Menu
Close
Suara Independent News

Independen, Akurat, Terpercaya

Perusahaan Indonesia Siapkan Infrastruktur untuk Adopsi AI Agent

Smallest Font
Largest Font

Perusahaan di Indonesia mulai mempersiapkan infrastruktur teknologi untuk memanfaatkan kecerdasan buatan secara lebih mandiri melalui AI agent. Teknologi ini memungkinkan otomatisasi berbagai pekerjaan bisnis dengan campur tangan manusia yang lebih terbatas, sebagaimana dilansir dari Tekno.

Berbeda dengan chatbot generatif yang umumnya menunggu perintah pengguna, agen AI mampu menjalankan serangkaian pekerjaan secara otonom berdasarkan tujuan dan kewenangan yang diberikan. Kemampuan tersebut membuka peluang baru dalam pengembangan produk, peningkatan layanan pelanggan, serta efisiensi operasional.

Namun, penerapannya membutuhkan kesiapan yang lebih luas daripada sekadar menyediakan model kecerdasan buatan. Infrastruktur komputasi, jaringan, perlindungan data, dan mekanisme pengawasan menjadi bagian penting agar teknologi tersebut tidak mengganggu operasional perusahaan.

Perusahaan mulai beralih dari efisiensi menuju penciptaan nilai

Chief Technology Officer (CTO) Akamai Cloud Computing, Jay Jenkins, melihat perubahan orientasi perusahaan dalam memanfaatkan kecerdasan buatan. Fokus penggunaan teknologi tersebut mulai bergeser dari penghematan operasional menuju penciptaan sumber nilai bisnis baru. Pemanfaatannya kini diarahkan untuk menghadirkan pengalaman pelanggan yang berbeda, menghasilkan produk baru, hingga membuka peluang pendapatan.

Perubahan ini turut memengaruhi prioritas investasi teknologi perusahaan. Menurut Jay, perhatian perusahaan juga mulai berpindah dari penelitian dan pengembangan (R&D) serta pelatihan model menuju inference. Tahap ini merupakan proses penggunaan model yang sudah dilatih untuk mengolah masukan dan menghasilkan keluaran.

Perubahan tersebut sekaligus meningkatkan perhatian terhadap aspek keamanan. Ancaman dapat muncul dari perilaku agen AI yang tidak sesuai maupun tindakan pihak luar yang sengaja memasukkan instruksi berbahaya.

Jay menjelaskan risiko tersebut dalam sesi temu media virtual pada Kamis (12/11/2026). "Risiko tersebut bisa berasal dari perilaku AI yang tidak semestinya. Di sisi lain, ada pula orang-orang yang memasukkan prompt berbahaya ke dalam AI untuk merusak pengalaman pengguna atau mengganggu sistem AI itu sendiri," kata Jay.

Ia juga menyoroti peningkatan kebutuhan investasi untuk membangun kepercayaan dan memastikan pertanggungjawaban penggunaan teknologi tersebut. "Karena itu, kami melihat peningkatan investasi yang sangat besar dalam aspek kepercayaan dan akuntabilitas," imbuhnya.

Kesiapan infrastruktur AI di Indonesia

Indonesia memiliki kebutuhan infrastruktur khusus untuk mendukung perkembangan kecerdasan buatan. Komponen seperti GPU, CPU, memori, dan jaringan menjadi sumber daya penting agar berbagai aplikasi AI dapat beroperasi secara optimal. Jay menyebut kebutuhan tersebut sebagai infrastruktur yang dirancang secara khusus untuk mendukung beban kerja kecerdasan buatan.

"Kami menyebutnya sebagai AI-ready infrastructure, yaitu infrastruktur yang memang dirancang khusus untuk mendukung kebutuhan AI. Sebab, AI membutuhkan jenis infrastruktur tertentu," imbuhnya.

Besarnya kebutuhan tersebut tercermin dari 63 persen organisasi di Indonesia yang mulai mempertimbangkan kesiapan infrastruktur AI. Faktor ini bahkan menjadi salah satu pertimbangan utama dalam menentukan teknologi yang akan digunakan.

