AI yang Bertindak: Mereka yang membiarkan mesin mengambil keputusan tidak boleh mengotomatiskan kepemimpinan – ekonomi tanggung jawab yang baru

AI agen dalam bisnis: Otonomi, kepercayaan, dan tantangan tanggung jawab

Dari otomatisasi hingga agensi: Bagaimana AI mengubah struktur organisasi

Pengenalan kecerdasan buatan (AI) agenik menghadirkan tantangan dan peluang mendasar bagi perusahaan. Bentuk AI ini jauh melampaui sekadar otomatisasi pekerjaan kantor; ia berpotensi mengubah seluruh logika ekonomi bisnis. AI agenik mampu merencanakan alur kerja secara mandiri, membuat keputusan, dan beradaptasi dengan kondisi yang berubah. Hal ini memperluas pertanyaan sentral manajemen tidak hanya mencakup otomatisasi tugas tetapi juga tanggung jawab atas hasil yang dihasilkan oleh proses otomatis tersebut. Perusahaan menghadapi tugas untuk mendesain ulang struktur dan tanggung jawab mereka untuk memenuhi tuntutan dunia kerja yang semakin didorong oleh AI.

Berkaitan dengan ini:

• Unframe | Otomasi AI Agentik: Cara Kerja Perusahaan

Dalam realitas baru ini, bukan hanya keterampilan teknis yang dibutuhkan, tetapi juga pemahaman mendalam tentang dinamika antara manusia dan mesin. Manajemen harus menetapkan pedoman yang jelas untuk pengambilan keputusan dan akuntabilitas guna memastikan realisasi manfaat AI agen secara berkelanjutan. Tantangannya terletak pada menemukan keseimbangan yang tepat antara otonomi dan kontrol untuk menjamin efisiensi dan kepercayaan pada keputusan yang dibuat. Perusahaan yang menguasai tantangan ini tidak hanya akan mampu memanfaatkan keunggulan AI agen, tetapi juga mengamankan daya saing mereka dalam lingkungan ekonomi yang berubah dengan cepat.

AI Agen: Revolusi atau risiko bagi perusahaan?

Kecerdasan buatan berbasis agen bukan sekadar langkah kecil dalam digitalisasi pekerjaan kantor. Ia mengubah logika ekonomi fundamental perusahaan karena tidak hanya dapat mendukung tugas-tugas individual, tetapi juga merencanakan, melaksanakan, memantau, dan menyesuaikan seluruh alur kerja dengan kondisi yang berubah. Hal ini menggeser pertanyaan manajemen utama. Bukan lagi hanya tentang tugas mana yang dapat diotomatisasi, tetapi tentang siapa yang bertanggung jawab atas hasilnya ketika sistem digital menentukan bagian-bagian penting dari jalan menuju pencapaiannya.

Pergeseran ini lebih mendalam daripada sekadar pengenalan otomatisasi proses klasik atau sistem bantuan generatif. Begitu agen AI bertindak secara independen dalam batasan yang ditentukan, menggunakan alat, mengumpulkan data dari berbagai sistem, dan mengintegrasikan agen lain sesuai kebutuhan, ia menjadi aktor operasional. Ia tidak memiliki tanggung jawab hukum atau moral, tetapi memengaruhi keputusan, biaya, risiko, dan pengalaman pelanggan. Di sinilah letak ketegangan yang krusial: perusahaan secara teknis dapat mendelegasikan wewenang untuk bertindak, tetapi bukan tanggung jawab atas konsekuensinya.

Oleh karena itu, pemenang ekonomi kemungkinan besar bukanlah perusahaan yang memasang agen terbanyak. Organisasi yang secara konsisten mendesain ulang alur kerja, wewenang pengambilan keputusan, dan mekanisme kontrol lebih mungkin berhasil. Dengan demikian, AI berbasis agen bukanlah sekadar produk perangkat lunak tambahan, melainkan peluang untuk mengevaluasi kembali model operasional sendiri. Hal ini memaksa perusahaan untuk membuat aturan implisit menjadi terlihat, memperjelas tanggung jawab, dan menghitung ulang nilai koordinasi.

Dari asisten digital menjadi aktor operasional

Istilah "AI agen" kini digunakan secara luas sehingga kehilangan ketepatannya. Tidak setiap chatbot yang menjawab pertanyaan, dan tidak setiap otomatisasi yang menggabungkan beberapa langkah program, sudah merupakan agen. Untuk analisis bisnis, perbedaan yang jelas diperlukan karena manfaat, risiko, dan dampak organisasi sangat bergantung pada seberapa besar otonomi yang sebenarnya dimiliki suatu sistem.

Otomatisasi proses yang dibantu robot tradisional mengikuti aturan yang telah ditentukan. Sistem ini sangat efisien ketika input distandarisasi, proses stabil, dan pengecualian jarang terjadi. Jika suatu kasus menyimpang dari jalur yang diprogram, proses sering kali berakhir atau memerlukan intervensi manusia. Sistem copilot beroperasi lebih fleksibel tetapi pada dasarnya tetap merupakan sistem bantuan. Sistem ini merumuskan, meneliti, menganalisis, atau menyarankan tindakan sementara manusia mengendalikan proses dan memulai langkah selanjutnya.

Sebaliknya, agen menerima tujuan dan secara mandiri merencanakan serangkaian tindakan. Mereka dapat menetapkan tujuan antara, mengumpulkan informasi, menggunakan aplikasi, memeriksa hasil, dan menyesuaikan rencana mereka. Dalam proses pengadaan, misalnya, mereka dapat mengumpulkan data permintaan, membandingkan informasi pemasok, mengidentifikasi risiko, merumuskan proposal negosiasi, dan menyiapkan persetujuan. Manusia tidak perlu memulai setiap langkah; sebaliknya, mereka mendefinisikan tujuan, batasan, dan titik eskalasi.

Dari perspektif ekonomi, hal ini tidak hanya mengotomatiskan pekerjaan, tetapi juga sebagian dari koordinasi yang sebelumnya diperlukan. Koordinasi ini sering kali diatur melalui peran, hierarki, dan rapat. Jika agen dapat menanganinya lebih cepat dan dengan biaya marginal yang lebih rendah, struktur pekerjaan tradisional akan tertekan. Fokus utama otomatisasi bergeser dari tugas itu sendiri ke alur kerja, dan berpotensi, dalam jangka panjang, dari alur kerja ke hasil bisnis secara keseluruhan.

