Monitorday.com– Sebanyak 46 persen siswa berusia 15 tahun di negara-negara OECD mengaku menggunakan chatbot Artificial Intelligence (AI) setidaknya sekali dalam sepekan untuk membantu belajar. Data tersebut merupakan bagian dari hasil PISA 2025 yang dirilis OECD pada 8 September 2026 dan melibatkan lebih dari 760.000 siswa di 91 negara dan ekonomi.

Angka tersebut menunjukkan bahwa AI telah menjadi bagian dari kehidupan belajar generasi muda. Chatbot digunakan untuk berbagai keperluan, mulai dari membantu memahami materi, melakukan riset awal mengenai topik tertentu, merangkum bacaan, hingga menyusun teks untuk tugas. Penggunaan AI untuk membantu belajar menjadi tujuan yang paling banyak dilaporkan dibandingkan penggunaan untuk tugas akademik tertentu.

Namun, data PISA memperlihatkan hubungan yang tidak sederhana antara penggunaan AI dan prestasi siswa. Siswa yang menggunakan AI untuk tugas spesifik seperti merangkum teks, melakukan riset, atau menyusun tulisan justru memperoleh skor sains lebih rendah dibandingkan siswa yang tidak menggunakan AI untuk tujuan tersebut. Selisihnya rata-rata sekitar 20 poin, atau setara kira-kira satu tahun pembelajaran.

Menurut OECD, temuan tersebut tidak berarti AI selalu merugikan pembelajaran. Siswa yang menggunakan AI secara moderat untuk membantu belajar memiliki capaian yang relatif sama dengan siswa yang tidak menggunakan AI. Bahkan, siswa yang sering menggunakan AI untuk belajar dan mendapatkan pembelajaran di sekolah tentang cara menilai kualitas informasi yang dihasilkan AI cenderung memiliki capaian sains sedikit lebih tinggi.

Persoalannya kemudian bukan lagi apakah siswa menggunakan AI atau tidak, melainkan bagaimana AI digunakan. Penggunaan AI untuk memperoleh jawaban siap pakai berpotensi mengurangi proses berpikir dan usaha siswa. Sebaliknya, AI dapat menjadi alat belajar ketika siswa tetap membaca, memeriksa bukti, mempertanyakan jawaban, membandingkan sumber, dan memahami alasan di balik sebuah jawaban.

Temuan PISA juga menjadi semakin penting karena kemampuan membaca siswa mengalami penurunan. OECD mencatat skor membaca rata-rata negara-negara OECD turun 28 poin antara 2015 dan 2025. Penurunan terutama terlihat pada kemampuan yang sangat penting di era AI, seperti mengevaluasi informasi, menghubungkan berbagai sumber, dan berpikir kritis.

Indonesia bahkan mencatat tingkat penggunaan AI yang lebih tinggi dibandingkan rata-rata OECD. Sebanyak 53 persen siswa Indonesia melaporkan menggunakan chatbot AI untuk membantu belajar sedikitnya sekali dalam sepekan. Penggunaan untuk merangkum teks mencapai 39 persen, melakukan riset awal 32 persen, dan membantu menyusun teks tugas 30 persen. Hanya 7 persen siswa Indonesia yang melaporkan tidak pernah atau hampir tidak pernah menggunakan AI untuk berbagai tugas sekolah yang ditanyakan dalam PISA.

Data tersebut memberikan pesan penting bagi transformasi digital pendidikan Indonesia. Sekolah tidak cukup hanya menyediakan akses terhadap AI. Siswa perlu dibekali literasi AI agar mampu menilai apakah jawaban AI benar, menemukan kesalahan, memeriksa sumber, memahami bias, dan menggunakan AI sebagai alat berpikir, bukan sebagai mesin pengganti berpikir.

Pada akhirnya, tantangan pendidikan di era AI bukan menjauhkan siswa dari teknologi, tetapi memastikan teknologi memperkuat kemampuan manusia. AI dapat menjadi copilot dalam pembelajaran, tetapi kemampuan membaca, bernalar, memecahkan masalah, berpikir kritis, dan mengambil keputusan tetap menjadi fondasi yang tidak boleh digantikan.

Monitorday.com– Perkembangan Agentic AI tidak hanya mengubah cara perusahaan mengotomatisasi pekerjaan, tetapi juga melahirkan kebutuhan baru terhadap identitas digital bagi AI agent. Ketika sebuah agent dapat mengakses database, menggunakan aplikasi, memanggil API, mengirim dokumen, atau melakukan transaksi atas nama organisasi, perusahaan perlu mengetahui secara pasti siapa atau apa yang melakukan setiap tindakan tersebut.

Berbeda dengan chatbot konvensional yang umumnya hanya memberikan informasi kepada pengguna, agent memiliki kemampuan untuk mengambil tindakan. Kondisi ini membuat konsep identitas dan otorisasi menjadi semakin penting. Setiap agent idealnya memiliki identitas yang dapat diverifikasi, kredensial yang terkelola, serta hak akses yang disesuaikan dengan fungsi dan tingkat risiko pekerjaannya.

