Kunci Sukses Agentic AI Bukan Model Terbesar, tapi Kualitas Implementasi

Telset.id – Persaingan kecerdasan buatan (AI) enterprise tidak lagi ditentukan oleh siapa yang memiliki model bahasa besar (LLM) paling besar. Menurut Jay Florence, Solution Architect di Digital Modus, keunggulan kompetitif kini bergeser pada kemampuan organisasi membangun agen AI (agentic AI) yang terpercaya, terkelola baik, dan mampu menyelesaikan masalah operasional nyata.

Dalam artikelnya yang diterbitkan TechRadar Pro, Florence menegaskan bahwa model AI fundamental yang semakin canggih, cepat, dan murah justru membuat pilihan model menjadi kurang relevan. “Perlombaan AI berikutnya tidak akan dimenangkan oleh mereka yang memiliki akses ke model terbesar,” tulisnya. “Itu akan dimenangkan oleh mereka yang membangun agen tepercaya dan terkelola dengan baik yang mampu memecahkan masalah operasional nyata.”

Pernyataan ini muncul di tengah gelombang adopsi AI di berbagai sektor. Banyak perusahaan masih terjebak pada anggapan bahwa memilih model AI terbaru adalah kunci sukses. Padahal, seperti disampaikan pada Gartner Data and Analytics Summit 2026, para analis menegaskan bahwa model AI yang berdiri sendiri sudah usang dan agen AI yang otonom serta saling terhubung adalah masa depan.

Untuk mendapatkan nilai nyata dari agentic AI, para pemimpin IT disarankan memprioritaskan “use case dengan frekuensi tinggi dan kompleksitas rendah, menerapkan guardrails, dan meningkatkan keterampilan tenaga kerja”. Florence menambahkan bahwa fase berikutnya dari AI enterprise bukan tentang akses ke model terbesar, melainkan tentang membangun agen yang lebih baik.

Peluang AI Terbesar Bukan pada Percakapan

Bagi banyak orang, AI masih identik dengan bertanya kepada ChatGPT dan menerima jawaban. Antarmuka percakapan memang berperan penting dalam membuat AI mudah diakses, tetapi itu baru permukaan dari kemampuan yang ada. Penerapan agentic AI yang paling bernilai justru berfokus pada pekerjaan operasional, bukan sekadar percakapan.

Florence memaparkan sejumlah contoh nyata. Di pendidikan tinggi, agen AI membantu mahasiswa menavigasi layanan dukungan dengan menjawab pertanyaan rutin tentang pendaftaran, fasilitas kampus, atau proses administratif, sehingga staf dapat fokus pada masalah yang lebih kompleks. Di sektor transportasi, agen dapat menggabungkan informasi jadwal, pilihan perjalanan lanjutan, dan dukungan pelanggan dalam satu interaksi, menghemat waktu pengguna dari pencarian di berbagai layanan.

Organisasi lain menggunakan agen AI untuk memenuhi syarat prospek penjualan, merangkum dokumentasi kompleks, dan mengekstrak informasi dari kontrak. Tugas-tugas yang sebelumnya membutuhkan jam kerja manual kini dapat diselesaikan dalam hitungan menit. Benang merah dari semua penerapan ini bukan sekadar kemampuan agen menjawab pertanyaan, melainkan kemampuannya menghilangkan beban administratif dan memungkinkan manusia fokus pada pekerjaan yang membutuhkan penilaian, keahlian, dan interaksi antarmanusia.

Kesalahan terbesar yang sering dilakukan organisasi adalah memulai dengan menentukan di mana mereka ingin menempatkan agen AI. Florence menegaskan bahwa pertanyaan pertama seharusnya bukan “Di mana kami bisa menerapkan AI?”, melainkan “Masalah bisnis apa yang sedang kami coba selesaikan?”. Memulai dari teknologi sering kali menghasilkan agen yang memberikan nilai kecil karena mengotomatisasi proses yang salah.

Organisasi yang mendapatkan hasil terkuat adalah mereka yang mengidentifikasi titik nyeri operasional terlebih dahulu, terutama di area di mana karyawan menghabiskan banyak waktu untuk administrasi berulang, mencari informasi, atau memindahkan data secara manual antar sistem. Ketika tantangan tersebut dipahami dengan jelas, agentic AI menjadi alat operasional yang efektif, bukan teknologi yang mencari-cari kegunaan.