Otonomi, konteks, dan kepercayaan yang dapat diverifikasi

Tiga karakteristik menentukan apakah suatu sistem dalam perusahaan benar-benar bertindak sebagai agen: otonomi, konteks bisnis, dan kepercayaan yang dapat diverifikasi. Otonomi tidak menggambarkan kebebasan tanpa batas, melainkan kemampuan untuk membuat keputusan independen dalam lingkup tindakan yang disetujui. Agen yang layak secara ekonomi tidak perlu diizinkan untuk melakukan segalanya. Sebaliknya: semakin tepat mandatnya didefinisikan, semakin mudah untuk mengelola manfaat dan risiko.

Konteks bisnis menentukan apakah kecerdasan teknis dapat diterjemahkan menjadi kinerja operasional yang bermanfaat. Sebuah model dapat memberikan jawaban verbal yang meyakinkan namun tetap membuat keputusan yang buruk jika kurang memiliki pengetahuan tentang perjanjian pelanggan, logika produk, tanggung jawab, batasan peraturan, atau anomali historis. Perusahaan sering meremehkan kekayaan pengetahuan yang tertanam dalam rutinitas informal, jaringan pribadi, dan asumsi tersirat. Pengetahuan ini jelas bagi manusia tetapi tidak terlihat oleh agen kecuali jika dibuat dapat diakses secara struktural.

Kepercayaan, pada gilirannya, tidak boleh disamakan dengan keyakinan umum. Di dalam sebuah perusahaan, kepercayaan harus dapat diverifikasi. Ini termasuk catatan tindakan yang dapat dilacak, sumber data yang terdokumentasi, otorisasi yang didefinisikan dengan jelas, ambang batas kualitas yang terukur, dan kemampuan untuk mengenali ketidakpastian. Agen dengan tingkat kepercayaan rendah tidak hanya harus merumuskan permintaan mereka dengan lebih hati-hati tetapi juga meningkatkan masalah tersebut kepada orang yang bertanggung jawab jika perlu. Oleh karena itu, kualitas seorang agen ditunjukkan tidak hanya oleh seberapa sering mereka bertindak dengan benar tetapi juga oleh seberapa andal mereka mengenali kapan mereka seharusnya tidak bertindak secara independen.

Ketiga dimensi ini saling terkait erat. Otonomi yang lebih besar tanpa konteks yang memadai meningkatkan kemungkinan kesalahan. Konteks yang lebih banyak tanpa kontrol akses meningkatkan risiko perlindungan data dan keamanan. Kepercayaan tanpa pengukuran yang bermakna hanya akan tetap menjadi sebuah pernyataan. Hanya interaksi di antara ketiganya yang dapat mengubah prototipe yang mengesankan menjadi sistem operasional yang tangguh.

Dua model agen dengan efek yang sangat berbeda

Dalam perangkat lunak perusahaan, dapat dibedakan dua pola penerapan mendasar. Agen terkait aplikasi menangani tugas terbatas dalam alat yang sudah ada. Misalnya, mereka membantu dalam membuat penawaran harga, mengklasifikasikan permintaan layanan, atau meninjau dokumen kontrak. Manusia tetap berada di dalam aplikasi, mengendalikan proses dan mengkonfirmasi langkah-langkah penting. Model ini relatif mudah diimplementasikan karena proses, antarmuka, dan struktur tanggung jawab sebagian besar tetap tidak berubah.

Sebaliknya, agen yang berorientasi pada proses menangani seluruh alur kerja di berbagai sistem. Mereka dapat menerima pertanyaan pelanggan, memeriksa informasi dari sistem ERP, menghitung ketersediaan, mengajukan pertanyaan lanjutan, menawarkan solusi, mendokumentasikan proses, dan hanya meneruskan kasus-kasus yang tidak biasa ke tingkat yang lebih tinggi. Hal ini menawarkan potensi produktivitas yang lebih besar, tetapi juga menghadirkan tantangan organisasi yang lebih besar.

Perbedaan ini memiliki signifikansi ekonomi. Agen yang berorientasi pada aplikasi menghemat waktu dalam suatu tugas. Agen yang berorientasi pada proses dapat mengurangi perpindahan tugas, waktu tunggu, pertanyaan, dan biaya koordinasi. Biaya tidak langsung ini, khususnya, merupakan bagian substansial dari biaya proses di perusahaan yang kompleks. Biaya ini jarang muncul sebagai pos terpisah dalam laporan laba rugi, tetapi biaya ini menyita tenaga kerja, memperpanjang waktu tunggu, dan meningkatkan tumpukan kasus yang belum diproses.

Namun, dengan jangkauan yang lebih luas, jumlah potensi rantai kesalahan juga meningkat. Satu langkah klasifikasi yang salah dapat menyebar melalui berbagai sistem dan pada akhirnya memicu pesanan, pembayaran, atau komunikasi pelanggan. Oleh karena itu, mengukur kualitas respons individual saja tidak cukup. Perusahaan harus menilai seluruh proses, termasuk peralihan, ketergantungan, dan konsekuensinya. Pertanyaan yang relevan bukanlah apakah model biasanya merespons dengan benar, tetapi apakah proses bisnis secara andal menghasilkan hasil yang dapat diterima dalam kondisi dunia nyata.

Mengapa proyek percontohan gagal dalam kenyataan?

Tingginya jumlah pembatalan proyek yang diperkirakan bukanlah bukti bahwa AI berbasis agen pada dasarnya terlalu dibesar-besarkan. Sebaliknya, hal itu menunjukkan bahwa banyak perusahaan menerapkan teknologi tersebut menggunakan metode yang tidak tepat. Lebih dari 40 persen proyek AI berbasis agen saat ini dapat dihentikan pada akhir tahun 2027. Alasan utamanya meliputi kenaikan biaya, nilai bisnis yang tidak jelas, dan pengendalian risiko yang tidak memadai. Pada saat yang sama, hampir dua pertiga perusahaan masih dalam fase eksperimental atau percontohan, sementara sistem berbasis agen diuji dalam fungsi individual tetapi jarang diterapkan secara luas di seluruh perusahaan.

Proyek percontohan tipikal dimulai dengan kasus penggunaan yang terdefinisi dengan baik, para ahli yang berdedikasi, dan data yang dipilih dengan cermat. Dalam kondisi ini, sebuah agen dapat memberikan hasil yang memuaskan. Namun, dalam produksi, agen tersebut menghadapi informasi yang tidak lengkap, data master yang saling bertentangan, perubahan tanggung jawab, kegagalan teknis, dan masalah yang tidak terduga. Oleh karena itu, transisi dari laboratorium ke organisasi bukanlah masalah pemodelan semata, melainkan tantangan integrasi dan operasional.

