Ada momen yang cukup mengejutkan ketika menonton demo sebuah sistem AI menyelesaikan migrasi database secara penuh — mulai dari membaca skema lama, memetakan perbedaan struktur, menulis ulang query yang tidak kompatibel, menjalankan testing, sampai melaporkan hasilnya — semua dalam waktu kurang dari satu jam. Tidak ada yang mengetik satu baris kode pun selama proses itu berlangsung.
Inilah yang sedang dibicarakan ketika orang menyebut Agentic AI Workflow. Bukan sekadar chatbot yang lebih pintar. Bukan juga automation script yang lebih canggih. Ini adalah pergeseran cara kerja yang fundamental, di mana AI tidak lagi berfungsi sebagai alat bantu melainkan sebagai pelaksana tugas itu sendiri.
Peran AI Agent Sekarang di Perusahaan
Selama beberapa tahun terakhir, cara kebanyakan orang menggunakan AI cukup seragam, tulis pertanyaan, baca jawaban, lalu kerjakan sendiri langkah-langkah berikutnya.
AI berperan sebagai penasihat, bukan eksekutor. Dan itu sudah cukup berguna — sampai muncul pertanyaan yang lebih mendasar, kalau AI bisa memberitahu cara melakukan sesuatu, kenapa tidak langsung melakukannya?
Pertanyaan itulah yang mendorong lahirnya konsep AI Agent. Berbeda dengan otomatisasi tradisional berbasis RPA (Robotic Process Automation) yang bekerja mengikuti script tetap dan mudah gagal di kondisi baru, AI Agent bisa beradaptasi. Ia membaca konteks, berpikir tentang langkah terbaik berikutnya, memilih tool yang tepat, mengeksekusi, lalu mengevaluasi hasilnya sendiri. Kalau hasilnya belum memuaskan, ia mencoba lagi dengan pendekatan berbeda.
Filosofi dasarnya sederhana, Observe, Think, Act.
AI Agent membaca konteks dari goal yang diberikan, file yang tersedia, atau output tool sebelumnya. Lalu berpikir berdasarkan semua informasi itu. Kemudian bertindak — bisa berupa memanggil tool seperti web search, membaca atau menulis file, menjalankan kode, atau langsung memberikan respons jika memang tidak butuh tool apa pun.
Siklus ini berulang terus sampai tujuan tercapai.
Cara kerjanya mirip dengan cara manusia bekerja. Bedanya, AI melakukan ini secara otomatis, konsisten, dan dengan kecepatan yang tidak tertandingi.
Bukti Nyata Kebutuhan AI Agent
Kalau ada yang masih meragukan seberapa jauh tren ini sudah berjalan, data yang ada cukup berbicara keras.
Per Mei 2026, setidaknya 59% proses rekrutmen sudah melibatkan AI dalam satu atau lebih tahapannya. 70% organisasi di Kanada dilaporkan sudah menggunakan AI Agent untuk fungsi Retrieval Augmented Generation. Dan 66% sudah dalam jalur aktif untuk mengintegrasikan AI Agent dengan tenaga manusia dalam satu workflow yang terintegrasi.
Beberapa studi kasus dari perusahaan besar juga layak jadi bahan renungan.
Telus di Kanada, misalnya, menerapkan AI Agent untuk 57.000 anggota timnya dan berhasil menghemat rata-rata 40 menit per interaksi. Ini bukan penghematan kecil — dikalikan ribuan interaksi per hari, angkanya menjadi sangat signifikan.
Yang lebih dramatis adalah kasus Klarna dari Swedia. Perusahaan fintech ini menggunakan AI untuk menangani 2,3 juta percakapan layanan pelanggan per bulan. Dari jumlah itu, 70% diselesaikan secara end-to-end tanpa intervensi manusia sama sekali, dengan skor kepuasan pelanggan yang setara dengan layanan berbasis manusia.
Satu lagi: Susano dari Brasil menerapkan AI Agent berbasis Gemini yang bisa menerjemahkan pertanyaan dalam bahasa alami menjadi query SQL untuk mengakses data di sistem SAP mereka.
