Ketika orang membicarakan AI di tempat kerja, gambaran yang paling umum adalah seorang karyawan membuka jendela chat lalu meminta model menulis email, merangkum dokumen, atau menganalisis data. Tugas menjadi lebih cepat, tetapi orang tersebut tetap memberi instruksi langkah demi langkah dan membawa hasilnya ke bagian workflow berikutnya.
Agen AI menggeser batas itu.
Alih-alih menunggu satu prompt setiap kali, agen dapat menerima sebuah tujuan, menentukan langkah yang diperlukan, menggunakan alat, memeriksa hasil, lalu melanjutkan beberapa tindakan dalam batas yang telah ditentukan. Pertanyaan ekonominya pun berubah dari "Seberapa cepat AI bisa mempercepat satu tugas?" menjadi apa yang terjadi ketika AI dapat mengelola rangkaian tugas di sepanjang satu workflow?
OECD menerbitkan Agentic AI in organisations pada September 2026 berdasarkan wawancara dengan organisasi di berbagai wilayah dan sektor. Temuannya menunjukkan bahwa sistem agentic sudah dikembangkan dan diterapkan, sementara tata kelola, pengukuran, dan praktik operasional masih berada pada tahap awal.
Artikel kami sebelumnya, Apakah AI benar-benar akan mengambil pekerjaan – atau justru membuat sebagian pekerjaan lebih bernilai?, membahas mengapa AI sering mengubah tugas sebelum mengubah keseluruhan pekerjaan. Ketika beberapa tugas dihubungkan melalui agen, yang didesain ulang bisa menjadi workflow itu sendiri.
Agen AI lebih dari sekadar chatbot yang lebih pintar
Chatbot yang sudah kita kenal biasanya mengikuti pola sederhana:
pengguna bertanya → AI menjawab → pengguna menentukan apa yang terjadi berikutnya
Agen dapat bekerja melalui loop yang lebih panjang:
tujuan → rencana → gunakan alat → bertindak → periksa hasil → sesuaikan → lanjutkan atau eskalasi
Anthropic menggambarkan agen sebagai sistem yang dapat bekerja lintas aplikasi, menulis dan menjalankan kode, mengelola file, serta menyelesaikan tugas yang terdiri dari banyak langkah. Hal ini memberi mereka lebih banyak otonomi, yaitu kebebasan yang lebih besar untuk bertindak di dalam alat, izin, dan batasan yang diberikan manusia.
Ambil contoh penjualan.
Chatbot mungkin menulis email follow-up. Agen dapat menerima tujuan "tindak lanjuti lead berpotensi tinggi", memeriksa CRM, meninjau status akun, menulis outreach, memilih waktu pengiriman, mencatat hasil, menjadwalkan rapat, lalu menyerahkan kasus kepada tenaga penjualan ketika dibutuhkan penilaian manusia.
Sebagian besar tugas itu sebenarnya sudah ada. Yang berubah adalah kemampuan untuk menghubungkannya tanpa membutuhkan seseorang sebagai perantara di setiap handoff.
Ekonomi berubah ketika AI bergerak dari tugas ke workflow
AI di tempat kerja pada tahap awal sering berfokus pada produktivitas individu: menulis lebih cepat, mencari lebih cepat, atau merangkum rapat lebih cepat.
Namun bisnis tidak berjalan sebagai kumpulan tugas yang terpisah. Pekerjaan mengalir melalui orang, tim, sistem perangkat lunak, dan rantai persetujuan.
Proses procurement dapat menerima permintaan, memeriksa inventaris, meminta penawaran, membandingkan pemasok, mencari persetujuan, membuat purchase order, melacak pengiriman, lalu meneruskan informasi ke akuntansi. Keterlambatan bisa lebih banyak berasal dari menunggu informasi, mengecek ulang data, dan koordinasi antarfungsi daripada dari satu langkah tertentu.
Di sinilah agen dapat memberi dampak ekonomi yang berbeda dari copilot yang digunakan oleh satu karyawan.
Global Survey on AI 2026 dari McKinsey menemukan bahwa 80% responden mengatakan AI telah meningkatkan produktivitas individu, sementara hanya 37% yang mengaitkan setidaknya sebagian dampak EBIT dengan penggunaan AI di organisasi mereka. Kesenjangan ini tidak membuktikan bahwa agen akan menyelesaikan masalah tersebut, tetapi menunjukkan mengapa membuat satu orang lebih cepat tidak otomatis membuat seluruh organisasi lebih menguntungkan.
Jika workflow masih berisi persetujuan berulang, perpindahan file, dan sistem yang tidak terhubung, manfaatnya bisa berhenti di meja karyawan.
