Bagaimana jika tim finance dapat menemukan selisih transaksi tanpa memeriksa spreadsheet, tim sales bisa memperoleh informasi pelanggan tanpa membuka berbagai aplikasi, dan karyawan dapat menemukan jawaban dari dokumen internal hanya dengan bertanya menggunakan bahasa sehari-hari?
Inilah salah satu potensi agentic AI, yang tidak hanya menghasilkan jawaban, tetapi juga merencanakan dan menjalankan serangkaian tindakan yang dibutuhkan. Kini penerapannya pun semakin relevan seiring meningkatnya adopsi AI di lingkungan bisnis.
Organisasi kini semakin banyak bereksperimen dengan AI agent dan meningkatkan skala penerapannya pada minimal satu fungsi bisnis. Meski demikian, sebagian besar organisasi masih di tahap awal implementasi dengan peluang pengembangannya masih terbuka luas.
.
.
.
Key Takeaways:
.
.
.
Banyak Sistem dan Proses Manual Menjadi Tantangan Bisnis Hari Ini
Perusahaan modern mengandalkan berbagai aplikasi untuk menjalankan operasional, mulai dari Enterprise Resource Planning (ERP), Customer Relationship Management (CRM), Human Resources Information System (HRIS), hingga platform keuangan dan pelaporan. Setiap sistem menyimpan informasi yang dibutuhkan untuk mengambil keputusan, tetapi informasi tersebut sering kali tersebar di berbagai sumber dengan format dan alur kerja yang berbeda.
Akibatnya, karyawan perlu menghabiskan waktu untuk mencari data, mencocokkan informasi, menyusun laporan, dan memindahkan hasil analisis ke sistem lain. Sebagai contoh, tim finance harus download data transaksi dari beberapa platform, mencocokkan nominal, mengidentifikasi selisih, kemudian membuat laporan untuk diperiksa oleh manajer. Proses serupa juga terjadi pada tim sales operasional, customer service, dan IT.
Otomatisasi konvensional dapat mempercepat pekerjaan yang memiliki aturan dan alur tetap. Namun, ketika proses membutuhkan pemahaman konteks, pengumpulan informasi dari banyak sumber, atau penanganan kondisi yang berubah-ubah, pendekatan tersebut tetap memerlukan konfigurasi tambahan dan intervensi manusia.
.
Peran Agentic AI Dalam Mengubah “Business Question” Menjadi “Business Action”
Untuk memahami peran agentic AI, penting untuk membedakannya dari AI generatif yang hanya digunakan untuk menjawab pertanyaan atau menghasilkan konten. AI generatif dapat membantu merangkum laporan, menjelaskan data, atau menyusun draf email. Sementara itu, agentic AI dirancang untuk melangkah lebih jauh dengan mengoordinasikan beberapa tahap pekerjaan menuju tujuan tertentu.
Bergantung pada desain dan izin yang diberikan, AI agent dapat mengambil informasi, memanggil API, menjalankan tools, memeriksa hasil, dan menentukan langkah berikutnya. Contohnya, seorang manajer finance memberikan permintaan: “Periksa transaksi bulan ini, identifikasi selisih antara invoice dan pembayaran, lalu siapkan laporan untuk di-review.”
AI agent dapat dirancang untuk menjalankan rangkaian langkah berikut:
.
.
Baca Juga: Dari Data ke Aksi, Bagaimana SAP Agentic AI Mengubah Cara Bisnis Bekerja?
.
Contoh Implementasi Agentic AI dari Momentum AI Assistant di AWS
Salah satu pendekatan untuk membawa agentic AI ke lingkungan enterprise adalah mengembangkan AI assistant yang terhubung dengan sistem dan data bisnis yang sudah digunakan perusahaan.
Momentum AI assistant dapat diposisikan sebagai solusi untuk pendekatan tersebut. Melalui integrasi dengan sistem perusahaan, AI assistant dapat dirancang untuk membantu pengguna mengakses informasi, memahami data, serta mendukung pelaksanaan workflow sesuai kebutuhan bisnis.
