Daftar Isi

 

Adopsi AI Mulai Naik Level, Dunia Bisnis Harus Siap Beradaptasi dengan Agen AI

Kecerdasan buatan atau artificial intelligence (AI) terus mengalami perkembangan pesat dan mulai mengubah cara perusahaan menjalankan kegiatan bisnis. Jika beberapa tahun terakhir chatbot generatif menjadi teknologi yang paling banyak menarik perhatian, kini dunia bisnis mulai memasuki tahap baru melalui pemanfaatan agentic AI atau agen AI.

Teknologi ini menawarkan kemampuan yang lebih luas dibandingkan chatbot konvensional. Chatbot seperti ChatGPT, Gemini, dan Claude umumnya digunakan untuk menjawab pertanyaan, membuat konten, merangkum informasi, atau menjalankan instruksi berdasarkan perintah pengguna. Sementara itu, agen AI dapat menjalankan serangkaian tugas secara mandiri untuk mencapai tujuan tertentu.

Perubahan tersebut membuka peluang besar bagi perusahaan untuk meningkatkan efisiensi operasional, mengotomatisasi pekerjaan, mengembangkan produk, hingga menciptakan pengalaman pelanggan yang lebih baik.

Namun, penerapan agen AI bukan sekadar persoalan memilih model kecerdasan buatan yang paling canggih. Perusahaan juga harus menyiapkan infrastruktur komputasi, jaringan, keamanan, serta tata kelola yang memadai agar teknologi tersebut dapat bekerja secara optimal.

Chief Technology Officer (CTO) Akamai Cloud Computing, Jay Jenkins, menjelaskan bahwa pemanfaatan AI di dunia bisnis mulai bergeser dari sekadar meningkatkan efisiensi menuju penciptaan nilai bisnis baru atau value creation.

Pernyataan tersebut disampaikan dalam sesi temu media yang berlangsung secara virtual pada Kamis (12/11/2026). Menurutnya, perusahaan kini mulai memanfaatkan AI untuk menciptakan pengalaman pelanggan, mengembangkan produk, dan membuka peluang pendapatan baru.

Dari Chatbot Generatif Menuju Agen AI yang Lebih Mandiri

Perkembangan AI generatif telah mengubah cara masyarakat berinteraksi dengan teknologi. Pengguna kini dapat meminta chatbot untuk menulis artikel, membuat gambar, menyusun dokumen, menerjemahkan bahasa, hingga membantu menyelesaikan pekerjaan pemrograman.

Namun, chatbot konvensional masih banyak bergantung pada instruksi manusia. Pengguna memberikan pertanyaan atau perintah, kemudian AI menghasilkan jawaban sesuai konteks yang diberikan.

Agen AI membawa kemampuan tersebut ke tahap berikutnya. Teknologi ini dapat memahami tujuan tertentu, menyusun langkah pengerjaan, menggunakan berbagai perangkat atau layanan, serta menjalankan beberapa proses secara berurutan.

Sebagai contoh, perusahaan e-commerce dapat memanfaatkan agen AI untuk membantu menangani permintaan pelanggan. Agen tersebut berpotensi memeriksa informasi pesanan, mencari status pengiriman, mengakses sistem terkait, dan memberikan respons berdasarkan hasil pemeriksaan.

Dalam lingkungan bisnis, agen AI juga dapat digunakan untuk mendukung alur kerja internal. Misalnya, membantu mengelompokkan dokumen, memeriksa data, membuat laporan, atau menjalankan proses administratif yang sebelumnya membutuhkan banyak tahapan manual.

Keunggulan utamanya terletak pada kemampuan menjalankan tugas dengan intervensi manusia yang lebih sedikit. Meski demikian, tingkat kemandirian tersebut tetap harus dibatasi berdasarkan kewenangan yang diberikan perusahaan.

Semakin luas akses agen AI terhadap sistem internal, semakin besar pula tanggung jawab perusahaan untuk memastikan setiap tindakan berlangsung sesuai prosedur.

Perusahaan Mulai Beralih dari Pelatihan Model ke Inference AI

Menurut Jay Jenkins, perubahan pemanfaatan AI juga terlihat dari meningkatnya perhatian perusahaan terhadap tahap inference.

