Ada perbedaan besar antara teman yang bilang, “gue kasih saran ya,” dengan teman yang langsung buka laptop, bikin spreadsheet, menghubungi tiga orang, lalu mengatur jadwal.
AI sekarang mulai bergerak ke tipe kedua.
Selama beberapa tahun, kita terbiasa memakai AI sebagai mesin jawaban. Lo bertanya, model membalas. Minta ringkasan, dapat ringkasan. Minta ide caption, dapat sepuluh pilihan. Minta dijelaskan sesuatu, keluar penjelasan.
Model itu powerful, tetapi relasinya masih pasif. AI menunggu prompt berikutnya.
Di 2026, pola tersebut berubah karena tiga hal bertemu sekaligus: model makin kuat dalam reasoning, akses ke tools makin matang, dan software mulai didesain agar AI bisa berinteraksi dengan lingkungan digital. Hasilnya adalah sistem yang tidak cuma menghasilkan teks, tetapi dapat mengambil langkah.
OpenAI pada Juni 2026 menggambarkan agent sebagai perubahan unit knowledge work dari interaksi tunggal menjadi tugas yang didelegasikan dan berlangsung lebih panjang. Microsoft juga membangun kerangka yang secara eksplisit menggabungkan agent, tool, workflow, checkpoint, dan human-in-the-loop. Google memakai bahasa yang hampir sama dalam pengumuman I/O 2026: bergerak dari AI yang membantu menulis menuju agent yang membantu bertindak.
Ini bukan sekadar rebranding.
Jawaban dan tindakan punya ekonomi yang berbeda
Kalau lo minta AI membuat draft email, pekerjaan sebenarnya belum selesai. Lo masih harus membuka email, mencari penerima, menempelkan teks, memeriksa konteks, lalu mengirim.
Kalau AI bisa mengakses sistem email dengan izin yang benar, ia bisa menyiapkan draft langsung di tempat yang tepat.
Kalau lo meminta analisis penjualan, jawaban teks juga belum tentu menyelesaikan pekerjaan. Seseorang tetap perlu membuka spreadsheet, mengekspor data, membandingkan periode, menandai anomali, lalu menyusun bahan meeting.
Agent mencoba memperkecil jarak antara “AI tahu apa yang harus dilakukan” dan “pekerjaan itu benar-benar dilakukan”.
Di sinilah nilai ekonominya mulai berbeda.
Generative AI generasi awal banyak membantu pada tahap produksi informasi. Agentic AI mencoba ikut masuk ke eksekusi proses.
Buat perusahaan, itu jauh lebih menarik karena biaya terbesar sering bukan pada menulis satu paragraf. Biaya terbesar ada di perpindahan konteks, koordinasi, pekerjaan administratif, pengecekan berulang, dan langkah kecil yang jumlahnya ratusan.
Satu langkah kecil tidak terasa mahal.
Seratus langkah kecil setiap hari? Itu baru kelihatan.
Kantor modern penuh pekerjaan yang sebenarnya “lem”
Bayangin tim kecil di Sudirman. Mereka pakai email, chat internal, CRM, spreadsheet, dashboard iklan, tool project management, storage cloud, dan beberapa aplikasi khusus.
Secara teori semuanya sudah digital.
Secara praktik, manusialah yang menjadi integrasi antaraplikasi.
Ada orang yang membaca email lalu menyalin angka ke spreadsheet. Ada yang mengambil lead dari formulir lalu memasukkannya ke CRM. Ada yang cek kalender lalu mengirim reminder. Ada yang membandingkan dua dokumen dan menandai perubahan. Ada yang membuka dashboard lalu membuat ringkasan untuk bos.
Kerja semacam ini jarang terlihat heroik, tetapi sangat banyak.
Agentic AI menarik karena ia mencoba mengambil sebagian pekerjaan lem tersebut.
Bukan mengganti keseluruhan fungsi orang, tetapi mengurangi kebutuhan manusia menjadi kurir konteks dari satu software ke software lain.