Prediksi dari lembaga-lembaga besar juga satu suara. McKinsey menyebut masa depan pekerjaan adalah ‘agentic’ — organisasi akan diisi oleh kombinasi rekan manusia dan AI yang bekerja berdampingan.
Microsoft Work Trend Index mencatat bahwa 28% manajer sudah mempertimbangkan perekrutan AI Agent sebagai bagian dari tim mereka.
| Organisasi | Temuan / Prediksi |
|---|---|
| Microsoft Work Trend Index | 28% manajer mempertimbangkan merekrut AI Agent |
| McKinsey | Masa depan pekerjaan bersifat ‘agentic’ — manusia dan AI bekerja bersama |
| Google Cloud | Ilmu yang dipelajari sarjana komputer bisa usang sebelum tahun kelima karir |
| Telus (Kanada) | 57.000 anggota tim menghemat 40 menit per interaksi dengan AI Agent |
| Klarna (Swedia) | 2,3 juta percakapan/bulan, 70% selesai tanpa campur tangan manusia |
| Susano (Brasil) | AI Agent menerjemahkan bahasa alami ke SQL untuk akses data SAP |
Bagaimana Cara AI Agent Bekerja?
Inti teknis dari AI Agent adalah apa yang dikenal sebagai function calling — kemampuan yang diperkenalkan secara luas oleh OpenAI melalui GPT-4.0 pada November 2024. Dengan mekanisme ini, LLM (Large Language Model) tidak hanya menghasilkan teks, tapi bisa memutuskan tool mana yang perlu dipanggil untuk menyelesaikan sebuah tugas, lalu menggunakan output dari tool tersebut sebagai input untuk langkah berikutnya.
Contohnya begini, Seseorang memberi perintah, ‘Atur perjalanan dinas ke Jakarta besok pagi, rapat jam 10 di Kuningan, budget hotel maksimum satu juta rupiah.’ AI Agent tidak akan berhenti di jawaban ‘Baik, berikut langkah-langkahnya…’. Ia akan langsung mencari penerbangan, memeriksa ketersediaan, memesan tiket yang sesuai, mencari hotel di radius wajar dari lokasi rapat, memesan kamarnya, lalu mengirimkan notifikasi konfirmasi. Semua itu terjadi dalam satu instruksi.
Inilah perbedaan mendasar antara AI sebagai asisten dengan AI sebagai pekerja digital. Yang satu memberi informasi, yang satunya menyelesaikan pekerjaan.
Perbandingan Workflow Lama vs. Agentic AI Workflow
Untuk memahami dampaknya secara konkret, lihat perbandingan workflow pengembangan perangkat lunak berikut ini. Dua kolom yang sebenarnya mewakili dua era yang berbeda dalam cara kerja tim teknologi.
| Tahapan | Workflow Manual/Tradisional | Agentic AI Workflow |
|---|---|---|
| Business Requirement | Dibuat oleh business analyst | Tetap perlu manusia (AI tidak tahu keinginan kita) |
| Sistem Analisis | Dikerjakan system analyst (berjam-jam) | Dilakukan LLM dalam hitungan detik |
| Project Plan | Disusun project manager | Dilakukan LLM dalam hitungan detik |
| Pencarian Framework/Library | Bisa memakan puluhan jam riset | Dilakukan LLM dalam hitungan detik |
| Penulisan Kode | Puluhan hingga ratusan jam | Dilakukan LLM dalam hitungan detik |
| Testing & Debugging | Puluhan hingga ratusan jam | LLM self-testing dan re-code, selesai 1–2 menit |
| Deployment | Proses manual, rawan human error | Dilakukan LLM (misal via Docker command) |
| Review & Iterasi | Manual, bergantung jadwal tim | LLM merespons feedback manusia secara real-time |
Pergeseran dari ratusan jam menjadi sekitar setengah jam untuk menghasilkan output yang setara bukan klaim yang dibesar-besarkan. Ini sudah terjadi di lingkungan nyata. Tentu ada nuansa — kompleksitas proyek, kualitas requirement, dan ketersediaan konteks semuanya berpengaruh. Tapi arahnya sudah jelas.
