Tingkatkan Efisiensi dengan Otomatisasi Agen
Sejak awal, kisah otomatisasi telah mengalami kemajuan linier. Mulai dari otomatisasi proses robotik (RPA) hingga pemrosesan dokumen cerdas (IDP), setiap inovasi baru telah menjadikan perusahaan lebih produktif, menguntungkan, dan tangkas.
Namun kini, sesuatu yang lebih besar sedang terjadi. Teknologi baru—otomatisasi agen—mengganggu siklus peningkatan bertahap ini, membuka peluang penemuan kembali alur kerja yang belum pernah kita lihat sebelumnya.
Daripada berfokus pada tugas individu, otomatisasi agen memanfaatkan robot, AI, dan orkestrasi untuk menangani seluruh alur kerja dari awal hingga akhir. Inti dari otomatisasi agen adalah agen AI—entitas perangkat lunak otonom yang dapat memahami lingkungannya, menavigasi wilayah asing, dan mengambil keputusan dengan cepat.
Cetak biru untuk menangkap nilai otomatisasi agen adalah tema webcast triwulanan kami baru-baru ini, UiPath Live :Jalan Menuju Otomatisasi Agenik. Kami mendapat hak istimewa untuk memilih otak dari panel terbaik—ilmuwan AI, pakar otomatisasi, dan pemimpin perusahaan—tentang apa arti transformasi ini bagi bisnis saat ini dan di masa depan.
Sebagian besar pemimpin belum memahami skala potensi otomatisasi agen. Namun beberapa orang terpilih yang telah siap dan siap untuk mendapatkan manfaat terbesar dari teknologi yang mengubah permainan ini.
Tiga area di mana otomatisasi agen mendefinisikan ulang cara pekerjaan diselesaikan
Meskipun otomasi tradisional tetap penting untuk tugas-tugas terstruktur dan berbasis aturan, otomasi agen berkembang pesat ketika ketidakpastian terjadi. Inilah cara mereka menjembatani kesenjangan yang dulunya tampak tidak dapat dijembatani.
1. Dari aturan hingga alasan
Berapa banyak proses bisnis Anda yang mengandalkan masukan dalam berbagai format? Bagaimana dengan data yang kurang sempurna?
Bagi sebagian besar organisasi, jawabannya terlalu banyak.
Secara historis, otomatisasi mengalami kesulitan mengatasi inkonsistensi data. Jika informasi tidak sampai dalam paket yang terstruktur dan terstandar, karyawan harus turun tangan—menerjemahkan data antar sistem, membersihkan perbedaan, dan memformat ulang file secara manual. Walaupun waktu mereka lebih baik dihabiskan di tempat lain, ketidakberesan ini membuat mereka tidak punya pilihan lain. Begitulah, hingga agen AI ikut berperan.
Agen AI berkembang dalam ambiguitas. Mereka tidak membutuhkan data yang sempurna untuk berfungsi. Edward Challis, Kepala Strategi AI di UiPath, menjelaskan kepada pembawa acara UiPath Live Mary Tetlow dan Geoff Anderson bahwa “agen menawarkan cara yang sangat ampuh untuk menangani tugas-tugas yang datanya terus berubah.” Daripada mengharuskan karyawan menyusun setiap masukan secara manual, agen AI dapat mengambil sasaran tingkat tinggi dan menentukan cara terbaik untuk memproses data yang berantakan, tidak lengkap, atau tidak konsisten.
Keterampilan ini sangat berharga dalam industri dimana format data sangat bervariasi. Misalnya WEX, penyedia teknologi keuangan global yang memproses klaim layanan kesehatan dalam jumlah besar setiap hari. Klaim terstruktur—pengajuan digital bersih dengan kolom terstandarisasi—mudah ditangani oleh RPA. Namun banyak juga yang datang dalam format yang lebih berantakan, seperti catatan dokter yang ditulis tangan atau formulir yang buram. Di masa lalu, karyawan harus memahami kekacauan ini secara manual sebelum klaim dapat diproses, sehingga menyebabkan penundaan yang membuat pelanggan frustrasi dan biaya yang lebih tinggi bagi WEX.
