Strategi AI Agentik Dell: Dari 900 Proyek Uji Coba Menjadi 13 Alur Kerja Produksi

Pesan utama Dell dalam The Six Five Summit: AI Unleashed 2026 adalah bahwa AI perusahaan memasuki tahap baru. Jika chatbot selama ini banyak dipakai untuk mencari informasi, merangkum dokumen, atau membuat konten, AI agentik dirancang untuk menjalankan pekerjaan bisnis secara langsung.

Dell mengatakan telah menyaring sekitar 900 proyek AI potensial menjadi 13 inisiatif dengan nilai bisnis yang jelas. Perusahaan juga menyebut adanya peningkatan produktivitas awal sekitar 20%–40%. 1

Namun, angka tersebut merupakan klaim berdasarkan pengalaman Dell, bukan ukuran yang otomatis berlaku bagi seluruh industri. Meski demikian, pendekatan ini memberi gambaran tentang perubahan yang terjadi ketika AI berpindah dari tahap eksperimen ke operasional sehari-hari.

AI agentik bukan sekadar chatbot yang lebih pintar

Dell membedakan AI generatif generasi awal dari sistem agentik. Chatbot dan asisten digital membantu karyawan menemukan informasi dalam data internal, meringkas dokumen, atau menghasilkan materi.

Sebaliknya, sistem agentik dirancang untuk mendigitalkan sebuah proses. Sistem ini dapat menalar langkah berikutnya, menggunakan berbagai alat, mengoordinasikan tindakan, dan menyelesaikan alur kerja dengan lebih sedikit campur tangan langsung dari manusia. 1

Perbedaan tersebut tidak hanya menyangkut model AI. Menurut Dell, penerapan AI agentik di lingkungan produksi membutuhkan perubahan pada tumpukan teknologi, infrastruktur, tata kelola, dan desain organisasi. Tujuan strategisnya adalah mengurangi ketergantungan antara kapasitas manusia dan jumlah pekerjaan yang dapat diselesaikan perusahaan. 1

Contoh penerapan Dell: CRM, kode, dan harga khusus

Dell mengatakan telah mengembangkan agen selama sekitar dua tahun dan mulai menggunakannya dalam produksi pada tahun sebelumnya. Tiga contoh yang disebutkan perusahaan adalah:

• Pembersihan data CRM: agen menangani pekerjaan berulang untuk memperbaiki kualitas data pada catatan pelanggan.
• Pengembangan perangkat lunak: agen membantu penulisan kode rutin, anotasi, dan sebagian koordinasi proses CI/CD.
• Penetapan harga khusus: agen mendukung alur kerja yang membutuhkan kecepatan serta penerapan aturan secara konsisten. 1

Contoh-contoh tersebut belum menggambarkan perusahaan yang sepenuhnya berjalan secara otonom. Namun, semuanya menunjukkan pentingnya desain proses. Penerapan yang berguna bukan sekadar menambahkan model AI ke aplikasi lama, melainkan membangun alur kerja otomatis dengan masukan, alat, izin, dan hasil yang telah ditentukan.

Mengapa 900 proyek dipangkas menjadi 13?

Dell mengatakan sekitar 900 kandidat proyek AI dipersempit menjadi 13 inisiatif utama yang dipilih berdasarkan nilai bisnis yang eksplisit dan dikelola melalui penentuan prioritas dari tingkat pimpinan. 1

Keputusan ini mencerminkan pelajaran praktis bagi program AI perusahaan: daftar eksperimen yang panjang belum tentu menghasilkan keunggulan operasional. Dalam pendekatan Dell, sumber daya sebaiknya dipusatkan pada alur kerja yang hasil bisnisnya dapat diukur. Setelah itu, perusahaan perlu membangun kontrol dan infrastruktur agar alur kerja tersebut dapat berjalan secara konsisten.

Dell mengaitkan peningkatan produktivitas awal sekitar 20%–40% dengan penerapan asisten yang terarah. Perusahaan juga mengatakan hasilnya dapat jauh lebih besar ketika agen mengambil alih kategori pekerjaan secara keseluruhan. Dell mengklaim program yang lebih terfokus membantu memisahkan pertumbuhan pendapatan dari struktur biaya perusahaan. Klaim ini tetap perlu dipahami sebagai hasil yang dilaporkan Dell, bukan tolok ukur yang pasti untuk setiap perusahaan. 1

“Agent washing” membuat perbedaan menjadi kabur

John Roese, eksekutif Dell, memperingatkan praktik yang disebut agent washing—ketika chatbot, asisten terbatas, dan sistem yang benar-benar mampu bertindak secara otonom dipasarkan seolah-olah merupakan hal yang sama. 1

Perbedaannya dapat diringkas sebagai berikut:

• Chatbot: merespons perintah dan biasanya menghasilkan informasi atau konten.
• Asisten terarah: membantu tugas yang ruang lingkupnya terbatas, sementara manusia tetap terlibat secara dekat.
• Agen otonom: dapat menyusun rencana, memanggil alat, mengoordinasikan tindakan, dan menjalankan alur kerja dengan pengawasan langsung yang jauh lebih sedikit. 1

Pembedaan ini penting karena semakin besar otonomi, semakin besar pula risikonya. Ringkasan yang keliru mungkin hanya perlu diperbaiki. Namun, agen yang memiliki akses ke sistem bisnis dapat mengubah catatan, memicu tindakan lanjutan, atau membuka informasi sensitif.