Menurut Microsoft, organisasi memasuki era ketika AI agent perlu diperlakukan sebagai entitas digital yang memiliki identitas dan akses terkontrol. Pendekatan tersebut memungkinkan perusahaan menerapkan prinsip least privilege, sehingga agent hanya memperoleh akses terhadap data, aplikasi, dan tools yang benar-benar diperlukan untuk menyelesaikan tugasnya (Microsoft, 2025).

Kebutuhan tersebut semakin kompleks ketika satu perusahaan menjalankan ratusan bahkan ribuan agent. Muncul risiko yang dikenal sebagai agent sprawl, yaitu pertumbuhan jumlah AI agent tanpa sistem inventarisasi, kontrol akses, dan governance yang memadai. Jika tidak dikelola, organisasi dapat kehilangan visibilitas mengenai agent apa saja yang aktif, data apa yang mereka akses, dan tindakan apa yang mereka lakukan.

Dalam arsitektur enterprise, identitas agent kemudian perlu dihubungkan dengan sistem identity and access management (IAM), API security, secrets management, serta mekanisme audit. Setiap tindakan agent dapat dicatat sehingga organisasi memiliki audit trail untuk mengetahui kapan agent bekerja, sistem apa yang diakses, keputusan apa yang dibuat, dan siapa yang memberikan otorisasi.

Risiko keamanan juga meningkat karena agent dapat mengakses berbagai tools secara otomatis. Agent yang memperoleh hak akses terlalu luas berpotensi melakukan tindakan di luar tujuan awal akibat kesalahan konfigurasi, manipulasi instruksi, prompt injection, atau kompromi terhadap salah satu sistem yang digunakannya. Karena itu, keamanan agentic AI tidak cukup hanya mengandalkan keamanan model AI.

Perusahaan juga mulai membutuhkan pendekatan zero trust untuk AI agent. Artinya, setiap permintaan akses harus diverifikasi berdasarkan identitas, konteks, tujuan, dan tingkat kewenangan, bukan semata-mata karena agent tersebut berada di dalam lingkungan perusahaan. Untuk aktivitas berisiko tinggi, sistem dapat menerapkan persetujuan manusia sebelum tindakan dijalankan.

Perubahan ini menunjukkan bahwa ketika AI berubah dari assistant menjadi worker, konsep keamanan digital juga harus berkembang. Masa depan enterprise AI bukan hanya tentang memberikan agent kemampuan untuk bekerja, tetapi memastikan setiap agent memiliki identitas yang jelas, akses yang terbatas, aktivitas yang dapat diaudit, dan kewenangan yang dapat dicabut kapan saja.

Dengan demikian, identitas AI agent berpotensi menjadi salah satu komponen fundamental infrastruktur perusahaan AI-native. Semakin banyak pekerjaan yang didelegasikan kepada mesin, semakin penting bagi organisasi untuk dapat menjawab pertanyaan sederhana tetapi krusial: agent mana yang melakukan tindakan ini, atas kewenangan siapa, menggunakan data apa, dan sampai sejauh mana agent tersebut boleh bertindak?

Monitorday.com– Perkembangan AI agent membuat perbandingan antara Application Programming Interface (API) dan Model Context Protocol (MCP) semakin relevan. Keduanya memang sama-sama menjadi mekanisme penghubung antara satu sistem dengan sistem lain, tetapi memiliki pendekatan yang berbeda. API pada dasarnya menyediakan kontrak komunikasi antarsistem, sedangkan MCP dirancang sebagai protokol standar agar aplikasi AI dapat berinteraksi dengan tools, data, dan sumber informasi eksternal secara lebih terstruktur.

Secara sederhana, API dapat dianalogikan sebagai pintu layanan sebuah aplikasi. Misalnya, sebuah sistem akademik memiliki API untuk mengambil data mahasiswa. Aplikasi lain yang mengetahui alamat endpoint, metode autentikasi, parameter, dan format respons dapat memanggil API tersebut. Pola ini sangat efektif untuk integrasi aplikasi yang kebutuhannya sudah ditentukan sejak awal.

MCP mengambil pendekatan yang lebih berorientasi pada AI. Dalam arsitektur MCP, aplikasi AI bertindak sebagai client yang dapat terhubung dengan MCP server yang menyediakan resources, prompts, dan tools. Dengan standar tersebut, AI dapat mengetahui kemampuan yang tersedia dan menggunakan tool yang relevan untuk menyelesaikan tugas. MCP sendiri diperkenalkan sebagai standar terbuka untuk menghubungkan aplikasi AI dengan sistem eksternal.

API Lebih Deterministik, MCP Lebih Agentik

Perbedaan paling mudah terlihat dari siapa yang menggunakan teknologi tersebut. API umumnya dipanggil oleh program berdasarkan logika yang sudah ditentukan programmer. Jika aplikasi membutuhkan data mahasiswa, misalnya, kode program secara eksplisit memanggil endpoint tertentu dengan parameter tertentu.

Dalam sistem berbasis MCP, AI agent dapat diberi tujuan, kemudian memilih tool yang sesuai berdasarkan kemampuan yang tersedia. Anthropic menjelaskan bahwa tools untuk agent memiliki karakteristik berbeda dari fungsi atau API tradisional karena agent bersifat nondeterministik dan dapat memilih strategi berbeda untuk menyelesaikan tugas.