Selain itu, banyak proyek percontohan dikembangkan secara terisolasi. Mereka menerima koneksi data mereka sendiri, aturan mereka sendiri, dan basis pengetahuan mereka sendiri. Untuk kasus penggunaan berikutnya, perusahaan harus memulai dari awal lagi dengan mengembangkan peran, terminologi, izin, dan pengetahuan proses. Hal ini mengakibatkan biaya berulang yang tinggi. Apa yang dimaksudkan sebagai inovasi cepat menjadi kumpulan solusi terisolasi yang sulit dipelihara.

Kelemahan lainnya terletak pada pengukuran. Penghematan waktu bagi karyawan individu sering dicatat sebagai keberhasilan bisnis, meskipun tidak jelas apakah waktu yang dihemat tersebut digunakan secara produktif. Seorang agen mungkin menghemat sepuluh menit per transaksi tanpa perubahan yang terukur dalam biaya personel, waktu penyelesaian, atau pendapatan. Oleh karena itu, studi kelayakan bisnis yang baik harus didasarkan pada ukuran hasil yang spesifik: biaya keseluruhan yang lebih rendah, tingkat penutupan yang lebih tinggi, biaya kesalahan yang lebih rendah, waktu pengiriman yang lebih singkat, modal yang terikat lebih sedikit, atau loyalitas pelanggan yang lebih baik.

Konteks bisnis menjadi aset strategis

Semakin banyak proses yang ditangani agen, semakin berharga konteks bersama yang dapat diakses oleh berbagai sistem. Ini mencakup tidak hanya dokumen dan basis data, tetapi juga model konseptual, definisi proses, peran, kebijakan, batasan persetujuan, dan makna dari status operasional. Misalnya, kasus layanan tidak dianggap terselesaikan hanya karena respons telah dikirim. Tergantung pada perusahaan, solusi mungkin baru tercapai setelah pelanggan mengkonfirmasi bahwa masalah telah diperbaiki, tinjauan teknis telah selesai, atau nota kredit telah diterbitkan.

Setelah konteks ini dimodelkan dengan benar, konteks tersebut dapat digunakan kembali dalam agen dan proses lain. Hal ini menciptakan efek penskalaan. Alur kerja produktif pertama tetap mahal karena data, aturan, dan tanggung jawab perlu ditetapkan. Namun, setiap alur kerja selanjutnya dapat memanfaatkan fondasi semantik dan organisasi yang sama. Biaya marginal implementasi berikutnya menurun, sementara konsistensi keputusan meningkat.

Tanpa fondasi seperti itu, setiap departemen mengulangi pekerjaan pendahuluan yang sama. Muncul definisi yang berbeda, pelanggan yang identik dinilai secara berbeda, dan banyak agen membuat keputusan berdasarkan aturan yang saling bertentangan. Perusahaan kemudian mendigitalisasi silo organisasionalnya alih-alih mengatasinya. Secara teknis, lanskapnya tampak modern, tetapi secara ekonomi, inefisiensi lama tetap ada.

Oleh karena itu, konteks bisnis bukan hanya soal data. Konteks bisnis menghubungkan arsitektur data, manajemen proses, dan pengetahuan organisasi. Perusahaan membutuhkan kepemilikan yang jelas atas produk dan konsep data utama. Mereka juga harus memutuskan informasi apa yang boleh dilihat oleh agen, seberapa mutakhir informasi tersebut, dan sumber mana yang diutamakan jika terjadi perbedaan. Membangun lapisan ini mungkin tidak semegah demonstrasi agen, tetapi merupakan prasyarat untuk manfaat yang berkelanjutan.

Hak pengambilan keputusan lebih diutamakan daripada deskripsi pekerjaan

Ketika seorang agen merencanakan, melaksanakan, dan mendokumentasikan sebagian besar suatu proses, peran manusia berubah. Karyawan tidak lagi menangani setiap kasus sendiri, tetapi menetapkan tujuan, meninjau pengecualian, dan memperbaiki aturan. Pergeseran ini sering dimulai secara bertahap. Bagan organisasi tetap tidak berubah, meskipun distribusi pengambilan keputusan yang sebenarnya telah bergeser.

Hal ini menciptakan kondisi perantara yang berbahaya. Tanggung jawab formal tetap berada pada manajer atau departemen spesialis, sementara keputusan operasional semakin dipersiapkan atau secara efektif dibuat oleh agen. Jika suatu hasil hanya dikonfirmasi secara dangkal, maka terciptalah pemeriksaan palsu. Orang tersebut secara nominal bertanggung jawab tetapi tidak memiliki cukup waktu maupun informasi yang memadai untuk benar-benar meninjau keputusan tersebut.

Oleh karena itu, perusahaan harus secara eksplisit mengatur ulang wewenang pengambilan keputusan. Untuk setiap proses yang didukung agen, harus didefinisikan dengan jelas tindakan mana yang diizinkan sistem untuk dilakukan secara independen, keputusan mana yang memerlukan persetujuan manusia, dan pada sinyal mana proses tersebut dihentikan. Klasifikasi umum sebagai risiko rendah atau tinggi tidaklah cukup. Mengubah alamat pelanggan, memberikan pengurangan harga, dan memulai pembayaran adalah kelas tindakan yang berbeda dengan konsekuensi yang berbeda pula.

Merancang hak akses ini adalah tugas manajemen. Hal ini tidak dapat sepenuhnya didelegasikan kepada TI atau kepatuhan karena secara langsung memengaruhi kontrol operasional. Siapa pun yang memutuskan batasan persetujuan, pengecualian, dan tujuan yang saling bertentangan akan membentuk model bisnis. AI yang berorientasi pada tindakan (Agentic AI) membuat struktur kekuasaan dan tanggung jawab yang seringkali informal ini menjadi terlihat dan memaksa manajemen perusahaan untuk mendefinisikannya dengan lebih tepat.

Peran baru antara kepemimpinan dan pelaksanaan

Dengan pergeseran pekerjaan operasional, muncul peran-peran yang kurang berfokus pada penanganan kasus individual dan lebih berfokus pada pengelolaan seluruh sistem. Seorang pemilik proses untuk agen menetapkan tujuan, standar kualitas, dan batasan. Mereka menilai eskalasi, menganalisis pola kesalahan, dan memutuskan apakah seorang agen harus diberikan tanggung jawab tambahan. Peran ini lebih dekat dengan manajemen dan tanggung jawab produk daripada pekerjaan administratif tradisional.