"Sebanyak 63 persen organisasi di Indonesia saat ini mulai mempertimbangkan kebutuhan tersebut. Bahkan, faktor ini menjadi salah satu pendorong utama dalam menentukan pilihan infrastruktur teknologi mereka," papar Jay. Di tingkat Asia Tenggara, penggunaan AI generatif terus berkembang.

Meskipun demikian, penerapannya dalam operasional perusahaan belum merata karena sebagian besar organisasi masih berada pada tahap percobaan. Menurut Jay, baru 16 persen perusahaan di ASEAN yang telah membawa aplikasi AI generatif ke tahap produksi. Sebanyak 84 persen lainnya masih menjalankan pengujian dan proof of concept (PoC).

Penggunaan AI generatif juga semakin beragam. Selain model bahasa besar (large language model/LLM), teknologi ini telah dimanfaatkan untuk menghasilkan gambar, video, dokumen, serta kode pemrograman.

Sektor finansial dan super app berpotensi memanfaatkan AI agent

Perkembangan kemampuan otonom membuat agen AI mulai dipertimbangkan sebagai bagian dari operasional bisnis. Teknologi ini dapat terhubung dengan sistem internal, mengelola alur kerja, dan menjalankan keputusan sesuai batas kewenangan. Meski demikian, perusahaan masih mempertimbangkan risiko sebelum memberikan akses yang lebih luas kepada agen AI. Tingkat kemandirian teknologi tersebut menjadi salah satu faktor yang memengaruhi keputusan adopsi.

Sektor finansial termasuk industri yang dinilai memiliki peluang besar untuk memperoleh manfaat dari penerapan agentic AI. Perusahaan perdagangan elektronik juga mulai menguji penggunaannya guna meningkatkan kualitas pengalaman pelanggan. Ekosistem super app di Indonesia turut menjadi perhatian. Berbagai aktivitas yang sebelumnya harus dilakukan pengguna secara manual berpotensi dialihkan kepada agen AI melalui otomatisasi alur kerja.

"Indonesia juga memiliki sejumlah superapp yang sangat baik. Mengotomatisasi beberapa alur kerja yang biasanya dilakukan pengguna melalui superapp menggunakan agen AI tentu akan sangat bermanfaat," kata Jay.

Lima hambatan penerapan AI di lingkungan perusahaan

Walaupun menawarkan peluang bisnis, adopsi kecerdasan buatan masih menghadapi lima persoalan utama. Tantangan tersebut mencakup kemampuan komputasi, kualitas jaringan, perlindungan data, keamanan, hingga pengelolaan biaya.

1. Keterbatasan kapasitas komputasi

Ketersediaan GPU dan kemampuan pemrosesan menjadi hambatan pertama. Perusahaan membutuhkan sumber daya komputasi yang memadai untuk menjalankan berbagai model serta memenuhi peningkatan kebutuhan pemrosesan AI.

2. Latensi jaringan

Pemusatan infrastruktur komputasi dapat memperpanjang waktu respons bagi pengguna yang berada jauh dari pusat pengolahan data. Kondisi geografis Indonesia sebagai negara kepulauan membuat penyediaan konektivitas berlatensi rendah menjadi tantangan tersendiri.

Infrastruktur cloud terpusat juga berpotensi memperlambat pemrosesan AI secara langsung. Sebaliknya, distribusi beban kerja ke berbagai wilayah membutuhkan jaringan antardaerah yang stabil dan dapat diandalkan.

3. Kedaulatan data dan kepatuhan regulasi

Agen AI dapat mengolah informasi sensitif yang tersimpan atau diproses di berbagai lokasi. Perpindahan informasi lintas negara (cross-border data flows) menimbulkan kebutuhan untuk memastikan kepatuhan terhadap aturan perlindungan data.

Di Indonesia, salah satu regulasi yang harus diperhatikan adalah Undang-Undang Pelindungan Data Pribadi (UU PDP). Perusahaan perlu mempunyai kendali yang jelas atas lokasi penyimpanan dan pemrosesan informasi.

4. Keamanan dan tata kelola kecerdasan buatan

Akses agen AI terhadap sistem internal perusahaan dapat meningkatkan konsekuensi apabila terjadi penyalahgunaan. Dua ancaman yang menjadi perhatian adalah manipulasi instruksi (prompt injection) dan akses tanpa izin (unauthorized access).

