Di mana pun kita melihat, orang berbicara tentang AI agents seolah-olah mereka hanya berjarak satu prompt dari menggantikan seluruh departemen. Impiannya memang menggoda: sistem otonom yang dapat menangani apa pun yang Anda berikan, tanpa batasan, tanpa kendala. Cukup berikan kredensial AWS Anda dan mereka akan menyelesaikan semua masalah Anda.
Namun kenyataannya, dunia bisnis tidak bekerja seperti itu, terutama di lingkungan enterprise di mana keandalan bukanlah pilihan. Bahkan jika sebuah agent memiliki akurasi 99%, itu tidak selalu cukup baik. Jika tugasnya mengoptimalkan rute pengiriman makanan, itu berarti satu dari setiap seratus pesanan berakhir di alamat yang salah. Dalam konteks bisnis, tingkat kegagalan seperti itu tidak dapat diterima. Ini mahal, berisiko, dan sulit dijelaskan kepada pelanggan atau regulator.
Dalam lingkungan dunia nyata seperti keuangan, kesehatan, dan operasional, sistem AI yang benar-benar memberikan nilai tidak terlihat seperti fantasi “frontier” ini. Mereka tidak berimprovisasi di dunia yang terbuka (open world); mereka memecahkan masalah yang terdefinisi dengan baik dengan input yang jelas dan hasil yang dapat diprediksi. Jika kita terus mengejar masalah open-world dengan teknologi yang belum matang, kita akan membuang waktu, uang, dan kepercayaan. Tetapi jika kita fokus pada masalah yang ada di depan kita, yang memiliki ROI dan batasan yang jelas, kita dapat membuat AI bekerja hari ini. Artikel ini adalah tentang membedah hype dan membangun AI agents yang benar-benar dapat diimplementasikan, dijalankan, dan membantu bisnis di Indonesia.
Memahami Masalah: Open World vs. Closed World
Industri teknologi menyukai “moonshot” (dan sejujurnya, saya juga). Saat ini, moonshot-nya adalah AI open-world – agents yang dapat menangani apa pun, beradaptasi dengan situasi baru, belajar dengan cepat, dan beroperasi dengan informasi yang tidak lengkap atau ambigu. Ini adalah impian kecerdasan umum (artificial general intelligence – AGI): sistem yang tidak hanya dapat bernalar, tetapi juga berimprovisasi.
Masalah open-world didefinisikan oleh apa yang tidak kita ketahui. Secara lebih formal, mengutip penelitian yang mendefinisikan lingkungan kompleks ini, dunia yang sepenuhnya terbuka dicirikan oleh dua properti inti: Waktu dan ruang tidak terbatas (unbounded), artinya pengalaman masa lalu agent mungkin tidak berlaku untuk skenario baru yang belum pernah dilihat. Tugas tidak terbatas (unbounded), artinya tidak ditentukan sebelumnya dan dapat muncul secara dinamis. Dalam lingkungan seperti itu, AI beroperasi dengan informasi yang tidak lengkap; ia tidak dapat berasumsi bahwa apa yang tidak diketahui kebenarannya adalah salah, itu hanya tidak diketahui. AI diharapkan dapat beradaptasi dengan perubahan tak terduga dan tugas-tugas baru saat ia menavigasi dunia. Ini menghadirkan serangkaian masalah yang sangat sulit bagi kemampuan AI saat ini.
Sebaliknya, masalah closed-world adalah masalah di mana ruang lingkup diketahui, aturan jelas, dan sistem dapat berasumsi memiliki semua data yang relevan. Jika sesuatu tidak secara eksplisit benar, itu dapat dianggap salah. Ini adalah jenis masalah yang sebenarnya dihadapi sebagian besar bisnis setiap hari: pencocokan faktur, validasi kontrak, deteksi penipuan, pemrosesan klaim, peramalan inventaris, atau sistem parkir pintar.
