Agen AI sudah masuk produksi, tapi biaya dan kendali masih blind spot

Laporan AI Leaders AI Leverage Report, Oktober 2026 dari Open Future Forum memberi gambaran yang jarang muncul di materi pemasaran: agen AI di produksi sudah umum, tetapi kendali operasionalnya belum. Dari 75 responden yang menjawab pertanyaan armada agen, 80 persen melaporkan setidaknya satu agen produksi; 29 persen bahkan melaporkan lebih dari dua puluh. Di antara 60 responden yang punya agen dan menjawab soal biaya, hanya 30 yang memilih "visibilitas biaya real-time penuh"—sisanya parsial atau tidak ada.

Angka itu tidak membuktikan bahwa setiap agen otomatis, andal, atau menghasilkan ROI. Survei itu bersifat self-reported. Yang berguna bagi pimpinan operasional adalah pergeseran pertanyaan: bukan lagi "apakah kita punya agen?", melainkan "agen mana yang berjalan, siapa pemiliknya, data apa yang disentuh, dan berapa biayanya per hasil yang diterima?"

Dari demo ke armada: apa yang berubah di 2026

Gartner menempatkan agentic AI di Peak of Inflated Expectations pada Hype Cycle untuk Agentic AI 2026. Survei CIO dan Technology Executive Gartner 2026 mencatat hanya 17 persen organisasi yang sudah menerapkan agen AI, namun lebih dari 60 persen berencana melakukannya dalam dua tahun—kurva adopsi paling agresif di antara teknologi emerging yang diukur. Prediksi terpisah Gartner (Agustus 2025) memperkirakan hingga 40 persen aplikasi enterprise akan menyertakan agen khusus tugas pada akhir 2026, naik dari kurang dari 5 persen pada saat itu.

Gabungan sinyal itu menjelaskan ketegangan di lapangan: ambisi tinggi, kematangan pendukung (tata kelola, keamanan agen, FinOps untuk agentic AI) masih menyusul. Banyak organisasi sudah melewati fase demo chatbot. Yang masuk produksi biasanya agen sempit: ekstraksi dokumen, routing tiket, ringkasan dengan sitasi, atau orkestrasi langkah terbatas di dalam satu aplikasi. Begitu jumlahnya naik, masalahnya bergeser dari "model mana yang terbaik" ke "bagaimana mengoperasikan armada tanpa blind spot biaya dan akses."

Bottleneck produksi: bukan hanya model

Open Future Forum menanyakan hambatan produksi (multi-select, basis 75). Urutan yang paling sering disebut:

• Akses dan kualitas data — 39 persen
• Compute — 29 persen
• Integrasi dengan sistem yang ada — 28 persen
• Biaya inference — 25 persen
• Tata kelola dan persetujuan — 21 persen
• Identitas dan izin agen — 15 persen

Pola ini menegaskan: memilih model bukan inti masalah produksi. Masalahnya adalah data yang bisa dipakai agen dengan aman, jalur integrasi yang bisa diaudit, dan biaya yang bisa direkonsiliasi ke unit kerja bisnis—bukan hanya tagihan token bulanan.

Cara agen mencapai data enterprise juga mencerminkan risiko operasional. Di antara 49 jawaban yang relevan, 49 persen memakai kredensial per agen, sementara 37 persen masih memakai akun layanan bersama. Akun bersama mempersulit atribusi: jika agen salah bertindak atau data bocor, sulit membatalkan akses satu agen tanpa menghentikan yang lain.

Register kendali: satu baris per agen material

Laporan yang sama menawarkan template praktis—bukan hasil survei, melainkan rekomendasi operasional. Isi satu baris untuk setiap agen produksi yang material, lalu rekonsiliasi dengan keuangan, keamanan, dan pemilik bisnis:

1. Identitas agen dan versi (model, deployment)
2. Alur kerja bisnis yang dilayani dan hasil yang dimaksud
3. Pemilik bisnis dan pemilik teknis
4. Metode identitas (per agen, bersama, didelegasikan, atau di-broker)
5. Lingkup data dan sistem yang boleh disentuh
6. Catatan biaya (cost center, unit kerja, status visibilitas)
7. Bukti layanan (kualitas, keandalan, pengecualian)
8. Jalur manusia: tinjauan, override, eskalasi
9. Tanggal tinjauan terakhir dan pengecualian yang belum selesai

Tanpa kunci identitas bersama, CFO melihat invoice platform, CISO melihat service account, dan unit bisnis melihat nama alur kerja—tiga catatan yang akurat tapi tidak bisa digabung saat ada insiden atau tantangan anggaran.