Yang menarik untuk dicatat dari tabel di atas: satu-satunya tahapan yang tetap menjadi domain manusia adalah business requirement.
AI tidak bisa menebak apa yang sebenarnya diinginkan. Ia perlu tujuan yang jelas, konteks yang cukup, dan batasan yang terdefiniasi dengan baik. Di sinilah kemampuan manusia untuk mengartikulasikan kebutuhan bisnis menjadi semakin berharga, bukan semakin tidak relevan.
Baca juga : Cara Membuat Executive Summary dari Data Kompleks Secara Instan Menggunakan ProxsisLLM
Pilih Satu Agent atau Banyak?
Tidak semua tugas membutuhkan satu pasukan AI. Untuk pekerjaan yang relatif sederhana dan linear — seperti meringkas laporan keuangan mingguan dan mengirimkannya ke grup WhatsApp — satu AI Agent sudah lebih dari cukup. Tapi untuk tugas yang melibatkan banyak domain, banyak sumber data, dan proses paralel yang saling bergantung, arsitektur multi-agent diperlukan.
Dalam setup multi-agent, ada satu orchestrator yang mengatur siapa mengerjakan apa. Orchestrator ini membagi tugas besar menjadi sub-tugas, mendelegasikan ke agent-agent spesialis, mengumpulkan output mereka, dan menyintesisnya menjadi hasil akhir. Analoginya tidak jauh berbeda dari cara manajer proyek mengkoordinasikan tim lintas fungsi.
Beberapa framework yang banyak digunakan untuk keperluan ini antara lain CrewAI, Autogen, dan LangGraph. Masing-masing punya pendekatan dan trade-off tersendiri, tapi semuanya dirancang untuk menyelesaikan masalah yang sama, membuat beberapa AI Agent bekerja secara koheren untuk mencapai satu tujuan bersama.
Untuk kebutuhan di level enterprise yang melibatkan sistem-sistem besar seperti SAP, GitHub, Jira, atau core banking, ada solusi seperti Solace Agent Mesh.
Solace sendiri sebelumnya dikenal sebagai pemimpin di ranah middleware, dan kini bertransformasi dengan menghadirkan Agent Mesh yang dirancang untuk mengharmonisasi dan mengorkestrasi aplikasi-aplikasi enterprise yang sudah berjalan — tanpa harus mengganti sistem yang ada.
MCP: Jembatan Antara LLM dan Dunia Nyata
Salah satu komponen teknis yang paling krusial dalam ekosistem AI Agent adalah MCP, atau Model-to-Code Protocol. Protokol ini dikembangkan oleh Anthropic dan dirilis sebagai open source, dan fungsinya sangat fundamental: MCP adalah cara LLM ‘berbicara’ dengan dunia luar.
Tanpa MCP, LLM hanya bisa bekerja dengan teks yang ada di dalam context window-nya. Dengan MCP, ia bisa mengakses database relasional, membaca file PDF, mengirim pesan, memanggil API eksternal, bahkan berinteraksi dengan sistem ERP. Komunitas pengembang sudah membangun ribuan MCP tools — sebagian besar gratis — yang mencakup berbagai kebutuhan, mulai dari integrasi WhatsApp via Meta MCP sampai akses data terstruktur di sistem enterprise.
Yang membuat MCP menarik secara teknis adalah cara LLM menggunakannya. AI tidak sekadar ‘dipasangkan’ dengan tools tersebut — ia membaca deskripsi setiap tool dan memutuskan sendiri mana yang relevan untuk tugas yang diberikan.
Karena itu, kualitas deskripsi tool sangat menentukan efisiensi. Deskripsi yang buruk atau ambigu bisa membuat LLM ‘berputar-putar’ — mencoba tool yang salah berulang kali — yang berujung pada latensi tinggi dan konsumsi token yang tidak efisien.
Baca juga : Optimasi Kecepatan Analisis Kebijakan dan Riset Internal Hingga 10x Lipat dengan ProxsisLLM
Membangun AI Agent: Tidak Harus Jadi Programmer
Satu kekhawatiran umum ketika topik ini muncul adalah: apakah ini hanya bisa dilakukan oleh developer berpengalaman? Jawabannya tidak sesederhana ya atau tidak.
