Roadmap 90 Hari Perusahaan Menuju Organisasi Berbasis Agentic AI

Agentic AI mulai menjadi salah satu arah baru dalam transformasi digital perusahaan.

Jika AI generatif bermanfaat untuk membantu menulis, merangkum, atau menjawab pertanyaan, agentic AI bergerak lebih jauh. Teknologi ini dapat dirancang untuk memahami tujuan, mengambil konteks dari data, menggunakan tools, memanggil API, menjalankan workflow, dan membantu menyelesaikan tugas bisnis secara lebih otonom.

Namun, perusahaan tidak bisa langsung menjadi organisasi berbasis agentic AI hanya dengan memasang satu platform AI.

Dibutuhkan roadmap yang jelas.

Tanpa roadmap, implementasi agentic AI bisa berhenti sebagai eksperimen. Banyak proof of concept berjalan, tetapi tidak masuk ke workflow operasional. Tim mencoba berbagai tools, tetapi data belum siap. Agent dibuat, tetapi belum memiliki governance, security, dan ownership yang jelas.

McKinsey dalam The State of AI: Global Survey 2025 mencatat bahwa 88% responden melaporkan organisasi mereka sudah menggunakan AI secara reguler di setidaknya satu fungsi bisnis. Namun, sebagian besar organisasi masih berada pada tahap eksperimen atau pilot, dan hanya sekitar sepertiga yang mulai melakukan scaling AI secara enterprise. Untuk AI agent, 23% responden menyebut organisasinya sudah melakukan scaling agentic AI di setidaknya satu fungsi, sementara 39% lainnya masih bereksperimen.

Artinya, tantangan terbesar bukan hanya memulai agentic AI, tetapi membawanya dari pilot menjadi sistem kerja yang benar-benar memberi dampak.

Artikel ini membahas roadmap membangun agentic AI selama 90 hari, mulai dari assessment proses, kesiapan data, integrasi sistem, pilot use case, governance, hingga rencana scaling.

Apa Itu Organisasi Berbasis Agentic AI?

Organisasi berbasis agentic AI adalah perusahaan yang mulai menggunakan AI agent untuk membantu menjalankan sebagian proses bisnis secara terstruktur.

AI agent tidak hanya menjawab pertanyaan.

Dalam konteks enterprise, AI agent dapat membantu:

• membaca dan memahami dokumen;
• mencari informasi dari knowledge base;
• mencocokkan data dari beberapa sistem;
• membuat rekomendasi tindakan;
• menyiapkan draft approval;
• mengklasifikasikan tiket;
• memanggil API;
• mengirim notifikasi;
• dan menjalankan workflow dengan batasan tertentu.

Namun, organisasi berbasis agentic AI bukan berarti semua pekerjaan diserahkan kepada AI.

Justru, perusahaan yang matang dalam agentic AI biasanya tetap memiliki human approval, access control, audit log, dan governance yang jelas.

Untuk perusahaan yang ingin mulai mengevaluasi layanan implementasi, agentic ai service dapat menjadi salah satu pintu masuk untuk memetakan use case, kesiapan data, dan kebutuhan integrasi.

Baca juga: Pengertian agentic automation untuk memahami konsep dasar agentic automation sebelum masuk ke tahap roadmap.

Mengapa Roadmap Agentic AI Perlu Dibuat Bertahap?

Agentic AI berbeda dari automation biasa.

Automation berbasis aturan umumnya berjalan dengan skenario yang sudah jelas. Jika kondisi A terjadi, sistem melakukan tindakan B.

Agentic AI lebih fleksibel karena dapat menggunakan reasoning, konteks data, tools, dan instruksi untuk membantu menyelesaikan tugas yang lebih dinamis.

Namun, fleksibilitas ini juga membawa risiko baru.

OWASP menjelaskan bahwa agentic AI memperluas kemampuan sistem otonom melalui integrasi dengan LLM dan generative AI, tetapi juga memperbesar skala, kapabilitas, dan risiko yang perlu dikelola dengan pendekatan threat modeling.