Kini, agen AI menangani variabilitas ini secara otomatis. Mereka mengekstrak detail penting, memeriksa silangnya agar sesuai dengan persyaratan kepatuhan, dan hanya meneruskan kasus yang paling rumit ke tim manusia.
2. Dari otomatisasi tugas hingga penemuan kembali alur kerja
Memvariasikan masukan bukan satu-satunya penghalang bagi otomatisasi perusahaan secara luas. Ada juga kompleksitas proses yang luar biasa. Terlalu banyak pernyataan bersyarat "jika", terlalu banyak variasi, terlalu banyak pengecualian…pada titik tertentu, mencoba mengotomatisasi alur kerja seperti ini dengan metode tradisional menjadi sulit. “Terlalu memakan waktu untuk menentukan proses otomatisasi yang harus dijalankan untuk setiap skenario,” kata Dr. Challis.
Otomatisasi agen mengambil pendekatan yang berbeda secara mendasar. Alih-alih mengikuti skrip, agen menganalisis masalah—menentukan apa yang penting, apa yang perlu diperhatikan, dan apa yang bisa diproses secara mandiri.
Namun mereka tidak bekerja secara terpisah. Agen AI berada dalam kondisi terbaiknya ketika menjadi bagian dari ekosistem yang memadukan intuisi manusia, presisi robot, dan kemampuan beradaptasi agen. Misalnya, agen mungkin memecah alur kerja yang kompleks menjadi beberapa subtugas:bot RPA menangani entri data, API menarik harga pasar secara real-time, dan manusia menyelesaikan kasus-kasus edge.
Dr Challis mengibaratkan proses ini seperti memanggang kue. “Saat Anda menjalankan resep itu, Anda mempunyai banyak pilihan mengenai mentega mana yang akan Anda gunakan, bagaimana Anda mendapatkan menteganya, mangkuk mana yang akan Anda gunakan,” katanya. “Jadi, ada fleksibilitas antara lembaga dan rutinitas yang ditentukan tentang bagaimana proses tersebut akan dilakukan.”
Keseimbangan antara struktur dan kemampuan beradaptasi sangat cocok untuk menghadapi sejumlah tantangan perusahaan yang terus-menerus. Sistem anti pencucian uang (AML), misalnya, merupakan bagian penting dari kerangka keamanan lembaga keuangan. Namun alat tersebut masih jauh dari sempurna—alat tradisional cenderung membuat tim kepatuhan mendapat peringatan palsu. Dalam beberapa kasus, angka ini bisa mencapai 90%, sehingga memaksa tim menyaring banyak gangguan untuk mengidentifikasi risiko sebenarnya.
Agen AI unggul dalam menyaring kesalahan positif untuk mengidentifikasi ancaman nyata. Mereka melakukan hal ini dengan menganalisis data terstruktur dan tidak terstruktur—menemukan pola seperti transfer kecil dan berulang yang menandakan adanya risiko nyata. Seperti yang disampaikan oleh tamu Live Craig Le Clair, Wakil Presiden dan Analis Utama di Forrester, agen telah terbukti mengurangi kesalahan positif dalam proses ini sebesar 60%. Hal ini telah membebaskan tim kepatuhan untuk fokus pada investigasi berprioritas tinggi dibandingkan terjebak dalam tinjauan yang tidak diperlukan.
2. Dari coding hingga berkolaborasi
Untuk mewujudkan nilai penuh mereka sebagai mitra kolaboratif, karyawan harus mampu berkomunikasi dengan agen AI dalam bahasa alami. Model bahasa besar (LLM) seperti ChatGPT seharusnya membuka kemitraan semacam ini, namun bagi non-pemrogram, kenyataannya lebih rumit.
Meskipun LLM merespons perintah dalam bahasa sederhana, membuat LLM memberikan hasil yang tepat memerlukan pengetahuan pemrograman—yaitu, pemahaman mendalam tentang dekomposisi masalah dan validasi kode. Sederhananya, mengetahui apa yang diminta hanyalah setengah dari perjuangan. Anda juga perlu mengetahui apakah yang Anda dapatkan kembali benar.