Ada spektrum yang cukup lebar dalam hal tools yang tersedia. Di ujung yang paling ramah pengguna, ada platform seperti OpenCloud dan N8N yang mengandalkan pendekatan visual dan konfigurasi berbasis node.
OpenCloud misalnya sudah menyediakan lingkungan siap pakai yang bisa diinstal di PC lokal atau dijalankan di Docker container. Cukup populer untuk kasus penggunaan seperti mengirimkan ringkasan email otomatis ke WhatsApp setiap pagi.
N8N sedikit lebih teknis tapi memiliki keunggulan yang penting: kemudahan untuk menempatkan ‘human in the loop’ di titik-titik kritis dalam workflow. Untuk proses yang berisiko atau membutuhkan persetujuan manusia sebelum eksekusi, fitur ini tidak bisa dianggap remeh. N8N juga sudah memiliki chat agent yang membantu proses pembuatan workflow itu sendiri.
Di ujung yang lebih teknis, ada pilihan seperti Python dengan OpenAI API atau LangGraph, serta Cursor sebagai IDE dengan agent mode yang membantu coding. Framework-framework ini memberikan kontrol yang jauh lebih besar, tapi memerlukan pemahaman pemrograman yang memadai.
Intinya, tidak harus menjadi ahli mesin. Yang lebih penting adalah kemampuan memberi instruksi yang jelas, memahami workflow bisnis yang ingin diotomatisasi, dan punya cukup sense terhadap logika sistem untuk bisa mengenali ketika sesuatu berjalan tidak sesuai rencana.
Platform dan Tools
| Kategori | Tools/Platform | Kelebihan Utama | Cocok untuk |
|---|---|---|---|
| No-Code/Low-Code | OpenCloud | Lingkungan siap pakai, instal di PC/Docker | Automasi personal sederhana |
| No-Code/Low-Code | N8N | Human in the loop, scalable ke enterprise | Workflow bisnis dengan titik approval |
| Pro-Code | Python + OpenAI API | Fleksibel, kontrol penuh | Developer berpengalaman |
| Pro-Code | LangGraph | Orkestrasi multi-step yang kompleks | Workflow dengan state management |
| IDE Agent | Cursor | Agent mode untuk coding assistance | Developer yang ingin produktivitas tinggi |
| Multi-Agent Framework | CrewAI | Orkestrasi multi-agent populer | Tugas kompleks lintas domain |
| Multi-Agent Framework | Autogen / LangGraph | Alternatif dengan pendekatan berbeda | Tim yang butuh fleksibilitas arsitektur |
| Enterprise Orchestration | Solace Agent Mesh | Harmonisasi aplikasi enterprise besar | Integrasi SAP, GitHub, Jira, core banking |
Apa yang Harus Diperhatikan?
Tidak ada teknologi tanpa tantangan, dan Agentic AI tidak terkecuali. Ada beberapa hal yang perlu diantisipasi sebelum terlalu jauh masuk ke implementasi.
Pertama, soal biaya. Penggunaan API LLM bisa mahal, terutama jika deskripsi tools yang buruk membuat model melakukan banyak iterasi yang tidak perlu. Salah satu alternatif yang mulai banyak dilirik adalah Private AI — menjalankan model sendiri dengan GPU lokal menggunakan tools seperti Ollama. Biaya di depan lebih besar, tapi dalam jangka panjang bisa jauh lebih hemat, terutama untuk use case dengan volume tinggi.
Kedua, latensi. Proses thinking LLM yang iteratif, ditambah pemanggilan tools yang berlapis, bisa membuat response time terasa lambat untuk kasus-kasus yang time-sensitive. Standarisasi JSON stream dan tools yang lebih baik diharapkan bisa membantu, tapi ini masih menjadi area aktif pengembangan.
Ketiga — dan ini mungkin yang paling penting — adalah risiko ketergantungan berlebihan. Ketika AI mulai mengerjakan banyak hal, ada godaan untuk menyerahkan semuanya dan berhenti memahami prosesnya. Ini berbahaya. Ketika sistem gagal (dan sesekali pasti gagal), manusia yang tidak memahami business logic dan fundamental troubleshooting tidak akan bisa mengidentifikasi akar masalahnya.