McKinsey juga menyoroti bahwa di era agentic AI, organisasi tidak hanya perlu mengelola risiko AI yang “mengatakan hal salah”, tetapi juga risiko AI yang “melakukan tindakan salah”, seperti mengambil aksi yang tidak diinginkan, menyalahgunakan tools, atau berjalan di luar guardrail.

Karena itu, roadmap agentic AI perlu dibuat bertahap agar perusahaan dapat menguji value, mengurangi risiko, menyiapkan data, dan membangun governance sebelum masuk ke skala yang lebih besar.

Prinsip Roadmap 90 Hari Agentic AI

Roadmap 90 hari bukan janji bahwa seluruh perusahaan akan sepenuhnya berbasis agentic AI dalam tiga bulan.

Roadmap ini lebih tepat dipahami sebagai kerangka awal untuk membawa perusahaan dari tahap eksplorasi menuju pilot yang terukur.

Dalam 90 hari, perusahaan sebaiknya fokus pada:

• memilih use case yang tepat;
• memetakan proses bisnis;
• menilai kesiapan data;
• menentukan jenis AI agent yang dibutuhkan;
• membangun integrasi dasar;
• menjalankan pilot terbatas;
• mengukur hasil;
• menyusun governance;
• dan menentukan rencana scaling.

Jika perusahaan baru mulai mengenal AI agent, artikel tentang jenis AI agent dapat membantu membedakan agent berdasarkan fungsi, tingkat otonomi, dan kompleksitas use case.

Roadmap 90 Hari Membangun Agentic AI

Berikut roadmap yang dapat digunakan perusahaan sebagai panduan awal.

Hari 1–15: Assessment Proses dan Prioritas Bisnis

Tahap pertama bukan memilih tools.

Tahap pertama adalah memahami proses bisnis yang paling layak untuk dibantu oleh agentic AI.

Perusahaan perlu mengidentifikasi proses yang memiliki ciri berikut:

• banyak langkah manual;
• membutuhkan pencarian data dari beberapa sumber;
• melibatkan dokumen berulang;
• memiliki pola keputusan yang bisa dijelaskan;
• memakan waktu tim operasional;
• sering menimbulkan bottleneck;
• dan memiliki dampak bisnis yang jelas jika diperbaiki.

Contoh area yang bisa dievaluasi:

Area Bisnis	Contoh Masalah	Potensi Agentic AI
Finance	Pengecekan invoice manual	Agent membantu membaca, mencocokkan, dan menyiapkan ringkasan validasi
Procurement	Approval lambat dan data vendor tersebar	Agent membantu mencari data vendor, PO, dan status approval
Warehouse	Monitoring stok masih manual	Agent membantu membaca data stok dan memberi alert
Customer Support	Pertanyaan berulang dan knowledge base tersebar	Agent membantu mencari jawaban dan membuat draft respons
IT Support	Tiket masuk tidak terklasifikasi	Agent membantu routing dan rekomendasi solusi awal
HR	Dokumen onboarding tersebar	Agent membantu menjawab pertanyaan karyawan berdasarkan SOP

Di tahap ini, perusahaan perlu memilih satu sampai dua use case prioritas.

Hindari memulai dari terlalu banyak use case sekaligus. Agentic AI lebih mudah berhasil jika dimulai dari masalah yang spesifik dan dapat diukur.

Untuk area operasional, contoh seperti otomatisasi stock gudang pakai agentic AI dapat menjadi inspirasi use case yang memiliki konteks data, aturan bisnis, dan workflow monitoring yang jelas.

Hari 16–30: Pemetaan Data, Sistem, dan Workflow

Setelah use case dipilih, perusahaan perlu memetakan data dan sistem yang terlibat.

AI agent membutuhkan konteks.

Jika data belum siap, agent akan kesulitan memberikan jawaban atau rekomendasi yang akurat.

Untuk setiap use case, petakan:

• data apa yang dibutuhkan;
• data berada di sistem mana;
• siapa data owner-nya;
• apakah data sudah rapi;
• apakah ada data sensitif;
• apakah API tersedia;
• apakah ada dokumen pendukung;
• bagaimana alur approval;
• dan siapa yang harus melakukan validasi akhir.