Dalam arsitektur seperti ini, AWS menyediakan fondasi cloud dan kapabilitas AI untuk membangun aplikasi yang terhubung dengan model AI, sumber pengetahuan, API, serta tools operasional. Salah satu teknologi yang relevan adalah Amazon Bedrock.
Ekosistem ini menyediakan akses ke foundation model dan kapabilitas untuk membangun aplikasi AI generatif. AWS juga mendokumentasikan Amazon Bedrock Agents, yang dikenal sebagai Agents Classic, untuk mengorkestrasi interaksi model dengan knowledge bases dan action groups. Untuk implementasi baru, perusahaan perlu mengevaluasi layanan AWS AgentCore sebagai opsi pengembangan dan operasional AI agent yang lebih mutakhir.
.
Bagaimana Cara Kerja Momentum AI Assistant?
Secara konseptual, Momentum AI Assistant dirancang untuk menghubungkan permintaan pengguna dengan informasi dan proses yang tersebar di berbagai sistem bisnis. Secara ringkas, berikut gambaran alur kerjanya:
.
Apa yang Membuat Momentum AI Assistant Berbeda?
1. Seamlessly Connected to Existing Systems
Momentum AI Assistant dapat dirancang untuk terintegrasi melalui API dengan ERP, CRM, HRIS, billing, finance, dan platform bisnis lainnya tanpa portal baru yang harus dipelajari tim.
2. Ask, and Get Instant Answers
Pengguna bertanya tentang data bisnis menggunakan bahasa sehari-hari untuk mendapatkan jawaban, ringkasan, atau angka penting seperti bicara ke rekan kerja.
3. One Platform, Every Business Need
Satu fondasi AI dapat dikembangkan untuk berbagai kebutuhan, mulai dari rekonsiliasi dan pelaporan finance, sales assistant, enterprise knowledge assistant, hingga dukungan dokumentasi klinis dan HR assistant hand dari satu fondasi AI yang sama. Setiap use case memerlukan konfigurasi, sumber data, integrasi, dan aturan bisnis yang sesuai dengan fungsi terkait.
4. Automate the Repetitive, You Stay in Control
AI dapat menangani pekerjaan repetitif dan menandai pengecualian yang perlu perhatian khusus, sementara keputusan berisiko tetap di tangan tim. Namun, otomatisasi tetap membutuhkan peran perusahaan dalam menetapkan batas tindakan, mekanisme persetujuan, dan eskalasi kepada tim yang berwenang.
5. Supported From Day One
Implementasi AI berkelanjutan mencakup discovery dan strategy, build dan deployment, managed AI services, serta evaluasi dan optimasi setelah solusi digunakan.
6. Secure and Accountable by Design
Enkripsi data, kontrol akses, dan audit trail bawaan agar penggunaan AI tetap terkendali dan dapat ditelusuri.
.

.
Contoh Implementasi Momentum AI untuk Berbagai Bisnis
Financial Recon & Reporting
Tim finance sering berhadapan dengan transaksi dari berbagai sistem, seperti ERP, rekening bank, invoice, dan platform pembayaran. Proses rekonsiliasi memerlukan pencocokan data, pemeriksaan selisih, serta penyusunan laporan yang dapat dipertanggungjawabkan.
Momentum AI Assistant dapat mengotomatisasi sebagian alur tersebut dengan mengambil data transaksi dari sistem yang terhubung, mencocokkan transaksi berdasarkan nominal, tanggal, nomor referensi, dan aturan bisnis, mengidentifikasi transaksi yang cocok, tidak cocok, atau memerlukan pemeriksaan lebih lanjut, menyusun ringkasan selisih dan laporan rekonsiliasi untuk ditinjau oleh tim finance, hingga mengarahkan pengecualian kepada pihak yang berwenang untuk investigasi atau persetujuan.
AI agent dapat membantu mengambil data, menjalankan pencocokan berdasarkan aturan yang telah ditetapkan, dan menyajikan hasilnya dalam format yang mudah ditinjau. Namun, transaksi yang tidak sesuai tetap perlu diperiksa berdasarkan konteks dan kebijakan keuangan perusahaan. Eksekusi pembayaran, jurnal final, atau perubahan data keuangan sebaiknya hanya dilakukan melalui kontrol otorisasi yang eksplisit. Cara ini dapat mengurangi pekerjaan administratif, mempercepat identifikasi anomali, dan membantu tim finance memusatkan perhatian pada exception serta analisis yang membutuhkan penilaian manusia.
