Use Case Agentic AI yang Jalan di Indonesia, dan yang Gagal
Agentic AI berbeda dari chatbot karena ia bertindak, bukan menjawab: merencanakan langkah, memanggil sistem lain, lalu mengeksekusi dalam batas kewenangan yang Anda tetapkan. Tetapi dari deployment AI yang hasilnya dipublikasikan di Indonesia, hampir semuanya bukan agentic. Sebagian besar adalah ekstraksi dan klasifikasi dokumen, dan itu justru alasan angkanya bisa dibuktikan.
Bedanya Ada di Kata "Bertindak"
Artikel ini untuk kepala IT dan pemilik proses operasional yang sedang menimbang apakah proses tertentu layak diserahkan ke agen. Kalau yang Anda butuhkan adalah menjawab pertanyaan dari dokumen internal, itu pekerjaan retrieval, bukan agen, dan jauh lebih murah.
Chatbot menerima pertanyaan dan mengembalikan jawaban. Agen menerima tujuan, menyusun langkah untuk mencapainya, memanggil sistem lain, dan mengubah keadaan di sistem tersebut. Perbedaannya bukan kecerdasan modelnya, melainkan apakah sistem itu punya izin untuk melakukan sesuatu.
Di situlah persoalannya berpindah dari teknis ke tata kelola. Survei IBM terhadap 502 pemimpin bisnis senior di Indonesia menemukan 93% yakin mampu menerapkan AI dan 85% mengaku sudah mendapat perbaikan operasional, tetapi hanya 24% punya proses tata kelola AI yang jelas. Untuk sistem yang hanya menjawab, angka 24% itu merepotkan. Untuk sistem yang mengeksekusi transaksi, angka itu adalah alasan proyeknya tidak boleh berjalan.
Hampir Semua Contoh Indonesia Sebenarnya Bukan Agen
Ini pengamatan yang jarang dinyatakan terbuka, dan penting untuk menetapkan harapan yang benar.
Dari deployment AI di Indonesia yang angkanya dipublikasikan, sebagian besar bukan sistem agentic. BNI memangkas waktu pemrosesan dokumen KYC dari lima hari menjadi hitungan jam, dan itu ekstraksi dokumen. Transjakarta melaporkan penurunan 93,82% pada waktu penanganan pertanyaan pelanggan, dan itu retrieval ditambah pembangkitan jawaban. Pertamina memakai machine learning untuk optimasi eksplorasi, dan itu prediksi. BCA melaporkan efisiensi 30% sebagai dasar dengan 70% sampai 80% di fungsi tertentu, sebagian besar dari klasifikasi dan peringkasan.
Tidak satu pun dari contoh itu adalah agen yang merencanakan langkah lalu mengubah keadaan sistem tanpa diminta per langkah.
Dan justru itu sebabnya angkanya bisa dibuktikan. Ekstraksi punya jawaban benar-salah yang jelas, sehingga akurasinya bisa diukur. Agen yang mengambil sepuluh keputusan berurutan tidak punya satu angka akurasi, melainkan sepuluh titik kegagalan yang bisa saling menumpuk. Semakin agentic sebuah sistem, semakin sulit membuktikan hasilnya, dan semakin besar kebutuhan akan jejak audit.
Kesimpulan praktisnya: kalau Anda belum bisa membuktikan hasil dari sistem yang hanya mengekstraksi, jangan mulai dari agen.
Use Case yang Cocok Punya Tiga Ciri yang Sama
Langkahnya banyak tapi keputusannya terstruktur. Kandidat terbaik adalah proses dengan lima sampai lima belas langkah yang membosankan, di mana setiap langkah punya aturan yang bisa ditulis. Rekonsiliasi faktur, penerusan tiket lintas sistem, penyiapan dokumen pengadaan. Bukan proses yang menuntut penilaian, melainkan proses yang menuntut ketekunan.
Datanya berpindah antaraplikasi, dan perpindahan itu yang memakan waktu. Kalau staf Anda menghabiskan jam kerja membuka surel, mengunduh lampiran, mencocokkan nomor ke basis data, lalu memperbarui status di aplikasi lain, agen bekerja di celah antaraplikasi itu. Kalau seluruh prosesnya terjadi di satu sistem, biasanya yang Anda butuhkan adalah fitur, bukan agen.
Ada titik henti yang jelas untuk manusia. Use case yang jalan selalu punya satu momen di mana agen berhenti dan meminta konfirmasi: ketika nominal melewati ambang, ketika format tidak standar, ketika data tidak cocok. Kalau Anda tidak bisa menyebut kondisi persis yang membuat agen harus berhenti, prosesnya belum siap diserahkan.
Batas Kewenangan Ditentukan Sebelum Agen Menyentuh Sistem
Untuk perusahaan di sektor teregulasi, dua hal harus selesai sebelum baris kode pertama.
Di mana datanya diproses. UU Perlindungan Data Pribadi Nomor 27 Tahun 2022 mengatur pemrosesan data pribadi, dan bagi penyelenggara sistem elektronik lingkup publik, PP 71/2019 mewajibkan penyimpanan di dalam negeri. Mengirim isi dokumen transaksi ke peladen pihak ketiga di luar yurisdiksi Indonesia adalah keputusan yang harus lewat legal, bukan keputusan arsitektur yang diambil tim engineering sendiri. Deployment self-hosted menyelesaikan pertanyaan ini di depan, dengan konsekuensi biaya infrastruktur yang perlu dihitung terpisah.