Model Semakin Tidak Penting Dibanding Implementasi

Model AI terkemuka saat ini berkembang dengan kecepatan luar biasa. Mereka menjadi lebih mumpuni, lebih cepat, dan semakin hemat biaya. Namun, Florence menekankan bahwa keunggulan kompetitif justru bergeser. Organisasi tidak mungkin mengungguli pesaing hanya karena memilih satu model dasar dibandingkan model lainnya. Kesuksesan akan semakin bergantung pada segala hal yang mengelilingi model tersebut.

Kualitas data adalah salah satu pembeda terbesar. Sebuah agen AI hanya sebagus informasi yang mendasarinya. Dokumentasi yang kontradiktif, kebijakan yang tidak konsisten, atau manajemen pengetahuan yang buruk akan mengurangi kualitas keluaran. Rekayasa prompt juga merupakan kemampuan yang sering diabaikan. Merancang agen bukan sekadar memberi instruksi dan mengharapkan hasil yang konsisten. Prompt yang dirancang dengan baik menetapkan guardrails yang jelas, mendefinisikan tanggung jawab agen, dan memastikan agen tetap fokus pada tujuannya.

Hal yang sama berlaku untuk tata kelola. Agen yang baik tidak seharusnya menjawab setiap pertanyaan yang diajukan. Agen harus memahami perannya, tahu kapan harus menolak permintaan di luar wewenangnya, dan hanya beroperasi dengan informasi serta izin yang benar-benar dibutuhkan. Menerapkan prinsip hak akses paling rendah (least privilege) bukan hanya praktik keamanan yang baik, tetapi juga meningkatkan efisiensi dengan mengurangi pemrosesan yang tidak perlu dan menjaga biaya tetap terkendali.

Pada akhirnya, kualitas implementasi jauh lebih penting daripada ukuran model yang mendasarinya. Florence juga mengingatkan tentang kesalahan umum lainnya: menganggap agentic AI harus diterapkan melalui program transformasi skala besar. Dalam praktiknya, yang terjadi justru sebaliknya. Organisasi yang mencapai hasil bermakna cenderung memulai dengan use case yang didefinisikan secara ketat dan memberikan nilai terukur. Ini menciptakan kepercayaan di antara karyawan, menunjukkan laba atas investasi, dan memberikan kesempatan untuk menyempurnakan tata kelola sebelum berkembang ke alur kerja yang lebih canggih.

Agentic AI harus diperlakukan sebagai produk yang berkembang seiring waktu, bukan proyek yang selesai pada hari peluncuran. Namun, hal itu juga mengubah cara organisasi mendekati pengujian. Perangkat lunak tradisional dirancang untuk memberikan keluaran yang identik setiap saat. Agen AI bersifat probabilistik, sehingga konsistensi menjadi sama pentingnya dengan fungsionalitas. Pengujian berkelanjutan, pemantauan, dan penyempurnaan menjadi bagian integral dari penerapan yang sukses.

Karyawan juga perlu menjadi bagian dari perjalanan ini. Membangun kepercayaan bukan tentang meluncurkan agen AI setelah selesai dibuat. Ini tentang melibatkan tim sepanjang pengembangan, membantu mereka memahami bagaimana keputusan dibuat, di mana guardrails berada, dan bagaimana teknologi dimaksudkan untuk melengkapi, bukan menggantikan, keahlian mereka.

Industri AI dipastikan akan terus menghasilkan model dasar yang lebih cepat, lebih murah, dan lebih mumpuni. Namun, belum tentu organisasi mampu menerjemahkan kemampuan tersebut menjadi nilai bisnis yang bermakna. Perlombaan AI berikutnya tidak akan dimenangkan oleh mereka yang memiliki akses ke model terbesar, melainkan oleh mereka yang membangun agen tepercaya dan terkelola baik yang mampu memecahkan masalah operasional nyata.

Bagi organisasi yang ingin mengadopsi AI, pelajaran utamanya jelas: mulai dari masalah bisnis, fokus pada kualitas data dan tata kelola, libatkan karyawan, dan bangun agen secara bertahap. Keberhasilan agentic AI bukan tentang model terbesar, tetapi tentang implementasi terbaik.