Contohnya, sebuah perguruan tinggi memiliki sistem akademik, perpustakaan digital, penyimpanan dokumen, dan sistem keuangan. Dengan integrasi API tradisional, pengembang mungkin harus membuat koneksi dan logika berbeda untuk setiap layanan. Dengan MCP, berbagai kemampuan tersebut dapat diekspos melalui MCP server sehingga AI agent memiliki cara yang lebih seragam untuk menemukan dan menggunakan tools tersebut.

MCP Bukan Pengganti API

Yang penting dipahami, MCP bukan berarti API menjadi tidak diperlukan. Justru MCP dapat menjadi lapisan yang membantu AI agent menggunakan sistem yang sudah memiliki API.

Misalnya, sebuah perusahaan sudah mempunyai API untuk CRM. Daripada membangun integrasi AI yang berbeda-beda untuk setiap model atau aplikasi, perusahaan dapat membuat MCP server yang mengekspos fungsi tertentu dari CRM tersebut sebagai tools yang dapat digunakan AI agent.

Dengan kata lain, hubungan keduanya dapat digambarkan secara sederhana:

Sistem bisnis → API → MCP Server → AI Agent → Pengguna

Dalam arsitektur seperti ini, API tetap menjalankan fungsi komunikasi dengan sistem bisnis, sementara MCP menyediakan cara standar bagi AI agent untuk menemukan dan menggunakan kemampuan tersebut.

Mengapa MCP Menjadi Penting?

Kebutuhan tersebut semakin besar karena AI agent diperkirakan akan berinteraksi dengan semakin banyak tools. Anthropic mencatat bahwa agent masa depan dapat bekerja dengan ratusan hingga ribuan tools, mulai dari GitHub, Slack, Google Drive, database hingga perangkat pengembangan.

MCP berusaha mengurangi masalah integrasi yang terfragmentasi. Alih-alih membuat konektor khusus untuk setiap kombinasi AI dan sumber data, pengembang dapat menggunakan protokol yang sama untuk mengekspos kemampuan sistem. Anthropic menyebut pendekatan ini sebagai cara untuk mengurangi kebutuhan integrasi khusus untuk setiap pasangan sistem.

Perkembangan MCP juga semakin signifikan. Spesifikasi MCP 2026-07-28 memperkenalkan sejumlah peningkatan, termasuk core yang stateless, caching hasil daftar tools, penguatan otorisasi, dukungan Tasks, serta kerangka ekstensi. Perubahan tersebut diarahkan untuk meningkatkan skalabilitas dan kesiapan MCP bagi lingkungan produksi dan enterprise.

Jadi, Kapan Menggunakan API dan Kapan MCP?

Jika sebuah aplikasi membutuhkan komunikasi langsung dan terstruktur dengan sistem lain, API tetap menjadi pilihan utama. Contohnya aplikasi mobile mengambil data cuaca, sistem pembayaran memproses transaksi, atau aplikasi sekolah mengambil data siswa.

Sebaliknya, ketika organisasi ingin memberikan banyak kemampuan kepada AI agent agar dapat memahami konteks, memilih tools, mengambil data, dan menjalankan serangkaian tugas, MCP menjadi semakin menarik.

Karena itu, pertanyaan yang tepat bukan lagi “API atau MCP?”, melainkan “bagaimana API dan MCP bekerja bersama?” API tetap menjadi fondasi integrasi perangkat lunak, sedangkan MCP dapat menjadi lapisan standar yang membuat fondasi tersebut lebih mudah dimanfaatkan oleh AI agent.

Dengan semakin berkembangnya agentic AI, kombinasi keduanya berpotensi membentuk arsitektur baru: API menghubungkan sistem, MCP menghubungkan AI dengan kemampuan sistem, dan agent mengorkestrasikan semuanya untuk mencapai tujuan pengguna.

Monitorday.com– Pendidikan vokasi atau Technical and Vocational Education and Training (TVET) memasuki fase penting dalam transformasi digital. Perubahan teknologi, otomatisasi, kecerdasan artifisial, dan kebutuhan industri mendorong lembaga pendidikan vokasi di berbagai negara untuk tidak hanya memperbarui perangkat pembelajaran, tetapi juga mendesain ulang kurikulum agar lebih relevan dengan pekerjaan masa depan.

UNESCO menempatkan digitalisasi TVET sebagai salah satu agenda penting dalam pengembangan keterampilan. Pengembangan kurikulum digital di sejumlah negara diarahkan untuk memastikan peserta didik memperoleh kompetensi teknologi sekaligus keterampilan yang dibutuhkan industri. Salah satu contoh datang dari Ethiopia melalui program penguatan TVET yang mendorong pengembangan kurikulum dan kapasitas pembelajaran berbasis digital.

Perubahan tersebut penting karena dunia kerja berkembang jauh lebih cepat dibandingkan siklus pembaruan kurikulum. Teknologi seperti AI, Internet of Things, cloud computing, robotika, analitik data, dan sistem otomasi kini masuk ke berbagai sektor industri. Lulusan pendidikan vokasi karena itu dituntut tidak hanya menguasai keterampilan teknis konvensional, tetapi juga mampu beradaptasi dengan teknologi baru.

