Setahun lalu, "agen AI" masih banyak demo dan sedikit produksi. Sekarang gambarannya berubah. Beberapa kategori task sudah dikerjakan agen secara end-to-end di perusahaan, sebagian masih butuh banyak guardrail dan supervisi.
Tulisan ini adalah snapshot kasar dari tempat kita berdiri di pertengahan 2026, berdasarkan observasi dari beberapa perusahaan yang sudah deploy agen di production.
Yang Sudah Bekerja Baik
Tiga kategori task di mana agen AI sudah bisa Anda andalkan dengan supervisi minimum.
Pengembangan kode untuk task terstruktur. Agen seperti Cursor Composer, Devin, atau OpenAI Codex agent bisa menyelesaikan implementasi feature yang tertulis jelas, debugging berbasis stack trace, dan refactor mekanis (rename variable, ekstraksi function, migrasi import). Tim engineering yang saya kenal sudah pakai agen untuk 30 sampai 50 persen task tier rendah dan menengah, dengan engineer yang fokus ke review dan task arsitektur.
Pencarian dan ringkasan dokumen panjang. Untuk task seperti "baca tiga laporan keuangan ini, buat ringkasan pakai format X, dan flag perubahan signifikan dari kuartal lalu", agen bisa mengerjakan ini dalam menit dengan akurasi yang baik. Banyak tim legal dan finance sudah memasukkan ini ke alur kerja harian mereka.
Tugas penjadwalan dan koordinasi sederhana. Mengatur meeting di antara empat orang dengan jadwal padat, follow up email yang belum dijawab, atau update CRM berdasarkan transkrip call: ini sudah otomatis di banyak tim sales dan customer success.
Yang Masih Rapuh
Beberapa kategori task di mana agen AI sering gagal atau butuh banyak supervisi.
Task multi-langkah dengan branching yang banyak. Kalau task butuh keputusan kondisional yang kompleks ("kalau A, lakukan X. Kalau B dan C, lakukan Y. Kalau gagal di langkah 3, kembali ke langkah 1 dengan parameter berbeda"), agen sering tersesat. Mereka bisa menyelesaikan setiap langkah individual tapi struggle untuk mempertahankan state mental yang konsisten antara langkah.
Interaksi dengan sistem legacy yang tidak terdokumentasi. Banyak perusahaan punya tools internal yang dibuat 10 sampai 15 tahun lalu, dengan UI dan API yang aneh. Agen yang berbasis browser automation atau API call sering gagal di sini, tidak karena modelnya bodoh, melainkan karena context dan retry logic-nya tidak cukup robust.
Task yang butuh judgment untuk konflik antar prioritas. "Mana yang lebih penting, deadline klien A atau permintaan urgent dari boss?" tidak bisa diselesaikan agen. Mereka cenderung memilih satu atau menjalankan keduanya tanpa memprioritaskan, yang sering menghasilkan output kurang baik di keduanya.
Implikasi untuk Pekerjaan
Yang menarik dalam observasi saya: pekerjaan tidak hilang seperti yang dibayangkan, tapi bentuknya berubah cukup drastis untuk beberapa peran.
Engineer junior yang sebelumnya kerja di task implementasi sekarang lebih banyak di review, integrasi, dan task architecture. Beberapa tim yang dulu butuh tiga junior sekarang butuh satu junior dan satu mid yang aktif memandu agen.
Customer support tier 1 sebagian besar tergantikan oleh agen di banyak perusahaan, terutama untuk task yang punya knowledge base jelas. Tier 2 dan 3 (escalation, edge cases, hubungan jangka panjang dengan klien strategis) masih sangat manusia.
Sales development representative (SDR) yang melakukan outreach dan kualifikasi awal banyak digantikan agen yang membaca CRM, merangkum konteks lead, dan membuat draft email personal. Tapi sales executive yang menutup deal masih sangat manusia, karena trust dan negosiasi tidak menskala dengan automation.
Apa Selanjutnya
Untuk dua sampai tiga tahun ke depan, saya menebak tiga area yang akan berkembang cepat.
Pertama, agen yang bekerja sama. Sekarang sebagian besar agen bekerja sendiri. Saya memperkirakan multi-agent setup di mana satu agen menjadi orchestrator dan beberapa agen lain menjadi spesialis. Ini sudah ada di lab tapi belum stabil di production.
Kedua, agen yang lebih sadar konteks personal. Sekarang agen mengerjakan task spesifik tanpa memori jangka panjang tentang preferensi user. Memori jangka panjang yang lebih akurat dan terpersonalisasi akan mengubah produktivitas individual.
Ketiga, agen yang bisa belajar dari kerja sebelumnya. Sekarang setiap task mulai dari nol. Dengan training berbasis trace eksekusi dan feedback, agen bisa jadi lebih efektif di pekerjaan yang berulang spesifik untuk tim atau perusahaan.
Untuk Tim Anda
Kalau Anda baru mulai eksperimen agen, saran praktis: pilih satu task spesifik yang sudah jelas alurnya dan rendah risiko. Jangan mulai dengan task multi-step kompleks yang melibatkan banyak sistem.
Bandingkan agen Anda dengan satu orang junior yang menjalankan task yang sama. Kalau output agen lebih baik atau setara dalam waktu lebih cepat, Anda punya kandidat untuk rollout. Kalau lebih buruk, ada masalah di prompt, tools, atau task itu sendiri yang belum siap.
Hari kedua Global AI Expo 2026 ada workshop praktis tentang building agent yang stabil di production, dengan studi kasus dari beberapa perusahaan Indonesia.
-md.jpg)