Nilainya mungkin berada pada handoff antar langkah
Karena itu, nilai bisnis sebuah agen tidak terbatas pada jam kerja yang dihemat.
Nilai dapat datang dari berkurangnya waktu menunggu, pekerjaan copy-and-paste, follow-up, kesalahan transfer data, dan jumlah koordinasi manusia yang diperlukan antarsistem.
Misalnya, proses invoice dapat menerima dokumen, memvalidasi field, mencocokkannya dengan purchase order, menandai anomali, menyiapkan entri akuntansi, lalu mengarahkan kasus untuk persetujuan. Jika agen dapat menangani bagian yang terstruktur sebagai satu rangkaian, manusia mungkin hanya perlu turun tangan ketika data tidak cocok, batas tertentu terlampaui, atau terjadi sesuatu yang tidak biasa.
Agen bukan pekerja digital tanpa biaya.
Organisasi tetap harus membayar model, integrasi perangkat lunak, persiapan data, izin, monitoring, evaluasi, keamanan, dan review manusia atas pengecualian. Sebagian workflow mungkin menghasilkan penghematan besar. Sebagian lain mungkin lebih mahal untuk diotomatisasi daripada nilai yang dihasilkan.
Itulah sebabnya ekonomi agen seharusnya diukur pada tingkat workflow, bukan hanya dari jumlah jam kerja karyawan yang tampaknya dapat dihemat.
Pekerjaan manusia dapat bergeser dari menjalankan setiap langkah menjadi mengawasi sistem
Ketika agen mengambil lebih banyak bagian dalam eksekusi, posisi manusia di dalam workflow dapat berubah.
Dari:
kerjakan → handoff → periksa → lanjutkan → minta persetujuan
menjadi:
tetapkan tujuan → tentukan batasan → review pengecualian → putuskan → ambil tanggung jawab
Hal ini langsung terhubung dengan isu pasar tenaga kerja di A10. Jika AI menjadi lebih baik pada beberapa tugas, nilai manusia dapat bergeser ke penilaian, konteks, komunikasi, dan akuntabilitas. Agen membuat pertanyaan ini lebih penting karena mereka dapat mengambil alih rangkaian tugas, bukan hanya satu tugas terpisah.
Work Trend Index 2026 Microsoft untuk Thailand melaporkan bahwa 32% pekerja Thailand dalam sampelnya termasuk "Frontier Professionals", dibandingkan rata-rata global 16%, sementara organisasi Thailand masih menghadapi tantangan untuk bergerak dari penggunaan AI secara individual ke workflow inti organisasi.
Ini adalah bukti dari platform dan survei Microsoft, bukan statistik tenaga kerja yang mewakili populasi nasional. Namun temuan itu menyoroti perbedaan penting: mahir menggunakan AI secara individual tidak sama dengan mendesain ulang organisasi di sekitarnya.
Otonomi yang lebih besar tidak berarti mengeluarkan manusia dari sistem
Daya tarik agen adalah kemampuannya untuk terus bekerja dengan supervisi langkah demi langkah yang lebih sedikit. Sifat yang sama juga memperbesar risiko.
Jika chatbot memberi satu jawaban buruk, manusia mungkin melihatnya sebelum bertindak. Jika agen salah memahami tujuan dan memiliki akses ke beberapa sistem, kesalahan dapat bergerak melalui banyak langkah sebelum ada yang menyadarinya.
Anthropic mengidentifikasi risiko termasuk salah memahami maksud pengguna dan serangan prompt injection yang mencoba memanipulasi agen agar melakukan tindakan yang seharusnya tidak dilakukan.
Hal ini membuat desain human-in-the-loop lebih bernuansa daripada sekadar meminta seseorang menyetujui setiap klik.
Organisasi dapat menentukan:
- sistem mana yang boleh diakses agen
- batas transaksi atau pengeluaran
- tindakan yang membutuhkan persetujuan
- data yang tidak boleh keluar dari suatu batas
- pengecualian yang harus dieskalasi
- titik di mana proses harus berhenti untuk keputusan manusia
Tujuannya tidak selalu mengeluarkan manusia dari workflow. Tujuannya adalah memilih di mana penilaian manusia paling bernilai.
Perusahaan besar dan UKM mungkin tidak mendapat manfaat dengan kecepatan yang sama
Kinerja agen bergantung pada lebih dari sekadar model AI. Ia juga bergantung pada kualitas data, integrasi sistem, izin, dan seberapa jelas workflow yang sudah ada.