Kalau agent bisa membaca data dari sumber A, menerapkan aturan tertentu, lalu memperbarui sistem B, AI tidak lagi cuma menghasilkan informasi. Ia mengubah state dari sebuah sistem.
Nah, begitu sudah menyentuh state, permainannya beda.
Tool use adalah jembatan dari bahasa ke aksi
Model bahasa pada dasarnya menghasilkan token. Ia tidak otomatis bisa mengirim email, membuat booking, membaca database privat, atau mengubah file.
Agar bisa bertindak, model perlu tool.
Tool bisa berupa fungsi sederhana seperti kalkulator, pencarian web, akses kalender, query database, browser, API internal, atau aplikasi bisnis.
Model membaca tujuan pengguna, menentukan tool yang relevan, mengisi parameter, menerima hasil, lalu memutuskan langkah berikutnya.
Secara konsep terdengar seperti automation biasa.
Bedanya, automation tradisional biasanya membutuhkan alur yang ditentukan cukup rigid. Kalau A terjadi, jalankan B. Kalau nilai X di atas 10, lakukan Y.
Agent bisa menangani instruksi yang lebih ambigu.
Misalnya: “cek calon pelanggan yang kelihatannya sudah panas tapi belum di-follow up, lalu susun prioritas hari ini.”
“Kelihatannya sudah panas” bukan kondisi database yang otomatis jelas. Agent mungkin perlu melihat histori interaksi, tanggal terakhir kontak, nilai deal, isi catatan, lalu membuat keputusan sementara.
Fleksibilitas inilah yang membuat agent menarik.
Dan fleksibilitas yang sama juga membuatnya berisiko.
AI bisa memilih langkah, bukan cuma mengikuti langkah
Microsoft membedakan agent dan workflow dengan cukup berguna. Agent cenderung membiarkan LLM menentukan apa yang terjadi berikutnya berdasarkan konteks. Workflow menentukan alur lebih eksplisit.
Dua pendekatan ini tidak harus bermusuhan.
Malah sistem enterprise yang matang biasanya akan menggabungkan keduanya.
Bagian yang butuh kreativitas atau interpretasi bisa diserahkan ke agent.
Bagian yang harus deterministik, misalnya approval pembayaran atau penghapusan data, sebaiknya berada dalam workflow yang lebih ketat.
Ini seperti membedakan sopir dan rel.
Sopir bisa memilih kapan menyalip atau memperlambat kendaraan. Kereta bergerak dalam jalur yang jauh lebih ditentukan.
Kalau setiap pekerjaan dibikin seperti rel, sistem terlalu kaku.
Kalau semua pekerjaan dibebaskan seperti sopir tanpa aturan jalan, chaos.
Desain agent yang bagus mencari titik tengah.
Reasoning membantu AI merencanakan beberapa langkah
Perubahan lain adalah kemampuan model untuk menangani tugas yang membutuhkan beberapa tahap.
Misalnya lo bilang: “gue punya dua hari di Bandung, berangkat dari Jakarta Jumat sore, ada satu meeting Sabtu pagi, pengin makan enak tapi nggak mau itinerary terlalu padat.”
Jawaban chatbot biasa bisa memberi daftar tempat.
Agent yang lebih matang bisa memecah masalah: cek constraint waktu, cari opsi perjalanan, susun urutan lokasi, lihat jarak, sesuaikan dengan jam buka, lalu menyajikan alternatif.
Di lingkungan kerja, pola yang sama dipakai untuk riset, coding, analisis data, pencarian dokumen, atau proses administratif.
Model tidak hanya perlu memahami kalimat terakhir. Ia perlu menjaga state: apa tujuan awal, langkah mana yang sudah selesai, hasil mana yang gagal, dan apa yang harus dicoba berikutnya.
Karena itu agent membutuhkan lebih dari sekadar model pintar.
Ia butuh memori kerja, tool, state management, observability, dan kadang checkpoint agar proses bisa dilanjutkan jika terputus.
