Dari 900 Ide ke 13 Kasus Produksi: Cara Dell Mendorong AI Agentik

Pesan utama Dell dalam The Six Five Summit: AI Unleashed 2026 cukup jelas: AI agentik seharusnya diperlakukan sebagai model operasional untuk produksi, bukan sekadar nama baru bagi chatbot. Dalam definisi Dell, perbedaannya terletak pada kemampuan sistem untuk mengejar tujuan tertentu, menggunakan alat, dan menuntaskan pekerjaan dengan campur tangan manusia yang terbatas. Contoh produktivitas, penghematan biaya, dan dampak bisnis yang disampaikan perusahaan tetap merupakan klaim yang dilaporkan sendiri, bukan tolok ukur yang telah diverifikasi secara independen. 15

Dari chatbot ke eksekusi mandiri

Gelombang pertama AI generatif di perusahaan umumnya berfokus pada membantu karyawan mencari informasi, membuat ringkasan, dan berinteraksi dengan data internal. Dell mengatakan tahap berikutnya adalah mendigitalkan pekerjaan itu sendiri: tugas-tugas yang sudah didefinisikan dipindahkan dari lapisan manusia ke perangkat lunak yang dapat menalar alur kerja dan mengambil tindakan. 14

Pembedaan ini juga menjadi jawaban Dell terhadap “agent washing”, yakni praktik menyebut bot biasa, asisten, atau otomatisasi berbasis skrip sebagai agen otonom. Chatbot dapat menghasilkan jawaban. Sementara itu, agen—dalam definisi Dell—diharapkan bekerja menuju suatu tujuan, berinteraksi dengan alat atau sistem lain, lalu menjalankan sejumlah langkah dalam proses bisnis. 25

Dell mengatakan telah membangun agen sekitar dua tahun sebelum konferensi tersebut dan menempatkan agen-agen awalnya ke lingkungan produksi pada tahun sebelumnya. Dalam proses itu, Dell menggunakan dirinya sendiri sebagai “Customer Zero”, atau pengguna awal untuk menguji teknologi di lingkungan internal. 2

Mengapa 900 proyek AI dipangkas menjadi 13

Dell menyebut semula ada sekitar 900 kemungkinan proyek AI. Namun, daftar itu kemudian dipersempit menjadi kira-kira 13 inisiatif yang lebih terarah. Proses seleksinya menekankan prioritas bisnis dan analisis proses, alih-alih membiarkan banyak eksperimen yang tidak saling terhubung terus berjalan tanpa batas. 12

Kasus penggunaan produksi yang dilaporkan Dell mencakup:

• Pembersihan data CRM, ketika agen menangani pekerjaan berulang untuk meningkatkan kualitas data.
• Pengembangan perangkat lunak, termasuk bantuan untuk tugas-tugas yang berkaitan dengan pemrograman.
• Dukungan penetapan harga, melalui alur kerja agentik untuk operasi yang berkaitan dengan harga.
• Pemesanan perjalanan dan peringkasan dokumen, yang digunakan Dell sebagai contoh tugas otonom yang lebih sederhana. 25

Pelajaran yang ingin ditekankan Dell bukan bahwa setiap proses membutuhkan agen. Intinya, perusahaan perlu menemukan pekerjaan tertentu dengan hasil bisnis yang dapat diukur, lalu membangun sistem terkecil yang benar-benar berguna untuk mencapai hasil tersebut. Pendekatan ini membantu membedakan penerapan di lingkungan produksi dari program percontohan AI yang cakupannya terlalu luas.