Selain ancaman eksternal, perusahaan juga menghadapi tantangan dalam mengawasi tindakan agen otonom. Perkembangan teknologi yang cepat membuat perangkat pemantauan dan mekanisme pengendalian belum tentu mampu mengikuti perubahan tersebut.

5. Biaya infrastruktur dan ketergantungan penyedia

Pengeluaran penerapan AI tidak berhenti pada penyediaan GPU dan memori. Perusahaan juga perlu menghitung biaya penyewaan perangkat komputasi, pemrosesan inference, serta pengiriman data (data egress fees).

Ketergantungan pada model dan API proprietary dari satu penyedia juga dapat membatasi keleluasaan perusahaan. Ketika kebutuhan berubah, perpindahan ke layanan lain berpotensi menjadi lebih sulit dan mahal. Jay menilai keputusan menggunakan satu penyedia teknologi untuk seluruh kebutuhan AI dapat menimbulkan ketergantungan operasional. "Dalam banyak kasus, untuk mempercepat adopsi AI, organisasi memilih satu penyedia teknologi tertentu dan menggunakan seluruh layanannya," kata Jay.

Ia menjelaskan bahwa pilihan tersebut dapat membuat perusahaan terikat pada struktur layanan dan biaya penyedia tertentu.

"Keputusan ini membuat perusahaan terikat pada model operasional dan biaya dari penyedia tersebut. Akibatnya, perusahaan menjadi sulit berpindah ketika kebutuhan atau teknologi berubah," imbuhnya.

Infrastruktur dan layanan AI yang disiapkan Akamai

Untuk menjawab berbagai kebutuhan tersebut, Akamai menyediakan sejumlah layanan pendukung infrastruktur kecerdasan buatan. Salah satunya adalah Akamai Inference as a Service yang menggunakan model open weight dan endpoint kompatibel dengan OpenAI API.

Kompatibilitas tersebut memungkinkan perusahaan menghubungkan layanan dengan sistem yang sudah dimiliki. Pengguna juga mempunyai fleksibilitas untuk mengganti model sesuai kebutuhan tanpa harus selalu bergantung pada satu pilihan.

Ada dua pendekatan yang ditawarkan, yaitu serverless inference dan dedicated inference. Keduanya memiliki karakteristik berbeda dalam pengelolaan sumber daya komputasi.

Serverless inference

Pendekatan serverless memungkinkan perusahaan menggunakan kemampuan pemrosesan AI tanpa mengelola infrastruktur komputasi dan siklus hidup model secara mandiri. Pengaturan serta peningkatan kapasitas layanan ditangani oleh Akamai. Jay menjelaskan bahwa model pembayaran layanan tersebut disesuaikan dengan pemakaian.

"Organisasi cukup membayar berdasarkan penggunaan," kata Jay. Skema ini ditujukan bagi organisasi yang belum mengetahui secara pasti besarnya kebutuhan komputasi. Perusahaan dengan beban kerja AI yang berubah-ubah juga dapat memanfaatkannya untuk melakukan eksperimen tanpa membangun infrastruktur khusus sejak awal.

Dedicated inference

Berbeda dengan pendekatan serverless, dedicated inference menyediakan sumber daya komputasi khusus yang dapat diakses melalui endpoint. Pilihan ini lebih sesuai bagi perusahaan yang sudah mempunyai perhitungan kapasitas serta kemampuan pengelolaan infrastruktur.

Akamai turut menyediakan berbagai model AI untuk mendukung penalaran kompleks, penelitian mendalam, dan pemrograman. Tersedia pula model berbasis retrieval-augmented generation (RAG) untuk membantu pemeriksaan informasi sekaligus mengurangi risiko halusinasi AI.

Untuk kebutuhan komputasi berskala besar, perusahaan tersebut juga menyediakan akses ke GPU Nvidia B300. Perangkat ini dapat digunakan dalam pemrosesan AI, analisis dokumen, pelatihan lanjutan model (post-training), dan penyesuaian model (fine-tuning).

Perlindungan melalui lingkungan eksekusi terisolasi

Selain kapasitas komputasi, aspek perlindungan menjadi perhatian dalam pengembangan layanan AI. Akamai memperkenalkan Akamai Agent Sandbox yang menggunakan WebAssembly dan Spin SDK untuk menyediakan lingkungan eksekusi kode terisolasi.

