AI agent mulai berubah dari chatbot yang menunggu perintah menjadi pekerja digital yang dapat menjalankan rangkaian tugas. Ia bisa membaca data, menggunakan alat, membuat keputusan antara beberapa langkah, lalu mengembalikan hasil tanpa harus diarahkan setiap menit.
Perubahan ini penting karena pekerjaan nyata jarang selesai di satu aplikasi. Sebuah laporan, misalnya, mungkin dimulai dari spreadsheet, dilanjutkan dengan pencarian dokumen, diringkas ke dalam dokumen teks, lalu dipresentasikan dalam slide dan dikirim melalui email. Selama ini, manusia berperan sebagai penghubung yang memindahkan konteks dari satu tempat ke tempat lain.
Pada 2026, perusahaan AI mulai membangun agen yang mengambil alih sebagian pekerjaan penghubung tersebut. Anthropic, misalnya, memperkenalkan agen untuk pekerjaan finansial yang dapat bekerja lintas Excel, PowerPoint, Word, dan Outlook. Google juga menambahkan kemampuan eksekusi di latar belakang, koneksi ke server remote, serta pemanggilan fungsi khusus untuk agen yang dibangun melalui Gemini API.
Artinya, persaingan AI tidak hanya terjadi pada siapa yang memiliki model paling pintar. Persaingan juga berlangsung pada siapa yang mampu membuat AI memahami alur kerja secara utuh.
Dari chatbot ke lapisan kerja di atas aplikasi
Chatbot tradisional biasanya bekerja seperti seorang konsultan: pengguna bertanya, sistem menjawab, lalu percakapan selesai. AI agent bekerja lebih mirip asisten operasional. Ia menerima tujuan, memecahnya menjadi beberapa langkah, menggunakan alat yang tersedia, dan memeriksa sebagian hasil sebelum melanjutkan.
Dalam pengembangan perangkat lunak, pola ini terlihat pada agen yang dapat membaca repositori, menjalankan kode, menemukan masalah, lalu membuat perubahan. Dalam pekerjaan kantor, pola yang sama dapat digunakan untuk membuat analisis penjualan, menyusun bahan rapat, atau menyiapkan draf balasan berdasarkan data yang sudah tersedia.
Perbedaan utamanya ada pada konteks. Konteks adalah informasi yang membantu AI memahami apa yang sedang dikerjakan, untuk siapa, berdasarkan data apa, serta aturan apa yang harus dipatuhi. Tanpa konteks, agen mungkin dapat menghasilkan teks yang tampak masuk akal, tetapi tidak cocok dengan kondisi bisnis atau kebiasaan kerja sebuah tim.
Perkembangan terbaru: konteks mulai dibawa antaralat
Dalam pengumuman 5 Mei 2026, Anthropic menyebut bahwa agen mereka dapat membawa pengetahuan dan konteks dari Excel ke PowerPoint, Word, dan Outlook melalui add-in Microsoft 365. Sebagai contoh, pekerjaan yang dimulai dari model keuangan dapat dilanjutkan menjadi bahan presentasi tanpa pengguna menjelaskan ulang angka dan tujuan analisisnya.
Google mengambil pendekatan dari sisi infrastruktur. Pada 7 Juli 2026, Google mengumumkan kemampuan Managed Agents di Gemini API untuk menjalankan tugas secara asinkron di latar belakang. Agen dapat bekerja di lingkungan terisolasi, menggunakan eksekusi kode, mengakses server remote melalui Model Context Protocol atau MCP, serta melanjutkan pekerjaan setelah kredensial jaringan diperbarui.
MCP sendiri dapat dipahami sebagai cara standar untuk menghubungkan model AI dengan alat atau sumber data eksternal. Dengan koneksi ini, agen tidak hanya membaca teks dalam percakapan, tetapi juga dapat berinteraksi dengan sistem internal, repositori kode, basis data, atau layanan bisnis tertentu.
Fakta-fakta tersebut menunjukkan arah yang cukup jelas: AI mulai ditempatkan sebagai lapisan kerja di atas berbagai aplikasi. Namun, ini bukan berarti semua pekerjaan langsung menjadi otomatis. Justru, semakin banyak alat yang dapat digunakan agen, semakin penting aturan akses dan desain alur kerjanya.