Misalnya, untuk use case invoice processing, agent mungkin membutuhkan invoice, purchase order, data vendor, goods receipt, dan approval history.

Untuk use case inventory, agent mungkin membutuhkan data stok, lokasi gudang, histori pergerakan barang, reorder point, dan data purchase request.

Google Cloud menjelaskan bahwa Retrieval-Augmented Generation atau RAG menggabungkan sistem pencarian atau database dengan kemampuan LLM agar output lebih relevan dengan kebutuhan spesifik. Dalam konteks enterprise, hal ini menunjukkan pentingnya knowledge base, data source, dan retrieval layer yang terkurasi.

Pada akhir hari ke-30, perusahaan sebaiknya sudah memiliki:

• daftar use case prioritas;
• process map;
• data map;
• system map;
• data owner;
• potensi risiko data;
• dan initial requirement untuk pilot agentic AI.

Hari 31–45: Desain Agent, Batasan Akses, dan Governance Awal

Setelah data dan proses dipetakan, perusahaan perlu mendesain agent.

Desain agent perlu menjawab beberapa pertanyaan:

• Apa tujuan agent?
• Data apa yang boleh diakses?
• Tools apa yang boleh digunakan?
• Sistem apa yang boleh dipanggil?
• Action apa yang boleh dilakukan?
• Kapan agent harus berhenti dan meminta approval manusia?
• Output seperti apa yang dianggap valid?
• Siapa yang bertanggung jawab jika ada error?
• Bagaimana aktivitas agent dicatat?

Pada tahap ini, perusahaan perlu menentukan tingkat otonomi agent.

Tidak semua agent harus langsung diberi kewenangan untuk menjalankan tindakan.

Untuk tahap awal, model yang lebih aman adalah:

• agent membaca data;
• agent menganalisis konteks;
• agent membuat rekomendasi;
• agent menyiapkan draft;
• manusia melakukan approval;
• sistem menjalankan action setelah disetujui.

NIST AI Risk Management Framework: Generative AI Profile menyatakan bahwa AI RMF dirancang untuk membantu organisasi memasukkan pertimbangan trustworthiness ke dalam desain, pengembangan, penggunaan, dan evaluasi sistem AI.

Prinsip ini penting dalam agentic AI karena agent tidak hanya menghasilkan teks, tetapi dapat terhubung dengan data dan tools.

Jika perusahaan ingin memulai dari sisi teknis yang lebih sederhana, panduan cara membangun agen AI dapat menjadi referensi awal sebelum masuk ke enterprise workflow yang lebih kompleks.

Hari 46–60: Build Pilot dan Integrasi Terbatas

Pada fase ini, perusahaan mulai membangun pilot.

Tujuannya bukan membuat sistem yang sempurna, tetapi membuktikan bahwa agentic AI dapat membantu workflow tertentu dengan kontrol yang jelas.

Pilot sebaiknya memiliki scope terbatas.

Contoh pilot:

• agent membaca invoice dan membuat ringkasan validasi;
• agent mengklasifikasikan tiket IT;
• agent mencari SOP dari knowledge base;
• agent memberi alert data stok yang tidak normal;
• agent menyusun draft respons customer support;
• agent membantu procurement memeriksa status PO.

Pada tahap build, tim perlu menyiapkan:

• prompt atau instruction layer;
• retrieval layer atau knowledge base;
• API atau connector;
• access control;
• logging;
• human approval;
• testing scenario;
• dan fallback process.

Google Cloud menjelaskan bahwa RAG Engine pada Gemini Enterprise Agent Platform dapat digunakan untuk menghubungkan model dengan data organisasi melalui corpus atau sumber data yang dipilih. Ini memperlihatkan pentingnya grounding ketika perusahaan ingin menggunakan AI pada data internal.

Untuk pilot pertama, jangan langsung menghubungkan agent ke semua sistem.

Mulailah dari integrasi terbatas yang memiliki risiko rendah, tetapi cukup bernilai untuk membuktikan manfaat.