AI yang terlihat “melakukan sesuatu sendiri” sebenarnya berdiri di atas banyak plumbing.
Browser mengubah AI menjadi pengguna software
Salah satu lompatan paling menarik adalah kemampuan AI berinteraksi dengan interface komputer atau browser.
Tidak semua layanan punya API yang nyaman. Banyak pekerjaan digital manusia masih dilakukan dengan cara primitif: buka halaman, klik, scroll, copy, paste.
Kalau AI bisa melihat interface dan berinteraksi dengannya, secara teori ia bisa bekerja di lebih banyak software tanpa integrasi khusus.
Itulah kenapa kemampuan computer use mendapat perhatian besar.
Tapi jangan buru-buru menyimpulkan bahwa ini berarti semua pekerjaan browser tinggal diserahkan ke agent.
Interface website dibuat untuk manusia. Tombol bisa pindah. Pop-up bisa muncul. CAPTCHA ada. Login bisa kedaluwarsa. Halaman bisa lambat. Informasi penting bisa ambigu. Satu klik yang salah bisa punya akibat.
Agent yang mengontrol browser seperti orang baru yang sangat cepat tetapi belum tentu paham konsekuensi organisasi.
Ia butuh guardrail.
Kenapa perusahaan suka arah ini?
Karena ROI AI lebih gampang dibuktikan ketika AI mengurangi pekerjaan, bukan sekadar menghasilkan kesan “wah”.
Sebuah demo chatbot bisa terlihat keren tetapi sulit mengubah operasi.
Sebaliknya, kalau agent berhasil memangkas proses administratif 15 langkah menjadi tiga approval manusia, manfaatnya lebih konkret.
Itu juga menjelaskan kenapa 2026 banyak pembicaraan AI bergeser ke workflow.
Perusahaan mulai bertanya: berapa waktu yang benar-benar hemat? berapa banyak handoff yang hilang? berapa banyak error manual yang turun? berapa proses yang bisa dipercepat? bagian mana yang tetap harus dipegang manusia?
Pertanyaan ini lebih membosankan daripada, “model mana yang paling pintar?”
Tapi justru di situlah uangnya.
Di banyak bisnis Indonesia, terutama tim kecil, bottleneck bukan kekurangan ide. Bottleneck adalah orang yang kebanyakan pegang hal.
Satu orang marketing sekaligus cek campaign, balas chat, bikin laporan, koordinasi vendor, update konten, dan menjawab permintaan internal.
Agent yang bisa mengambil dua atau tiga alur rutin mungkin lebih bernilai daripada AI yang bisa menulis puisi 30 gaya.
Bertindak berarti punya izin
Ini sisi yang sering baru disadari setelah perusahaan mulai implementasi.
AI yang cuma menjawab tidak butuh banyak permission.
AI yang bertindak butuh akses.
Akses email. Akses file. Akses database. Akses CRM. Akses kalender. Mungkin akses payment system.
Semakin banyak akses, semakin besar blast radius kalau terjadi salah konfigurasi atau keputusan yang keliru.
Karena itu prinsip least privilege menjadi penting. Agent sebaiknya hanya mendapat akses minimum yang diperlukan untuk tugasnya.
Kalau tugasnya menyiapkan draft, jangan otomatis beri izin send.
Kalau tugasnya menganalisis invoice, jangan beri izin menghapus invoice.
Kalau tugasnya membuat rekomendasi budget, jangan langsung beri izin menggeser budget tanpa batas.
Di sinilah desain AI mulai bertemu dengan security engineering.
Bukan lagi sekadar “prompt bagus”.
Sekarang pertanyaannya: siapa boleh mengakses apa, dalam kondisi apa, dengan approval siapa, dan semuanya tercatat di mana?
Human-in-the-loop bukan tanda AI gagal
Ada mindset aneh bahwa agent baru dianggap canggih kalau bisa menyelesaikan semuanya tanpa manusia.
