Dari Chatbot ke Agent: Kunci Sukses Enterprise AI pada Skala Besar

Dari Chatbot ke Agent: Kunci Sukses Enterprise AI pada Skala Besar

Oleh: Ananda Prasetya

Tentang Penulis:

Riwayat pendidikan: Sarjana Ilmu Komputer Universitas Indonesia dan Magister Ilmu Komputer Universitas Indonesia

Penulis adalah profesional teknologi dengan pengalaman lebih dari 10 tahun di bidang data, cloud, dan engineering leadership.

Penulis berperan sebagai Solutions Architect – Big Data & AI di Alibaba Cloud, dengan fokus pada perancangan solusi data dan AI berskala besar.

Penulis pernah menjadi Director of Engineering – Data di Halodoc serta Head of Data & BI Engineering di Mapan, memimpin tim lintas fungsi mencakup data engineering, BI, data science, dan data governance.

Memiliki latar belakang sebagai Solution Architect di Red Hat dan Software Engineer di Jepang, dengan keahlian end-to-end dalam arsitektur sistem, cloud computing, dan pengembangan produk digital.

KESEPAKATAN INDUSTRI saat ini sangat jelas: tahun 2025 telah menandai dimulainya era agen AI. Sebuah Agen AI dipandang sebagai sistem cerdas yang dapat menetapkan tujuan secara mandiri, membuat keputusan strategis, serta mengeksekusi tugas bertahap dengan pengawasan manusia.

Pekerjaan tersebut melampaui kemampuan chatbot dan copilot saat ini. Pergeseran dari alat pengetahuan pasif menuju sistem yang proaktif dan berorientasi aksi ini menjadi lompatan besar dalam kapabilitas agentik.

Di Indonesia, minat terhadap solusi enterprise-grade AI terus meningkat melampaui penerapan chatbot tingkat dasar dan generative AI.

Pertumbuhan ini didorong oleh meningkatnya adopsi AI di berbagai sektor industri serta uji coba awal sistem agentik di bidang seperti layanan keuangan, cybersecurity, hingga analisis kebijakan.

Survei regional juga menunjukkan bahwa sembilan dari sepuluh organisasi di Asia Pasifik, termasuk Indonesia, berencana mengadopsi AI Agents dalam tiga tahun ke depan untuk meningkatkan produktivitas dan menekan biaya operasional.

Seperti yang disampaikan McKinsey, batas baru dari generative AI adalah transisi dari tugas berbasis pengetahuan menuju tugas berbasis aksi yang dijalankan oleh agen.

Dilengkapi dengan kemampuan advanced reasoning, perencanaan, dan adaptasi strategis secara real-time, agen-agen AI diproyeksikan mampu beroperasi dalam lingkungan yang kompleks untuk menyelesaikan tugas dunia nyata.

Tidak heran jika pasar AI agentik diperkirakan akan mengalami pertumbuhan yang sangat pesat dalam beberapa tahun mendatang.

Pertumbuhan Agen AI

Kita telah menyaksikan pergeseran dari sekadar chatbot menuju agen yang mampu mengambil tindakan.

Berbagai perusahaan kini secara aktif menguji dan menerapkan agen-agen AI untuk menyederhanakan beragam workflow—mulai dari otomatisasi penjadwalan rapat, pembuatan laporan analitik, dan code debugging, hingga menyiapkan kampanye pemasaran dan penjualan, meninjau resume, serta menangani pertanyaan pelanggan. 

Sejumlah proyeksi menunjukkan bahwa pada tahun 2026, agentik AI akan mulai berkembang dari eksperimen yang terpisah menjadi penerapan yang lebih luas di kalangan bisnis.

Percepatan ini akan didorong oleh kemajuan besar dalam kapabilitas agentik, termasuk peningkatan otonomi, context awareness, integrasi tools, kemampuan multimodal, personalisasi, memori jangka panjang, serta peningkatan aspek keamanan dan keselarasan.

Namun, untuk mendorong adopsi agen yang lebih luas dalam memenuhi kebutuhan bisnis, masih banyak pekerjaan yang harus dilakukan.

Saat ini, agen-agen AI bergantung pada large language models sebagai fondasi untuk menjalankan tugasnya.

Untuk mengurangi halusinasi dan meningkatkan akurasi di domain tertentu, penyedia layanan agen perlu bekerja sama secara erat dengan klien perusahaan guna mengembangkan agen yang terpersonalisasi dan terspesialisasi, sehingga mampu menyelesaikan persoalan operasional sehari-hari dengan tingkat akurasi tinggi (misalnya penerapan healthcare agent di sebuah klinik).

Tantangan-tantangan ini menjadi semakin kompleks di Indonesia.

Berbagai keterbatasan struktural seperti lingkungan data yang terpisah dan tersebar, inisiatif digitalisasi nasional yang sedang berjalan seperti One Data Indonesia, regulasi sektor yang mengharuskan lingkungan pemrosesan data secara lokal, hingga meningkatnya kebutuhan akan talenta yang menguasai AI yang pertumbuhannya melampaui ketersediaan saat ini. 

Oleh karena itu, kemampuan untuk mengembangkan agen yang memungkinkan penggunaan tools secara fleksibel untuk menyelesaikan masalah, pengendalian intervensi secara real-time untuk memastikan keselarasan, serta mengelola konteks secara cerdas guna meningkatkan akurasi, menjadi faktor yang sangat penting untuk mendorong adopsi AI Agents yang lebih luas di tingkat perusahaan

Dari ModelScope ke AgentScope: Mengelola Pertumbuhan Populasi Agen-agen AI 
Ketika kita memasuki era agen, terdapat evolusi penting lainnya yang mulai terlihat: untuk membuka nilai AI bagi perusahaan, diperlukan pergeseran dari penggunaan model atau agen secara terpisah menuju collaborative, multi-agent systems yang tertanam secara mendalam dalam operasional bisnis.