Hari 61–75: Testing, Security Review, dan User Acceptance

Agentic AI perlu diuji sebelum masuk ke proses operasional yang lebih luas.

Testing tidak hanya melihat apakah agent bisa menjawab pertanyaan.

Testing perlu mencakup:

• akurasi output;
• relevansi data;
• batasan akses;
• kesalahan input;
• skenario data kosong;
• konflik data;
• prompt injection;
• tool misuse;
• audit log;
• human approval;
• dan fallback ketika agent tidak yakin.

IBM Cost of a Data Breach Report 2025 menyoroti bahwa adopsi AI yang terlalu cepat tanpa security dan governance dapat meningkatkan risiko. IBM mencatat rata-rata biaya data breach global sebesar USD 4,4 juta, 97% organisasi yang mengalami insiden keamanan terkait AI tidak memiliki AI access control yang memadai, dan 63% organisasi belum memiliki AI governance policies.

Karena itu, testing agentic AI perlu melibatkan lebih dari satu tim.

Idealnya, perusahaan melibatkan:

• business owner;
• tim IT;
• security;
• compliance;
• legal jika diperlukan;
• user operasional;
• dan tim data.

Pada fase ini, perusahaan juga perlu mengevaluasi keamanan ai agent agar implementasi tidak hanya cepat, tetapi juga aman dan sesuai kontrol perusahaan.

Hari 76–90: Go-Live Terbatas, Measurement, dan Rencana Scaling

Setelah pilot lolos testing, perusahaan dapat masuk ke go-live terbatas.

Go-live terbatas berarti agent digunakan oleh user tertentu, pada proses tertentu, dengan scope yang masih dikendalikan.

Tujuannya adalah mengukur apakah agent benar-benar membantu pekerjaan.

Metrik yang bisa digunakan antara lain:

Area Pengukuran	Contoh Metrik
Efisiensi waktu	Waktu proses sebelum dan sesudah agent
Akurasi	Persentase output yang diterima user tanpa revisi besar
Produktivitas	Jumlah task yang dapat diproses per hari
Kualitas proses	Penurunan error manual atau duplikasi pekerjaan
Adoption	Jumlah user aktif dan frekuensi penggunaan
Governance	Jumlah error, escalation, atau akses yang diblokir
Business impact	Dampak terhadap SLA, cycle time, atau biaya operasional

Pada akhir hari ke-90, perusahaan sebaiknya memiliki keputusan yang jelas:

• apakah pilot dilanjutkan;
• apakah use case perlu diperbaiki;
• apakah agent perlu ditambah data source;
• apakah integrasi perlu diperluas;
• apakah governance sudah cukup;
• dan use case mana yang siap masuk tahap berikutnya.

Di tahap ini, perusahaan juga perlu menilai apakah membutuhkan partner teknologi seperti IT solution company untuk membantu scaling lintas sistem, integrasi, security, dan workflow automation yang lebih luas.

Struktur Tim untuk Roadmap Agentic AI 90 Hari

Roadmap agentic AI tidak bisa hanya dijalankan oleh satu fungsi.

Perusahaan membutuhkan kolaborasi lintas tim.

Role	Tanggung Jawab
Business Owner	Menentukan masalah bisnis dan target impact
Product Owner / Project Manager	Mengelola scope, timeline, dan prioritas
Business Analyst	Memetakan proses, requirement, dan workflow
Data Engineer	Menyiapkan data source, pipeline, dan data quality
Backend/API Developer	Menyiapkan integrasi dan connector
AI Engineer / Automation Engineer	Mendesain agent, prompt, tools, dan orchestration
Security / Compliance	Menilai risiko akses, data, dan governance
QA Engineer	Menguji output, workflow, dan skenario error
End User	Memberikan feedback terhadap hasil pilot

Jika perusahaan belum memiliki semua role tersebut secara internal, perusahaan dapat menggunakan kombinasi internal team, outsourcing, dan technology partner.

Contoh Alur Membangun Agentic AI

Agar lebih mudah dipahami, berikut contoh alur sederhana untuk use case invoice processing.

