Agentic AI untuk Otomasi: Kapan Layak Diimplementasikan?

Agentic AI bukan sekadar tren, tetapi juga bukan solusi yang harus digunakan pada setiap proses otomasi. Teknologi ini paling berguna ketika sebuah pekerjaan membutuhkan interpretasi, keputusan yang dapat berubah, penggunaan beberapa tool, dan evaluasi hasil secara berulang.

Sebaliknya, pekerjaan dengan urutan tetap, seperti mengirim laporan pada jadwal tertentu, menjalankan backup, atau memindahkan data berdasarkan aturan yang jelas, biasanya lebih efisien menggunakan script atau workflow automation biasa.

Karena itu, pertanyaan yang perlu dijawab bukan hanya “Apakah Agentic AI dapat dibangun?”, tetapi “Apakah fleksibilitasnya benar-benar memberikan manfaat yang lebih besar daripada biaya, risiko, dan kompleksitas yang ditambahkan?”

Apa Itu Agentic AI?

Agentic AI adalah pendekatan untuk membangun sistem AI yang dapat menerima tujuan, menentukan tindakan, menggunakan tool, membaca hasil dari lingkungan, lalu menyesuaikan langkah berikutnya dengan tingkat kemandirian tertentu.

Sistem tersebut dapat mengakses API, database, file, layanan pencarian, aplikasi bisnis, atau lingkungan coding sesuai izin yang diberikan. Model tidak hanya menghasilkan jawaban, tetapi ikut mengatur jalannya suatu alur kerja.

Istilah Agentic AI dan AI Agent sering digunakan secara berdekatan. Secara sederhana, AI Agent dapat dipahami sebagai sistem atau unit yang menjalankan tugas, sedangkan Agentic AI menggambarkan pendekatan yang memberikan kemampuan merencanakan, bertindak, dan beradaptasi kepada satu atau beberapa agent.

Untuk memahami definisi, komponen, dan siklus kerjanya secara lebih mendasar, baca pembahasan mengenai apa itu AI Agent.

Agentic AI vs Automation Berbasis Aturan

Automation berbasis aturan menjalankan jalur yang sudah ditentukan oleh developer. Sistem dapat menggunakan kondisi seperti if, else, jadwal, trigger, atau urutan langkah yang tetap.

Agentic AI memberikan sebagian keputusan kepada model. Jalur yang diambil dapat berubah berdasarkan isi permintaan, hasil tool, kondisi sistem, atau informasi baru yang ditemukan selama proses.

Sebagai contoh, platform otomasi seperti n8n sudah memadai untuk proses yang memiliki trigger dan urutan jelas.

Agentic AI lebih relevan ketika sistem tidak dapat mengetahui seluruh langkah yang diperlukan sejak awal. Anthropic juga membedakan workflow dengan jalur terprogram dan agent yang secara dinamis mengarahkan penggunaan tool serta prosesnya sendiri.

Bagaimana Agentic AI Bekerja?

Implementasi Agentic AI dapat memiliki arsitektur berbeda. Namun, alur sederhananya biasanya mencakup beberapa tahap berikut.

1. Menerima Tujuan dan Batasan

Sistem menerima hasil yang ingin dicapai, bukan hanya satu pertanyaan.

Sebagai contoh:

Periksa tiket pelanggan ini, cari penyebab masalahnya, siapkan solusi, lalu teruskan kepada tim apabila perubahan akun diperlukan.

Instruksi juga perlu menjelaskan data yang boleh dibaca, tool yang dapat digunakan, serta tindakan yang membutuhkan persetujuan.

2. Mengumpulkan Konteks

Agent mengambil informasi yang relevan dari dokumen, database, API, file, riwayat aktivitas, atau hasil tool sebelumnya.

Data tersebut perlu berasal dari sumber yang dapat dipercaya. Model tidak seharusnya menggunakan asumsi ketika informasi resmi dapat diperoleh dari sistem.

3. Menentukan dan Menjalankan Langkah

Model memilih langkah berdasarkan tujuan serta konteks yang tersedia.

Dalam tiket support, misalnya, agent dapat:

1. Mengidentifikasi jenis masalah.
2. Membaca data layanan.
3. Mencari prosedur yang sesuai.
4. Menjalankan pemeriksaan.
5. Menyiapkan jawaban atau eskalasi.

Ketika aplikasi menggunakan banyak layanan, API Gateway dapat membantu mengatur routing, autentikasi, rate limit, dan akses menuju API yang digunakan agent.