Kurikulum digital juga mengubah cara pembelajaran vokasi berlangsung. Simulasi digital, virtual laboratory, digital twin, augmented reality, platform pembelajaran daring, dan AI dapat digunakan untuk memberikan pengalaman praktik yang lebih fleksibel. Siswa dapat mempelajari prosedur, melakukan simulasi, menganalisis kesalahan, dan memperoleh umpan balik sebelum memasuki lingkungan kerja sebenarnya.

Menurut UNESCO, transformasi digital dalam TVET tidak cukup dipahami sebagai pengadaan komputer atau pemindahan materi pembelajaran ke platform digital. Perubahan harus mencakup kompetensi guru, desain kurikulum, metode pembelajaran, asesmen, infrastruktur, serta hubungan antara lembaga pendidikan dengan dunia industri.

Di sinilah peran guru vokasi juga berubah. Guru tidak lagi hanya menjadi instruktur yang mengajarkan prosedur kerja, tetapi menjadi fasilitator yang membantu siswa memahami teknologi dan menerapkannya untuk menyelesaikan persoalan nyata. Kompetensi guru dalam menggunakan AI, data, perangkat digital, dan teknologi industri menjadi semakin penting.

Bagi Indonesia, perkembangan tersebut relevan dengan kebutuhan memperkuat pendidikan SMK dan pendidikan vokasi secara keseluruhan. Hubungan antara sekolah, perguruan tinggi vokasi, pemerintah, dan industri perlu semakin erat agar kurikulum tidak tertinggal dari perubahan teknologi. Pembelajaran berbasis proyek, teaching factory, sertifikasi kompetensi, magang, dan penggunaan teknologi industri dapat menjadi bagian dari ekosistem tersebut.

Pada akhirnya, pendidikan vokasi di era digital bukan sekadar mencetak tenaga kerja yang mampu mengoperasikan mesin atau aplikasi. Tantangannya adalah menghasilkan lulusan yang mampu memahami sistem, menggunakan teknologi, bekerja bersama AI, memecahkan masalah, dan terus belajar ketika teknologi berubah. Dengan pendekatan tersebut, transformasi digital dapat menjadikan pendidikan vokasi bukan hanya sebagai pemasok tenaga kerja, tetapi sebagai fondasi pengembangan talenta untuk industri masa depan.

Monitorday.com– Gelombang pembatasan Artificial Intelligence (AI) mulai muncul di sekolah-sekolah Amerika Serikat. New York City, salah satu sistem pendidikan terbesar di AS, menerapkan moratorium selama satu tahun terhadap penggunaan AI generatif oleh siswa dari preschool hingga kelas 8 pada tahun ajaran 2026-2027. Kebijakan tersebut mulai berlaku ketika tahun ajaran baru dimulai pada 10 September 2026.

Kebijakan New York City mencakup chatbot dan AI tutor yang merespons instruksi siswa. Untuk jenjang sekolah menengah atas, penggunaan AI masih diperbolehkan secara terbatas dengan pendekatan yang lebih terarah. Sementara itu, guru tetap dapat menggunakan sejumlah AI yang telah disetujui untuk kegiatan seperti perencanaan pembelajaran, penerjemahan, dan penyusunan komunikasi, tetapi tidak untuk penilaian, pemantauan perilaku, konseling, atau penyusunan rencana pendidikan khusus.

Menurut Axios, kebijakan tersebut muncul di tengah perdebatan mengenai manfaat dan risiko AI dalam pendidikan. Sejumlah penelitian menunjukkan AI tutor yang dipersonalisasi dapat membantu pembelajaran, tetapi penelitian lain mengaitkan penggunaan AI untuk menulis tugas dengan melemahnya kemampuan berpikir kritis. Kekhawatiran orang tua juga meningkat karena anak-anak dianggap menjadi generasi pertama yang mengalami penetrasi AI secara masif dalam proses pendidikan.

Persoalan lain adalah penggunaan perangkat digital. New York City tidak hanya membatasi AI, tetapi juga memperketat screen time. Siswa preschool hingga kelas 2 tidak diperbolehkan menggunakan perangkat individual dalam pembelajaran. Siswa kelas 3-5 direkomendasikan menggunakan perangkat individual maksimal 30 menit per hari, sedangkan siswa sekolah menengah pertama maksimal 45 menit.

Kebijakan tersebut menunjukkan perubahan penting dalam cara sekolah memandang transformasi digital. Teknologi tidak lagi otomatis dianggap semakin banyak digunakan semakin baik. Sekolah mulai mempertanyakan teknologi apa yang sesuai dengan usia siswa, tujuan pembelajaran apa yang ingin dicapai, serta kapan interaksi manusia harus lebih diutamakan daripada layar.

Di sisi lain, larangan menyeluruh juga menghadapi kritik. Sejumlah pendidik memperingatkan bahwa pembatasan terlalu ketat dapat membuat siswa kehilangan kesempatan belajar menggunakan teknologi yang akan menjadi bagian penting dari dunia kerja. Karena itu, tantangan sebenarnya bukan sekadar memilih antara “AI digunakan” atau “AI dilarang”, melainkan menentukan kapan, untuk siapa, dan untuk tujuan apa AI digunakan.