Klaim Dell soal produktivitas dan dampak bisnis

Dell mengatakan penerapan awal pada tingkat tugas dapat menghasilkan peningkatan produktivitas sekitar 20% hingga 40%. Perusahaan itu juga berpendapat bahwa sistem yang mampu mengambil alih seluruh kategori pekerjaan dapat menghasilkan peningkatan yang jauh lebih besar, bahkan berpotensi mencapai “beberapa tingkat besaran” di atasnya. 25

Angka-angka tersebut perlu dibaca sebagai ekspektasi dan hasil yang dilaporkan Dell, bukan sebagai tolok ukur independen yang berlaku untuk semua perusahaan. Dell juga mengatakan pekerjaan AI internalnya membantu memisahkan pertumbuhan pendapatan dari struktur biayanya. Namun, bukti yang tersedia belum menjelaskan seberapa besar pengaruh masing-masing agen atau membuktikan hubungan sebab-akibat tersebut. 2

Bagi calon pengguna teknologi, perbedaan ini penting. Kasus bisnis yang kuat harus menjelaskan tugas apa yang diotomatisasi, waktu kerja manusia mana yang dihilangkan atau dialihkan, berapa biaya inferensi dan orkestrasi, serta kontrol apa yang dibutuhkan ketika agen dapat bertindak tanpa pengawasan terus-menerus.

Beban kerja agentik mengubah kebutuhan infrastruktur

Argumen infrastruktur Dell adalah bahwa AI agentik untuk produksi bukan sekadar versi chatbot yang lebih besar. Hambatan utamanya dapat bergeser dari daya komputasi mentah ke kapasitas dan bandwidth memori, terutama ketika alur kerja yang berlangsung lama mempertahankan status dalam cache key-value. Dalam kondisi tertentu, memori bisa habis sebelum kapasitas komputasi GPU digunakan sepenuhnya. 24

Sistem agentik juga menghasilkan pola akses data yang berbeda dari pelatihan model. Alih-alih memproses kumpulan data besar yang relatif statis, agen produksi dapat mengirim permintaan yang terus-menerus, tetapi meledak-ledak dan sangat terarah, ke berbagai sistem perusahaan. Pada skala besar, pengiriman data dan tail latency—waktu tunggu pada permintaan yang paling lambat—menjadi sama pentingnya dengan laju pemrosesan model. 24

CPU juga kembali memegang peran yang lebih besar. CPU mengatur orkestrasi, logika percabangan, pengambilan data, pemanggilan alat, dan komunikasi antarkomponen, sedangkan GPU menangani beban kerja model yang sesuai. Dell mengatakan rasio CPU terhadap GPU pada penerapan AI konvensional, sekitar 8:1 hingga 16:1, dapat bergerak mendekati 1:1 atau 2:1 dalam sistem agentik. 2

Untuk perusahaan, respons yang ditawarkan Dell adalah infrastruktur platform yang dapat digunakan kembali, bukan kumpulan sistem khusus untuk satu tujuan. Dell juga mendukung arsitektur hibrida yang menempatkan beban kerja di sistem lokal, private cloud, API publik, atau model yang berjalan di perangkat, sesuai kebutuhan kepatuhan, performa, kendali data, dan biaya. 45

Tidak ada satu harga untuk semua agen AI

Salah satu implikasi alur kerja otonom adalah ekonomi model harus sebanding dengan nilai pekerjaan yang ditangani. Dell memberikan dua contoh yang sangat berbeda: agen pendukung pengambilan keputusan eksekutif mungkin layak menelan biaya sekitar 100.000 dolar AS per bulan, sedangkan agen pembersih data CRM mungkin harus beroperasi dengan biaya kurang dari 0,50 dolar AS per catatan. 2

Angka tersebut bukan patokan harga universal. Pesan Dell adalah bahwa perusahaan tidak seharusnya menggunakan model paling kuat dan paling mahal untuk setiap tugas. Portofolio AI dapat membutuhkan model kecil untuk pekerjaan rutin bervolume tinggi, model yang lebih besar untuk penalaran kompleks, serta lokasi penerapan berbeda untuk beban kerja dengan kebutuhan latensi, kedaulatan data, atau kepatuhan yang tidak sama. 25

Keamanan dimulai dari identitas untuk setiap agen

Dell mengatakan setiap agen otonom yang mengakses data Dell akan memperoleh identitas digital Dell sendiri. Identitas tersebut mendukung otorisasi terperinci dan pencabutan izin. Menonaktifkannya dapat berfungsi sebagai tombol pemutus akses bagi agen tersebut. 25

Hal ini semakin penting bagi agen tanpa antarmuka, atau headless agents—sistem yang beroperasi tanpa antarmuka pengguna dan tanpa pengawasan manusia secara langsung. Jika agen dapat bertindak melalui alat-alat perusahaan, organisasi harus mampu mengetahui agen mana yang melakukan suatu tindakan, data apa yang boleh diaksesnya, dan bagaimana menghentikannya tanpa bergantung pada kredensial pengguna manusia.