4. Membaca dan Mengevaluasi Hasil

Agent perlu memeriksa bukti dari lingkungan, bukan hanya mengandalkan jawaban model.

Setelah menjalankan tool, sistem dapat membaca:

• Status HTTP.
• Hasil query.
• Output test.
• Perubahan file.
• Log aplikasi.
• Status sebuah tugas.

Jika hasilnya belum sesuai, agent dapat memperbarui rencana atau meminta informasi tambahan.

5. Berhenti atau Menyerahkan Kontrol

Proses harus memiliki kondisi selesai, batas iterasi, timeout, dan mekanisme eskalasi.

Agent sebaiknya berhenti ketika:

• Tujuan sudah terverifikasi.
• Batas percobaan tercapai.
• Informasi tidak mencukupi.
• Tool gagal berulang kali.
• Diperlukan tindakan berisiko.
• Keputusan manusia dibutuhkan.

Kapan Agentic AI Layak Diimplementasikan?

Agentic AI layak dipertimbangkan ketika fleksibilitas dan kemampuan mengambil keputusan memberikan nilai yang tidak mudah diperoleh melalui automation biasa.

OpenAI menyarankan agent untuk workflow dengan keputusan kompleks, aturan yang sulit dipelihara, atau ketergantungan tinggi pada data tidak terstruktur. Jika kriteria tersebut tidak terpenuhi, solusi deterministik mungkin sudah cukup.

1. Jalur Penyelesaian Sulit Ditentukan Sejak Awal

Agentic AI sesuai ketika jumlah atau urutan langkah dapat berubah untuk setiap kasus.

Sebagai contoh, penyebab error website dapat berasal dari konfigurasi, dependency, database, kapasitas resource, atau aplikasi pihak ketiga. Sistem perlu mengumpulkan bukti sebelum menentukan pemeriksaan berikutnya.

2. Pekerjaan Membutuhkan Interpretasi

Agent dapat membantu ketika input berbentuk:

• Email.
• Percakapan.
• Dokumen.
• Log.
• Laporan.
• Source code.
• Knowledge base.

Data tersebut sulit diproses hanya dengan aturan kata kunci karena struktur dan konteksnya dapat berbeda.

3. Sistem Perlu Menggunakan Beberapa Tool

Agentic AI menjadi lebih berguna apabila proses melibatkan perpindahan antara beberapa sistem.

Contohnya, agent perlu membaca tiket, memeriksa database, membuka dokumentasi, menjalankan test, lalu memperbarui status pekerjaan.

Setiap tool tetap harus memiliki parameter, autentikasi, izin, dan batas penggunaan yang jelas.

4. Keberhasilan Dapat Diverifikasi

Use case yang baik memiliki indikator keberhasilan yang dapat diperiksa.

Pada coding agent, hasil dapat diperiksa melalui unit test, linting, build, dan code review. Pada customer service, hasil dapat dinilai melalui status penyelesaian, kepatuhan terhadap prosedur, serta kebutuhan eskalasi.

Tanpa indikator yang jelas, agent dapat melaporkan pekerjaan selesai meskipun hasil sebenarnya belum sesuai.

5. Kesalahan Dapat Dibatasi dan Dipulihkan

Agent sebaiknya tidak langsung memperoleh akses luas pada tahap awal.

Implementasi lebih aman ketika tersedia:

• Sandbox atau staging.
• Akses read-only.
• Backup.
• Version control.
• Approval manusia.
• Rollback.
• Audit log.

Kemampuan memulihkan kondisi sistem sama pentingnya dengan kemampuan menjalankan tindakan.

6. Nilai Bisnis Melebihi Biaya Tambahan

Satu tugas Agentic AI dapat melibatkan beberapa panggilan model, retrieval, tool, database, dan evaluasi. Seluruh proses tersebut menambah latency dan biaya.

Agentic AI lebih masuk akal apabila dapat mengurangi pekerjaan manual yang bernilai tinggi, mempercepat penanganan kasus, atau membantu menyelesaikan pekerjaan yang sebelumnya sulit diotomatisasi.

Jika prototipe Agentic AI mulai membutuhkan worker proses latar belakang, container, queue, database, serta konfigurasi runtime khusus, Cloud VPS DomaiNesia dapat dipertimbangkan untuk menjalankan application layer dan orchestrator. Model AI tetap dapat menggunakan API eksternal, sedangkan VPS menangani aplikasi, state, integrasi, dan proses pendukungnya.