Karena itu, perusahaan dengan CRM, ERP, API, tata kelola data, dan tim IT memiliki titik awal yang berbeda dari bisnis kecil yang masih beroperasi dengan spreadsheet, aplikasi chat, dan dokumen yang tersebar di beberapa sistem.
Survei D4SME 2026 OECD menemukan bahwa penggunaan AI oleh UKM meningkat dan sebagian perusahaan sedang bereksperimen dengan agen AI, tetapi integrasi yang strategis dan aman ke dalam operasi bisnis masih tidak merata. Keterbatasan waktu, biaya pemeliharaan, dan kesenjangan keterampilan termasuk di antara hambatannya.
Hal ini menciptakan pertanyaan persaingan yang lebih menarik daripada sekadar siapa yang lebih dulu mendapatkan chatbot.
Jika agen benar-benar menurunkan biaya koordinasi, perusahaan dengan data dan sistem yang lebih baik dapat menurunkan biaya per transaksi atau memproses lebih banyak pekerjaan sebelum pesaing yang lebih kecil mampu mengejar. Jika keunggulan itu terus terakumulasi, kesenjangan produktivitas antarfirma dapat melebar.
Jalur sebaliknya juga mungkin terjadi. Agen siap pakai yang murah dan mudah diterapkan dapat mengurangi kelemahan teknologi yang dihadapi UKM. Masih terlalu dini untuk berasumsi bahwa perusahaan besar akan menjadi satu-satunya pihak yang diuntungkan.
Bagaimana jika perkembangan ini bergerak jauh menuju AGI?
Agen AI saat ini bukan Artificial General Intelligence atau AGI, konsep untuk AI dengan kemampuan luas di banyak domain.
Framework literasi AI dari OECD dan European Commission menggambarkan AGI sebagai sistem yang mampu menyamai atau melampaui fleksibilitas kognitif dan kecakapan orang dewasa berpendidikan baik, dan menyatakan bahwa belum ada sistem seperti itu saat ini.
Film sering menggambarkan sesuatu yang jauh lebih luas: pikiran digital yang dapat belajar, merencanakan, mengambil keputusan, dan bertindak sendiri di hampir semua domain. Gambaran itu jauh melampaui agen yang sedang diuji bisnis saat ini.
Agen saat ini masih bekerja dengan tujuan, alat, izin, dan batas yang diberikan manusia, dan mereka masih dapat gagal pada tugas yang tampak biasa.
Jika suatu hari sistem bergerak dari mengelola workflow khusus menuju kemampuan umum luas seperti yang diasosiasikan dengan AGI, implikasinya bagi bisnis dan tenaga kerja akan menjadi pertanyaan dengan skala berbeda. Sebelum sampai ke sana, isu yang lebih praktis adalah di mana manusia seharusnya berada di dalam workflow ketika agen mengambil lebih banyak bagian dari eksekusinya.
Apa yang perlu diperhatikan berikutnya
Sinyal pertama adalah seberapa cepat agen berpindah dari pilot ke workflow produksi. Demo yang sukses tidak sama dengan beroperasi setiap hari dengan data, pelanggan, dan uang sungguhan.
Sinyal kedua adalah apakah perusahaan mulai mengukur ROI pada tingkat workflow. Jika pelaporan masih hanya berfokus pada tingkat adopsi atau jam kerja yang dihemat, efek ekonominya mungkin tetap tidak jelas.
Sinyal ketiga adalah seberapa banyak izin yang bersedia diberikan organisasi kepada agen – akses read-only, drafting, transaksi, atau tindakan tanpa persetujuan. Hal itu menunjukkan tingkat kepercayaan sekaligus risiko yang bersedia diterima.
Sinyal keempat adalah tingkat pengecualian dan titik eskalasi ke manusia. Sistem yang terlihat otonom di layar mungkin masih bergantung pada banyak pekerjaan manusia yang tidak terlihat.
Untuk Thailand, sinyal lain adalah apakah UKM dapat mengakses sistem agen yang andal dengan biaya terjangkau. Jika workflow agentic membutuhkan infrastruktur data dan integrasi yang mahal, kesenjangan produktivitas antarfirma dapat melebar. Jika sistem siap pakai dapat menurunkan biaya tersebut secara tajam, bisnis kecil bisa mendapat manfaat lebih cepat dari perkiraan.
Gelombang pertama AI di tempat kerja membuat kita bertanya, "Bisakah AI membantu tugas ini?" Agen AI mendorong pertanyaannya lebih jauh: "Apakah kita masih perlu mendesain workflow dengan cara ini?" Di situlah dampak bisnis mungkin menjadi lebih dalam daripada sekadar memiliki asisten menulis yang lebih cepat.