Pengalaman New York City memberikan pelajaran penting bagi transformasi digital pendidikan di berbagai negara, termasuk Indonesia. Pada jenjang usia dini dan pendidikan dasar, penguatan kemampuan membaca, menulis, berhitung, berpikir kritis, interaksi sosial, dan kreativitas perlu tetap menjadi fondasi. AI kemudian dapat diperkenalkan secara bertahap sesuai perkembangan kognitif siswa, dengan guru tetap menjadi pengarah utama.

Dengan demikian, masa depan pendidikan bukanlah pendidikan tanpa teknologi, tetapi pendidikan yang mampu menempatkan teknologi pada tempat yang tepat. AI dapat menjadi copilot bagi guru dan siswa, tetapi tidak boleh berubah menjadi autopilot yang mengambil alih proses berpikir dan tanggung jawab manusia.

Monitorday.com– Transformasi digital memasuki fase baru ketika Artificial Intelligence (AI) tidak lagi hanya berfungsi sebagai alat bantu percakapan, tetapi mulai bertindak sebagai AI Agent yang dapat memahami tujuan, menyusun langkah kerja, menggunakan berbagai aplikasi, memanggil tools, serta menyelesaikan tugas secara semiotonom.

Berbeda dengan chatbot konvensional yang umumnya menunggu pertanyaan dan memberikan jawaban, AI Agent dirancang untuk mencapai tujuan tertentu. Pengguna dapat memberikan instruksi seperti menganalisis data, mencari informasi, membuat laporan, mengirimkan hasil, atau menjalankan proses bisnis. Agent kemudian dapat memecah tujuan tersebut menjadi sejumlah pekerjaan dan menjalankannya melalui sistem digital yang tersedia.

Perubahan tersebut membuat konsep “copilot” mulai berkembang menjadi “AI worker“. Dalam perusahaan, AI Agent dapat digunakan untuk proses customer service, procurement, keuangan, sumber daya manusia, cybersecurity, pengembangan perangkat lunak hingga pemeriksaan dokumen. Menurut Gartner, agentic AI menjadi salah satu tren teknologi strategis yang akan memengaruhi cara organisasi membangun dan menjalankan proses digital.

Di bidang pendidikan, pendekatan serupa membuka peluang baru. AI Agent dapat membantu guru menyiapkan rancangan pembelajaran, mencari sumber belajar, membuat asesmen, menganalisis hasil pekerjaan murid, memberikan rekomendasi tindak lanjut, hingga membantu administrasi pembelajaran. Namun, agent seharusnya tetap berada dalam kerangka human-in-the-loop agar keputusan pedagogis dan pertanggungjawaban tetap berada pada guru dan institusi pendidikan.

Perubahan terbesar sebenarnya bukan pada kemampuan AI menghasilkan teks, gambar, atau kode, melainkan pada kemampuan AI melakukan tindakan. Ketika sebuah agent memperoleh akses ke database, LMS, aplikasi perkantoran, sistem pembayaran, API, maupun perangkat lunak lainnya, AI dapat berubah dari “mesin jawaban” menjadi “mesin pelaksana”.

Kondisi tersebut sekaligus menghadirkan tantangan baru. Setiap AI Agent membutuhkan identitas, hak akses, batas kewenangan, keamanan, pencatatan aktivitas, dan mekanisme audit. Jika agent diberi akses terlalu luas, kesalahan kecil dapat berdampak pada sistem yang lebih besar. Karena itu, perkembangan agentic AI harus berjalan bersamaan dengan AI governance, cybersecurity, data governance, dan pengawasan manusia.

Pada akhirnya, transformasi digital memasuki tahap ketika organisasi tidak hanya bertanya, “Aplikasi apa yang harus kita gunakan?”, tetapi mulai bertanya, “Pekerjaan apa yang dapat dilakukan AI Agent dengan aman dan bertanggung jawab?” Pertanyaan tersebut akan menentukan arah transformasi digital berikutnya, termasuk bagaimana sekolah, perguruan tinggi, perusahaan, dan pemerintah merancang organisasi yang semakin adaptif terhadap AI.

Monitorday.com– Perkembangan Agentic AI memasuki fase baru di lingkungan perusahaan. AI agent tidak lagi hanya digunakan untuk menjawab pertanyaan atau membantu pekerjaan individual, tetapi mulai diintegrasikan ke dalam workflow bisnis nyata, mulai dari layanan pelanggan, operasi TI, keuangan, procurement, keamanan siber hingga pengembangan perangkat lunak.

Perubahan ini terlihat dari semakin banyaknya perusahaan yang membawa AI agent ke tahap produksi. Survei Mayfield terhadap 266 CIO, CTO, CAIO, CISO, dan CDO menunjukkan 42 persen responden telah menggunakan agentic AI dalam produksi, sementara 72 persen telah menggunakannya dalam kombinasi produksi dan tahap pilot. Penerapannya mencakup fungsi IT, operasi, keuangan dan customer experience .