Agen AI Enterprise: Lebih dari Sekadar Chatbot
Ketika orang membayangkan AI agents saat ini, mereka cenderung membayangkan jendela chat. Pengguna mengetik prompt, dan agent merespons dengan jawaban yang membantu (bahkan mungkin memicu satu atau dua tool). Itu bagus untuk demo dan aplikasi konsumen, tetapi bukan itu cara kerja AI enterprise dalam praktiknya.
Di lingkungan enterprise, sebagian besar agents yang berguna tidak diinisiasi oleh pengguna, mereka otonom. Mereka tidak duduk diam menunggu manusia memberi mereka prompt. Mereka adalah proses yang berjalan lama yang bereaksi terhadap data saat mengalir melalui bisnis. Mereka membuat keputusan, memanggil services, dan menghasilkan output, terus menerus dan asynchronous, tanpa perlu diberi tahu kapan harus memulai.
Bayangkan sebuah agent yang memantau faktur baru. Setiap kali faktur masuk, ia mengekstrak field yang relevan, memeriksanya terhadap purchase order yang terbuka, menandai ketidaksesuaian, dan meneruskan faktur untuk persetujuan atau penolakan, tanpa ada yang memintanya melakukan itu. Ia hanya mendengarkan event (“faktur baru diterima”) dan mulai bekerja. Atau pikirkan onboarding pelanggan. Sebuah agent mungkin mengawasi saat akun baru dibuat, lalu memulai serangkaian tindakan: memverifikasi dokumen, menjalankan pemeriksaan know-your-customer (KYC), mempersonalisasi pengalaman selamat datang, dan menjadwalkan pesan lanjutan. Pengguna bahkan tidak tahu agent itu ada. Ia hanya berjalan. Dengan andal. Secara real-time.
Membangun Agen AI yang Andal: Lebih dari Sekadar Model
Agen AI enterprise terlihat seperti ini: mereka event-driven (dipicu oleh perubahan dalam sistem, bukan prompt pengguna), otonom (bertindak tanpa inisiasi manusia), continuous (tidak hanya beroperasi untuk satu tugas dan menghilang), dan sebagian besar asynchronous (bekerja di latar belakang).
Anda tidak membangun agents ini dengan hanya fine-tuning model besar (Large Language Model – LLM). Anda membangunnya dengan menggabungkan model, tools, dan logika yang sudah ada. Ini adalah masalah software engineering, bukan hanya modeling. Intinya, agents enterprise hanyalah microservices modern dengan intelligence. Anda memberi mereka akses ke events, memberi mereka konteks yang tepat, dan membiarkan language model menggerakkan reasoning. Agent = Event-driven microservice + context data + LLM.
Jika dilakukan dengan baik, ini adalah pola arsitektur yang kuat. Ini juga merupakan pergeseran pola pikir. Membangun agents bukanlah tentang mengejar AGI. Ini tentang menguraikan masalah nyata menjadi langkah-langkah yang lebih kecil, lalu merakit komponen yang terspesialisasi dan andal yang dapat menanganinya, sama seperti yang selalu kita lakukan dalam sistem software yang baik. Ini bukan masalah baru. Ini adalah tantangan engineering yang sama, hanya dengan komponen baru. Dan saat ini, AI enterprise membutuhkan prinsip yang sama yang membawa kita ke sini: batasan yang jelas, loose coupling, dan sistem yang dirancang untuk dapat diandalkan sejak awal.
Pentingnya Pengujian dalam Agen AI Bisnis
Salah satu tantangan yang paling sering diabaikan dalam membangun agents adalah pengujian (testing), padahal ini mutlak penting untuk lingkungan enterprise. Dalam konteks open-world, pengujian hampir tidak mungkin dilakukan dengan baik. Ruang masalah tidak terbatas, sehingga input bisa apa saja, output yang diinginkan seringkali ambigu, dan bahkan kriteria keberhasilan dapat berubah tergantung pada konteks.