Kapan Agentic AI Tidak Perlu Digunakan?

Menambahkan agent tidak selalu membuat sistem menjadi lebih baik. Kompleksitas sebaiknya hanya ditambahkan apabila hasilnya dapat dibuktikan meningkat. Anthropic merekomendasikan memulai dari solusi sederhana dan menggunakan sistem multi-step hanya ketika pendekatan yang lebih ringan tidak mencukupi.

1. Langkah Pekerjaan Selalu Sama

Jika proses dapat ditulis sebagai urutan tetap, automation berbasis aturan biasanya lebih mudah diuji dan dipelihara.

Contohnya:

• Mengirim laporan setiap pagi.
• Menjalankan backup terjadwal.
• Mengubah ukuran gambar saat diunggah.
• Memindahkan data berdasarkan status.
• Mengirim notifikasi setelah pembayaran.

2. Keberhasilan Sulit Diukur

Agent tidak cocok menjalankan pekerjaan secara mandiri apabila tim belum dapat menentukan seperti apa hasil yang dianggap benar.

Tanpa success criteria, evaluation hanya bergantung pada penilaian model itu sendiri.

3. Tindakannya Berisiko dan Sulit Dipulihkan

Agent tidak seharusnya langsung diberi izin untuk:

• Menghapus database.
• Mengubah DNS production.
• Mengirim transaksi.
• Menghapus akun.
• Menerbitkan kode tanpa pengujian.
• Mengakses seluruh data pelanggan.

Tindakan tersebut memerlukan approval, pembatasan akses, dan mekanisme pemulihan.

4. Data dan API Belum Siap

Agent tidak dapat memperbaiki data yang tidak konsisten, dokumentasi yang kedaluwarsa, atau API yang sering gagal.

Sebelum menambahkan agent, pastikan sumber data, permission, error handling, dan observability sudah memadai.

5. Volume Pekerjaan Terlalu Kecil

Membangun orchestrator, tools, guardrail, evaluation, dan monitoring membutuhkan waktu.

Jika pekerjaan hanya muncul beberapa kali dan mudah diselesaikan manual, biaya implementasi agent mungkin lebih besar daripada manfaatnya.

Contoh Use Case dan Tingkat Kelayakannya

Berikut penilaian sederhana untuk beberapa use case yang sering dikaitkan dengan Agentic AI.

Dalam workflow development, agent dapat membantu menyiapkan perubahan dan menjalankan test. Namun, penerapan ke production sebaiknya tetap mengikuti CI/CD pipeline, aturan deployment, dan persetujuan yang telah ditetapkan.

Risiko Agentic AI yang Perlu Dikendalikan

Kemampuan bertindak membuat dampak kesalahan agent lebih besar dibandingkan aplikasi AI yang hanya menghasilkan teks.

AWS menjelaskan bahwa satu permintaan agent dapat memicu beberapa inferensi, pemanggilan tool, pengambilan memory, dan komunikasi antarkomponen. Setiap tahap menambah latency, biaya, serta permukaan kegagalan.

1. Kesalahan yang Berlanjut ke Langkah Berikutnya

Agent dapat salah memahami tujuan, memilih tool yang keliru, atau menafsirkan hasil secara tidak tepat.

Apabila kesalahan tersebut digunakan sebagai dasar tindakan berikutnya, dampaknya dapat bertambah sepanjang workflow.

Risiko ini berkaitan dengan hallucination. Pembahasan mitigasinya dapat dibaca melalui artikel cara mengurangi hallucination pada LLM.

2. Prompt Injection

Dokumen, email, halaman web, dan file yang dibaca agent dapat berisi instruksi berbahaya.

OWASP merekomendasikan pemisahan konten eksternal dari instruksi tepercaya, penerapan least privilege, filtering, serta approval manusia untuk tindakan berisiko tinggi.

3. Akses Tool Terlalu Luas

Agent hanya perlu memperoleh tool dan izin yang dibutuhkan untuk tugasnya.

Agent yang bertugas membaca log tidak memerlukan izin menghapus database. Agent yang menyiapkan perubahan kode juga tidak selalu membutuhkan akses langsung ke production.

4. Biaya dan Latency Tidak Terkontrol

Loop yang tidak memiliki batas dapat memanggil model dan tool secara berulang.