Data yang lebih baru dari IDC bahkan menunjukkan skala adopsi yang lebih luas. Berdasarkan Future Enterprise Resiliency and Spending Survey yang dilakukan pada Juli 2026, sekitar 95 persen perusahaan di dunia telah menjalankan sedikitnya satu workflow berbasis agent yang didanai perusahaan dalam produksi. Rata-rata organisasi menjalankan sekitar 11 workflow agentic pada berbagai fungsi bisnis.

Penggunaan AI agent juga semakin masuk ke fungsi yang membutuhkan proses bertahap. Dalam customer service, misalnya, agent dapat memahami permintaan pelanggan, mencari informasi, menentukan tindakan, dan mengeksekusi penyelesaian. Pada keamanan siber, agent dapat membantu melakukan triase insiden dan menghubungkan berbagai informasi log, sementara dalam software development agent mulai digunakan untuk membantu membangun dan memperbaiki perangkat lunak.

Di bidang procurement dan operasi internal, nilai agentic AI semakin terlihat ketika agen dapat bekerja melintasi sejumlah aplikasi dan sistem. Survei Contentstack terhadap 621 pemimpin digital perusahaan menemukan 54 persen responden menggunakan agent untuk mengotomatisasi workflow lintas tools dan sistem, seperti persetujuan, routing, dan notifikasi (Contentstack, 2026).

Namun, transformasi tersebut tidak otomatis menghasilkan dampak bisnis. Deloitte menemukan hanya 5 persen organisasi yang menilai proses bisnis mereka saat ini sangat siap untuk AI agent. Hanya 15 persen yang telah melakukan scaling terhadap adopsi multi-agent lintas fungsi, sementara hampir dua pertiga eksekutif menyatakan mereka sedang mengevaluasi kembali model bisnis dan workflow karena penerapan agentic AI membutuhkan perubahan proses, bukan sekadar pemasangan teknologi.

Tantangan lain adalah governance. Deloitte mencatat hanya 21 persen perusahaan dalam surveinya yang telah memiliki tata kelola agentic AI yang matang. Ketika agen memperoleh kewenangan untuk mengambil keputusan dan melakukan tindakan secara otomatis, perusahaan membutuhkan batas kewenangan, pemantauan secara real-time, audit trail, keamanan identitas, serta mekanisme human-in-the-loop untuk keputusan berisiko tinggi .

Dengan demikian, arah perkembangan enterprise AI mulai bergeser dari pertanyaan “bagaimana menggunakan chatbot?” menjadi “proses bisnis apa yang dapat didelegasikan kepada AI agent?”. Perusahaan yang berhasil bukan hanya yang memiliki model AI paling canggih, tetapi yang mampu mengintegrasikan agent dengan data, aplikasi, API, workflow, keamanan dan tata kelola sehingga AI benar-benar menjadi bagian dari mesin operasional perusahaan.

Monitorday.com– Perkembangan AI agentik membuat perusahaan dapat menjalankan agen kecerdasan buatan secara otomatis di belakang layar untuk menyelesaikan berbagai pekerjaan digital. Namun, kemampuan tersebut juga menghadirkan persoalan baru: biaya penggunaan model AI dapat terus bertambah tanpa selalu disadari oleh organisasi.

Menurut Technology Magazine, salah satu sumber biaya tersembunyi berasal dari retry loops. Berbeda dengan perangkat lunak tradisional yang berhenti ketika terjadi kesalahan, AI agent dapat mencoba memperbaiki kesalahan secara berulang. Setiap percobaan tersebut membutuhkan pemrosesan tambahan dan dapat meningkatkan konsumsi token.

Persoalan lain adalah context rot. Dalam pekerjaan yang berlangsung melalui banyak tahapan, agen AI dapat mempertahankan riwayat percakapan dan konteks sebelumnya. Ketika informasi tersebut terus diproses kembali, perusahaan berpotensi membayar berkali-kali untuk data yang sebenarnya sudah diketahui oleh sistem.

Masalah biaya juga muncul ketika perusahaan menerapkan batas anggaran yang terlalu kaku. Jika sebuah agen dihentikan ketika pekerjaan sudah mencapai 90 persen, misalnya, komputasi yang telah digunakan sebelumnya bisa menjadi sia-sia. Di sisi lain, penyediaan infrastruktur berdasarkan kebutuhan puncak dapat membuat perusahaan tetap membayar kapasitas yang menganggur ketika permintaan turun.

Google Cloud Tawarkan Model Pembayaran Fleksibel

Untuk menjawab persoalan tersebut, Google Cloud memperkenalkan sejumlah opsi pengelolaan biaya bagi beban kerja AI agentik di Gemini Enterprise dan perangkat pengembang. Michael Gerstenhaber, Vice President of Product Management, Cloud AI, Google Cloud, mengatakan struktur pembayaran perlu disesuaikan dengan cara setiap organisasi mengelola beban kerja AI.

Pilihan yang ditawarkan mencakup langganan berbasis pengguna dengan biaya yang lebih mudah diprediksi, model pay-as-you-go berdasarkan konsumsi, serta skema penghematan yang semakin besar seiring peningkatan penggunaan AI. Perusahaan juga dapat menggabungkan model berlangganan dan pembayaran berdasarkan penggunaan.

