Implementasi agentic AI di berbagai perusahaan global masih menghadapi kendala signifikan, terutama pada aspek data. Meski sebagian besar perusahaan telah melakukan uji coba, hanya sebagian kecil yang mampu mengembangkan teknologi ini dalam skala besar. Kualitas data, arsitektur sistem, serta tata kelola menjadi faktor penentu keberhasilan transformasi.
Fokus:
■ Mayoritas perusahaan belum mampu menskalakan agentic AI dari tahap uji coba ke implementasi penuh karena kesiapan sistem dan integrasi masih terbatas.
■ Keterbatasan kualitas data, arsitektur yang belum terintegrasi, serta pengelolaan data yang lemah menjadi hambatan utama dalam pengembangan AI.
■ Transformasi agentic AI membutuhkan perubahan menyeluruh pada teknologi, data, serta model operasional agar implementasi berjalan efektif dan terukur.
Sebagian besar perusahaan saat ini telah mulai mengadopsi kecerdasan buatan dalam operasionalnya. Namun, ketika beralih ke tahap berikutnya—yakni penggunaan agentic AI yang mampu menjalankan proses bisnis secara lebih otonom—tantangan yang dihadapi menjadi lebih kompleks.
Hasil kajian terbaru McKinsey Technology menunjukkan hampir dua pertiga perusahaan telah melakukan eksperimen dengan agentic AI. Meski demikian, kurang dari 10% yang berhasil mengimplementasikannya dalam skala besar. Salah satu faktor utama yang menghambat adalah keterbatasan data. Sekitar 80% perusahaan menyebut kualitas dan kesiapan data sebagai kendala utama.
Permasalahan ini berkaitan dengan kondisi data yang masih tersebar di berbagai sistem dan belum terintegrasi secara optimal. Dalam skala kecil, kondisi tersebut masih dapat dikelola. Namun, pada implementasi AI yang bekerja secara otomatis dan lintas fungsi, ketidakkonsistenan data dapat memengaruhi akurasi keputusan.
Sebagian besar perusahaan global masih menghadapi tantangan dalam mengembangkan agentic AI ke tahap implementasi skala besar. Meski adopsi awal terus meningkat, keterbatasan pada kualitas dan pengelolaan data menjadi kendala utama dalam menciptakan nilai bisnis dari teknologi tersebut.
Agentic AI membutuhkan dukungan data yang stabil dan berkualitas tinggi untuk dapat berfungsi secara efektif. Sistem ini dirancang untuk menjalankan berbagai proses secara berkelanjutan, termasuk pengambilan keputusan secara real-time dan koordinasi antar sistem.
Dua Pendekatan Agentic AI
Dalam implementasinya, terdapat dua pendekatan yang umum digunakan, yaitu penggunaan satu agen yang mengelola berbagai tugas secara berurutan (single-agent workflow) dan beberapa agen yang bekerja secara kolaboratif (multi-agent workflow). Keduanya memerlukan data yang konsisten dan terstruktur.
Untuk meningkatkan keberhasilan implementasi, perusahaan disarankan melakukan beberapa langkah strategis.
Pertama, mengidentifikasi proses bisnis yang memiliki dampak tinggi untuk diotomatisasi dengan agentic AI. Fokus ini bertujuan agar investasi yang dilakukan dapat memberikan hasil yang terukur.
Kedua, melakukan modernisasi pada arsitektur data. Pendekatan ini tidak selalu berarti membangun sistem baru, melainkan memperbaiki sistem yang ada agar lebih terintegrasi dan mendukung kebutuhan AI.
Ketiga, memastikan kualitas data terjaga secara berkelanjutan. Pendekatan yang digunakan bergeser dari pembersihan data secara berkala menjadi pemantauan kualitas data secara real-time, termasuk melalui otomatisasi validasi dan deteksi anomali.
Keempat, membangun model operasional dan tata kelola yang sesuai. Dalam hal ini, peran manusia beralih menjadi pengawas dan pengelola sistem, sementara proses operasional dijalankan oleh AI. Oleh karena itu, diperlukan aturan yang jelas terkait akses data, batasan penggunaan, serta mekanisme pengawasan.
Dalam praktiknya, arsitektur data yang mendukung agentic AI terdiri dari beberapa lapisan, mulai dari sumber data, platform data, hingga lapisan semantik yang memberikan konteks pada data. Selain itu, data juga dikembangkan menjadi produk yang dapat digunakan ulang untuk berbagai kebutuhan bisnis.
Penggunaan data tidak hanya terbatas pada input, tetapi juga mencakup output dari sistem AI itu sendiri. Oleh karena itu, standar kualitas data perlu diterapkan secara konsisten, termasuk pada data yang dihasilkan oleh AI.
Urgensi Tata Kelola
Tata kelola menjadi aspek penting dalam implementasi agentic AI. Perusahaan perlu menetapkan kebijakan yang mengatur aktivitas AI, termasuk akses terhadap data dan mekanisme persetujuan. Dalam beberapa kasus, digunakan sistem pengawasan otomatis untuk memastikan kepatuhan terhadap kebijakan yang berlaku.
Selain itu, pengelolaan siklus hidup sistem AI juga perlu diperhatikan, termasuk pencatatan aktivitas, pemantauan kinerja, serta evaluasi terhadap hasil yang dihasilkan.
Secara umum, keberhasilan implementasi agentic AI tidak hanya ditentukan oleh teknologi yang digunakan, tetapi juga oleh kesiapan data, struktur organisasi, serta kemampuan perusahaan dalam mengelola perubahan. Perusahaan yang mampu mengintegrasikan ketiga aspek tersebut cenderung lebih siap dalam mengembangkan AI pada skala yang lebih luas.
Digionary:
● Agentic AI: Sistem AI yang dapat menjalankan tugas secara mandiri
● Data Architecture: Struktur pengelolaan data dalam sistem organisasi
● Data Governance: Tata kelola data untuk memastikan kualitas dan keamanan
● Data Products: Data yang dikemas untuk digunakan dalam berbagai aplikasi
● Knowledge Graph: Representasi hubungan antar data dalam bentuk jaringan
● Metadata: Informasi yang menjelaskan karakteristik data
● Model Inference: Proses AI menghasilkan output dari input data
● Ontology: Struktur konsep yang menjelaskan hubungan antar data
● Semantic Layer: Lapisan yang memberikan makna pada data
● Unstructured Data: Data yang tidak memiliki format baku seperti teks atau gambar
#AgenticAI #ArtificialIntelligence #DataGovernance #TransformasiDigital #Teknologi #BigData #MachineLearning #AIEnterprise #DataArchitecture #AIIndonesia #Digitalisasi #AITrends #BusinessTechnology #DataQuality #Automation #EnterpriseAI #InovasiTeknologi #AIAdoption #TechStrategy #DigitalEconomy