Dalam pengembangan AI, inference merupakan proses ketika model yang sudah dilatih digunakan untuk memproses masukan dan menghasilkan keluaran. Dengan kata lain, tahap ini merupakan saat model AI benar-benar digunakan untuk menjalankan tugas yang dibutuhkan pengguna atau perusahaan.

Sebelumnya, perhatian industri banyak tertuju pada penelitian dan pengembangan serta pelatihan model AI. Namun, seiring meningkatnya penggunaan AI dalam kegiatan operasional, kebutuhan terhadap infrastruktur inference juga semakin besar.

Perubahan ini penting karena perusahaan tidak hanya membutuhkan model AI yang mampu menghasilkan jawaban berkualitas. Mereka juga membutuhkan sistem yang dapat menjalankan model tersebut secara cepat, stabil, dan aman.

Agen AI bahkan membutuhkan dukungan lebih kompleks karena dapat menjalankan beberapa proses sekaligus, mengakses layanan berbeda, serta berinteraksi dengan sistem perusahaan.

Di sisi lain, meningkatnya otonomi AI juga menghadirkan risiko baru. Jay menyoroti kemungkinan munculnya perilaku AI yang tidak semestinya maupun serangan melalui prompt berbahaya yang sengaja dimasukkan untuk memanipulasi sistem.

Karena itu, investasi pada aspek kepercayaan, keamanan, dan akuntabilitas menjadi semakin penting.

Baca juga : Mengenal QRIS CPM dan Perbedaannya dengan QRIS MPM, Bayar Lebih Praktis Tanpa Input Nominal

Infrastruktur AI di Indonesia Mulai Mendapat Perhatian

Indonesia menjadi salah satu pasar yang memiliki peluang besar dalam perkembangan teknologi AI. Meningkatnya kebutuhan perusahaan terhadap kecerdasan buatan mendorong perhatian terhadap kesiapan infrastruktur digital.

Jay Jenkins menyebut bahwa perusahaan membutuhkan AI-ready infrastructure, yaitu infrastruktur yang dirancang untuk mendukung kebutuhan komputasi AI.

Infrastruktur tersebut tidak hanya mengandalkan server biasa. Ada sejumlah komponen penting yang harus diperhatikan, mulai dari GPU, CPU, memori, hingga kemampuan jaringan.

GPU dibutuhkan untuk mempercepat pemrosesan komputasi AI, sedangkan CPU berperan dalam menjalankan berbagai proses sistem. Memori dan jaringan juga menjadi bagian penting agar data dapat diproses dan dipindahkan secara efisien.

Menurut Jay, sebanyak 63 persen organisasi di Indonesia mulai mempertimbangkan kebutuhan infrastruktur tersebut. Bahkan, faktor ini menjadi salah satu pertimbangan utama dalam menentukan pilihan teknologi perusahaan.

Meski demikian, kesiapan infrastruktur belum sepenuhnya sejalan dengan tingkat implementasi AI di lingkungan bisnis.

Di kawasan Asia Tenggara, adopsi AI generatif terus berkembang. Namun, berdasarkan data yang disampaikan Jay, baru 16 persen perusahaan di ASEAN yang telah membawa aplikasi generatif AI ke tahap produksi. Sementara itu, 84 persen lainnya masih berada dalam tahap pengujian atau proof of concept (PoC).

Angka tersebut menunjukkan bahwa minat perusahaan terhadap AI semakin besar, tetapi penerapan dalam operasional bisnis secara luas masih membutuhkan persiapan lebih lanjut.

Sektor Finansial dan E-Commerce Berpotensi Memanfaatkan Agen AI

Seiring meningkatnya kemampuan agen AI, sejumlah sektor industri mulai dilirik sebagai pengguna potensial teknologi tersebut.

Jay Jenkins menilai sektor finansial memiliki peluang besar untuk memperoleh manfaat dari penerapan agen AI. Industri keuangan memiliki banyak proses yang membutuhkan pengolahan data, pemeriksaan informasi, dan pengambilan keputusan berdasarkan prosedur tertentu.

