Kebangkitan Agentic AI dalam Dunia Kerja

Agentic AI dan Transformasi Proses Bisnis Modern

Agentic AI tengah bergerak dari sekadar konsep futuristik menjadi infrastruktur nyata yang menopang operasi bisnis di berbagai sektor ekonomi global. Berbeda dari chatbot konvensional yang hanya merespons pertanyaan secara terpisah, agen AI terhubung langsung dengan sistem perangkat lunak lain dan mampu mengeksekusi tugas secara mandiri, dengan sedikit atau tanpa pengawasan manusia. Kapabilitas ini berpotensi mengubah cara organisasi merancang proses bisnis, mengelola biaya, dan mengukur produktivitas.

Sinan Aral, profesor manajemen, teknologi informasi, dan pemasaran di MIT Sloan, menegaskan bahwa era agentic AI bukan lagi wacana, melainkan realitas yang berkembang cepat. Menurutnya, agen AI telah digunakan secara luas untuk menangani beragam tugas bernilai tinggi di perekonomian global. CEO Nvidia, Jensen Huang, dalam pidato utama di Consumer Electronics Show 2025, bahkan memproyeksikan bahwa agentic AI di tingkat perusahaan akan membuka peluang ekonomi bernilai multi-triliun dolar di berbagai industri, mulai dari layanan kesehatan dan manufaktur hingga rekayasa perangkat lunak.

Survei musim semi 2025 oleh MIT Sloan Management Review dan Boston Consulting Group menunjukkan bahwa 35% organisasi responden telah mengadopsi agen AI pada 2023, dan 44% lainnya berencana menerapkannya dalam waktu dekat. Artinya, mayoritas perusahaan kini berada di jalur adopsi. Raksasa perangkat lunak seperti Microsoft, Salesforce, Google, dan IBM mempercepat tren ini dengan menanamkan kemampuan agentic AI langsung ke dalam platform branda, termasuk sistem CRM, ERP, dan alat kolaborasi.

Memahami Apa Itu Agentic AI dan Cara Kerjanya

Meski adopsinya meluas, Aral menilai banyak organisasi yang berada di garis depan penerapan agentic AI belum sepenuhnya memahami bagaimana memaksimalkan produktivitas dan kinerja melalui teknologi ini. Pada tingkat masyarakat, pemahaman tentang implikasinya juga masih dini. Teknologi ini menghidupkan kembali isu klasik berisiko tinggi seperti kualitas data, tata kelola, kepercayaan, dan keamanan informasi. Laju perkembangan yang sangat cepat mendorong banyak organisasi mengadopsi agentic AI sebelum benar-benar memahami kapabilitasnya atau memiliki strategi dan kerangka manajemen risiko yang matang.

Aral menekankan bahwa setiap organisasi perlu memiliki strategi yang jelas untuk menerapkan dan memanfaatkan agen AI, baik untuk kasus penggunaan yang berhadapan dengan pelanggan maupun yang bersifat internal. Strategi agentic AI yang efektif harus bertumpu pada pemahaman sistematis atas risiko dan manfaat bisnis, sehingga nilai yang dihasilkan dapat diukur dan dipertanggungjawabkan kepada pemangku kepentingan.

Belum ada definisi tunggal agentic AI yang disepakati secara universal di komunitas ilmiah maupun industri. Namun, para ahli sepakat mengenai karakteristik utamanya yang membedakannya dari sistem AI lain. Generative AI mampu menghasilkan teks, gambar, dan video kompleks sebagai respons terhadap prompt manusia. Agen AI melangkah lebih jauh dengan bertindak dan mengambil keputusan secara otonom, dengan cara yang menyerupai perilaku manusia, jelas John Horton, profesor madya di MIT Sloan yang meneliti ekonomi digital.

Definisi Teknis dan Kapabilitas Agen AI

Dalam sebuah makalah tentang implikasi ekonomi agen dan transaksi yang dimediasi AI, Horton dan rekan-rekannya memfokuskan kajian pada jenis agen AI tertentu yang relevan bagi pasar. Branda mendefinisikannya sebagai sistem perangkat lunak otonom yang mampu mengindra, bernalar, dan bertindak di lingkungan digital untuk mencapai tujuan atas nama prinsipal manusia. Agen ini dapat menggunakan berbagai alat, melakukan transaksi ekonomi, dan berinteraksi secara strategis dengan aktor lain.

