriksaan bias, dan tugas audit.

Perawatan Kesehatan:

Organisasi perawatan kesehatan beralih ke agen untuk mendukung dokumentasi klinis, triase, penjadwalan, dan analisis awal di bawah pengawasan klinisi. Kaiser Permanente menerapkan AI generatif di 40 rumah sakit untuk dokumentasi menurut Menlo Ventures, mengurangi beban administratif. Mayo Clinic menginvestasikan lebih dari $1 miliar dalam strategi otomatisasi yang didukung AI. Persyaratan kepatuhan yang ketat sering mengarah ke sistem agen yang lebih aman dan dapat diaudit.

Di seluruh sektor ini, aturan yang terdefinisi dengan baik seperti pedoman penjaminan, kebijakan kredit, dan protokol klinis dapat dikodekan sebagai pengaman yang membentuk perilaku agen.

Tantangan Teknis dan Tata Kelola

Perusahaan menghadapi beberapa hambatan ketika menerapkan sistem agen.

Kompleksitas Data dan Integrasi:

Agen memerlukan akses ke API, dokumen, database, dan informasi waktu nyata. Tim harus mengindeks volume besar data yang tidak terstruktur, mengonfigurasi server Protokol Konteks Model, dan membangun antarmuka alat yang dapat diandalkan. Tugas-tugas ini sering melebihi keterampilan IT saat ini.

Fragmentasi Alat:

Tidak ada kerangka agen standar. LangGraph, DSPy, AutoGen, dan alat serupa masing-masing memiliki trade-off terkait keamanan, fleksibilitas, dan kematangan. Banyak perusahaan beralih ke perusahaan konsultasi atau vendor “agen-dalam-kotak” hanya untuk menerima solusi yang rapuh atau tidak lengkap.

Evaluasi dan Pengamatan:

Mengukur akurasi agen, keamanan, dan drift memerlukan pipa evaluasi, pengujian skenario, dan pemantauan waktu nyata. Tanpa sistem ini, agen dapat membuat keputusan yang salah tanpa terdeteksi.

Keamanan dan Risiko yang Muncul:

Otonomi agen memperkenalkan risiko baru. Analisis BCG menyoroti kesalahan berantai, risiko impersonasi agen, dan kerentanan dalam urutan panggilan alat. Vektor serangan ini sangat mengkhawatirkan di keuangan dan perawatan kesehatan, di mana paparan data atau kesalahan keputusan memiliki konsekuensi tinggi.

Celah Keterampilan:

Sebagian besar insinyur perusahaan memahami API dan database tetapi kekurangan pengalaman dengan loop agen, teknik prompt, atau penggabungan alat. Gartner mencatat bahwa banyak eksekutif yang mendanai inisiatif agen tidak sepenuhnya memahami apa yang memenuhi syarat sebagai agen yang sebenarnya, menyebabkan tingkat keberhasilan yang rendah.

Membangun Agen AI yang Siap Perusahaan

Para ahli merekomendasikan beberapa praktik untuk organisasi yang membangun alur kerja agen, terutama di lingkungan yang berisiko tinggi.

Arsitektur yang Dirancang dengan Keamanan:

Tentukan batas otonomi, izin, dan jejak audit dari awal. Berikan akses hanya yang diperlukan dan sematkan logging dan pengaman ke dalam sistem. BCG menekankan pentingnya merancang tata kelola ke dalam inti arsitektur.

Platform yang Dipandu oleh Kebijakan:

Gunakan platform yang terintegrasi dengan sistem yang ada dan menerapkan aturan pada saat runtime. Mesin kebijakan dapat memvalidasi panggilan alat terhadap standar perusahaan sebelum eksekusi, memastikan perilaku yang dapat diulang dan diaudit.

Pengawasan Manusia-dalam-Loop:

Langkah kritis harus mencakup tinjauan manual, terutama dalam proses yang diatur. Dasbor dan peringatan memungkinkan tim untuk mengawasi tindakan agen secara waktu nyata dan menaikkan anomali dengan cepat.

Pengujian dan Umpan Balik yang Kuat:

Perusahaan harus menjalankan simulasi sandbox, backtest, dan pengujian stres skenario sebelum penerapan. Evaluasi terus-menerus dapat mendeteksi drift, kesalahan, dan penyimpangan kepatuhan. Mengobati agen seperti komponen perangkat lunak dengan pipa CI/CD meningkatkan keandalan.

Kerangka terus berkembang dengan fitur untuk memori, otorisasi, dan kemampuan audit. Dalam jangka panjang, perusahaan menginginkan platform terpadu di mana mereka mendefinisikan tujuan dan kebijakan, dan sistem mengelola prompt, akses data, dan alur kerja kepatuhan.

Kesimpulan

Agentic AI memiliki potensi signifikan untuk mengubah alur kerja yang kompleks di industri yang diatur. Kesuksesan yang sebenarnya memerlukan arsitektur yang aman, tata kelola yang dipandu oleh kebijakan, pengawasan manusia, dan pengujian yang ketat. Perusahaan yang mendekati agentic AI sebagai kemampuan perangkat lunak inti daripada label pemasaran akan menangkap nilai yang signifikan, sementara mereka yang mengandalkan hype berisiko mengalami pilot yang terhambat dan investasi yang terbuang.