Hanya melalui kolaborasi seperti inilah perusahaan dapat memanfaatkan AI dalam skala yang cukup besar untuk menemukan nilai bisnis baru yang signifikan dan menciptakan peluang pertumbuhan yang transformasional.

Platform-platform saat ini, seperti ModelScope milik Alibaba yang menyediakan models as a service, telah berperan penting dalam menyediakan akses ke perpustakaan besar model AI individual dan membantu perusahaan memanfaatkan berbagai kemampuan AI.

Namun, keterbatasan dari model atau agen tunggal yang bersifat monolitik menjadi sangat jelas ketika dihadapkan pada tantangan bisnis yang dinamis dan kompleks.

Meskipun satu agen dapat mengotomatiskan sebuah tugas, ia biasanya tidak mampu mengkoordinasikan proses untuk mencapai tujuan yang lebih canggih.

Tantangan ini melahirkan sistem Multi-Agent (MAS). Bayangkan sebuah masalah bisnis yang kompleks tidak diselesaikan oleh hanya satu AI agent yang kuat, tetapi oleh tim agen yang terkoordinasi dan memiliki spesialisasi masing-masing.

Misalnya, alur kerja pengambilan keputusan finansial di Indonesia dapat memerlukan rantai agen: finance analytics agent yang menganalisis laporan keuangan lokal, compliance agent yang memastikan kesesuaian dengan regulasi OJK, dan news atau social-listening agent yang memantau sentimen publik dan pemberitaan media terkait target investasi.

Bagi perusahaan Indonesia yang ingin menerapkan kecerdasan buatan (AI) secara luas di seluruh unit bisnis, kerja sama multi-agen bukan sekadar peningkatan.

Hal ini mewakili titik balik yang krusial. Meskipun agen yang bekerja secara individu mungkin unggul dalam tugas-tugas spesifik, hanya melalui kerja sama multi-agen yang terkoordinasi, mereka dapat mengatasi tantangan bisnis yang kompleks, ber volume tinggi, dan berlapis-lapis yang unik bagi pasar Indonesia.

Kerangka Kerja Agen untuk Mendorong Kolaborasi Multi-agen

Untuk mendukung kolaborasi multi-agen yang efektif, diperlukan kerangka kerja agen yang kuat dan andal.

Kerangka kerja ini berfungsi sebagai platform terpusat yang menyatukan model, tools, dan sumber data yang beragam, sekaligus mengoordinasikan dan mengorkestrasikan berbagai agen lintas perangkat lunak untuk menjalankan tugas kompleks secara bertahap dan otonom.

Di Indonesia, relevansi kerangka kerja semacam ini semakin meningkat pesat seiring perusahaan menghadapi ekosistem data yang terdistribusi, infrastruktur hybrid cloud dan on-premise, serta persyaratan kedaulatan data dan kepatuhan yang ketat berdasarkan regulasi seperti Undang-undang Perlindungan Data Pribadi (PDP) dan pedoman Penyelenggara Sistem Elektronik (PSE).

Berbagai industri, mulai dari jasa keuangan dan telekomunikasi hingga manufaktur dan logistik, mulai menjajaki otomatisasi multi-agen untuk menyederhanakan operasi berskala besar, mengintegrasikan sistem legacy, dan mendukung inisiatif transformasi digital nasional.

Akibatnya, arsitektur multi-agen yang terkoordinasi menjadi semakin penting bagi perusahaan Indonesia yang ingin mengembangkan AI secara aman, patuh regulasi, dan efektif secara operasional.

Salah satu inisiatif terdepan dalam bidang ini adalah AgentScope dari Alibaba, sebuah kerangka kerja open-source berbasis pengembang yang dirancang untuk membangun aplikasi multi-agen yang dapat dikontrol dan siap untuk lingkungan produksi.

Kerangka kerja ini menyediakan kapabilitas menyeluruh, mulai dari konstruksi dan orkestrasi agen, penerapan dan eksekusi, hingga pengembangan visual dan pemantauan kinerja agen.

Dengan cakupan penuh atas siklus hidup pengembangan hingga operasionalisasi, AgentScope memungkinkan integrasi dan orkestrasi berbagai agen AI spesialis agar dapat bekerja secara sinkron dan efisien dalam satu ekosistem.

Kerangka kerja agen seperti AgentScope lebih dari sekadar toolkit. Teknologi ini merupakan fondasi yang secara langsung menjawab kebutuhan utama dalam mengorkestrasi berbagai AI specialist untuk mencapai tujuan bisnis yang sama.

Dengan memungkinkan kolaborasi yang mulus antar berbagai agen, kerangka kerja ini akan menjadi katalisator bagi munculnya sistem multi-agen yang canggih dan mendorong adopsi luas agentik AI yang kita harapkan pada tahun 2026 dan seterusnya.

Masa depan enterprise AI di tingkat perusahaan tidak seharusnya bersifat terisolasi.

Sebaliknya, AI harus dirancang untuk bersifat kolaboratif dan terkoordinasi, memungkinkan berbagai sistem bekerja bersama, saling melengkapi kemampuan, serta menciptakan nilai yang lebih besar bagi organisasi yang didukungnya.

*) artikel ini sepenuhnya pendapat pribadi penulis.