Agen AI berpotensi membantu menjalankan pekerjaan administratif, menganalisis informasi transaksi, hingga mendukung proses layanan pelanggan. Namun, keputusan yang memiliki dampak besar terhadap nasabah tetap membutuhkan mekanisme pengawasan dan validasi yang memadai.

Selain sektor finansial, industri e-commerce juga mulai bereksperimen dengan penggunaan AI untuk meningkatkan pengalaman pelanggan.

Teknologi tersebut dapat membantu memahami kebutuhan konsumen, memberikan rekomendasi produk, serta mendukung proses layanan yang lebih responsif.

Jay juga menyoroti perkembangan ekosistem super app di Indonesia. Aplikasi yang menggabungkan berbagai layanan dalam satu platform memiliki banyak alur kerja yang berpotensi diotomatisasi menggunakan agen AI.

Misalnya, pengguna dapat memanfaatkan agen AI untuk membantu mencari layanan, membandingkan pilihan, mengatur kebutuhan perjalanan, atau menyelesaikan beberapa proses dalam satu rangkaian instruksi.

Jika diterapkan dengan baik, kemampuan tersebut dapat membuat pengalaman menggunakan aplikasi menjadi lebih sederhana. Pengguna tidak harus berpindah-pindah menu untuk menyelesaikan setiap kebutuhan.

Lima Tantangan Utama dalam Penerapan AI di Perusahaan

Meskipun menawarkan peluang besar, adopsi AI di lingkungan bisnis masih menghadapi sejumlah kendala. Berdasarkan penjelasan Jay Jenkins, setidaknya terdapat lima tantangan yang perlu diperhatikan perusahaan.

1. Keterbatasan Infrastruktur Komputasi

Tantangan pertama adalah ketersediaan infrastruktur komputasi, terutama GPU dan kapasitas pemrosesan yang dibutuhkan untuk menjalankan AI.

Model AI modern membutuhkan sumber daya komputasi yang besar. Kebutuhan tersebut semakin meningkat ketika perusahaan mulai menggunakan agen AI yang harus menjalankan beberapa tugas secara berurutan.

Perusahaan perlu memastikan kapasitas komputasi mencukupi agar layanan tetap stabil. Tanpa infrastruktur yang memadai, proses AI dapat berjalan lambat atau tidak mampu menangani permintaan dalam jumlah besar.

2. Persoalan Latensi dan Konektivitas

Tantangan berikutnya adalah latensi, yaitu waktu yang dibutuhkan sistem untuk mengirimkan permintaan dan menerima respons.

Banyak infrastruktur AI dibangun secara terpusat karena keterbatasan sumber daya komputasi. Akibatnya, pengguna yang berada jauh dari pusat pemrosesan berpotensi mengalami waktu respons lebih lambat.

Persoalan ini cukup relevan bagi Indonesia yang memiliki wilayah geografis berbentuk kepulauan. Menyediakan konektivitas dengan latensi rendah secara konsisten di berbagai daerah bukan pekerjaan sederhana.

Padahal, beberapa penggunaan AI membutuhkan respons hampir secara real-time. Infrastruktur cloud yang terlalu terpusat dapat menjadi hambatan apabila jaringan antardaerah belum cukup andal.

3. Kedaulatan Data dan Kepatuhan Regulasi

AI agent berpotensi mengakses serta memproses berbagai jenis data perusahaan. Sebagian data tersebut mungkin bersifat sensitif, seperti informasi pelanggan, transaksi keuangan, dan dokumen internal.

Ketika data diproses atau dipindahkan lintas negara, perusahaan harus memperhatikan ketentuan mengenai perlindungan data dan lokasi penyimpanan informasi.

Di Indonesia, salah satu regulasi yang perlu diperhatikan adalah Undang-Undang Pelindungan Data Pribadi (UU PDP).

Perusahaan perlu memahami lokasi data disimpan, bagaimana informasi diproses, serta siapa saja yang memiliki akses terhadapnya. Pengelolaan data yang tidak tepat dapat menimbulkan risiko hukum maupun kerugian reputasi.

4. Keamanan dan Tata Kelola AI

Kemampuan agen AI untuk mengakses sistem dan menjalankan tindakan secara mandiri membuat aspek keamanan semakin penting.