Karena itu, prinsip hak akses minimum dan identitas agen yang terpisah menjadi lapisan pengendalian utama, bukan sekadar fitur keamanan tambahan. 45

Dell juga menunjuk protokol komunikasi dan pengendalian agen seperti A2A dan MCP, serta persiapan menuju kriptografi pascakuantum, sebagai bagian dari lingkungan tata kelola yang sedang berkembang. 2

Bukti yang tersedia tidak mendukung angka persentase yang dapat diandalkan mengenai porsi penerapan AI masa depan yang akan menggunakan agen tanpa antarmuka. Perkiraan yang sangat spesifik untuk pertanyaan itu akan melampaui informasi yang diberikan sumber.

Pandangan Dell soal tenaga kerja: pekerjaan berubah berdasarkan tugas

Dell mengatakan telah menganalisis 6.800 pekerjaan untuk melihat bagian mana dari suatu peran yang dapat ditangani agen dan bagian mana yang tetap membutuhkan penilaian manusia. 2

Kesimpulan perusahaan adalah bahwa agen lebih mungkin mengubah pekerjaan dengan mengambil alih tugas tertentu, bukan langsung menghapus seluruh pekerjaan. Dalam model ini, agen menangani pekerjaan produktivitas, “kebersihan” administratif, dan koordinasi. Karyawan kemudian dapat mengalokasikan lebih banyak waktu untuk penilaian ahli dan aktivitas yang berpusat pada manusia. 25

Namun, ini adalah tesis tentang restrukturisasi tenaga kerja, bukan jaminan bahwa tidak ada pekerjaan yang akan hilang. Bahkan jika suatu posisi tetap ada, tanggung jawab, jumlah tenaga kerja, keterampilan yang dibutuhkan, dan akuntabilitasnya dapat berubah. Tantangan praktis bagi perusahaan adalah merancang ulang organisasi: menentukan pekerjaan mana yang dapat didelegasikan, keputusan mana yang harus tetap dimiliki manusia, serta bagaimana kinerja diukur setelah alur kerja berubah.

Empat pertanyaan bagi pembeli AI perusahaan

Presentasi Dell merangkum perpindahan dari proyek percontohan AI ke produksi melalui empat pertanyaan:

1. Apakah sistemnya benar-benar otonom? Chatbot yang diberi nama baru belum tentu merupakan agen.
2. Apakah sistem itu menjalankan alur kerja yang jelas dan bernilai? Penyusutan dari 900 proyek menjadi 13 menunjukkan pentingnya penentuan prioritas.
3. Apakah infrastrukturnya mampu menangani status, latensi, orkestrasi, dan ekonomi yang sesuai dengan beban kerja? Inferensi agentik dapat menekan memori dan pengiriman data dengan cara yang berbeda dari pelatihan model atau penggunaan chatbot biasa.
4. Apakah organisasi dapat mengendalikan agen tersebut? Identitas, otorisasi, pencatatan aktivitas, pencabutan akses, dan akuntabilitas manusia harus dirancang sebelum akses otonom diperluas.

Argumen Dell yang lebih luas adalah bahwa AI agentik baru memiliki arti ketika terhubung ke pekerjaan nyata dan dinilai berdasarkan hasil nyata. Catatannya juga sama penting: contoh dan peningkatan kinerja yang disampaikan perusahaan menggambarkan posisi serta pengalaman yang dilaporkan Dell, bukan jaminan universal bahwa setiap penerapan agen akan memberikan hasil serupa.