Perusahaan Mulai Mengandalkan Agen AI untuk Modernisasi TI

Apa yang terjadi pada adopsi agen AI untuk modernisasi TI?

Agen AI mulai digunakan perusahaan untuk menangani pekerjaan modernisasi TI yang berulang dan sulit dipetakan, seperti pengujian perangkat lunak, dokumentasi, serta pemeriksaan sistem lama. Namun, pemakaiannya masih berada pada tahap awal, sehingga organisasi perlu memperlakukan teknologi ini sebagai bagian dari workflow yang diawasi, bukan pengganti keputusan teknis.

Menurut laporan State of Modernization Report 2026 dari Kyndryl yang diberitakan Demokratis.co.id dan Limapagi pada 29 Oktober 2026, 10 persen organisasi telah memakai agen AI di lingkungan produksi untuk mendukung modernisasi TI.

Google Cloud menjelaskan bahwa sistem AI agentic dirancang untuk beroperasi dengan tingkat otonomi lebih tinggi. Dalam praktik modernisasi TI, arti “otonomi” bukan agen bebas mengubah seluruh sistem. Agen dapat menerima tujuan, memakai alat yang diizinkan, menjalankan beberapa langkah pemeriksaan, lalu mengembalikan temuan atau usulan tindakan kepada manusia.

Perbedaannya perlu jelas agar tim tidak salah menentukan desain sistem. Otomasi biasa dapat menjalankan alur tetap, misalnya tiket insiden masuk lalu diteruskan ke antrean tertentu. AI generatif dapat merangkum isi tiket atau membuat draf dokumentasi. Agen AI dapat membaca tiket, mencari dokumentasi yang telah diizinkan, membandingkan gejala dengan riwayat masalah, menyusun urutan pemeriksaan, lalu membuat rekomendasi untuk teknisi.

Lima pekerjaan modernisasi yang mulai dibantu agen AI

Lima pekerjaan yang mulai dibantu agen AI ialah pengujian perangkat lunak, pemetaan sistem lama, dokumentasi, penataan ulang kode logika bisnis, dan penerjemahan kode. Menurut laporan Kyndryl yang dikutip Demokratis.co.id dan Limapagi, pengujian perangkat lunak menjadi penggunaan yang paling banyak dilaporkan, yaitu 43 persen responden. Agen dapat membantu menjalankan pengujian, mengelompokkan hasil gagal, dan menyiapkan informasi yang dibutuhkan pengembang untuk memeriksa masalah. Temuan agen tetap perlu diuji ulang karena hasil pengujian tidak otomatis menjelaskan akar penyebab kegagalan.

Pemetaan dan penilaian sistem lama berada pada 39 persen responden, menurut laporan yang sama. Ini relevan ketika organisasi memiliki aplikasi warisan dengan dokumentasi terbatas, dependensi antarmodul yang tidak jelas, atau integrasi lama yang masih dipakai proses bisnis harian. Peta tersebut membantu tim membedakan komponen yang dapat dipertahankan, perlu diperbaiki, atau harus diganti secara bertahap.

Dokumentasi dan penataan ulang kode logika bisnis masing-masing digunakan oleh 31 persen responden, menurut Kyndryl sebagaimana dilaporkan kedua media. Dokumentasi dapat mencakup ringkasan fungsi modul, hubungan antarlayanan, dan catatan teknis yang perlu dikonfirmasi pengembang. Penataan ulang kode atau refaktorisasi bertujuan memperbaiki struktur kode tanpa mengubah fungsi utama, sehingga pekerjaan ini memerlukan pengujian regresi sebelum hasilnya diterapkan.

Laporan tersebut juga menyebut penerjemahan kode dari bahasa lama ke bahasa yang lebih baru sebagai salah satu pekerjaan modernisasi yang dapat dibantu agen AI. Penerjemahan tidak boleh diperlakukan sebagai proses salin-tempel. Perubahan bahasa, pustaka, pola keamanan, dan perilaku aplikasi dapat menimbulkan perbedaan yang baru terlihat saat aplikasi diuji dalam kondisi nyata.

Sebagai ilustrasi hipotetis, sebuah tim memiliki aplikasi internal yang dibangun bertahun-tahun lalu. Langkah awal yang lebih aman adalah memberi agen akses baca ke repositori kode dan dokumentasi yang telah dipilih. Agen menginventarisasi modul, mencatat dependensi, serta menyusun draf peta aplikasi. Arsitek dan pengembang kemudian memeriksa hasil itu sebelum menentukan modul mana yang layak direfaktorisasi atau dipindahkan.

Mengapa modernisasi perlu dimulai dari masalah kerja, bukan tools?

Modernisasi sering macet karena tim langsung memilih platform atau alat sebelum memahami alur kerja yang hendak diperbaiki. Agen AI akan memberi nilai saat ditempatkan pada masalah yang batasnya jelas, inputnya tersedia, dan outputnya dapat diperiksa. Pemilihan use case seperti ini juga memudahkan organisasi menentukan data yang boleh diakses dan tindakan yang tidak boleh dilakukan agen.

Misalnya, masalah awalnya adalah tim QA harus membuka banyak laporan pengujian untuk mencari pola kegagalan yang berulang. Workflow pilot dapat dibatasi menjadi lima tahap: hasil pengujian masuk ke penyimpanan yang disetujui, agen membaca log yang relevan, agen mengelompokkan kegagalan serupa, agen membuat ringkasan dengan tautan bukti, lalu QA memvalidasi prioritas perbaikan. Pada tahap ini, agen tidak diberi kewenangan mengubah kode, konfigurasi, atau lingkungan produksi.