Branda memanfaatkan komponen standar seperti API untuk berkomunikasi dengan agen lain dan manusia, mengirim dan menerima pembayaran, serta mengakses dan berinteraksi dengan internet dan basis data eksternal. Profesor MIT Sloan Kate Kellogg dan tim penelitinya menjelaskan lebih lanjut dalam makalah tahun 2025 bahwa agen AI memperluas kemampuan model bahasa besar dan sistem AI serbaguna lainnya dengan memungkinkan otomatisasi proses yang kompleks. Agen AI dapat mengeksekusi rencana multi-langkah, menggunakan alat eksternal, dan berinteraksi dengan lingkungan digital, sehingga berfungsi sebagai komponen kuat dalam alur kerja yang lebih besar dan terintegrasi.

Contoh yang dekat dengan konsumen adalah agen AI yang merencanakan seluruh liburan secara end-to-end. Agen ini menggabungkan preferensi pelancong dengan akses API ke situs web perjalanan, email, kalender, dan alat komunikasi seperti Slack atau Microsoft Teams. Ia dapat memilih penerbangan dan hotel terbaik berdasarkan anggaran dan preferensi, lalu, dengan izin penggunaan kartu kredit, menyelesaikan pemesanan dan pembayaran tanpa intervensi manusia, sekaligus mengirimkan jadwal perjalanan terstruktur.

Dari Dunia Digital ke Dunia Fisik

Di dunia fisik, agen AI dapat memantau umpan video real-time dan sistem visi komputer di gudang untuk mendeteksi anomali operasional, seperti kemacetan, kerusakan, atau pelanggaran prosedur keselamatan. Dalam situasi tertentu, agen AI dapat mengibarkan peringatan atau bahkan menghentikan ban berjalan jika terdeteksi masalah yang berpotensi menimbulkan kerugian atau kecelakaan. Aral menekankan bahwa agen AI tidak hanya bekerja di dunia digital, tetapi juga dapat memicu tindakan yang memengaruhi proses di dunia fisik melalui integrasi dengan sistem otomasi industri.

Aral membedakan antara agen AI individual dan konsep yang lebih luas, yaitu agentic AI, meskipun kedua istilah ini sering dipakai bergantian dalam diskursus populer. Ia mendefinisikan agentic AI sebagai sistem yang mengoordinasikan banyak agen yang bekerja bersama pada suatu tugas atau serangkaian tugas. Contohnya adalah marketplace di mana agen berbeda mewakili pembeli dan penjual selama negosiasi atau transaksi, sehingga interaksi ekonomi dimediasi oleh jaringan agen otonom.

Adopsi Lintas Industri dan Contoh Kasus Penggunaan

Berbagai organisasi di banyak sektor mulai menerapkan agen AI dalam skala yang meningkat. Di perbankan dan jasa keuangan, perusahaan seperti JPMorgan Chase mengeksplorasi penggunaan agen untuk deteksi penipuan, pemberian nasihat keuangan yang dipersonalisasi, serta otomatisasi persetujuan pinjaman dan alur kerja hukum serta kepatuhan. Penerapan ini berpotensi mengurangi kebutuhan akan staf junior untuk tugas rutin dan meningkatkan kecepatan pemrosesan.

Di sektor ritel, perusahaan seperti Walmart membangun agen berbasis LLM untuk mengotomatisasi belanja personal, menyederhanakan customer service, dan mendukung proses bisnis kompleks seperti perencanaan barang dagangan, manajemen rantai pasok, dan penyelesaian masalah operasional di toko. Kellogg menyoroti bahwa keunggulan utama sistem agentic AI adalah kemampuannya menyelesaikan alur kerja lengkap yang terdiri dari banyak langkah dan mengeksekusi tindakan secara end-to-end.

Salah satu kasus penggunaan paling penting adalah otomatisasi tugas yang biasanya dilakukan manusia, seperti menyusun kontrak, bernegosiasi, atau menetapkan harga, dengan biaya marjinal yang jauh lebih rendah dibandingkan tenaga kerja manusia. Peyman Shahidi, kandidat doktor di MIT Sloan, menyatakan bahwa janji ekonomi fundamental dari agen AI adalah kemampuannya menurunkan biaya transaksi secara drastis, termasuk waktu dan upaya yang dibutuhkan untuk pencarian, komunikasi, dan pengaturan kontrak dalam berbagai pasar.

Dampak Ekonomi: Penurunan Biaya Transaksi dan Kualitas Keputusan

Horton menambahkan bahwa agen AI juga menciptakan nilai ekonomi dengan membantu manusia membuat keputusan yang lebih baik di pasar yang kompleks. Penelitiannya bersama Shahidi menunjukkan bahwa orang cenderung menggunakan agen AI dalam dua jenis situasi utama yang memiliki karakteristik berbeda. Pertama, di pasar dengan transaksi bernilai tinggi, seperti properti atau investasi, agen AI dapat memproses volume data dan dokumentasi yang besar tanpa kelelahan dan dengan biaya marjinal hampir nol.