Tahap 1: Masalah Bisnis

Tim finance membutuhkan waktu lama untuk memeriksa invoice karena harus mencocokkan invoice, PO, data vendor, dan status approval secara manual.

Tahap 2: Data yang Dibutuhkan

Agent membutuhkan invoice, purchase order, vendor master, goods receipt, dan payment policy.

Tahap 3: Integrasi

Agent dihubungkan dengan document repository, procurement system, dan finance system melalui API atau connector yang aman.

Tahap 4: Batasan Agent

Agent hanya boleh membaca dokumen, mencocokkan data, menandai anomali, dan membuat ringkasan.

Agent tidak boleh menyetujui pembayaran secara otomatis.

Tahap 5: Human Approval

Finance tetap melakukan review akhir sebelum proses dilanjutkan.

Tahap 6: Measurement

Perusahaan mengukur waktu validasi invoice, jumlah error, jumlah invoice yang diproses, dan feedback user.

Alur seperti ini membantu perusahaan membangun agentic AI secara bertahap, bukan langsung menyerahkan seluruh proses kepada AI.

Kesalahan Umum dalam Membangun Agentic AI

Agar roadmap 90 hari berjalan lebih efektif, hindari beberapa kesalahan berikut.

1. Memulai dari Tools, Bukan Masalah Bisnis

Tools AI penting, tetapi bukan titik awal.

Mulailah dari proses bisnis yang jelas, lalu tentukan teknologi yang paling sesuai.

2. Memilih Use Case Terlalu Besar

Use case yang terlalu luas membuat pilot sulit dikendalikan.

Pilih use case yang spesifik, measurable, dan memiliki owner yang jelas.

3. Mengabaikan Kesiapan Data

AI agent tidak akan bekerja optimal jika data tersebar, tidak konsisten, atau tidak memiliki source of truth.

4. Memberi Akses Terlalu Luas

Agent perlu mengikuti prinsip least privilege.

Berikan akses hanya pada data dan tools yang benar-benar dibutuhkan.

5. Tidak Menyiapkan Human Approval

Untuk proses yang berdampak pada keuangan, legal, pelanggan, atau operasional penting, human approval tetap diperlukan.

6. Tidak Mengukur Impact

Pilot yang tidak diukur akan sulit dibawa ke tahap scaling.

Tentukan metrik sejak awal.

7. Tidak Menyiapkan Governance

Agentic AI membutuhkan governance karena agent dapat menggunakan data dan tools.

Tanpa governance, perusahaan sulit mengendalikan risiko.

Checklist Roadmap 90 Hari Agentic AI

Berikut checklist yang dapat digunakan perusahaan.

Tahap	Checklist
Hari 1–15	Use case prioritas, business owner, process map, target impact
Hari 16–30	Data map, system map, data owner, source of truth, risiko data
Hari 31–45	Desain agent, batasan akses, human approval, governance awal
Hari 46–60	Pilot build, API atau connector, retrieval layer, logging
Hari 61–75	Testing, security review, user acceptance, prompt injection scenario
Hari 76–90	Go-live terbatas, measurement, feedback, scaling plan

Checklist ini tidak harus dijalankan secara kaku.

Namun, urutannya membantu perusahaan mengurangi risiko karena setiap fase membangun dasar untuk fase berikutnya.

Bagaimana IDstar Membantu Roadmap Agentic AI Perusahaan?

IDstar membantu perusahaan memetakan, merancang, dan mengimplementasikan agentic AI automation berdasarkan kebutuhan bisnis yang nyata.

Dalam roadmap 90 hari, IDstar dapat membantu perusahaan dalam:

• mengidentifikasi use case agentic AI yang relevan;
• memetakan proses bisnis dan pain point;
• melakukan assessment kesiapan data;
• merancang workflow automation;
• menyiapkan integrasi API dan sistem internal;
• membangun pilot agentic AI;
• menerapkan human approval dan audit log;
• membantu testing dan improvement;
• serta menyediakan talent teknologi melalui IT outsourcing jika dibutuhkan.

IDstar juga dapat membantu perusahaan menentukan apakah kebutuhan lebih tepat diselesaikan dengan agentic AI, automation berbasis aturan, intelligent document processing, RPA, atau integrasi sistem biasa.

