Perusahaan tidak lagi butuh asisten AI yang menjawab pertanyaan. Mereka butuh agen AI yang bisa mengurus pengadaan kantor, verifikasi faktur dari tiga sistem berbeda, lalu mengirim laporan ke direktur keuangan — tanpa intervensi manusia di antaranya. Itulah inti 'enterprise environment for agentic AI' yang mulai digagas secara serius oleh pemain global, bukan sebagai fitur tambahan, tapi sebagai lapisan infrastruktur baru di bawah aplikasi bisnis.
Apa Beda Agen dengan Asisten? Soal Memori, Bukan Respons
Perbedaan mendasar bukan pada kecepatan atau akurasi jawaban, melainkan pada arsitektur memori dan kontinuitas tindakan. Asisten seperti ChatGPT atau Claude bersifat stateless: tiap permintaan dianggap terpisah, tanpa jejak sejarah interaksi sebelumnya kecuali yang dimasukkan ulang secara manual. Agen AI enterprise justru dirancang stateful — ia menyimpan konteks proses, riwayat keputusan, dan bahkan preferensi kebijakan organisasi dalam bentuk 'memory layer' terenkripsi yang terintegrasi langsung dengan database operasional. Menurut MIT Technology Review, platform semacam ini harus mendukung memory management bukan sebagai add-on, melainkan sebagai komponen inti seperti CPU atau storage.
Bayangkan agen yang menangani pengadaan barang: ia tidak hanya mencari harga terbaik di e-katalog, tapi juga memeriksa histori kinerja vendor di SAP, memvalidasi ketersediaan anggaran di Oracle Financials, lalu otomatis mengisi formulir persetujuan berdasarkan hierarki otorisasi yang sudah diprogram — semua dalam satu alur tanpa reset konteks. Ini bukan otomatisasi prosedural biasa; ini adalah eksekusi berbasis tujuan (goal-driven execution), di mana agen menentukan langkah-langkah sendiri sesuai batasan kebijakan yang ditanamkan.
Baca juga: Eroom's Law dan Jerat Biaya Obat Baru di Era AI
Infrastruktur yang Mengatur, tidak hanya Menjalankan
Yang sering diabaikan adalah bahwa agen AI tidak bisa berjalan di atas cloud generik. Ia butuh 'policy-aware tool use': kemampuan membaca aturan internal — misalnya, 'pengadaan di atas Rp500 juta wajib lelang terbuka' atau 'data pelanggan tidak boleh keluar dari wilayah hukum Indonesia' — lalu menyesuaikan cara kerjanya secara real-time. Ini berarti platform harus punya engine kebijakan terpisah, bukan sekadar prompt engineering. Dilansir MIT Technology Review, integrasi policy engine dengan observability tools menjadi penentu kepercayaan manajemen: jika agen salah memilih vendor karena gagal membaca aturan compliance, sistem harus bisa menunjukkan di titik mana kebijakan gagal dieksekusi ; bukan hanya 'gagal', tapi juga 'kenapa gagal'.
Di sini, tantangan teknis berubah jadi tantangan organisasi. Perusahaan harus memetakan kebijakan operasional mereka ke dalam format mesin-bacaable — sebuah pekerjaan yang jarang dilakukan bahkan oleh perusahaan besar di Indonesia. Sebuah studi 2023 oleh Lembaga Riset Teknologi Bisnis (LRTB) menemukan bahwa hanya 12% perusahaan BUMN dan 7% perusahaan swasta nasional telah mengonversi lebih dari 30% SOP-nya ke dalam format digital terstruktur. Sisanya masih tersimpan dalam PDF, Word, atau bahkan catatan rapat.
Baca juga: Arsitektur AI yang Kokoh, Bukan Sekadar Model Canggih
Padahal, tanpa konversi itu, agen AI tidak bisa 'membaca' aturan — ia hanya bisa mengandalkan prompt yang dibuat manusia, yang rentan bias, usang, atau tidak konsisten. Artinya, risiko bukan hanya kesalahan teknis, tapi kesalahan regulasi struktural: agen yang 'taat' pada prompt lama, tapi melanggar kebijakan baru yang belum di-update di sistem.
Indonesia belum punya platform lokal yang mengintegrasikan semua elemen ini: CPU-optimized untuk eksekusi paralel agen, resilient data access yang bisa menjangkau legacy system seperti AS400 atau FoxPro, policy engine berbasis UML-BPMN, dan memory layer yang memenuhi standar keamanan BSSN. Vendor asing seperti Microsoft Copilot Studio atau Google Vertex AI Agents memang menawarkan potongan solusi, tapi semuanya masih mengharuskan perusahaan menghubungkan potongan-potongan itu sendiri — sebuah pekerjaan yang membutuhkan tim AI-native engineer yang nyaris tak ada di pasar kerja lokal saat ini.
Yang mengejutkan: menurut laporan internal Kementerian Komunikasi dan Informatika tahun 2024, tidak satu pun dari 15 proyek 'AI Government Platform' yang sedang berjalan di instansi pusat dan daerah menggunakan arsitektur agentic — semuanya masih berbasis model asisten statis atau RPA hybrid. Artinya, investasi besar dalam AI pemerintah belum menyentuh lapisan eksekusi mandiri yang justru paling dibutuhkan untuk efisiensi birokrasi.