AI agentik mengubah kebutuhan infrastruktur

Matt Murphy, CEO Marvell, mengatakan inferensi AI agentik dalam produksi menciptakan tekanan infrastruktur yang berbeda dari beban kerja pelatihan AI tradisional. Agen mungkin perlu mempertahankan status alur kerja melalui cache key-value selama melakukan panggilan model berulang, menangani konteks besar, serta berinteraksi dalam proses multi-agen yang panjang. Akibatnya, kapasitas dan bandwidth memori dapat menjadi kendala sebelum daya komputasi mentah menjadi masalah utama. 1

Murphy juga mengatakan CPU menjadi lebih penting karena sistem agentik membutuhkan orkestrasi, termasuk percabangan proses, pengambilan informasi, pemanggilan alat, eksekusi dalam sandbox, dan koordinasi ant agen. Dalam diskusi tersebut, rasio CPU terhadap GPU disebut dapat bergeser dari sekitar 8–16:1 pada AI tradisional menjadi sekitar 1–2:1 untuk beban kerja agentik. 1

Bagi pembeli teknologi, implikasinya cukup jelas: platform agen tidak bisa dinilai hanya berdasarkan kualitas model atau kapasitas GPU. Memori, jaringan, orkestrasi CPU, kemampuan observasi sistem, dan biaya inferensi berulang juga menentukan apakah sebuah alur kerja layak dijalankan dalam produksi.

Tidak ada satu arsitektur yang cocok untuk semua agen

Dell menolak pendekatan “monokultur” yang bergantung pada satu model atau satu lokasi penerapan. Perusahaan mengusulkan kombinasi beberapa opsi, seperti model terbuka di lingkungan lokal, model frontier yang di-host Dell, virtual private cloud (VPC) terkontrol, API eksternal, dan model yang berjalan langsung di perangkat. Pilihan tersebut perlu disesuaikan dengan kinerja, kepatuhan, fungsi, dan biaya. 1

Pertimbangan ekonominya juga bergantung pada jenis pekerjaan. Agen untuk membantu pengambilan keputusan eksekutif mungkin layak diberi anggaran bulanan yang besar. Sebaliknya, agen untuk membersihkan data CRM dalam volume tinggi harus memiliki biaya yang sangat rendah per catatan—dalam diskusi tersebut disebut di bawah sekitar 0,50 dolar AS. 1

Karena itu, pertanyaan yang lebih tepat bukanlah “model mana yang terbaik?”. Perusahaan sebaiknya menilai model, lokasi penerapan, dan tingkat otonomi mana yang mampu menghasilkan dampak yang dibutuhkan dengan biaya serta risiko yang dapat diterima.

Identitas digital menjadi lapisan pengendalian

Dell mengatakan setiap agen otonom yang mengakses datanya, baik dari dalam maupun luar perusahaan, harus memperoleh identitas digital yang diterbitkan Dell. Identitas tersebut memungkinkan pemberian izin secara terperinci dan pencabutan akses sebagai mekanisme penghentian darurat. 1

Tantangan keamanan menjadi lebih rumit ketika agen tidak sekadar mewarisi identitas pengguna. Agen yang mewarisi identitas pengguna bekerja menggunakan kredensial karyawan tertentu. Sementara itu, agen tanpa pengguna (headless agent) beroperasi secara lebih mandiri sehingga atribusi, pemberian izin, dan pengelolaan siklus hidupnya menjadi lebih sulit.

Menurut diskusi tersebut, Dell memperkirakan agen tanpa pengguna akan mencakup sekitar 70% penerapan di masa depan. 2 Dell juga menunjuk protokol komunikasi ant agen dan antara agen dengan alat, serta kesiapan pascakuantum, sebagai bagian dari model keamanan yang diperlukan untuk otonomi dalam produksi. 1

Pelajaran yang lebih luas adalah bahwa agen perlu diperlakukan sebagai identitas perangkat lunak dengan pemilik, cakupan akses, jejak audit, dan jalur pencabutan izin yang jelas—bukan sebagai perpanjangan chatbot yang tidak terlihat.

Pekerjaan akan dipecah menjadi tugas-tugas

Dell mengatakan telah menganalisis 6.800 pekerjaan dengan memecahnya ke dalam beberapa kategori, termasuk produktivitas, pekerjaan administratif berulang, koordinasi, keahlian, dan pekerjaan yang berhubungan langsung dengan manusia. Kesimpulannya, agen lebih mungkin menghapus sebagian tugas dalam suatu peran daripada langsung menghilangkan seluruh posisi. 1

Dalam pengembangan perangkat lunak, misalnya, agen dapat menangani penulisan kode rutin, anotasi, dan sebagian koordinasi pengiriman perangkat lunak. Manusia kemudian dapat lebih berfokus pada arsitektur, kebutuhan pengguna, penilaian, dan interaksi dengan pelanggan. 1

Ini bukan berarti pekerjaan akan tetap sama. Argumen Dell adalah bahwa setiap pekerjaan akan berubah ketika tugas-tugas yang dapat diotomatisasi dipisahkan, sementara pekerja bergeser ke tanggung jawab yang lebih bergantung pada keahlian, konteks, penilaian, dan hubungan antarmanusia.

Ujian AI agentik saat masuk produksi

Posisi Dell dapat diringkas dalam satu ujian yang cukup ketat: proyek AI agentik baru siap masuk produksi jika memiliki hasil bisnis yang terukur, alur kerja yang batasnya jelas, biaya yang masuk akal, serta kontrol untuk identitas, akses, dan pemulihan ketika terjadi kegagalan.

Peralihan dari 900 kemungkinan menjadi 13 inisiatif merangkum strategi tersebut. AI agentik bukan sekadar antarmuka percakapan yang lebih canggih. Ini adalah model operasional ketika perangkat lunak mulai menjalankan pekerjaan—dan ketika infrastruktur, keamanan, serta desain pekerjaan harus berkembang bersama model AI.