AI sering kesulitan melakukan root cause analysis yang baik karena kekurangan konteks, tidak memahami dependency graph antar sistem, atau lemah dalam temporal reasoning — menghubungkan kejadian di waktu berbeda sebagai satu rantai sebab-akibat. Untuk kasus-kasus seperti ini, human judgment masih tidak tergantikan.
Baca juga : AI Publik Bukan Tools Gratis, Anda Membayarnya dengan Data Perusahaan
Tabel Tantangan dan Pendekatan Mitigasi
| Tantangan | Dampak Potensial | Pendekatan Mitigasi |
|---|---|---|
| Biaya API LLM | Pengeluaran tidak terkontrol jika workflow tidak dioptimalkan | Gunakan Private AI (Ollama + GPU lokal) untuk volume tinggi |
| Latensi tinggi | User experience buruk untuk proses real-time | Optimalkan deskripsi tools; batasi jumlah iterasi dengan guardrail |
| Deskripsi tools buruk | LLM berputar-putar, konsumsi token boros | Tulis deskripsi tools yang spesifik, jelas, dan tidak ambigu |
| Ketergantungan berlebihan | Tim tidak bisa troubleshoot ketika sistem gagal | Pertahankan pemahaman manual dan business logic di tim |
| Kegagalan RCA oleh AI | Masalah sistem sulit teridentifikasi akarnya | Human in the loop wajib untuk keputusan berisiko tinggi |
| Kepatuhan regulasi | Keputusan AI sulit diaudit atau dipertanggungjawabkan | Terapkan framework Explainable AI; dokumentasikan decision trail |
| Keamanan data | Risiko eksposur data sensitif ke model eksternal | Gunakan Private AI untuk data confidential |
Governance, Explainability, dan Pertanyaan yang Lebih Besar
Semakin besar dampak keputusan yang diambil AI, semakin penting kerangka governance yang jelas. Ini bukan soal paranoia teknologi — ini soal akuntabilitas yang sehat dalam sebuah sistem yang semakin otonom.
Konsep explainable AI menjadi sangat relevan di sini. Ketika AI Agent memutuskan sesuatu yang berdampak pada orang — misalnya dalam proses seleksi kandidat, pemberian kredit, atau prioritas layanan kesehatan — harus ada mekanisme untuk menjelaskan mengapa keputusan itu diambil. Jejak keputusan harus bisa diaudit. Framework seperti NIST AI Risk Management bisa menjadi referensi yang solid untuk membangun struktur governance ini.
Human in the loop bukan sekadar fitur teknis yang opsional. Untuk keputusan yang menentukan nasib orang, kehadiran manusia dalam rantai persetujuan adalah persyaratan etis, bukan pilihan efisiensi.
Pertanyaan yang lebih besar: apakah AI akan menggantikan manusia? Framing ini sebenarnya sedikit menyesatkan. Yang lebih tepat mungkin: orang yang tahu cara menggunakan AI Agent akan menggantikan orang yang tidak tahu. Tujuan sesungguhnya bukan mengosongkan kantor, tapi menjadikan setiap orang yang ada di sana jauh lebih produktif dari sebelumnya.
Dari Mana Harus Mulai
Untuk siapa pun yang ingin mulai tapi tidak tahu dari mana, ada pendekatan yang cukup pragmatis. Mulai dari yang kecil dan yang sudah dikenal. Identifikasi satu atau dua pekerjaan repetitif yang sering dilakukan — bisa jadi meringkas laporan, mengklasifikasikan email masuk, atau mengompilasi data dari beberapa sumber. Otomatisasi pekerjaan kecil itu terlebih dahulu.
Proses itu sendiri sudah sangat berharga. Bukan hanya karena menghemat waktu, tapi karena membangun intuisi tentang cara kerja AI Agent — apa yang bisa didelelegasikan, di mana batas-batasnya, dan bagaimana menulis instruksi yang efektif. Skill ini tidak bisa dipelajari hanya dari membaca dokumentasi.