Apa artinya bagi organisasi di Indonesia

Bagi perusahaan, pemda, BUMD, faskes, keuangan lokal, dan logistik di Indonesia, tekanan yang sama sudah muncul lewat pengadaan dan peraturan sektoral: manusia tetap pemutus akhir di banyak konteks, data harus bisa dilacak, dan sistem kritis tidak boleh bergantung pada demo tanpa kriteria penerimaan. Tiga langkah praktis yang selaras dengan cara MarkasDev bekerja:

Diagnose. Inventarisasi agen dan otomatisasi berbasis model yang sudah jalan—termasuk yang "tersembunyi" di lisensi SaaS. Petakan pemilik, data yang disentuh, dan apakah biayanya terlihat per alur kerja. Diagnose berbayar berguna sebelum Anda menambah agen baru, bukan setelah invoice membesar. Baca juga kapan organisasi biasanya perlu Diagnose sebelum membangun.

Deliver. Setiap agen baru harus punya kriteria penerimaan tertulis: lingkup tugas, tingkat resolusi yang diterima, jalur eskalasi manusia, batasan alat/API, dan metrik biaya per tugas terselesaikan—bukan hanya "akurasi demo." Integrasikan ke sistem yang ada dengan identitas yang bisa dicabut; hindari akun layanan bersama untuk agen yang menyentuh data sensitif. Jika Anda mengevaluasi runtime agen, tanyakan portabilitas jejak (trace), kepemilikan evaluasi, dan apa yang terjadi pada alur yang sedang berjalan jika kontrak diakhiri. Standar seperti MCP dan A2A membantu mengurangi kunci vendor di lapisan orkestrasi.

Operate. Setelah live, agen masuk retainer operasi: monitoring, tinjauan berkala register, alert biaya, dan SLA untuk kegagalan atau perilaku di luar lingkup. "Maintenance saat rusak" tidak cukup untuk agen yang terus memanggil alat dan data; bedakan dengan Operate yang punya SLA. Batasi akses sejak awal—pelajaran dari insiden batas akses agen relevan di sini, bukan hanya di lab keamanan.

Untuk implementasi AI yang terikat ke hasil operasional—bukan proof-of-concept abadi—lihat layanan implementasi AI MarkasDev. Jika Anda ingin menilai blind spot biaya dan kendali di armada yang sudah ada, mulai dari kontak Diagnose.

Analisis pasar Oktober 2026 juga menekankan bahwa pembeli semakin menilai cost per resolved task dan portabilitas runtime agen—bukan hanya skor leaderboard model. Artinya, kontrak pengadaan yang hanya mengunci harga token tanpa jejak audit, hak ekspor trace, dan kriteria penerimaan operasional akan meninggalkan organisasi dengan ketergantungan yang mahal untuk dibongkar kemudian.

Langkah minggu ini, bukan roadmap abstrak

Anda tidak perlu menunggu "strategi AI nasional" selesai untuk bertindak. Minggu ini, cukup:

1. Buat daftar agen/otomatisasi berbasis model yang menyentuh data operasional atau pelanggan.
2. Tandai mana yang punya pemilik bernama, mana yang memakai akun bersama, dan mana yang biaya tokennya tidak bisa dipetakan ke unit kerja.
3. Pilih satu agen material: tulis kriteria penerimaan, jalur kill/eskalasi, dan cara mengukur biaya per hasil yang diterima.
4. Jadwalkan tinjauan bulanan register—singkat, lintas bisnis–keuangan–keamanan—dengan satu identitas agen yang sama di ketiga sisi.

Agen AI di produksi bukan lagi pertanyaan "apakah mungkin." Pertanyaan yang menentukan risiko dan anggaran adalah apakah Anda bisa menjelaskan, menghentikan, dan membayarnya dengan bukti yang sama.