Sejumlah perusahaan di Indonesia dan global mulai mengadopsi agen kecerdasan buatan (AI agent) untuk mengotomatisasi tugas-tugas kompleks. Namun, di balik ambisi tersebut, banyak proyek yang justru berhenti setelah dirilis ke produksi. Penyebabnya bukan pada akurasi atau biaya, melainkan kesenjangan dalam infrastruktur operasional yang menyertainya.
Fenomena ini terungkap dalam laporan terbaru yang menunjukkan bahwa 79 persen perusahaan telah mengadopsi AI agent, tetapi hanya 31 persen yang benar-benar menjalankannya secara andal di lingkungan produksi. Sebuah tim platform baru-baru ini menonaktifkan agen perangkum dokumen yang melayani 50 departemen. Meskipun ringkasan yang dihasilkan solid dan biaya terkendali, pertanyaan petugas keamanan membuat mereka tak berdaya: “Agen mana yang memproses dokumen rahasia keuangan, kapan dijalankan, data apa yang diakses, dan bisakah Anda buktikan tidak ada yang mengubah perilaku agen antara persetujuan dan eksekusi?”
Kesenjangan inilah yang disebut sebagai operational maturity gap. Tim yang berhasil menjalankan agen secara operasional memiliki perbedaan mendasar dengan tim yang gagal. Tim yang macet biasanya menyebarkan agen tanpa identitas khusus, menggunakan satu kunci API untuk lima agen berbeda, dan tidak memiliki cara mengubah izin alat tanpa memperbarui kode. Sebaliknya, tim operasional memberikan setiap agen identitas dan lingkup kredensialnya sendiri, mencatat setiap pemanggilan, dan menerapkan kebijakan secara deklaratif tanpa perlu menyentuh kode.
Perbedaan itu tidak terletak pada kerangka kerja atau kemampuan model, melainkan pada lapisan infrastruktur yang hilang. Sebagian besar tim langsung beralih dari framework seperti LangGraph, CrewAI, atau Claude native ke lingkungan produksi. Framework tersebut unggul dalam logika multi-langkah, pemanggilan alat, dan manajemen memori. Namun, mereka tidak menyediakan identitas per agen, kontrol akses pada tingkat pemanggilan, observabilitas sesi yang tahan terhadap ulang ulung pod, atribusi biaya per langkah, atau jejak audit yang memenuhi persyaratan kepatuhan.
Ketiadaan elemen-elemen ini bukan sekadar masalah teknis. Dalam uji coba terbatas, semuanya tampak berjalan mulus. Begitu masuk produksi dengan puluhan agen yang saling terhubung dan melibatkan banyak tim, pertanyaan soal keamanan dan tata kelola menjadi batu sandungan. Agen yang tidak memiliki identitas unik sulit dilacak jika disusupi. Satu kunci API bersama membuat seluruh ekosistem rentan. Tanpa kontrol akses pada lapisan pemanggilan, tidak ada jaminan bahwa agen tidak akan menyalahgunakan alat yang seharusnya tidak bisa diakses.
Di sinilah peran kontrol plane yang dirancang khusus untuk agen menjadi krusial. Lapisan infrastruktur ini duduk di antara aplikasi dan runtime agen, mengelola siklus hidup agen, state sesi, pencatatan pemanggilan, dan penegakan kebijakan. Izin alat dideklarasikan dalam file YAML atau antarmuka pengguna, bukan diembat dalam kode. Saat agen mencoba memanggil alat, kontrol plane memeriksa izin sebelum melakukan panggilan. Pelanggaran langsung diblokir, dicatat, dan diingatkan. Tidak ada jalur bagi agen untuk mempelajari cara mem-bypass pembatas, karena tidak ada pembatas yang bisa dipelajari.
Observabilitas sesi juga menjadi perhatian. Setiap putaran interaksi dicatat: masukan, respons model, hasil pemanggilan alat, token, biaya, latensi. Data ini bertahan bahkan jika pod kontrol plane diganti. Tim bisa menanyakan “tunjukkan semua putaran yang dieksekusi agen X antara jam 2 dan 3 siang Selasa lalu” tanpa harus menggali log dari lima sistem berbeda. Atribusi biaya per langkah memungkinkan anggaran ditegakkan secara real-time. Jika agen mencapai batas harian, panggilan alat selanjutnya diblokir. Semua ini bisa diubah secara deklaratif tanpa perlu menyebarkan ulang kode.
Di Indonesia, kesadaran akan pentingnya infrastruktur ini mulai tumbuh, terutama setelah diberlakukannya Undang-Undang Perlindungan Data Pribadi (UU PDP) yang mewajibkan perusahaan memiliki catatan pemrosesan data yang jelas. Perusahaan di sektor keuangan, e-commerce, dan layanan kesehatan yang mulai menggunakan AI agent harus siap menjawab pertanyaan serupa dari auditor atau regulator. Jika tidak, risiko sanksi dan hilangnya kepercayaan konsumen mengintai.
Selain itu, tekanan dari regulasi global seperti EU AI Act juga perlu diantisipasi. Peraturan tersebut mengklasifikasikan sistem AI yang digunakan dalam rekrutmen, penilaian kredit, atau asuransi sebagai berisiko tinggi. Bagi perusahaan Indonesia yang menjadi mitra atau pemasok bagi pasar Eropa, kepatuhan terhadap standar ini bukan hanya pilihan, melainkan keharusan. Ketidakmampuan menyediakan jejak audit yang lengkap dapat menghambat ekspansi bisnis.
Ke depan, seiring makin kompleksnya penggunaan agen—57 persen organisasi telah menggunakan agen multi-langkah dan 81 persen berencana memperluasnya pada 2026—kebutuhan akan kontrol plane operasional akan semakin mendesak. Tanpa lapisan ini, proyek AI agent akan terus berjalan di tempat: sukses dalam konsep, tetapi mandek di produksi.
Perusahaan di Indonesia yang serius membangun kemampuan AI agent sebaiknya tidak hanya fokus pada model dan framework. Investasi pada infrastruktur tata kelola dan keamanan sejak awal akan menjadi pembeda antara sekadar ikut tren dan benar-benar meraih manfaat operasional yang berkelanjutan.