Kedua, dalam konteks dengan banyak calon mitra atau opsi yang mahal untuk dievaluasi, seperti pendanaan startup, penerimaan perguruan tinggi, atau pengadaan B2B, agen AI dapat membaca ulasan, menganalisis metrik, dan membandingkan atribut di berbagai pilihan secara sistematis. Agen AI tidak pernah lelah dan dapat bekerja sepanjang waktu dengan konsistensi yang relatif stabil.

Penelitian Horton dan Shahidi juga menunjukkan bahwa agen AI sangat berharga di pasar dengan asimetri informasi, misalnya saat membeli asuransi atau mobil bekas secara online. Agen dapat memantau banyak sumber informasi secara terus-menerus, melakukan pemeriksaan silang data, dan dengan cepat menandai inkonsistensi yang mungkin membutuhkan waktu berjam-jam bagi manusia untuk menemukannya. Dalam konteks seperti pembelian rumah atau perencanaan warisan, agen AI dapat memberikan wawasan yang ditarik dari jutaan transaksi sebelumnya, sehingga memperkuat posisi tawar individu dalam negosiasi.

Kolaborasi Manusia–AI dan Tantangan Implementasi

Riset Aral menunjukkan bahwa ketika manusia berkolaborasi dengan agen AI, kemitraan ini dapat meningkatkan produktivitas dan kinerja secara signifikan dalam berbagai tugas kognitif. Namun, praktik terbaik untuk menerapkan agentic AI masih terus berkembang, sehingga organisasi perlu memegang beberapa prinsip kunci yang berorientasi pada tata kelola dan hasil bisnis.

Pertama, organisasi harus menyadari bahwa implementasi sering kali menjadi bagian tersulit dalam siklus hidup agentic AI. Membuat agentic AI bekerja dalam konteks dunia nyata jauh lebih menantang daripada yang dibayangkan dalam prototipe laboratorium. Dalam studi tahun 2025, Kellogg dan koleganya meneliti agen AI yang dirancang untuk mendeteksi kejadian merugikan pada pasien kanker melalui analisis catatan klinis. Hambatan utama bukan terletak pada rekayasa prompt atau penyetelan model, melainkan pada pekerjaan dasar seperti rekayasa data, penyelarasan pemangku kepentingan, penetapan tata kelola, dan integrasi agen ke dalam alur kerja klinis yang sudah ada.

Standarisasi dan strukturisasi data untuk digunakan oleh agen AI menjadi sangat krusial dalam konteks organisasi besar. Langkah ini memungkinkan agen mengenali berbagai sumber dan kebutuhan data sambil menjaga konsistensi dan kualitas. Organisasi juga memerlukan kerangka validasi berkelanjutan, manajemen API yang kuat, dan kolaborasi erat dengan vendor untuk memastikan penggunaan versi model yang mutakhir dan aman. Prioritas lain mencakup penerapan kontrol regulasi yang tepat, penetapan pagar pembatas untuk mencegah drift pada prompt dan model, serta pendefinisian hasil dan indikator kinerja kunci yang jelas di setiap tahap penerapan.

Mengukur Nilai Bisnis dan Merancang “Kepribadian” Agen

Sama pentingnya, organisasi harus menetapkan metrik yang terhubung erat dengan tujuan bisnis dan indikator nilai ekonomi. Manfaat agentic AI mudah disalahartikan jika hanya dilihat dari penghematan waktu atau jumlah tugas yang diotomatisasi. Kellogg mengingatkan bahwa pengembalian 20% waktu seseorang oleh model agentic AI tidak otomatis setara dengan penghematan biaya tenaga kerja 20%, karena struktur organisasi dan beban kerja tidak selalu dapat disesuaikan secara proporsional.

Kedua, organisasi perlu merancang “kepribadian” agen AI secara cermat dan berbasis bukti empiris. Dalam eksperimen pemasaran berskala besar, tim Aral menemukan bahwa menyesuaikan kepribadian agen AI agar melengkapi kepribadian rekan manusia dan agen lain dapat meningkatkan kinerja, produktivitas, dan kerja tim. Individu dengan kepribadian lebih terbuka, misalnya, berkinerja lebih baik ketika dipasangkan dengan agen AI yang teliti dan menyenangkan. Sebaliknya, orang yang sangat teliti justru berkinerja lebih buruk ketika bekerja dengan agen yang terlalu menyenangkan dan kurang kritis.

Aral menegaskan bahwa tim manusia dapat berkinerja lebih baik atau lebih buruk tergantung pada kombinasi kepribadian anggotanya. Hal yang sama berlaku ketika agen AI ditambahkan ke dalam tim sebagai mitra kerja digital. Seseorang yang terlalu percaya diri mungkin diuntungkan oleh agen AI yang menantang asumsi-asumsinya, sementara agen yang sama mungkin kurang efektif bagi individu yang kurang percaya diri dan membutuhkan dukungan afirmatif.