Selain itu, fungsi teknis dan regulasi semakin penting. Agen memerlukan platform yang andal, antarmuka yang aman, izin yang dipantau, dan evaluasi kinerja yang berkelanjutan. Hal ini memunculkan bidang tanggung jawab seperti operasi agen, tata kelola AI, manajemen risiko model, arsitektur proses, dan jaminan kualitas. Tidak setiap organisasi akan menciptakan posisi baru untuk ini. Seringkali, peran yang sudah ada dari TI, unit bisnis, audit, perlindungan data, dan manajemen risiko akan diperluas dan dihubungkan dengan cara baru.

Yang terpenting, tanggung jawab tidak boleh terpecah-pecah di antara fungsi-fungsi ini. Pemilik teknis dapat bertanggung jawab atas stabilitas, akses, dan kontrol keamanan tanpa bertanggung jawab atas hasil bisnis. Sebaliknya, pemilik bisnis dapat mengontrol proses tanpa dapat menilai setiap perubahan model. Oleh karena itu, setiap agen produktif membutuhkan setidaknya satu pemilik bisnis yang didefinisikan dengan jelas dan satu pemilik teknis yang didefinisikan dengan jelas, serta badan pengambilan keputusan yang ditunjuk untuk mengatasi konflik.

Lanskap peran baru menawarkan peluang untuk kemajuan, tetapi juga mengubah kompetensi yang dibutuhkan. Karyawan perlu menangani lebih sedikit tugas rutin dan lebih fokus pada penetapan tujuan, evaluasi hasil, pemahaman pengecualian, dan pelatihan sistem. Pengalaman tidak kehilangan nilainya sebagai akibatnya. Sebaliknya, keahlian implisit menjadi sangat penting karena perlu diterjemahkan ke dalam aturan, kriteria audit, dan prosedur eskalasi. Hambatan seringkali bukan terletak pada pengoperasian alat AI, tetapi pada kemampuan untuk secara tepat mendeskripsikan pekerjaan yang baik sejak awal.

Ketika tim dibangun berdasarkan hasil, bukan fungsi

Organisasi tradisional sering kali mencerminkan alur suatu proses. Satu unit menerima permintaan, unit kedua meninjaunya, unit ketiga menyetujuinya, dan unit keempat menangani pengecualian. Struktur ini muncul karena informasi didistribusikan, spesialisasi menawarkan keuntungan, dan kapasitas pemrosesan manusia terbatas. Agen yang berorientasi pada proses dapat menggabungkan beberapa langkah ini dan menjalankannya sepanjang waktu.

Hal ini tidak secara otomatis membatalkan pembagian kerja fungsional, tetapi mengubah dasar ekonomi di baliknya. Jika proses serah terima tidak lagi menawarkan keunggulan spesialisasi tetapi terutama menghasilkan waktu tunggu, perusahaan harus mengatur tim lebih berfokus pada hasil. Sebuah tim kemudian dapat bertanggung jawab atas solusi lengkap masalah pelanggan, ketersediaan kelompok produk, atau penyelesaian pesanan tepat waktu. Orang dan agen digabungkan sedemikian rupa untuk mencapai hasil, bukan agar setiap posisi memenuhi sub-prosesnya.

Reorganisasi ini dapat berdampak sangat signifikan pada manajemen tingkat menengah. Sebagian dari peran mereka sebelumnya melibatkan pendistribusian pekerjaan, pengumpulan pembaruan status, pelacakan prioritas, dan transfer informasi antar tingkatan. Sistem berbasis agen dapat mengambil alih tugas koordinasi tersebut dengan biaya marginal yang rendah. Ini tidak berarti bahwa kepemimpinan menjadi usang. Kepemimpinan menggeser fokusnya ke penyelesaian tujuan yang saling bertentangan, motivasi, pengembangan personel, hubungan pelanggan, strategi, dan pengambilan tanggung jawab dalam situasi yang ambigu.

Oleh karena itu, perusahaan harus menghindari pemutusan hubungan kerja secara prematur sebelum model operasional baru berfungsi secara stabil. Fase transisi seringkali membutuhkan lebih banyak, bukan lebih sedikit, manajemen. Kehilangan koordinator berpengalaman terlalu dini justru menghancurkan pengetahuan proses yang dibutuhkan untuk arsitektur agen yang andal. Pendekatan yang lebih ekonomis adalah dengan terlebih dahulu merestrukturisasi peran, mempertahankan pengetahuan, dan hanya membuat keputusan kapasitas setelah terbukti adanya peningkatan produktivitas.

Di sini Anda akan mempelajari bagaimana perusahaan Anda dapat mengimplementasikan solusi AI yang disesuaikan dengan cepat, aman, dan tanpa hambatan masuk yang tinggi.

Platform AI terkelola adalah solusi lengkap dan bebas khawatir Anda untuk kecerdasan buatan. Alih-alih berurusan dengan teknologi yang kompleks, infrastruktur yang mahal, dan proses pengembangan yang panjang, Anda menerima solusi siap pakai yang disesuaikan dengan kebutuhan Anda dari mitra khusus – seringkali hanya dalam beberapa hari.

Keunggulan utama secara sekilas:

⚡ Implementasi cepat: Dari ide hingga aplikasi siap pakai dalam hitungan hari, bukan bulan. Kami menghadirkan solusi praktis yang menciptakan nilai tambah langsung.

🔒 Keamanan data maksimal: Data sensitif Anda tetap aman. Kami menjamin pemrosesan yang aman dan sesuai peraturan tanpa membagikan data dengan pihak ketiga.

💸 Tanpa risiko finansial: Anda hanya membayar untuk hasil. Investasi awal yang tinggi untuk perangkat keras, perangkat lunak, atau personel sepenuhnya dihilangkan.

🎯 Fokus pada bisnis inti Anda: Konsentrasikan pada apa yang Anda kuasai. Kami mengurus seluruh implementasi teknis, pengoperasian, dan pemeliharaan solusi AI Anda.

📈 Tahan masa depan & dapat diskalakan: AI Anda tumbuh bersama Anda. Kami memastikan optimasi dan skalabilitas berkelanjutan, serta secara fleksibel menyesuaikan model dengan kebutuhan baru.

Informasi selengkapnya di sini:

• Platform AI Terkelola

Kurva biaya baru untuk pekerjaan berbasis pengetahuan

AI berbasis agen mengubah struktur biaya pekerjaan berbasis pengetahuan. Mengembangkan sistem yang andal untuk pertama kalinya bisa mahal karena membutuhkan akses data, integrasi, pemeriksaan keamanan, pengujian, dan perubahan proses. Namun, setelah fondasinya terbentuk, tugas-tugas tambahan dapat ditangani dengan biaya marginal yang relatif rendah. Hal ini memungkinkan beberapa pekerjaan administratif mendekati skalabilitas perangkat lunak.

