Agentic AI adalah tren terbaru di ruang rapat. Tidak seperti alat AI generatif, AI agen bertindak sebagai agen otonom yang dapat berpikir, mengambil keputusan, dan bertindak di seluruh alur kerja untuk mencapai tujuan. Jika dilakukan dengan benar, mereka berjanji untuk mengurangi pekerjaan manual dan membuka level baru produktivitas.
Namun banyak pengguna awal alat AI sedang berjuang. Proyek percontohan terhambat, biaya meningkat, dan hasil tidak sesuai harapan. Masalahnya bukan karena AI agen dilebih-lebihkan, namun bisnis bergerak terlalu cepat tanpa strategi, infrastruktur, dan landasan data yang diperlukan agar bisnis dapat berjalan sebagaimana mestinya.
Dan hal ini tidak mengherankan mengingat 80% hingga 90% dari seluruh data perusahaan tidak terstruktur — berdasarkan beberapa laporan analis dalam beberapa tahun terakhir.
Kepala Strategi Inovasi di Hyland.
Sebagai seseorang yang telah membangun platform melalui berbagai gelombang ‘cerdas otomatisasi,’ Saya telah melihat secara langsung pola-pola serupa yang berulang: teknologi saja tidak mengubah organisasi, namun penyelarasan, tata kelola, dan kesiapan budayalah yang mengubah hal tersebut. Terobosan nyata terjadi ketika inovasi didasarkan pada kepercayaan dan terhubung dengan hasil bisnis.
Jika AI konvensional dapat menyortir faktur, AI agen dapat menyetujui pembayaran, menandai anomali, dan memperbarui sistem kepatuhan. Lompatan tersebut menuntut pemahaman kontekstual tentang bagaimana data, proses, dan aturan dapat selaras.
Terlalu banyak organisasi yang memperlakukan AI agen sebagai peningkatan langsung, seolah-olah mereka hanyalah chatbot yang lebih canggih. Kenyataannya lebih kompleks: AI agen perlu diintegrasikan ke dalam struktur perusahaan, terhubung dengan data dan alur kerja yang tepat, dan didukung oleh tata kelola. Tanpa landasan tersebut, otonomi dengan cepat menjadi kacau.
Infrastruktur dulu
Salah satu hambatan terbesar adalah infrastruktur. Banyak perusahaan masih menggunakan repositori konten yang terisolasi, sistem lama, dan integrasi yang terfragmentasi. Dalam lingkungan ini, AI agen tidak dapat mengakses seluruh data tidak terstruktur yang mereka perlukan untuk melakukan yang terbaik.
Di pemerintahan, misalnya, konten dan proses tersebar di berbagai lembaga, seringkali menggunakan proses yang sudah berumur puluhan tahun aplikasi. Meminta agen AI untuk mengambil keputusan tanpa mengintegrasikan sistem tersebut seperti memintanya menyusun puzzle yang separuh bagiannya hilang.
Mempersiapkan AI agen memerlukan investasi pada fondasi cloud-native dan platform konten yang dapat dioperasikan yang menyatukan informasi dan memungkinkan koneksi tanpa batas di seluruh aplikasi. Tanpa landasan ini, AI agen berisiko bertindak berdasarkan informasi yang parsial atau ketinggalan jaman, dan sebagai akibatnya membuat keputusan yang salah.
Data yang buruk membunuh otonomi
Bahkan dengan sistem yang tepat, kualitas data yang buruk masih merupakan kelemahan utama. Agentic AI berkembang dengan informasi yang lengkap, akurat, dan teratur. Jika kumpulan data tidak konsisten atau tersebar, AI agen tidak dapat mengambil keputusan yang tepat.
Layanan kesehatan menggambarkan tantangan ini dengan jelas. Agen yang mendukung dokter harus mengambil data dari riwayat medis, hasil lab, dan pencitraan data dalam waktu nyata. Jika ada satu bagian yang hilang atau tidak selaras, rekomendasi yang dihasilkan oleh teknologi agen ini bisa saja cacat.
Pelajaran bagi pengguna awal sudah jelas: mulailah dengan audit data dan dapatkan pemahaman yang kuat tentang lokasi data tidak terstruktur Anda. Ketahui apa yang Anda miliki, di mana ia berada, dan cara pengelolaannya sebelum menyerahkan wewenang pengambilan keputusan kepada AI.
Memperbaiki tata kelola
Kesalahpahaman lainnya adalah bahwa AI agen menghilangkan orang dari lingkaran. Faktanya, kasus penggunaan awal yang paling efektif memadukan otonomi dan pengawasan.