Pendekatan Berpusat pada Manusia dan Tata Kelola yang Kuat

Ketiga, organisasi perlu mengadopsi pendekatan pengambilan keputusan yang berpusat pada manusia dalam desain agentic AI. Riset Aral menunjukkan bahwa agen AI masih kesulitan menangani tugas yang relatif mudah bagi manusia, seperti pengecualian, kasus tidak lazim, atau situasi yang memerlukan penilaian moral. Proses pengambilan keputusan agen juga belum sepenuhnya dipahami, baik oleh pengguna maupun pengembang. Hal ini sebagian disebabkan oleh pelatihan agen untuk bertindak dalam situasi yang terdefinisi dan berbasis data historis.

Karena itu, pengambilan keputusan agentic AI harus diselaraskan dengan proses pengambilan keputusan yang berpusat pada manusia, termasuk mekanisme eskalasi dan persetujuan akhir. Seiring pematangan agentic AI, organisasi harus menghadapi berbagai tantangan, termasuk kebutuhan akan pemantauan berkelanjutan, tata kelola yang kuat, dan akuntabilitas yang jelas di seluruh lini.

Lanskap risiko masih terus berkembang, tetapi Kellogg menekankan bahwa pemantauan harus diperlakukan sebagai biaya operasional berkelanjutan, bukan proyek satu kali yang selesai setelah peluncuran. Organisasi disarankan membentuk dewan tata kelola untuk mengawasi akuntabilitas di tingkat tinggi, sekaligus menetapkan tanggung jawab spesifik, seperti pemantauan dan penegakan aturan keselamatan, kepada individu tertentu dengan mandat yang jelas.

Risiko, Akuntabilitas, dan Pembuktian Nilai Bisnis

Ketika agensi berpindah dari manusia ke mesin, pentingnya tata kelola dan infrastruktur untuk mengendalikan serta mendukung sistem agentic AI meningkat secara signifikan. Menunjukkan nilai bisnis juga menjadi salah satu aspek paling sulit dan berisiko dari adopsi agentic AI. Tanpa metrik yang kuat dan disepakati bersama, sulit membuktikan bahwa sistem ini benar-benar mencapai hasil yang diinginkan, alih-alih secara tidak sengaja memperkenalkan risiko baru, seperti bias, kesalahan sistemik, atau kerentanan keamanan.

Ringkasnya, agentic AI adalah agen AI otonom yang mampu bertindak, berinteraksi dengan sistem digital lain, dan mengeksekusi alur kerja kompleks dengan sedikit campur tangan manusia. Teknologi ini telah diadopsi secara luas di berbagai industri dan diproyeksikan menciptakan peluang ekonomi bernilai triliunan dolar, seiring meningkatnya integrasi dengan sistem bisnis inti.

Agen AI berbeda dari chatbot biasa karena dapat merencanakan dan menjalankan tugas multi-langkah, menggunakan API, melakukan transaksi ekonomi, dan berkoordinasi dengan agen lain dalam ekosistem digital. Contoh penerapannya mencakup perencanaan liburan end-to-end, pemantauan gudang real-time, deteksi penipuan, otomatisasi proses pinjaman, layanan belanja personal, hingga penyusunan dan negosiasi kontrak yang kompleks.

Strategi Implementasi: Dari Data hingga Metrik Kinerja

Secara ekonomi, agentic AI menjanjikan penurunan biaya transaksi dan peningkatan kualitas keputusan, terutama di pasar bernilai tinggi atau yang penuh asimetri informasi, seperti properti, investasi, asuransi, dan pengadaan B2B. Kolaborasi manusia–agen dapat meningkatkan produktivitas, tetapi keberhasilan implementasi sangat bergantung pada rekayasa data, integrasi alur kerja, tata kelola, pemantauan berkelanjutan, dan perancangan metrik kinerja yang relevan.

Organisasi disarankan untuk menyusun strategi agentic AI yang menimbang manfaat dan risiko secara sistematis, menstandarkan data, membangun kerangka validasi dan manajemen API yang kuat, merancang kepribadian agen AI yang selaras dengan kepribadian manusia, serta mempertahankan pendekatan pengambilan keputusan yang berpusat pada manusia dengan tata kelola dan metrik kinerja yang jelas. Tanpa metrik yang kuat dan tata kelola memadai, sulit membuktikan bahwa agentic AI benar-benar memberikan nilai bisnis dan tidak justru menambah risiko baru yang dapat merugikan organisasi dan pemangku kepentingan.