N8N sering direkomendasikan sebagai titik masuk yang baik karena tersedia versi self-hosted, punya komunitas yang aktif, dan memiliki opsi human-in-the-loop yang terstruktur dengan baik. Untuk yang lebih teknis, kombinasi Python dengan LangGraph memberi fleksibilitas yang jauh lebih besar seiring meningkatnya kompleksitas kebutuhan.
Yang paling perlu diingat: kemampuan utama yang dibutuhkan bukanlah kemampuan coding. Melainkan kemampuan memahami workflow, mendefinisikan tujuan dengan presisi, dan berpikir sistematis tentang bagaimana sebuah proses harus berjalan. Itu adalah keterampilan yang sudah dimiliki oleh banyak praktisi berpengalaman — dan kini menjadi lebih bernilai dari sebelumnya.
Penutup
Agentic AI Workflow bukan konsep masa depan yang masih perlu ditunggu. Teknologi dasarnya sudah ada, tools-nya sudah tersedia, dan implementasi nyata di berbagai perusahaan sudah menghasilkan dampak yang terukur. Yang masih menjadi variabel adalah kesiapan — kesiapan individu untuk belajar, kesiapan tim untuk bereksperimen, dan kesiapan organisasi untuk menyesuaikan struktur kerjanya.
Mereka yang masih menunggu sambil ‘melihat dulu’ mungkin akan menemukan bahwa jarak yang perlu dikejar sudah terlalu jauh ketika akhirnya memutuskan untuk bergerak. Ini bukan kalimat untuk menakut-nakuti, tapi refleksi dari bagaimana adopsi teknologi biasanya bekerja: yang bergerak lebih awal belajar lebih banyak, membangun lebih banyak kapabilitas, dan pada akhirnya memimpin lebih jauh.
Tantangannya bukan teknis. Tantangannya ada pada keberanian untuk mulai, kesabaran untuk belajar dari kegagalan kecil, dan kejelian untuk melihat di mana otomatisasi benar-benar bisa memberi nilai — bukan sekadar karena bisa, tapi karena memang masuk akal untuk dilakukan.
FAQ (Frequently Asked Questions)
- Apa perbedaan Agentic AI Workflow dengan chatbot atau otomatisasi tradisional?
Agentic AI tidak hanya memberikan jawaban, tetapi bertindak sebagai pelaksana tugas. Berbeda dengan otomatisasi tradisional (RPA) yang mengikuti script tetap, AI Agent beradaptasi, memilih tool yang tepat, mengeksekusi, dan mengevaluasi hasilnya sendiri berdasarkan filosofi Observe, Think, Act. - Apakah AI Agent akan menggantikan semua pekerjaan manusia?
Tidak. Tujuan sesungguhnya adalah menjadikan manusia jauh lebih produktif. Manusia tetap krusial untuk mendefinisikan business requirement (AI tidak bisa menebak keinginan kita) dan melakukan troubleshooting ketika sistem gagal, karena AI sering kesulitan dalam root cause analysis (RCA) dan temporal reasoning. - Apa itu Function Calling dan MCP (Model-to-Code Protocol)?
Function Calling adalah kemampuan LLM untuk memutuskan tool mana yang harus dipanggil untuk menyelesaikan tugas. MCP adalah protokol teknis (misalnya dikembangkan oleh Anthropic) yang memungkinkan LLM ‘berbicara’ dengan dunia luar, mengakses API eksternal, database, atau sistem ERP. - Apa tantangan utama dalam mengimplementasikan Agentic AI?
Tantangan utamanya meliputi biaya API LLM yang bisa mahal, latensi tinggi karena proses iteratif, dan risiko ketergantungan berlebihan yang membuat tim kesulitan melakukan troubleshooting ketika sistem gagal. - Tools apa yang direkomendasikan untuk memulai?
Untuk pemula atau kebutuhan personal, platform No-Code/Low-Code seperti OpenCloud atau N8N direkomendasikan. N8N memiliki fitur ‘human in the loop’ untuk persetujuan. Untuk developer teknis, ada Python dengan OpenAI API atau LangGraph.