Salah satu ancaman yang perlu diwaspadai adalah prompt injection. Serangan ini dilakukan dengan memasukkan instruksi berbahaya yang dirancang untuk memanipulasi perilaku AI agar mengabaikan aturan atau menjalankan tindakan yang tidak semestinya.

Selain itu, terdapat risiko akses tanpa izin atau unauthorized access. Apabila agen AI memiliki hak akses terlalu luas, kesalahan atau manipulasi dapat berdampak pada sistem internal perusahaan.

Karena itu, perusahaan perlu menerapkan pembatasan akses, pemantauan aktivitas, serta mekanisme audit untuk memastikan setiap tindakan agen AI dapat ditelusuri.

5. Biaya Infrastruktur dan Ketergantungan Vendor

Penerapan AI juga membutuhkan biaya yang tidak sedikit. Pengeluaran perusahaan tidak hanya berasal dari pembelian atau penyewaan GPU, tetapi juga mencakup biaya inference, penyimpanan, pengelolaan sistem, dan pengiriman data atau data egress fees.

Selain persoalan biaya, perusahaan juga perlu mewaspadai ketergantungan terhadap satu penyedia teknologi atau vendor lock-in.

Ketika seluruh sistem dibangun menggunakan model dan API proprietary dari satu penyedia, perusahaan dapat mengalami kesulitan saat ingin berpindah layanan.

Ketergantungan tersebut berpotensi membatasi fleksibilitas dan meningkatkan biaya operasional apabila kebutuhan bisnis berubah atau muncul teknologi yang lebih sesuai.

Akamai Hadirkan Infrastruktur untuk Mendukung Kebutuhan AI

Untuk membantu perusahaan menghadapi tantangan tersebut, Akamai menghadirkan sejumlah layanan infrastruktur AI, salah satunya Akamai Inference as a Service.

Layanan ini menggunakan model open weight dan menyediakan endpoint yang kompatibel dengan OpenAI API. Dengan pendekatan tersebut, perusahaan dapat mengintegrasikan layanan ke sistem yang sudah digunakan serta memiliki fleksibilitas untuk berpindah model ketika diperlukan.

Akamai menawarkan dua pendekatan utama, yaitu serverless inference dan dedicated inference.

Melalui serverless inference, perusahaan tidak perlu mengelola infrastruktur komputasi maupun siklus hidup model AI secara mandiri. Pengelolaan dan penskalaan layanan ditangani oleh Akamai, sedangkan biaya dibayarkan berdasarkan penggunaan.

Pendekatan ini cocok bagi perusahaan yang masih bereksperimen atau belum dapat memperkirakan kebutuhan komputasi AI secara pasti.

Sementara itu, dedicated inference menyediakan infrastruktur komputasi khusus yang dapat diakses melalui endpoint. Pilihan ini lebih sesuai bagi perusahaan yang sudah memahami kebutuhan kapasitas dan ingin menggunakan sumber daya komputasi secara lebih terencana.

Akamai juga menyediakan akses ke sejumlah model AI untuk kebutuhan penalaran kompleks, riset mendalam, dan pemrograman. Selain itu, tersedia model berbasis retrieval-augmented generation (RAG) yang dapat membantu AI mengambil informasi dari sumber referensi untuk meningkatkan ketepatan jawaban dan mengurangi risiko halusinasi.

Untuk kebutuhan komputasi intensif, perusahaan juga dapat memanfaatkan GPU NVIDIA B300. Penggunaannya mencakup inference berskala besar, analisis dokumen, pelatihan lanjutan model, hingga fine-tuning.

Keamanan Agen AI Perlu Didukung Sistem Sandbox

Selain infrastruktur komputasi, keamanan menjadi salah satu aspek yang tidak boleh diabaikan ketika perusahaan mulai menggunakan agen AI.

Akamai memperkenalkan Akamai Agent Sandbox yang memanfaatkan WebAssembly dan Spin SDK untuk menyediakan lingkungan eksekusi kode terisolasi.