Google Cloud juga memperluas fitur spend guardrails agar organisasi dapat mengawasi pengeluaran AI dan proyek secara lebih terpusat. Pendekatan ini mendorong AI FinOps tidak sekadar menjadi aktivitas mencatat tagihan setelah penggunaan terjadi, tetapi menjadi mekanisme tata kelola yang dilakukan sejak awal.

Diskon untuk Pekerjaan yang Tidak Mendesak

Salah satu pendekatan yang menarik adalah deferred execution pricing. Melalui skema ini, perusahaan dapat menunda pekerjaan AI yang tidak membutuhkan hasil secara langsung untuk mendapatkan biaya inferensi yang lebih rendah.

Google Cloud menyebut perusahaan dapat membayar hingga setengah dari biaya inferensi untuk pekerjaan yang dapat menunggu. Skema tersebut memungkinkan organisasi menjalankan volume pekerjaan agentik yang lebih besar dengan anggaran yang sama, terutama untuk tugas-tugas yang tidak bersifat real-time.

Antigravity Masuk Gemini Enterprise

Google Cloud juga memperluas Google Antigravity agar terintegrasi dengan Gemini Enterprise. Antigravity akan tersedia dalam langganan Gemini Enterprise tanpa biaya tambahan dan dapat digunakan melalui lingkungan pengembangan seperti Visual Studio Code, JetBrains, dan Zed.

Integrasi ini memungkinkan administrator perusahaan mengaktifkan akses bagi pengguna yang sudah memiliki lisensi, sekaligus membawa aktivitas agen pemrograman ke dalam kerangka keamanan dan tata kelola perusahaan. Fitur seperti audit logging juga dapat membantu organisasi memantau penggunaan AI untuk kebutuhan kepatuhan.

Dengan kemampuan tersebut, agen AI tidak hanya digunakan untuk menghasilkan kode, tetapi juga menangani pekerjaan yang lebih kompleks, seperti melakukan code review, membantu debugging, dan menjalankan rangkaian tugas pemrograman secara otomatis.

Perkembangan ini menunjukkan bahwa tantangan AI agentik bukan lagi sekadar bagaimana membuat agen semakin pintar, tetapi juga bagaimana memastikan penggunaan AI tetap efisien secara finansial. Ketika jutaan token dapat dikonsumsi oleh agen yang bekerja secara otomatis, perusahaan membutuhkan visibilitas penggunaan, batas pengeluaran, serta model pembayaran yang fleksibel agar inovasi AI tidak berubah menjadi biaya operasional yang sulit dikendalikan.

Monitorday.com– Perkembangan Agentic AI pada 2026 semakin menempatkan Model Context Protocol (MCP) sebagai lapisan konektivitas penting antara AI agent dan dunia digital di sekitarnya. MCP memungkinkan agent berinteraksi dengan berbagai tools, sumber data, aplikasi, serta layanan eksternal melalui mekanisme yang terstandarisasi, sehingga pengembang tidak perlu membangun koneksi khusus untuk setiap model atau aplikasi .

MCP pada awalnya dikembangkan sebagai cara untuk menghubungkan model AI dengan tools dan konteks eksternal. Namun, penggunaannya berkembang jauh melampaui fungsi tersebut. Menurut Model Context Protocol, protokol ini kini telah digunakan dalam workflow agentic di berbagai organisasi dan berkembang menjadi infrastruktur untuk menghubungkan sistem AI dengan kemampuan eksternal .

Perkembangan terbaru terlihat pada spesifikasi MCP 2026-07-28 yang memperkenalkan arsitektur inti stateless. Perubahan ini memungkinkan server MCP beroperasi menggunakan infrastruktur HTTP standar tanpa ketergantungan pada sesi yang persisten. Setiap permintaan membawa informasi yang diperlukan sehingga request dapat diarahkan ke instance server mana pun di belakang load balancer.

Kemampuan tersebut penting bagi perusahaan yang ingin menjalankan agent dalam skala besar. Spesifikasi terbaru juga memperkenalkan Multi Round-Trip Requests (MRTR), mekanisme caching untuk hasil daftar tools, peningkatan keamanan otorisasi, serta kerangka ekstensi formal. Salah satu ekstensi yang semakin relevan adalah Tasks untuk menangani pekerjaan AI yang berlangsung lebih lama dan tidak selesai dalam satu permintaan .

Dari sisi ekosistem, pertumbuhan MCP juga terlihat dari penggunaan SDK. Menurut Model Context Protocol, SDK Tier 1 kini mencatat hampir setengah miliar unduhan per bulan, sementara SDK TypeScript dan Python telah masing-masing melampaui satu miliar total unduhan. Data tersebut menunjukkan bahwa MCP mulai bergerak dari eksperimen pengembang menuju lapisan infrastruktur yang lebih luas untuk aplikasi agentic .

MCP juga mulai diarahkan untuk menjawab kebutuhan enterprise, terutama terkait keamanan, identitas, dan tata kelola. Roadmap terbaru MCP menempatkan identitas agent, keamanan enterprise, komunikasi antargen, peningkatan primitive, serta transport HTTP sebagai prioritas pengembangan berikutnya (Model Context Protocol, 2026).