Melalui mekanisme tersebut, agen AI dapat membuat dan menjalankan kode tanpa memperoleh akses bebas terhadap seluruh sistem perusahaan. Izin penggunaan dibatasi pada sumber daya yang telah ditentukan secara eksplisit. WebAssembly digunakan karena mempunyai mekanisme sandboxing bawaan.

Pengembangannya juga memanfaatkan Spin SDK yang bersifat open source dan dikerjakan bersama Cloud Native Computing Foundation (CNCF). Pembatasan lingkungan eksekusi memungkinkan perusahaan mengendalikan aktivitas agen AI pada setiap tahapan. Dengan demikian, potensi tindakan di luar kewenangan yang diberikan dapat dikurangi.

Perusahaan perlu membangun tata kelola sebelum meningkatkan otonomi AI

Kesiapan teknologi bukan satu-satunya faktor penentu keberhasilan penerapan agen AI. Jay menekankan bahwa perusahaan juga perlu mempunyai alur kerja dan aturan operasional yang jelas sebelum memberikan tanggung jawab lebih besar kepada teknologi tersebut.

Menurutnya, tingkat kepercayaan terhadap agen AI sebaiknya dibangun secara bertahap. Perusahaan perlu menetapkan pekerjaan yang boleh dilakukan, batas akses, serta prosedur yang harus diikuti oleh sistem. Jay membandingkan pendekatan tersebut dengan proses pemberian tugas kepada pekerja manusia.

"Pendekatannya kurang lebih sama seperti ketika perusahaan memberikan tugas kepada karyawan manusia," kata Jay. Setelah aturan ditentukan, perusahaan perlu memeriksa keputusan yang dihasilkan agen AI. Pemantauan ini diperlukan untuk menemukan kejanggalan maupun tindakan yang tidak sesuai dengan prosedur normal.

Perusahaan juga disarankan memahami terlebih dahulu alur kerja normal (happy path). Selanjutnya, berbagai kemungkinan pengecualian (exception paths) perlu dipetakan agar agen AI dapat menghadapi situasi yang berbeda dari kondisi biasa. Pada tahap awal, keterlibatan manusia atau human-in-the-loop tetap diperlukan.

Mekanisme ini memastikan keputusan yang dibuat sistem mendapatkan pemeriksaan sebelum dijalankan lebih lanjut. Sebagai contoh, Jay menjelaskan penggunaan metode maker-checker yang sudah dikenal dalam industri keuangan. Dalam mekanisme tersebut, keputusan awal dibuat oleh AI, kemudian manusia melakukan pemeriksaan dan memberikan validasi.

"Salah satu contohnya adalah proses maker-checker yang umum digunakan di industri keuangan. Dalam mekanisme ini, AI terlebih dahulu mengambil keputusan, kemudian manusia memeriksa dan memvalidasi keputusan tersebut," jelas Jay.

Pola pengawasan yang sama dapat diterapkan secara fleksibel. Agen AI bisa menyusun keputusan untuk diperiksa manusia, sementara manusia juga dapat mengambil keputusan dengan bantuan AI untuk meninjau prosesnya. Ketika perusahaan sudah memahami kemampuan sistem dan mempunyai batasan operasional (guardrails) yang memadai, tingkat kemandirian agen AI dapat ditingkatkan secara bertahap hingga menuju otomatisasi penuh.

Namun, peningkatan otonomi tidak menghilangkan kebutuhan pengawasan. Tata kelola, pembatasan akses, pemantauan aktivitas, serta kemampuan audit tetap diperlukan agar perusahaan dapat menelusuri penyebab kesalahan dan melakukan penanganan ketika terjadi gangguan.

Advertisement
Scroll To Continue with Content

Disclaimer

This article was automatically rewritten by AI based on source: tekno.kompas.com without altering the facts of the original article.
Follow suaraindependentnews.id Add to preferred sources on Google
Editors Team
Daisy Floren

What's Your Reaction?

  • Like
    0
    Like
  • Dislike
    0
    Dislike
  • Funny
    0
    Funny
  • Angry
    0
    Angry
  • Sad
    0
    Sad
  • Wow
    0
    Wow

Most viewed