Efek ini tidak boleh disamakan dengan tenaga kerja gratis. Agen menanggung biaya berkelanjutan untuk model, daya komputasi, penyimpanan, pemantauan, antarmuka, dan pengawasan manusia. Proses perencanaan dan pengujian yang kompleks dapat memicu banyak panggilan model dan penggunaan alat. Agen yang dirancang dengan buruk dapat menimbulkan biaya yang signifikan melalui perulangan, kueri yang tidak perlu, atau pemrosesan dokumen yang berlebihan. Oleh karena itu, efektivitas biaya harus diukur baik pada tingkat proses maupun hasil.

Metrik yang tepat bukanlah harga satu permintaan, tetapi total biaya dari proses yang berhasil diselesaikan. Ini termasuk biaya model dan platform, waktu peninjauan oleh manusia, perbaikan bug, penundaan, langkah-langkah keamanan, dan penyusutan pengembangan. Manfaat ekonomi yang sebenarnya hanya muncul ketika total biaya ini lebih rendah daripada biaya proses sebelumnya atau menghasilkan hasil yang bernilai lebih tinggi.

Proses dengan volume tinggi, pola berulang, data yang tersedia secara digital, dan proses transfer data yang mahal sangat menarik. Kurang cocok adalah proses yang jarang terjadi di mana hampir setiap kasus merupakan hal baru, konsekuensi kesalahan sangat tinggi, atau informasi penting hanya tersedia secara informal. Oleh karena itu, tingkat otomatisasi terbaik belum tentu yang tertinggi. Sistem yang optimal secara ekonomi akan mengotomatisasi sebanyak yang dapat dikelola secara andal mengingat risiko yang ada.

Produktivitas lebih dari sekadar penghematan waktu kerja

Banyak perusahaan mengukur manfaat AI berdasarkan penghematan waktu kerja secara teoritis. Metrik ini mudah dipahami, tetapi seringkali menyesatkan. Pengurangan waktu pemrosesan sebesar sepuluh persen tidak secara otomatis berarti penurunan biaya personel sebesar sepuluh persen. Jika karyawan tidak dapat menggunakan waktu yang dihemat untuk menciptakan nilai tambah, atau jika proses tetap terbatas di tempat lain, maka tidak akan terjadi peningkatan hasil yang sepadan.

Analisis biaya-manfaat yang bermakna mempertimbangkan beberapa tingkatan. Pada tingkat proses, faktor-faktor seperti waktu penyelesaian, tingkat kesalahan, pengerjaan ulang, tingkat penyelesaian, dan biaya per kasus yang diselesaikan sangat relevan. Pada tingkat bisnis, pendapatan, margin, retensi pelanggan, komitmen modal, dan biaya risiko merupakan hal penting. Pada tingkat organisasi, perlu diperiksa apakah agen tersebut meningkatkan skalabilitas, mengurangi ketergantungan pada individu, atau memungkinkan layanan baru.

Titik awal yang realistis sangat penting. Proses seringkali kurang terdokumentasi dengan baik dibandingkan kenyataannya. Waktu pemrosesan resmi gagal memperhitungkan periode tunggu, pertanyaan, dan koordinasi informal. Oleh karena itu, alur kerja aktual harus diukur sebelum implementasi. Jika tidak, perusahaan akan membandingkan proses AI yang terkontrol dengan proses target manusia yang ideal dan akan sampai pada perhitungan pengembalian investasi yang tidak berguna.

Yang tak kalah penting adalah pengamatan jangka panjang. Awalnya, kinerja mungkin dilebih-lebihkan karena tingkat perhatian yang tinggi, ukuran sampel yang kecil, dan dukungan yang intensif. Kemudian, perubahan data, produk baru, dan tekanan musiman mulai berperan. Oleh karena itu, investasi tidak boleh dievaluasi hanya berdasarkan demonstrasi yang sukses, tetapi lebih pada hasil yang konsisten selama beberapa siklus operasi. Nilai ekonomi hanya muncul ketika peningkatan tersebut berkelanjutan, dapat diskalakan, dan dapat diaudit.

Tata kelola menjadi bagian integral dari model operasional

Dalam AI berbasis agen, tata kelola bukanlah lapisan kontrol yang dapat ditambahkan setelah pengembangan teknis. Tata kelola harus dibangun ke dalam proses. Protokol dan tingkat kepercayaan diperlukan, tetapi tidak cukup dengan sendirinya. Yang terpenting, siapa yang menentukan tingkat kualitas yang dibutuhkan untuk tindakan otonom dan siapa yang menanggung konsekuensi dari penilaian yang salah.

Hanya sekitar 30 persen organisasi yang mencapai tahap kematangan tingkat lanjut dalam hal strategi, tata kelola, dan kontrol spesifik untuk sistem berbasis agen. Pada saat yang sama, masalah keamanan dan risiko dianggap sebagai salah satu hambatan terbesar untuk perluasan skala yang lebih luas. Kesenjangan ini menunjukkan bahwa ketersediaan teknologi tumbuh lebih cepat daripada kemampuan pengelolaan organisasi.

Tata kelola yang kuat menetapkan setiap agen pada tujuan bisnis, kelas risiko, dan individu yang bertanggung jawab. Tata kelola ini mendokumentasikan data, alat, dan tindakan yang diizinkan. Tata kelola ini mendefinisikan kapan tinjauan manusia diperlukan dan bagaimana insiden ditangani. Lebih lanjut, tata kelola ini harus mencakup perubahan, karena dampak suatu agen dapat berubah secara signifikan karena model, alat, sumber data, atau instruksi baru, meskipun namanya tetap sama.

Arsitektur ini menjadi semakin penting bagi perusahaan-perusahaan Eropa. Untuk aplikasi AI berisiko tinggi, persyaratan manajemen risiko, kualitas data, pencatatan, dokumentasi, pengawasan manusia, ketahanan, dan keamanan siber menjadi semakin penting. Terlepas dari klasifikasi formalnya, menerapkan prinsip-prinsip ini pada agen yang kurang diatur juga merupakan langkah bisnis yang baik. Ketertelusuran tidak hanya mengurangi risiko kepatuhan tetapi juga memfasilitasi analisis kesalahan, peningkatan proses, dan penerimaan di antara karyawan dan pelanggan.