Dengan pendekatan ini, perusahaan tidak hanya mengejar tren AI, tetapi membangun fondasi operasional yang lebih siap untuk automation, data-driven workflow, dan transformasi digital jangka panjang.

Kesimpulan

Roadmap membangun agentic AI perlu dimulai dari masalah bisnis, bukan dari tools.

Dalam 90 hari pertama, perusahaan sebaiknya fokus pada assessment proses, pemetaan data, desain agent, governance awal, pilot terbatas, testing, dan measurement.

Agentic AI memiliki potensi besar untuk membantu finance, procurement, inventory, IT support, customer support, HR, dan knowledge management. Namun, potensi tersebut hanya dapat dicapai jika perusahaan memiliki data yang siap, integrasi yang aman, workflow yang jelas, dan kontrol manusia pada proses yang penting.

Jika perusahaan Anda ingin mulai membangun agentic AI secara bertahap, IDstar dapat membantu menyusun roadmap, memilih use case, menyiapkan integrasi, dan menjalankan pilot yang sesuai dengan kebutuhan bisnis.

Diskusikan roadmap agentic AI perusahaan Anda bersama IDstar dan mulai bangun fondasi automation yang lebih siap untuk skala enterprise.

FAQ Seputar Roadmap Membangun Agentic AI

Apa itu roadmap membangun agentic AI?

Roadmap membangun agentic AI adalah rencana bertahap untuk membantu perusahaan memilih use case, menyiapkan data, membangun integrasi, menjalankan pilot, menguji risiko, dan menyiapkan scaling agentic AI.

Apakah perusahaan bisa membangun agentic AI dalam 90 hari?

Dalam 90 hari, perusahaan biasanya dapat membangun pilot agentic AI yang terukur, bukan langsung mengubah seluruh organisasi. Roadmap 90 hari sebaiknya difokuskan pada use case prioritas, data readiness, governance, dan pilot terbatas.

Apa langkah pertama membangun agentic AI?

Langkah pertama adalah memilih use case bisnis yang spesifik dan memiliki dampak jelas. Setelah itu, perusahaan perlu memetakan proses, data, sistem, dan risiko.

Data apa yang dibutuhkan untuk agentic AI?

Data yang dibutuhkan tergantung use case. Contohnya invoice, purchase order, data vendor, knowledge base, data stok, tiket support, dokumen SOP, atau data pelanggan. Data perlu memiliki source of truth dan akses yang jelas.

Apakah agentic AI aman untuk perusahaan?

Agentic AI dapat diterapkan dengan lebih aman jika perusahaan memiliki access control, data classification, human approval, audit log, testing, dan governance yang jelas.

Apa perbedaan agentic AI dan automation biasa?

Automation biasa umumnya berjalan berdasarkan aturan tetap. Agentic AI dapat menggunakan konteks, data, tools, dan reasoning untuk membantu workflow yang lebih dinamis. Namun, agentic AI membutuhkan guardrail dan governance yang lebih kuat.

Use case apa yang cocok untuk pilot agentic AI?

Use case yang cocok biasanya memiliki proses berulang, data yang tersedia, workflow jelas, dan risiko yang masih dapat dikendalikan. Contohnya invoice validation, ticket classification, internal knowledge assistant, procurement support, dan inventory monitoring.

Apakah IDstar bisa membantu roadmap agentic AI?

Ya. IDstar dapat membantu perusahaan memetakan use case, menilai kesiapan data, merancang workflow, menyiapkan integrasi, membangun pilot, dan mengembangkan agentic AI automation sesuai kebutuhan bisnis.

Referensi Kredibel

1. McKinsey — The State of AI: Global Survey 2025
2. McKinsey — State of AI Trust in 2026: Shifting to the Agentic Era
3. OWASP — Agentic AI: Threats and Mitigations
4. NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile
5. IBM — Cost of a Data Breach Report 2025
6. Google Cloud — What is Retrieval-Augmented Generation?
7. Google Cloud — RAG Engine on Gemini Enterprise Agent Platform Overview