Bagaimana Anda menulis rangkaian pengujian untuk sistem yang dapat diminta melakukan hampir apa saja? Anda tidak bisa. Itulah sebabnya agents open-world sangat sulit divalidasi dalam praktik. Sebaliknya, masalah closed-world sangat mudah diuji. Karena input, aturan, dan output dapat diprediksi (atau setidaknya memiliki batasan yang jelas), Anda dapat menulis test case yang komprehensif dan berulang. Anda dapat memastikan bahwa agent berperilaku persis seperti yang diharapkan dalam semua skenario yang diketahui. Ini penting untuk membangun kepercayaan pada sistem AI yang akan mengotomatisasi proses bisnis inti.
Masalah closed-world tidak membutuhkan keajaiban. Mereka membutuhkan engineering yang solid. Dan itu berarti menggabungkan fleksibilitas LLMs dengan struktur software engineering yang baik. Jika sesuatu dapat dibuat deterministic, buatlah deterministic. Gunakan model hanya untuk bagian yang benar-benar membutuhkan judgment atau pemrosesan data yang kompleks, seperti analitik video AI untuk mendeteksi anomali atau mengklasifikasikan objek.
Bagaimana ARSA Technology Dapat Membantu?
ARSA Technology, sebagai perusahaan teknologi yang berpengalaman sejak 2018 di Indonesia, memahami kebutuhan bisnis lokal akan solusi AI yang praktis dan memberikan dampak nyata. Kami tidak menjual fantasi open-world, kami membangun solusi AI dan IoT yang dirancang khusus untuk memecahkan masalah closed-world yang dihadapi industri di Indonesia setiap hari.
Solusi kami, seperti Sistem Kendaraan & Parkir Cerdas yang menggunakan LPR untuk otomatisasi akses, Otomasi Industri untuk monitoring alat berat dan deteksi cacat produk, atau Teknologi Kesehatan Mandiri untuk pemeriksaan vital sign, semuanya adalah contoh implementasi AI yang sukses dalam domain yang terdefinisi dengan baik. Kami mengintegrasikan Vision AI dan IoT untuk memberikan data yang akurat, real-time, dan dapat ditindaklanjuti, mengubah infrastruktur eksisting seperti CCTV menjadi aset strategis.
Kami fokus pada akurasi tinggi, integrasi yang mulus dengan sistem yang sudah ada, dan dashboard yang memberikan visibilitas penuh. Ini adalah pendekatan engineering yang solid, bukan spekulasi. Solusi kami dirancang untuk keandalan dan skalabilitas, memberikan ROI yang terukur bagi bisnis di berbagai sektor seperti manufaktur, retail, konstruksi, hingga smart city.
Kesimpulan
Hype seputar AI agents yang dapat melakukan apa saja mungkin menarik, tetapi nilai sebenarnya bagi bisnis saat ini terletak pada penerapan AI untuk memecahkan masalah yang terdefinisi dengan baik. Fokus pada masalah closed-world memungkinkan pengembangan sistem yang andal, dapat diuji, dan memberikan dampak operasional yang jelas.
Membangun agen AI yang sukses di lingkungan enterprise membutuhkan lebih dari sekadar model canggih; ini membutuhkan prinsip software engineering yang kuat, arsitektur event-driven, dan fokus pada determinisme di mana pun memungkinkan.
ARSA Technology adalah mitra tepercaya Anda dalam mewujudkan transformasi digital ini di Indonesia. Dengan solusi AI dan IoT kami, Anda dapat mengubah data visual dan operasional menjadi insight yang dapat ditindaklanjuti, meningkatkan efisiensi, keamanan, dan profitabilitas bisnis Anda.
Konsultasikan kebutuhan AI Anda dengan tim ARSA Technology untuk menemukan solusi yang tepat bagi tantangan spesifik Anda. Hubungi kami hari ini untuk konsultasi gratis.