Siapa yang bertanggung jawab ketika agen salah. Ini pertanyaan yang lebih sulit daripada memilih model, dan inilah yang tercermin di angka 24% tadi. Sistem agentic menuntut jejak audit per langkah, bukan per transaksi: apa yang dibaca agen, apa yang disimpulkan, tindakan apa yang diambil, dan siapa yang menyetujuinya. Tanpa itu, bagian audit internal tidak punya apa pun untuk diperiksa, dan satu kesalahan menjadi mustahil ditelusuri.
Jejak audit ini bukan fitur tambahan yang dipasang belakangan. Ia menentukan bagaimana agennya dibangun sejak awal.
Kapan Agentic AI Bukan Jawabannya
Prosesnya berjalan di bawah sepuluh kali sebulan. Biaya membangun dan memelihara agen tidak akan tertutup oleh penghematan waktunya. Kerjakan manual.
Aturannya masih berubah setiap kuartal. Agen mengunci asumsi tentang cara kerja suatu proses. Kalau prosesnya belum stabil, Anda akan memelihara sistem yang selalu tertinggal satu versi.
Kesalahannya mahal dan sulit dibatalkan. Untuk tindakan yang menyentuh uang, komitmen hukum, atau komunikasi keluar ke pelanggan, mulai dari agen yang menyiapkan lalu manusia yang mengeksekusi. Naikkan kewenangannya hanya setelah ada data beberapa bulan.
Anda belum pernah membuktikan hasil dari otomasi yang lebih sederhana. Kalau ekstraksi dokumen saja belum terukur di tempat Anda, agen akan menambah kompleksitas di atas fondasi yang belum diverifikasi.
Mulai dari Satu Proses, Bukan Satu Platform
Petakan satu proses sampai ke tingkat langkah. Tulis setiap langkah, sistem yang disentuh, dan aturan keputusannya. Kalau ada langkah yang tidak bisa Anda tuliskan aturannya, itu titik henti untuk manusia.
Catat baseline selama 30 hari. Waktu siklus, tingkat kesalahan, jumlah orang yang terlibat. Tanpa tiga angka ini, hasil apa pun setelahnya tidak punya pembanding.
Jalankan agen dalam mode menyiapkan saja, bukan mengeksekusi. Agen bekerja penuh tetapi setiap tindakan menunggu persetujuan staf. Anda mendapat data akurasi tanpa risiko, dan angka persetujuan itu yang menentukan kapan kewenangannya layak dinaikkan.
Untuk melihat proses mana di perusahaan Anda yang paling siap, Kuesioner Kesiapan AI memetakannya dalam sekitar lima menit.
Pertanyaan yang Sering Diajukan
Agentic AI adalah apa, dan apa bedanya dengan chatbot?
Agentic AI adalah sistem yang menerima tujuan, menyusun langkah untuk mencapainya, memanggil sistem lain, dan mengubah keadaan di sistem tersebut. Chatbot menerima pertanyaan dan mengembalikan jawaban. Perbedaannya bukan kecerdasan modelnya, melainkan apakah sistem itu punya izin untuk bertindak.
Use case apa yang paling cocok untuk agentic AI?
Proses dengan lima sampai lima belas langkah terstruktur yang datanya berpindah antaraplikasi, dan punya titik henti yang jelas untuk konfirmasi manusia. Rekonsiliasi faktur, penerusan tiket lintas sistem, dan penyiapan dokumen pengadaan adalah contohnya.
Apakah menggunakan agentic AI melanggar UU PDP?
Tidak dengan sendirinya. Yang menentukan adalah di mana data diproses dan apakah ada dasar pemrosesan yang sah. Mengirim isi dokumen ke peladen pihak ketiga di luar Indonesia perlu ditinjau legal, dan bagi penyelenggara sistem elektronik lingkup publik, PP 71/2019 mewajibkan penyimpanan di dalam negeri.
Apakah contoh AI di perusahaan Indonesia sudah agentic?
Sebagian besar belum, berdasarkan yang dipublikasikan. Pemrosesan dokumen KYC di BNI adalah ekstraksi, penanganan pertanyaan pelanggan Transjakarta adalah retrieval, dan optimasi eksplorasi Pertamina adalah prediksi. Semuanya bernilai, tetapi tidak satu pun agen yang mengeksekusi langkah secara mandiri.
Bagaimana cara mengukur keberhasilan agen yang mengambil banyak keputusan?
Jalankan dalam mode menyiapkan saja lebih dulu, di mana setiap tindakan menunggu persetujuan staf. Tingkat persetujuan terhadap usulan agen menjadi angka akurasi Anda, dan jejak audit per langkah memungkinkan setiap kesalahan ditelusuri ke titik asalnya.
Langkah berikutnya yang paling murah: jalankan Kuesioner Kesiapan AI. Hasilnya dikirim ke email Anda, memetakan proses mana yang siap diserahkan ke agen dan mana yang sebaiknya dibereskan lebih dulu. Tidak perlu bicara dengan siapa pun untuk mendapatkannya.
Kalau setelah itu Anda ingin meninjau hasilnya bersama, tim PERFECT10 bisa membahasnya dalam sesi 45 menit, termasuk memetakan batas kewenangan dan titik henti untuk proses yang Anda pilih. Kami akan menyebut proses mana yang sebaiknya ditunda, bukan hanya yang bisa dikerjakan. Jadwalkan sesi peninjauan.
Baca juga:
Sumber
Bisnis.com, BCA dan BNI selektif menjaring solusi AI enterprise, Juni 2026
UU Perlindungan Data Pribadi Nomor 27 Tahun 2022 dan PP 71/2019 tentang Penyelenggaraan Sistem dan Transaksi Elektronik