Otonomi terkendali, bukan kebebasan maksimal

Wacana publik sering menggambarkan otonomi sebagai kriteria kualitas: semakin independen seorang agen bekerja, semakin progresif sistem tersebut tampak. Pandangan ini berbahaya bagi perusahaan. Otonomi maksimal bukanlah tujuan yang layak secara ekonomi. Yang penting adalah tingkat otonomi yang tepat untuk proses spesifik yang sedang dijalankan.

Pendekatan yang masuk akal menggunakan tingkat kontrol bertingkat. Pada tingkat rendah, agen mengumpulkan dan mengevaluasi informasi tetapi tidak diizinkan untuk memulai tindakan eksternal yang efektif. Pada tingkat menengah, agen secara mandiri melakukan tindakan berisiko rendah dan mengajukan keputusan dengan konsekuensi yang lebih besar untuk disetujui. Pada tingkat yang lebih tinggi, agen mengendalikan seluruh proses tetapi terus dipantau dan harus berhenti sementara setelah menerima sinyal yang telah ditentukan.

Batasan tidak boleh hanya didasarkan pada jumlah uang. Risiko reputasi, privasi data, dampak terhadap pelanggan, konsekuensi hukum, dan kemampuan untuk dibatalkan sama pentingnya. Ringkasan internal yang salah mudah diperbaiki. Pemutusan hubungan kerja, pembayaran, atau pengumuman publik yang salah dapat memiliki konsekuensi yang tidak dapat dibatalkan. Semakin sulit suatu tindakan untuk dibatalkan, semakin tinggi ambang batas untuk eksekusi otonom.

Otonomi yang terkendali juga membutuhkan penegakan teknis. Pedoman tertulis saja tidak cukup jika agen masih dapat mengakses alat yang tidak sah. Izin harus diberikan sesuai dengan prinsip hak akses minimal, tindakan sensitif harus ditinjau secara real-time, dan pola yang tidak biasa harus dideteksi. Opsi pematian, batasan kuantitas, dan prosedur cadangan yang aman merupakan bagian dari operasi normal. Tata kelola yang baik tidak menghambat penciptaan nilai, melainkan menciptakan ruang di mana otonomi yang lebih besar menjadi dapat dibenarkan.

Pasar tenaga kerja berubah melalui berbagai aktivitas

Dampak AI agen terhadap lapangan kerja tidak dapat secara pasti direduksi menjadi angka sederhana. Secara global, kira-kira satu dari empat pekerja dipekerjakan dalam pekerjaan yang terpapar AI generatif sampai tingkat tertentu. Meskipun demikian, untuk sebagian besar pekerjaan, perubahan tugas lebih mungkin terjadi daripada penghapusan posisi sepenuhnya. Bahkan pekerjaan yang sangat terdigitalisasi pun mengandung tugas-tugas yang membutuhkan pengetahuan kontekstual, interaksi sosial, kehadiran fisik, penilaian, atau tanggung jawab pribadi.

Pada tahun 2030, tren ekonomi dan teknologi utama dapat menciptakan sekitar 170 juta lapangan kerja baru dan menggantikan sekitar 92 juta lapangan kerja yang sudah ada. AI dan pengolahan informasi diperkirakan akan menghasilkan penambahan dan pengurangan lapangan kerja. Proyeksi tersebut bukanlah prediksi yang tepat, tetapi menggambarkan skala redistribusi yang akan datang. Dampak bersihnya mungkin positif, sementara kelompok pekerjaan, wilayah, dan perusahaan tertentu akan menghadapi biaya penyesuaian yang signifikan.

AI agenik kemungkinan akan secara signifikan mengubah peran-peran yang nilainya sebelumnya sangat bergantung pada berbagi informasi, pemeriksaan rutin, dan koordinasi proses. Bersamaan dengan itu, permintaan akan karyawan yang dapat mengawasi sistem, memformalkan keahlian, menyelesaikan pengecualian, dan memikul tanggung jawab juga meningkat. Oleh karena itu, pasar tenaga kerja tidak hanya akan terbagi menjadi pemenang dan pecundang teknologi. Faktor krusialnya adalah apakah pengalaman yang ada dapat ditransfer ke organisasi kerja yang baru.

Bagi perusahaan, pendidikan berkelanjutan menjadi sebuah investasi. Kursus pelatihan yang hanya menjelaskan cara menggunakan suatu alat saja tidak lagi cukup. Karyawan membutuhkan pemahaman proses, literasi data, kesadaran risiko, dan kemampuan untuk mengevaluasi hasil agen secara kritis. Mengembangkan kompetensi ini tidak hanya meningkatkan penerimaan tetapi juga mengurangi biaya pengendalian dan kemungkinan kesalahan.

Kualitas data menentukan skalabilitas

Agen dapat memproses informasi tidak terstruktur dengan lebih baik daripada sistem otomatisasi sebelumnya, tetapi mereka tidak menghilangkan fondasi data yang buruk. Data pelanggan yang terfragmentasi, basis data produk yang saling bertentangan, dokumen yang sudah usang, dan hak akses yang tidak jelas tetap menjadi kendala. Sekitar delapan dari sepuluh perusahaan menyebutkan keterbatasan data sebagai masalah ketika meningkatkan skala AI berbasis agen. Kurang dari sepuluh persen telah meningkatkan skala agen hingga mencapai titik di mana mereka memberikan nilai nyata.

Masalah ini diperparah karena agen tidak hanya membaca data tetapi juga memodifikasinya dan menghasilkan informasi baru. Hasil yang salah dapat ditulis ke sistem hilir dan kemudian digunakan oleh agen lain sebagai sumber yang dianggap dapat diandalkan. Hal ini menciptakan lingkaran umpan balik. Oleh karena itu, asal data, ketepatan waktu, dan status kualitas harus dapat dibaca oleh mesin.

Arsitektur yang kuat menghubungkan data terstruktur, dokumen, dan peristiwa operasional. Arsitektur ini tidak menyediakan semua informasi kepada setiap agen, tetapi lebih memberikan konteks yang diizinkan untuk tujuan spesifik tersebut. Pada saat yang sama, identitas dan izin harus tetap konsisten di seluruh batasan sistem. Agen tidak boleh melihat atau melakukan lebih dari yang dilakukan oleh orang atau fungsi atas nama siapa ia bertindak.

Namun, perusahaan tidak seharusnya memperlakukan modernisasi data sebagai proyek pendahuluan yang tak berujung. Pembersihan total semua repositori data bukanlah hal yang realistis maupun ekonomis. Pendekatan yang lebih masuk akal adalah pendekatan bertahap berdasarkan proses-proses bernilai tinggi yang dipilih. Untuk setiap proses, produk data, aturan kualitas, dan kepemilikan yang diperlukan ditetapkan. Dengan cara ini, fondasi data tumbuh seiring dengan nilai bisnis.