Padahal untuk banyak pekerjaan, manusia seharusnya tetap ada.
Agent bisa menyusun opsi, manusia memilih.
Agent bisa menyiapkan transaksi, manusia menyetujui.
Agent bisa mengidentifikasi anomali, manusia memutuskan investigasi.
Agent bisa mengumpulkan sumber, manusia menilai kesimpulan.
Microsoft dalam framework agent mereka menempatkan approval dan human-in-the-loop sebagai bagian resmi dari orkestrasi. Itu masuk akal karena otonomi bukan tujuan akhir.
Tujuan akhirnya adalah hasil yang lebih baik dengan risiko yang bisa diterima.
Kalau tambahan satu klik approval bisa mencegah transfer salah atau email salah kirim, itu bukan friction bodoh. Itu kontrol.
Tentu approval juga bisa kelewat banyak sampai semua manfaat automation hilang.
Maka tantangannya adalah menentukan threshold.
Aksi rendah risiko bisa otomatis.
Aksi sedang bisa otomatis dengan notifikasi.
Aksi tinggi perlu approval.
Aksi sangat sensitif mungkin tidak boleh dilakukan agent sama sekali.
AI bergerak dari copilot menjadi operator, tetapi tidak selalu
Istilah “copilot” populer karena menggambarkan AI sebagai pendamping.
Sekarang agent mulai terasa seperti operator.
Namun dua mode ini akan hidup bareng.
Ada situasi saat kita ingin AI memberi saran saja. Misalnya keputusan karier, strategi bisnis, atau komunikasi sensitif.
Ada situasi saat kita ingin AI benar-benar mengeksekusi. Misalnya mengubah format 200 baris data, membuat draft laporan periodik, atau menjalankan pemeriksaan rutin.
Memaksa semuanya menjadi agent justru buruk.
Kalau sebuah tugas hanya butuh satu jawaban, chatbot lebih sederhana dan lebih mudah diawasi.
Microsoft sendiri dalam dokumentasi workflow menyarankan pendekatan lebih sederhana dulu sebelum memakai workflow kompleks.
Itu nasihat yang sehat.
Industri teknologi suka membuat solusi sebelum memastikan masalahnya ada.
Pengguna tidak perlu ikut-ikutan.
Apa yang akan terasa di kehidupan sehari-hari?
Mungkin bukan robot humanoid yang datang ke kosan lo di Tebet.
Perubahannya lebih mundane.
AI mulai bisa menyelesaikan pencarian yang butuh beberapa langkah.
AI bisa memproses inbox atau dokumen yang terlalu banyak untuk dibaca manual.
AI membantu mengatur ulang jadwal ketika kondisi berubah.
AI mencari informasi dari beberapa sumber lalu menyusun tindakan.
AI mengerjakan pekerjaan komputer yang dulunya membutuhkan klik berulang.
AI mengingat konteks proyek sehingga kita tidak menjelaskan dari awal setiap hari.
Lama-lama kita akan menilai produk AI bukan dari seberapa pintar jawabannya, tetapi dari seberapa konsisten ia menyelesaikan pekerjaan.
Dan di situlah standar naik.
Karena “jawaban salah” masih bisa kita abaikan.
“Tindakan salah” harus bisa dihentikan, dilacak, dan diperbaiki.
Itulah alasan AI sekarang lebih sering bertindak daripada sekadar menjawab. Bukan karena chat sudah basi, tetapi karena industri akhirnya menyadari bahwa nilai terbesar AI tidak berada pada kalimat yang keluar dari layar.
Nilainya berada pada jarak antara niat manusia dan pekerjaan yang selesai.
Agent mencoba memangkas jarak itu.
Kalau berhasil, kita punya leverage baru.
Kalau ceroboh, kita cuma memberi tangan kepada sistem yang masih bisa salah.
Dan di 2026, dua kemungkinan itu sama-sama nyata.
Bacaan terkait
Artikel ini berada dalam AI dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.