Terapkan:

• Batas iterasi.
• Timeout.
• Batas biaya.
• Retry policy.
• Stop condition.
• Caching jika relevan.
• Pemilihan model sesuai kompleksitas tugas.

5. Sulit Menelusuri Penyebab Kesalahan

Setiap keputusan dan tindakan penting perlu dicatat.

Log sebaiknya memuat model yang digunakan, versi instruksi, tool yang dipanggil, parameter, hasil tool, perubahan state, approval, dan kondisi penghentian.

Namun, kredensial serta data sensitif tidak boleh disimpan secara sembarangan dalam log.

Infrastruktur yang Dibutuhkan Agentic AI

Tidak semua implementasi Agentic AI memerlukan server besar atau proses yang berjalan terus-menerus. Agent sederhana dapat bersifat request-driven dan hanya aktif ketika menerima pekerjaan.

Kebutuhan infrastruktur meningkat ketika aplikasi menggunakan:

• Worker proses latar belakang.
• Queue.
• Container.
• Database atau state store.
• Retrieval.
• Banyak integrasi API.
• Scheduler.
• Logging dan tracing.
• Beberapa agent atau worker sekaligus.

Arsitektur sederhananya dapat terdiri dari:

1. Antarmuka pengguna atau API.
2. Orchestrator.
3. Model AI melalui API.
4. Tool dan integrasi.
5. Queue serta worker.
6. Database atau penyimpanan state.
7. Logging, evaluation, dan monitoring.

Cloud VPS dapat digunakan untuk menjalankan orchestrator, API, worker, database, dan tool internal ketika aplikasi membutuhkan akses root serta konfigurasi server yang lebih bebas.

Cloud VPS Turbo DomaiNesia menyediakan akses root, SSD NVMe, pilihan resize, serta high-availability cluster dengan penyimpanan 3X replikasi. Namun, layanan ini bersifat unmanaged secara default sehingga pengelolaan sistem operasi, aplikasi, permission, firewall, dan monitoring aplikasi tetap menjadi tanggung jawab pengguna.

Cara Memulai Implementasi Agentic AI

Implementasi tidak perlu dimulai dengan agent yang memiliki akses penuh. Mulailah dari workflow kecil yang dapat diuji.

1. Petakan Proses Manual

Catat input, keputusan, sumber data, tindakan, exception, dan hasil akhirnya.

Pastikan masalahnya memang membutuhkan interpretasi. Jangan mengubah proses yang sederhana menjadi agent hanya karena teknologinya tersedia.

2. Tentukan Indikator Keberhasilan

Gunakan metrik yang dapat diperiksa, seperti:

• Persentase tugas selesai.
• Tingkat kesalahan.
• Waktu penyelesaian.
• Jumlah eskalasi.
• Biaya per tugas.
• Hasil test.
• Kepuasan pengguna.

3. Mulai dari Akses Baca

Biarkan agent mengambil data dan menyusun rekomendasi tanpa melakukan perubahan.

Tahap ini dapat digunakan untuk memeriksa pemilihan tool, kualitas analisis, dan konsistensi keputusan.

4. Gunakan Sandbox atau Staging

Uji tindakan agent pada lingkungan terpisah.

Masukkan skenario gagal, data tidak lengkap, timeout, prompt injection, tool error, dan permintaan yang ambigu.

5. Tambahkan Izin Secara Bertahap

Berikan akses perubahan hanya setelah perilaku agent dapat dievaluasi.

Tindakan sulit dipulihkan tetap perlu melewati approval manusia, meskipun tugas lain sudah dapat dijalankan otomatis.

Apakah Agentic AI Sekadar Hype?

Agentic AI bukan sekadar hype karena teknologi ini dapat membantu workflow yang membutuhkan interpretasi, penggunaan tool, dan jalur penyelesaian yang berubah berdasarkan kondisi.

Namun, manfaat tersebut tidak berarti setiap automation harus diubah menjadi agent.

Untuk pekerjaan yang memiliki urutan tetap, script dan workflow automation biasanya lebih murah, mudah diuji, dan lebih dapat diprediksi. Agentic AI baru layak digunakan ketika fleksibilitasnya memberikan peningkatan hasil yang terukur.

Mulailah dari ruang lingkup kecil, tetapkan success criteria, gunakan akses minimum, siapkan evaluation, dan libatkan manusia untuk keputusan berisiko. Infrastruktur kemudian disesuaikan dengan kebutuhan application layer, bukan digunakan untuk menutupi desain agent yang belum matang.