Risiko keamanan bermigrasi ke dalam rantai proses

Model bahasa tradisional terutama menghasilkan konten. Agen juga dapat memanggil alat, memodifikasi file, mengirim pesan, atau memulai transaksi. Hal ini mengubah konten yang salah menjadi peristiwa yang berpotensi salah. Oleh karena itu, manajemen keamanan tidak hanya harus memeriksa input dan output tetapi juga memantau seluruh rangkaian tindakan.

Bahaya tertentu muncul dari konten yang dimanipulasi, hak akses yang berlebihan, dan pendelegasian yang tidak terkontrol. Seorang agen mungkin menemukan instruksi tersembunyi dalam sebuah dokumen dan secara keliru menganggapnya sebagai perintah yang sah. Mereka mungkin menyalahgunakan alat atau mendelegasikan tugas kepada agen lain yang hak aksesnya tidak cukup dibatasi. Dalam sistem multi-agen yang kompleks, merekonstruksi tanggung jawab menjadi lebih sulit.

Penanggulangan yang efektif adalah lapisan kontrol teknis antara agen dan alat. Setiap tindakan sensitif harus diperiksa berdasarkan tujuan, otorisasi, dan kelas risikonya sebelum dieksekusi. Pencatatan (logging) harus mencakup seluruh rangkaian: perintah manusia, agen yang terlibat, data yang digunakan, alat yang dipanggil, keputusan yang dibuat, dan hasilnya. Hanya dengan demikian dimungkinkan untuk melacak mengapa suatu tindakan terjadi setelah suatu insiden.

Keamanan tidak seharusnya dipahami semata-mata sebagai tindakan defensif. Batasan yang jelas juga meningkatkan efisiensi karena memungkinkan operasi yang aman di area proses yang lebih besar. Perusahaan yang dapat membatasi dan memantau tindakan secara tepat tidak perlu meninjau setiap proses secara manual. Investasi dalam infrastruktur kontrol dengan demikian menciptakan opsi untuk otomatisasi lebih lanjut.

Ketergantungan pada platform menjadi risiko strategis

Sistem agenik menghubungkan model, platform data, perangkat lunak perusahaan, dan antarmuka. Keterkaitan ini meningkatkan risiko ketergantungan teknologi. Jika logika bisnis terintegrasi langsung ke dalam alat-alat milik satu vendor, beralih penyedia di kemudian hari dapat menjadi mahal. Harga, fitur, atau ketentuan kontrak dapat berubah, sementara perusahaan hampir tidak dapat mengubah prosesnya.

Namun, kemandirian vendor sepenuhnya juga mahal dan seringkali tidak realistis. Platform standar mempercepat implementasi, menyediakan fitur keamanan, dan mengurangi upaya integrasi. Oleh karena itu, strategi yang masuk akal bukanlah mengembangkan setiap komponen secara internal, tetapi menciptakan lapisan yang dapat dipertukarkan. Aturan bisnis, definisi proses, data evaluasi, dan log harus dikelola seindependent mungkin dari model spesifik.

Pengetahuan kontekstual yang terakumulasi sangat layak untuk dilindungi. Jika pengetahuan ini hanya ada dalam pengaturan agen atau dalam penyimpanan milik perusahaan, perusahaan akan kehilangan sebagian dari kurva pembelajarannya sendiri ketika beralih platform. Oleh karena itu, konteks, izin, dan kriteria kualitas harus diperlakukan sebagai aset perusahaan. Strukturnya harus didokumentasikan, dapat diekspor, dan dapat diaudit.

Kontrak pun harus mencerminkan signifikansi baru ini. Selain perlindungan dan ketersediaan data, pertanyaan mengenai penggunaan data, subkontraktor, perubahan model, tanggung jawab, akses protokol, dan opsi penolakan menjadi semakin penting. Oleh karena itu, pembelian sistem agen bukan hanya sekadar akuisisi perangkat lunak, tetapi juga keputusan tentang ketergantungan operasional perusahaan di masa depan.

Model implementasi yang tangguh

Keberhasilan implementasi tidak dimulai dengan menemukan agen yang paling mengesankan, tetapi dengan memilih proses yang relevan secara ekonomi. Proses ini harus memiliki volume dan potensi peningkatan yang cukup, sekaligus menunjukkan risiko yang dapat dikelola. Seluruh proses didokumentasikan, termasuk waktu tunggu, pengecualian, sumber data, dan titik keputusan aktual. Barulah kemudian dapat ditentukan bagian mana yang harus ditangani secara otomatis, dibantu, atau terus diproses sepenuhnya oleh manusia.

Langkah selanjutnya melibatkan penetapan tanggung jawab dan indikator kinerja utama (KPI). Pemilik bisnis bertanggung jawab atas hasilnya, sementara pemilik teknis mengawasi operasi dan keamanan. Bersama-sama, mereka menetapkan metrik keberhasilan, standar kualitas minimum, batasan biaya, dan kriteria penghentian. Izin, persetujuan, dan prosedur eskalasi ditentukan untuk setiap kelas tindakan. Pekerjaan organisasi ini harus diselesaikan sebelum agen menerima hak produktif.

Implementasi teknis awalnya harus dimulai dalam mode observasi. Agen memberikan saran atau mensimulasikan tindakan sementara manusia terus menjalankan proses tersebut. Hal ini memungkinkan perbedaan diukur tanpa menimbulkan risiko operasional. Otonomi kemudian dapat diperluas secara bertahap, dimulai dengan tindakan yang dapat dibalik dan berisiko rendah. Setiap perluasan harus dibenarkan oleh data kinerja dunia nyata.

Setelah stabilisasi berhasil, agen terisolasi berikutnya tidak langsung dibangun. Sebaliknya, perusahaan memeriksa produk data, aturan, kontrol, dan integrasi mana yang dapat digunakan kembali. Di sinilah letak keunggulan kumulatifnya. Sebuah proyek percontohan berkembang menjadi kemampuan platform, dan beberapa kemampuan platform dapat mengarah pada model operasi baru.