.
Sales CRM
Tim sales membutuhkan informasi pelanggan, riwayat interaksi, status peluang, dan aktivitas tindak lanjut untuk menentukan prioritas penjualan. Ketika informasi tersebut tersebar di CRM, email, dokumen, dan aplikasi komunikasi, persiapan sebelum bertemu pelanggan dapat memerlukan banyak langkah manual.
Momentum AI Assistant dapat dikembangkan untuk membantu tim sales dengan mengambil ringkasan profil dan riwayat interaksi pelanggan dari CRM yang terhubung, merangkum status peluang, aktivitas terakhir, dan tindak lanjut yang masih terbuka, mengidentifikasi informasi yang belum lengkap atau aktivitas yang perlu diperhatikan, menyiapkan draf email follow-up atau ringkasan untuk pertemuan pelanggan, hingga membantu memperbarui catatan CRM melalui API apabila tindakan tersebut diizinkan.
Cara ini membantu tim sales mengurangi waktu untuk mencari informasi pelanggan, meningkatkan visibilitas pipeline, dan memprioritaskan aktivitas yang lebih relevan. Rekomendasi AI tetap perlu dievaluasi karena kualitas hasil bergantung pada kelengkapan data dan aturan penilaian peluang yang digunakan.
.
AI Knowledge Assistant Berbasis RAG
Pengetahuan perusahaan sering tersebar di SOP, dokumen kebijakan, panduan produk, knowledge base, laporan proyek, dan dokumen teknis. Karyawan mungkin mengetahui bahwa informasi yang dibutuhkan tersedia, tetapi tidak selalu mengetahui lokasi atau versi dokumen yang benar.
Salah satu pendekatan untuk mengatasi tantangan tersebut adalah Retrieval-Augmented Generation (RAG). RAG menggabungkan pengambilan informasi yang relevan dari sumber pengetahuan dengan kemampuan model generatif untuk menyusun jawaban berdasarkan konteks yang ditemukan.
Momentum AI Assistant dapat dirancang sebagai enterprise knowledge assistant berbasis RAG untuk mencari informasi dari dokumen dan knowledge base, menjawab pertanyaan menggunakan konteks dari sumber internal yang relevan, menyertakan referensi dokumen atau sumber jawaban jika sistem mendukungnya, merangkum SOP, kebijakan, atau dokumentasi teknis, hingga membantu pengguna menemukan langkah kerja yang sesuai dengan prosedur perusahaan.
Implementasi Momentum AI Assistant dapat mempercepat pencarian pengetahuan, mengurangi waktu untuk membaca banyak dokumen, dan membantu meningkatkan konsistensi akses terhadap informasi internal. Namun, RAG saja tidak otomatis menjadikan sistem sebagai agentic AI. RAG terutama membantu pengambilan informasi, sedangkan kemampuan agentic muncul ketika sistem juga dapat merencanakan langkah, menggunakan tools, dan menjalankan tindakan berdasarkan tujuan serta batasan yang ditetapkan.
.
Baca Juga: Standar Baru AI untuk Perusahaan: Mengapa Banyak Enterprise Mulai Beralih ke AWS Generative AI
.
Pentingnya Security, Governance, dan Human Control Dalam Implementasi Agentic AI
Semakin besar kewenangan AI untuk mengakses data dan menjalankan tindakan, semakin penting pula kontrol yang mengatur bagaimana teknologi tersebut digunakan. Agentic AI yang terhubung dengan sistem enterprise tidak cukup hanya menghasilkan jawaban yang relevan. Sistem juga perlu memastikan bahwa setiap tindakan sesuai dengan hak akses, kebijakan keamanan, dan tujuan bisnis perusahaan. Ada beberapa aspek yang perlu diperhatikan dalam implementasinya.