Risiko terbesar bukan hanya jawaban yang salah
Risiko AI agent sering dibayangkan sebagai jawaban yang keliru. Dalam sistem yang memiliki akses ke banyak aplikasi, masalahnya bisa lebih luas. Agen dapat mengambil data yang salah, mengirim dokumen ke penerima yang tidak tepat, mengubah file penting, atau menjalankan tindakan yang sebenarnya belum disetujui.
Penelitian Anthropic pada Februari 2026 terhadap jutaan interaksi manusia dan agen menemukan bahwa sesi Claude Code yang berjalan paling lama meningkat dari kurang dari 25 menit menjadi lebih dari 45 menit dalam tiga bulan. Pengguna berpengalaman juga cenderung lebih sering mengaktifkan persetujuan otomatis, tetapi tetap lebih sering melakukan interupsi ketika melihat sesuatu yang perlu dikoreksi.
Temuan ini memberi pelajaran penting: pengawasan yang baik bukan berarti manusia harus menyetujui setiap langkah kecil. Pengawasan yang baik berarti manusia dapat melihat apa yang sedang dilakukan agen, memahami titik keputusan penting, dan menghentikannya ketika diperlukan.
Dengan kata lain, sistem AI yang matang memerlukan tiga hal: izin yang terbatas, jejak aktivitas yang jelas, dan titik persetujuan untuk tindakan berisiko tinggi.
Apa artinya bagi pekerja dan tim kecil?
Bagi pekerja individual, perkembangan ini membuka peluang untuk mengurangi pekerjaan administratif yang berulang. Seorang pemilik usaha kecil dapat meminta agen mengumpulkan data penjualan, menemukan produk yang menurun, membuat ringkasan, lalu menyusun daftar tindakan untuk minggu berikutnya.
Namun, manfaat tersebut tidak otomatis muncul hanya karena sebuah aplikasi memiliki fitur AI. Agen tetap membutuhkan bahan kerja yang rapi. Nama file harus mudah dipahami, data perlu memiliki sumber, aturan bisnis harus tertulis, dan pengguna perlu menjelaskan apa yang boleh serta tidak boleh dilakukan.
Tim yang belum memiliki dokumentasi proses kemungkinan akan mengalami masalah. Agen memang bisa bekerja cepat, tetapi ia juga dapat mempercepat kekacauan jika prosedur internalnya tidak jelas. Sebuah proses yang buruk, ketika diotomatisasi, biasanya menjadi proses buruk yang berjalan lebih sering.
Yang bisa dilakukan sekarang
- Mulai dari satu alur kerja. Pilih tugas yang berulang, memiliki hasil yang mudah diperiksa, dan tidak langsung memengaruhi keputusan berisiko tinggi.
- Pisahkan akses baca dan akses tulis. Pada tahap awal, biarkan agen membaca data dan membuat draf. Tunda izin untuk mengirim email, menghapus file, atau mengubah sistem utama.
- Buat paket konteks. Simpan definisi istilah, contoh hasil yang baik, aturan format, daftar pengecualian, serta sumber data dalam dokumen yang mudah dirujuk agen.
- Tentukan titik persetujuan. Agen boleh menyiapkan laporan, tetapi manusia tetap menyetujui pengiriman ke klien. Agen boleh menyarankan perubahan kode, tetapi perubahan tetap diperiksa sebelum masuk ke produksi.
- Ukur hasil, bukan hanya kecepatan. Catat waktu yang dihemat, jumlah kesalahan, berapa kali manusia harus memperbaiki hasil, dan biaya komputasi yang digunakan.
Kesimpulan
Perkembangan AI agent pada 2026 menunjukkan bahwa masa depan produktivitas bukan sekadar memiliki chatbot yang lebih cerdas. Nilai terbesar muncul ketika AI dapat memahami konteks, berpindah antaralat, dan menjalankan pekerjaan dalam batas yang dirancang manusia.
Bagi pengguna, pertanyaan yang tepat bukan “apakah AI bisa mengerjakan semuanya?” Pertanyaan yang lebih berguna adalah “bagian mana dari alur kerja saya yang aman untuk didelegasikan, data apa yang perlu diberikan, dan kapan manusia harus mengambil alih?”
Jika konteks adalah bahan bakar agen, maka izin, dokumentasi, dan audit adalah remnya. Keduanya perlu dibangun bersama agar AI benar-benar membantu pekerjaan, bukan sekadar menambah satu lagi sumber masalah.
Sumber & bacaan lebih lanjut
- Agents for financial services
- Expanding Managed Agents in Gemini API: background tasks, remote MCP and more
- Measuring AI agent autonomy in practice
– Rio Yotto @rioyotto