Ambil layanan keuangan. Agentic AI dapat memverifikasi dokumen dan menyusun laporan kepatuhan, namun manusia masih mengambil keputusan akhir mengenai kasus-kasus berisiko tinggi, atau bagaimana melanjutkannya ketika sebuah dokumen ditandai oleh agen. Keseimbangan ini mempercepat alur kerja tanpa mengikis kepercayaan dan akuntabilitas.
Tata kelola yang kuat harus ditanamkan sejak awal, mencakup regulasi, etika, dan pengendalian operasional. Tanpa hal ini, agen-agen ini berisiko memperbesar bias, melemahkan kepercayaan, dan membuat organisasi rentan terhadap kegagalan kepatuhan.
Pelajaran dari pengguna awal
Pengalaman para pengguna awal mengungkapkan tiga pembelajaran yang jelas.
Yang pertama, proyek akan berjalan paling baik jika dimulai dengan hasil bisnis yang jelas, bukan ketertarikan terhadap teknologi atau mengikuti tren. Organisasi yang meluangkan waktu untuk menentukan proses yang ingin mereka tingkatkan dan hasil yang ingin mereka capai adalah organisasi yang melihat adanya nilai.
Kedua, mereka berinvestasi sejak awal. Modern infrastruktur dan data yang bersih mungkin tidak menjadi berita utama, namun hal ini penting untuk mewujudkan inovasi yang menarik perhatian.
Dan yang terakhir, mereka memandang otonomi sebagai sesuatu yang perlu ditingkatkan secara bertahap. Penerapan yang paling efektif dimulai dengan model human-in-the-loop dan hanya akan berkembang menjadi otonomi yang lebih besar setelah kepercayaan diri dan kedewasaan tumbuh. Pendekatan ini membangun kepercayaan terhadap teknologi sekaligus menjaga akuntabilitas.
Pembelajaran awal ini sudah membentuk gambaran kedewasaan.
Bentuk kedewasaan
Seiring dengan semakin matangnya AI agen, AI akan bergerak melampaui eksperimen yang terisolasi dan menuju sistem yang saling terhubung. Terobosan nyata akan datang dari jaringan AI agen yang berkoordinasi di seluruh alur kerja.
Di rumah sakit, misalnya, satu agen mungkin menampilkan riwayat pasien, agen lain mengatur penjadwalan, dan agen ketiga menandai masalah penagihan; semuanya berkontribusi pada konteks bersama yang mendukung dokter.
Poin pembuktian akan menjadi hal yang tidak bisa dinegosiasikan. Bisnis akan mengharapkan agen untuk menunjukkan pekerjaan mereka, seperti data yang mereka gunakan, alasan yang mereka ikuti, dan pemeriksaan kepatuhan yang mereka terapkan. Tanpa transparansi ini, AI agen tidak akan dipercaya untuk menangani pekerjaan sensitif atau bernilai tinggi.
Dan lanskap teknologi itu sendiri harus terbuka. Organisasi menginginkan fleksibilitas untuk mengintegrasikan AI agen yang didukung oleh berbagai model, beralih penyedia seiring dengan berkembangnya kebutuhan, dan menskalakan di lingkungan hybrid atau multi-cloud. Fleksibilitas dan interoperabilitas akan sangat penting untuk melindungi investasi jangka panjang.
Di luar hype
Jauh dari kegagalan, AI agen masih berada pada tahap remaja. Sama seperti komputasi awan melewati fase transisi yang sulit sebelum terbukti sangat diperlukan, agen juga memerlukan periode penyesuaian.
Organisasi yang berhasil adalah organisasi yang melakukan persiapan terbaik, bukan mengadopsi yang tercepat. Dengan menyelaraskan strategi, memodernisasi infrastruktur, membersihkan data, dan menerapkan tata kelola, perusahaan dapat beralih dari eksperimen ke transformasi.
Dengan landasan yang tepat, AI agen dapat melakukan lebih dari sekadar mengotomatiskan tugas. Hal ini akan memungkinkan sistem yang benar-benar cerdas yang mengubah cara kerja dilakukan – dan hal ini dapat menjadi perubahan paling signifikan dalam teknologi perusahaan dalam satu generasi.
Kami telah menampilkan pembuat situs web AI terbaik.
Artikel ini dibuat sebagai bagian dari saluran Expert Insights TechRadarPro tempat kami menampilkan para pemikir terbaik dan tercemerlang di industri teknologi saat ini. Pandangan yang diungkapkan di sini adalah milik penulis dan belum tentu milik TechRadarPro atau Future plc. Jika Anda tertarik untuk berkontribusi, cari tahu lebih lanjut di sini: https://www.techradar.com/news/submit-your-story-to-techradar-pro