1. Identity and Access Control: AI agent perlu memiliki hak akses yang sesuai dengan fungsi dan tugasnya. Pengguna hanya boleh memperoleh informasi yang memang berhak mereka akses.
2. Data Security and Privacy: data yang digunakan AI harus dikelola berdasarkan klasifikasi dan tingkat sensitivitasnya. Perusahaan perlu mempertimbangkan perlindungan data pribadi, enkripsi, retensi data, serta kebijakan penggunaan informasi untuk memastikan implementasi sesuai dengan persyaratan keamanan dan regulasi.
3. Governance and Auditability: perusahaan perlu menetapkan kebijakan mengenai tindakan yang boleh dilakukan AI, batas operasional, pencatatan aktivitas, dan mekanisme evaluasi hasil. Logging dan audit trail membantu tim memahami bagaimana suatu proses dijalankan serta mendukung investigasi ketika terjadi kesalahan.
4. Human-in-the-Loop: tidak semua tindakan perlu dijalankan secara otomatis. Aktivitas berisiko tinggi, seperti persetujuan transaksi finansial, perubahan data kritis, atau tindakan yang berdampak pada pelanggan, dapat mensyaratkan persetujuan manusia sebelum dieksekusi.
5. Testing and Continuous Monitoring: performa AI perlu diuji sebelum digunakan secara luas dan dipantau setelah deployment. Pengujian sebaiknya mencakup akurasi, konsistensi hasil, kegagalan integrasi, penanganan exception, dan ketahanan terhadap instruksi yang tidak semestinya.
.
Why AWS, Momentum AI, dan Helios?
Implementasi agentic AI di lingkungan enterprise butuh kombinasi fondasi teknologi, pemahaman proses bisnis, integrasi sistem, dan dukungan operasional. AWS, Momentum AI, dan Helios memiliki peran penting yangs aling melengkapi dalam pendekatan implementasi ini.
AWS
AWS menyediakan infrastruktur cloud dan kapabilitas AI untuk membangun aplikasi AI yang terhubung dengan data, aplikasi, dan layanan enterprise. Layanan yang relevant dapat mencakup Amazon Bedrock, knowledge retrieval, integrasi API, serta kapabiltias agent melalui layanan AWS sesuai kebutuhan dan arsitektur implementasi.
Momentum AI
Momentum AI Assistant sebagai partner Helios menghadirkan solusi AI mulai dari discovery dan strategy, development, deployment, integrasi sistem, hingga managed AI services dan optimasi model berkelanjutan. Momentum AI Assistant berjalan di atas AWS sebagai fondasi cloud dan AI untuk membangun aplikasi Agentic AI yang terhubung dengan knowledge, API, tools, dan sistem enterprise.
Helios
Helios Informatika Nusantara menyediakan solusi dan layanan teknologi untuk membantu perusahaan mengembangkan inisiatif transformasi digital. Helios sebagai official distributor AWS dan Momentum AI siap membantu organisasi Anda memahami konteks agentic AI, ruang lingkup dukungan sesuai kebutuhan, mulai dari tahap perencanaan, integrasi, deployment, hingga dukungan operasional.
.
Eksplorasi Implementasi Agentic AI untuk Bisnis Anda Bersama Helios
Agentic AI membuka peluang bagi organisasi mengembangkan kemampuan otomatisasi yang lebih adaptif sesuai permintaan pengguna. Namun, keberhasilan implementasinya bergantung pada kesiapan data, use case yang tepat, integrasi teknologi, dan kontrol agar setiap tindakan sesuai kebijakan perusahaan. Helios sebagai official distributor AWS dan Momentum AI sekaligus ecosystem enabler yang siap membantu organisasi mengimplementasikan agentic AI.
Ingin mengetahui use case agentic AI yang paling relevan dengan operasional bisnis Anda? Diskusikan kebutuhan, kesiapan sistem, dan peluang implementasinya bersama tim expert Helios untuk mengeksplorasi pendekatan AI berbasis AWS sesuai kebutuhan enterprise Anda.
Penulis: Ervina Anggraini – Content Writer CTI Group