Kepemimpinan harus membuat konflik tujuan tersebut terlihat jelas

AI berbasis agen seringkali dibenarkan dengan klaim pengurangan biaya, kualitas yang lebih tinggi, peningkatan pengalaman pelanggan, inovasi yang lebih cepat, dan risiko yang lebih rendah. Tujuan-tujuan ini tidak selalu kompatibel. Peningkatan pengawasan manusia dapat mengurangi risiko tetapi membatasi kecepatan dan penghematan. Otonomi yang lebih besar dapat mempersingkat waktu tunggu tetapi meningkatkan tuntutan pada data, kontrol, dan akuntabilitas.

Manajemen perusahaan harus secara eksplisit menyelesaikan tujuan-tujuan yang saling bertentangan ini. Mereka tidak boleh mengharapkan tim proyek untuk menyelesaikannya secara teknis. Menentukan toleransi risiko sangat penting. Apa yang dapat diterima dalam riset internal mungkin tidak dapat diterima dalam keputusan kredit, masalah kepegawaian, data kesehatan, atau fasilitas yang relevan dengan keamanan.

Kepemimpinan juga berarti membahas dampak terhadap karyawan secara terbuka. Jika tujuan sebenarnya adalah pemutusan hubungan kerja, hanya berkomunikasi tentang dukungan akan merusak kepercayaan. Sebaliknya, perusahaan tidak boleh secara artifisial mengecilkan peningkatan produktivitas yang sebenarnya. Kredibilitas dibangun melalui pernyataan yang jelas tentang tugas mana yang akan dihilangkan, peran mana yang akan berubah, dan keterampilan baru apa yang akan dibutuhkan.

Keterampilan kepemimpinan yang paling penting pada akhirnya terletak pada penetapan tanggung jawab. Seorang agen dapat menghasilkan suatu hasil, tetapi tidak dapat dimintai pertanggungjawaban. Selama perusahaan menyadari perbedaan ini, otonomi dapat diperluas secara terkendali. Sebaliknya, jika tanggung jawab secara diam-diam dialihkan ke teknologi, maka akan muncul organisasi di mana tidak ada seorang pun yang sepenuhnya memahami siapa yang membuat keputusan tersebut.

Keunggulan kompetitif yang sesungguhnya terletak pada pembelajaran organisasi

Model dan fungsi agen berkembang pesat. Apa yang dianggap sebagai keunggulan teknologi saat ini dapat menjadi standar untuk platform perangkat lunak di masa mendatang. Oleh karena itu, diferensiasi yang berkelanjutan muncul bukan hanya dari akses ke model tertentu, tetapi juga dari kemampuan untuk menerjemahkannya ke dalam proses yang berharga dan andal.

Perusahaan yang menangani setiap kasus penggunaan secara terpisah hanya memperoleh pengalaman terbatas. Sebaliknya, perusahaan dengan platform bersama, kontrol yang dapat digunakan kembali, dan model akuntabilitas yang jelas belajar dari setiap proses. Mereka lebih cepat mengidentifikasi otonomi mana yang berhasil, data mana yang hilang, dan eskalasi mana yang sering terjadi. Pengetahuan ini mengurangi biaya setiap implementasi selanjutnya.

Pembelajaran organisasi membutuhkan siklus umpan balik pengalaman yang sistematis. Kesalahan dan koreksi manusia harus dievaluasi, aturan disesuaikan, dan kasus-kasus pengecualian baru diintegrasikan ke dalam konteks. Hal ini tidak secara otomatis membuat agen tersebut dapat diandalkan; melainkan, organisasi meningkatkan sistem keseluruhan yang terdiri dari orang, data, aturan, dan teknologi. Perbedaan ini sangat penting karena menggeser fokus dari kecerdasan model yang dianggap ada ke kinerja model operasional.

Dalam jangka panjang, hal ini dapat menciptakan keunggulan kompetitif yang signifikan. Pengambilan keputusan yang lebih cepat, biaya koordinasi yang lebih rendah, dan proses yang lebih konsisten meningkatkan daya tanggap. Pada saat yang sama, pertumbuhan dapat dikelola tanpa memerlukan penambahan staf administrasi secara proporsional untuk setiap transaksi tambahan. Produktivitas kemudian meningkat tidak hanya dalam proses yang ada tetapi juga mengubah skalabilitas seluruh perusahaan.

Bukan jumlah agen terbanyak yang menang, tetapi organisasi yang paling rapi

AI berbasis agen tidak hanya mengubah jenis pekerjaan yang diotomatisasi. AI ini mengubah alasan keberadaan tim, cara pengambilan keputusan, dan siapa yang bertanggung jawab atas hasilnya. Perusahaan yang hanya menerapkan teknologi ini pada proses yang sudah ada akan mempercepat tugas-tugas individual, tetapi akan segera gagal karena kesenjangan data, tanggung jawab yang tidak jelas, dan kurangnya kepercayaan. Otomatisasi tetap bersifat dangkal, sementara biaya struktural tetap ada.

Pengaruh ekonomi yang lebih besar muncul ketika proses dirancang ulang dari perspektif hasilnya. Orang-orang memikul tujuan, pengecualian, hubungan, dan tanggung jawab. Agen mengasumsikan koordinasi yang dapat diprediksi, pemrosesan informasi, dan eksekusi yang berulang. Sistem kontrol menghubungkan kedua sisi dan membuat otonomi dapat diukur. Ini tidak menciptakan organisasi tanpa manusia, melainkan distribusi pekerjaan yang berbeda.

Metrik kunci bukanlah jumlah agen yang dikerahkan. Yang lebih penting adalah total biaya suatu hasil, stabilitas proses, kecepatan pembelajaran, dan kejelasan akuntabilitas. Perusahaan dengan beberapa agen yang terintegrasi secara mendalam dapat menciptakan nilai yang jauh lebih besar daripada pesaing dengan puluhan demonstrasi yang terisolasi.

Pada akhirnya, perdebatan ini bermuara pada pertanyaan manajemen klasik: Siapa yang berwenang untuk membuat keputusan apa, dan siapa yang menanggung konsekuensinya? Teknologi memperburuk pertanyaan ini tetapi tidak menjawabnya. Siapa pun yang menugaskan agen untuk tugas berikutnya, tugas yang seharusnya ditangani oleh karyawan baru, harus secara bersamaan menentukan siapa yang memberikan mandat kepada agen tersebut, memantau kinerjanya, dan bertanggung jawab atas kesalahan. Hanya ketika struktur organisasi memberikan jawaban yang jelas untuk hal ini, AI berbasis agen akan menjadi sistem ekonomi yang tangguh.

Saya akan dengan senang hati menjadi penasihat pribadi Anda.

Anda dapat menghubungi saya di wolfenstein∂xpert.digital atau

Hubungi saya di +49 7348 4088 965 .

LinkedIn