Teknologi ini memungkinkan agen AI menulis dan menjalankan kode tanpa harus memperoleh akses bebas ke seluruh sistem perusahaan.

Dengan mekanisme sandbox, akses agen AI dapat dibatasi hanya pada sumber daya yang secara eksplisit diizinkan. Hal tersebut membantu mengurangi risiko ketika agen menjalankan instruksi yang keliru atau menghadapi manipulasi dari pihak luar.

WebAssembly dipilih karena memiliki mekanisme sandboxing bawaan. Sementara itu, Spin SDK yang bersifat open source dikembangkan bersama Cloud Native Computing Foundation (CNCF).

Pendekatan ini memungkinkan perusahaan mengontrol ruang gerak agen AI pada setiap tahap eksekusi kode. Dengan demikian, otomatisasi dapat berjalan tanpa memberikan kewenangan berlebihan kepada sistem AI.

Perusahaan Harus Membangun Kepercayaan Secara Bertahap

Selain menyiapkan infrastruktur dan keamanan, perusahaan perlu memiliki tata kelola yang jelas sebelum menerapkan agen AI.

Jay Jenkins menyarankan agar perusahaan tidak langsung memberikan seluruh kewenangan kepada agen AI. Sebaliknya, tingkat otonomi sebaiknya ditingkatkan secara bertahap berdasarkan hasil pengujian dan tingkat kepercayaan terhadap sistem.

Langkah pertama adalah menetapkan alur kerja atau workflow yang boleh dijalankan AI. Perusahaan juga harus menentukan batasan tugas dan sumber daya yang dapat diakses oleh agen tersebut.

Selanjutnya, perusahaan perlu memahami alur kerja normal atau happy path, sekaligus mengidentifikasi kemungkinan pengecualian atau exception paths.

Dengan memahami kedua kondisi tersebut, perusahaan dapat mempersiapkan respons apabila agen AI menghadapi situasi yang tidak sesuai dengan skenario normal.

Pada tahap awal, penerapan mekanisme human-in-the-loop juga sangat disarankan. Artinya, manusia tetap terlibat untuk memeriksa dan memvalidasi keputusan yang dihasilkan AI.

Jay memberikan contoh mekanisme maker-checker yang umum digunakan dalam industri keuangan. Dalam sistem tersebut, satu pihak membuat keputusan atau menjalankan proses, sedangkan pihak lain melakukan pemeriksaan dan validasi.

Prinsip serupa dapat diterapkan pada agen AI. Teknologi tersebut dapat membantu mengambil keputusan awal, kemudian manusia memeriksa hasilnya sebelum tindakan dilanjutkan.

Setelah perusahaan memahami kemampuan, batasan, dan risiko operasional agen AI, tingkat otonominya dapat ditingkatkan secara bertahap.

Namun, otomatisasi penuh bukan berarti pengawasan manusia dapat dihilangkan sepenuhnya. Perusahaan tetap membutuhkan tata kelola, pembatasan akses, pemantauan, dan kemampuan audit agar setiap tindakan dapat dipertanggungjawabkan.

Kesimpulan

Perkembangan agen AI menandai perubahan besar dalam cara perusahaan memanfaatkan kecerdasan buatan. Teknologi ini tidak lagi hanya digunakan untuk menjawab pertanyaan atau menghasilkan konten, tetapi juga dapat menjalankan berbagai pekerjaan secara mandiri.

Peluangnya terbuka luas, terutama bagi sektor finansial, e-commerce, dan ekosistem super app. Namun, perusahaan harus menghadapi tantangan berupa keterbatasan infrastruktur, latensi jaringan, kedaulatan data, keamanan, serta biaya operasional.

Karena itu, keberhasilan adopsi AI tidak cukup hanya mengandalkan model yang canggih. Perusahaan juga harus membangun infrastruktur yang siap, menerapkan tata kelola yang kuat, dan meningkatkan tingkat otonomi AI secara bertahap.

Pada akhirnya, agen AI dapat menjadi alat penting untuk meningkatkan daya saing bisnis. Namun, manfaat tersebut hanya bisa diperoleh secara optimal apabila perusahaan mampu menyeimbangkan otomatisasi, keamanan, dan tanggung jawab manusia.