Dalam ekosistem Agentic AI, MCP dapat dipandang sebagai mekanisme yang menghubungkan agent dengan “dunia luar”, sementara protokol seperti Agent2Agent (A2A) berfokus pada komunikasi antargen. Kombinasi keduanya berpotensi membentuk lapisan infrastruktur yang memungkinkan satu agent menggunakan tools melalui MCP sekaligus bekerja sama dengan agent lain dalam workflow yang lebih kompleks.

Perkembangan tersebut mengubah posisi MCP dari sekadar protokol koneksi menjadi salah satu fondasi arsitektur Agentic AI. Jika tren ini berlanjut, masa depan aplikasi AI bukan hanya ditentukan oleh kemampuan model bahasa, tetapi juga oleh kemampuan agent untuk terhubung secara aman, standar, scalable, dan dapat diaudit dengan data, aplikasi, tools, serta agent lainnya.

Monitorday.com– Perkembangan kecerdasan artifisial (AI) pada 2026 menunjukkan perubahan penting dari model copilot menuju AI agent yang mampu menjalankan tugas berjangka panjang secara lebih mandiri. Jika copilot selama ini berfungsi sebagai pendamping yang menunggu instruksi manusia, agent mulai diberi tujuan untuk kemudian menyusun langkah, menggunakan berbagai tools, menjalankan tindakan, dan mengevaluasi hasilnya.

Perubahan tersebut mendorong munculnya konsep “AI worker”, yakni sistem AI yang tidak hanya menghasilkan teks atau memberikan jawaban, tetapi mengerjakan rangkaian aktivitas seperti pekerja digital. OpenAI menjelaskan bahwa agent mengubah unit kerja pengetahuan dari interaksi tunggal menjadi tugas yang dapat didelegasikan dalam jangka waktu lebih panjang, termasuk melakukan pemanggilan tools dan beriterasi hingga solusi ditemukan.

Di lingkungan perusahaan, penerapannya mulai mencakup layanan pelanggan, pengembangan perangkat lunak, operasi teknologi informasi, keuangan hingga procurement. Menurut survei Mayfield terhadap 266 CIO, CTO, CAIO, CISO, dan CDO, sebanyak 42 persen responden menyatakan agentic AI sudah digunakan dalam produksi, sementara 72 persen menggunakannya dalam kombinasi tahap produksi dan pilot.

Dalam layanan pelanggan, misalnya, agen dapat menerima persoalan pelanggan, memahami konteks, mencari informasi pada sistem perusahaan, menentukan langkah penyelesaian, kemudian mengeksekusi tindakan tanpa harus memindahkan pekerjaan dari satu sistem ke sistem lainnya. Zendesk pada Mei 2026 bahkan memperkenalkan konsep “Autonomous Service Workforce” yang menempatkan AI agent sebagai pelaksana penyelesaian masalah lintas kanal dan use case.

Transformasi serupa terjadi dalam procurement. Menurut BCG, sebagian besar perusahaan yang mereka survei telah melakukan pilot atau menerapkan agentic AI dalam procurement teknologi. Namun, tantangan terbesar bukan lagi sekadar teknologi, melainkan penataan ulang proses organisasi, kualitas data, integrasi dengan sistem lama, peningkatan kompetensi, dan governance.

Pada pengembangan perangkat lunak, agen bahkan mulai bergerak dari membantu programmer menjadi pelaksana sebagian siklus pengembangan. Data McKinsey yang dirilis Agustus 2026 menunjukkan 40 persen responden dari perusahaan besar dengan pendapatan lebih dari US$1 miliar melaporkan sedang meningkatkan penggunaan AI agent. Sekitar 20 persen organisasi juga sudah melakukan scaling terhadap agentic coding tools, sementara 32 persen responden menyebut perusahaannya memilih membangun sendiri perangkat lunak atau fitur yang sebelumnya mungkin dibeli dari vendor.

Perubahan paling besar terjadi ketika beberapa agent mulai bekerja sebagai sebuah workflow. Google Cloud melihat 2026 sebagai fase ketika perusahaan mulai menghubungkan sejumlah agent sesuai kebutuhan sehingga mereka dapat berkolaborasi, berkoordinasi, dan menjalankan proses kompleks dari awal hingga akhir. Dengan model ini, AI tidak lagi berdiri sebagai aplikasi tambahan, tetapi menjadi lapisan eksekusi di dalam proses bisnis.

Namun, semakin besar otonomi AI, semakin besar pula kebutuhan terhadap pengawasan. Perusahaan harus memastikan setiap agent memiliki batas kewenangan, akses data yang tepat, mekanisme audit, serta kemampuan untuk menghentikan atau mengoreksi tindakan yang keliru. Menurut IBM, tujuh dari 10 eksekutif yang disurvei menyatakan keterbatasan governance AI yang ada justru memperlambat transformasi agentic AI.

Dengan demikian, persaingan Agentic AI tidak lagi hanya ditentukan oleh siapa yang memiliki model paling pintar. Pertarungan berikutnya adalah siapa yang mampu membangun sistem yang dapat menghubungkan AI dengan data, aplikasi, workflow dan aturan bisnis secara aman. Pergeseran dari “AI yang membantu manusia” menuju “AI yang menjalankan pekerjaan” sekaligus menjadi salah satu perubahan paling signifikan dalam dunia kerja digital 2026.