Pendekatan tersebut berbeda dari proyek yang langsung menghubungkan agen ke repositori, database, sistem identitas, dan deployment sekaligus. Lingkup luas memang terlihat ambisius, tetapi sulit diaudit ketika hasilnya salah. Tim juga tidak dapat membedakan apakah masalah berasal dari kualitas data, instruksi agen, integrasi alat, atau aturan akses.

Untuk modernisasi sistem lama, pemetaan sering menjadi titik awal yang masuk akal. Andaikan sebuah organisasi tidak yakin layanan mana yang masih memanggil aplikasi lama, agen dapat membantu mengumpulkan referensi dari dokumentasi dan artefak teknis yang diizinkan. Hasilnya bukan keputusan pensiun sistem. Hasil itu menjadi bahan rapat antara pemilik proses bisnis, pengembang, keamanan, dan operasi TI.

Risiko keamanan dan integrasi yang tidak boleh dianggap belakangan

Keamanan dan integrasi menjadi kendala utama dalam adopsi agen AI, menurut laporan Kyndryl yang diberitakan Demokratis.co.id dan Limapagi. Risiko meningkat saat agen memiliki akses ke kode sumber, basis data, kredensial, alat deployment, atau sistem identitas. Karena itu, kemampuan agen harus dipisahkan antara membaca informasi, membuat rekomendasi, dan melakukan perubahan.

Akses baca untuk dokumentasi atau analisis log memiliki profil risiko berbeda dengan akses tulis untuk mengubah konfigurasi. Tindakan seperti menghapus data, menerapkan perubahan produksi, memodifikasi hak pengguna, atau mengirim pembaruan ke pelanggan harus memerlukan persetujuan manusia. Persetujuan ini perlu memiliki pemilik yang jelas, bukan sekadar tombol persetujuan tanpa penanggung jawab.

Sebagai contoh hipotetis, agen dipakai untuk menganalisis kegagalan deployment. Agen boleh membaca log deployment, membandingkan konfigurasi nonrahasia, dan membuat tiket untuk tim platform. Agen tidak boleh membatalkan layanan, memutar ulang deployment, atau mengubah secret tanpa prosedur persetujuan. Catatan aktivitas perlu menunjukkan data apa yang diakses, rekomendasi yang dibuat, serta siapa yang menyetujui tindakan berikutnya.

Integrasi juga perlu diuji sebagai bagian dari pilot. Output agen mungkin benar secara tekstual, tetapi format data dapat tidak cocok dengan sistem tiket, CMDB, atau repositori dokumentasi. Tim perlu memeriksa skema data, hak akses layanan, penanganan kegagalan integrasi, serta jalur eskalasi ketika agen tidak menemukan bukti yang cukup.

Cara memulai pilot agen AI untuk modernisasi TI

Mulailah dengan satu masalah operasional yang dapat diukur melalui kualitas proses, bukan janji hasil besar. Pilih pekerjaan dengan data yang tersedia, konsekuensi rendah jika hasilnya keliru, dan reviewer manusia yang memahami konteks sistem. Pengujian perangkat lunak, penyusunan dokumentasi teknis, atau pemetaan aplikasi lama biasanya lebih aman untuk tahap awal dibanding tindakan langsung di produksi.

Susun pilot dalam urutan berikut:

1. Tentukan satu output yang diharapkan, misalnya draf dokumentasi modul atau ringkasan kegagalan pengujian.
2. Batasi sumber data, alat, dan hak akses agen hanya untuk kebutuhan use case tersebut.
3. Tetapkan hasil yang boleh dibuat otomatis dan hasil yang harus disetujui manusia.
4. Uji output menggunakan sampel pekerjaan nyata yang sudah diketahui tim.
5. Catat kesalahan, output yang tidak lengkap, masalah integrasi, serta waktu tinjauan manusia.
6. Putuskan apakah pilot dihentikan, diperbaiki, atau diperluas berdasarkan hasil pemeriksaan itu.

Gerbang keputusan pilot: perluas hanya bila output dapat ditelusuri ke sumber, reviewer dapat menemukan kesalahan, akses agen tetap sesuai batas, dan kegagalan integrasi memiliki jalur eskalasi. Jika salah satu belum terpenuhi, perbaiki atau hentikan pilot.

Jangan hanya menilai apakah agen dapat menghasilkan respons yang terdengar meyakinkan. Periksa apakah dokumentasi yang dihasilkan dapat ditelusuri ke sumbernya, apakah temuan pengujian membantu QA, dan apakah reviewer masih mampu mendeteksi kesalahan sebelum berdampak ke sistem. Ukuran ini lebih dekat dengan kebutuhan modernisasi daripada sekadar jumlah respons yang dibuat agen.

Untuk fondasi penerapan lintas fungsi, pembaca dapat melihat artikel pilar Cara Menerapkan Agen AI Perusahaan untuk Mengoptimalkan Operasional Bisnis. Pembahasan tersebut dapat membantu menghubungkan pilot modernisasi TI dengan desain workflow, integrasi proses, serta pengawasan manusia.

Langkah berikutnya: pilih satu proses TI yang saat ini menghabiskan waktu untuk mencari informasi, bukan mengambil tindakan berisiko. Buat daftar sumber data yang dibutuhkan, tunjuk reviewer teknis, lalu jalankan pilot dengan akses baca terlebih dahulu. Perluasan wewenang baru layak dibahas setelah output, audit trail, dan mekanisme persetujuannya terbukti dapat digunakan tim.