Saya seorang programmer, jadi jika LLM memberi saya kembali 100 baris kode, saya dapat membacanya dan mencari tahu apakah itu benar-benar melakukan apa yang saya inginkan. Di sisi lain, jika teman saya yang bukan programmer mencoba melakukan hal yang sama, akan sangat sulit untuk mengetahui apakah outputnya benar-benar sesuai dengan keinginannya. Anda memerlukan banyak keahlian bahkan untuk memeriksanya.
Sarah E. Chasins, Ilmuwan Terapan Utama di UiPath
Otomatisasi agen menghilangkan hambatan ini. Karyawan dapat menjelaskan tujuan mereka—meskipun tidak jelas—dan membiarkan agen menerjemahkan arahan tersebut menjadi tindakan. Hal ini sangat transformatif bagi WEX, karena tim tidak perlu lagi menerjemahkan persyaratan bisnis ke dalam logika yang kaku.
Daripada harus menghabiskan waktu berminggu-minggu untuk memikirkan setiap skenario deterministik, saya dapat mengomunikasikan tujuan yang saya inginkan kepada pengembang saya. Apa hasil bisnis yang saya cari ini? Dan kemudian saya dapat melihat hal-hal ini bekerja sama. Jadi, hal ini menciptakan keterbukaan antara produk dan tim teknologi yang belum pernah kami miliki dalam coding tradisional sebelumnya.
Emily Krohne, Kepala Otomasi Perusahaan di WEX
Kemampuan ini mengesankan…tetapi bagaimana saya bisa yakin bahwa agen AI tidak akan bertindak nakal?
Mari kita atasi permasalahan yang ada:dengan kemampuan untuk berfungsi di seluruh sistem dan proses, bagaimana saya bisa yakin bahwa agen melakukan apa yang saya ingin mereka lakukan?
Ini adalah kekhawatiran yang sah. Agen bersifat non-deterministik, dan ketidakpastian yang melekat pada mereka adalah bagian dari apa yang membuat mereka begitu kuat. Menerapkan otomatisasi agen dengan aman memerlukan pagar pembatas yang tepat untuk memastikan agen beroperasi dengan andal, aman, dan transparan.
Memberikan informasi terbaru kepada manusia
Agen beroperasi dengan tingkat otonomi tertentu, namun itu tidak berarti mereka harus berjalan tanpa pengawasan. Dalam sebagian besar kasus penggunaan di perusahaan, mereka akan berfungsi sebagai alat pendukung keputusan, bukan sebagai aktor yang sepenuhnya otonom. Dr. Challis menjelaskan hal ini:"Selama beberapa tahun ke depan, agen akan melakukan penelitian dan membuat proposal, namun manusia perlu meninjaunya. Sebelum perubahan besar dilakukan, kita akan memiliki pos pemeriksaan manusia."
Pemantauan berkelanjutan
Visibilitas adalah segalanya. Untuk memastikan agen AI beroperasi sebagaimana mestinya, organisasi memerlukan pemantauan real-time selama desain dan waktu proses.
Zach Eslami, Manajer Senior Manajemen Produk di UiPath, menegaskan poin ini:“[transparansi adalah] aspek kunci untuk memastikan agen Anda beroperasi dengan baik di lingkungan yang tertutup dan juga di dunia luar.” Organisasi memerlukan visibilitas tentang cara agen mengambil keputusan sehingga mereka dapat menyempurnakan kinerjanya dari waktu ke waktu dan memastikan mereka tetap selaras dengan tujuan bisnis.
Memasangkan agen AI dengan bot RPA deterministik adalah salah satu cara terbaik untuk mempertahankan kendali. Saat agen beradaptasi dan membuat keputusan berdasarkan konteks, bot RPA mengikuti logika berbasis aturan yang ketat—menciptakan keseimbangan antara fleksibilitas dan prediktabilitas. “Kami percaya bahwa agen kami menunjukkan tingkat keagenan yang terkontrol karena mereka tidak hanya berinteraksi dengan alat dan aplikasi,” jelas Eslami. “Mereka tidak membuat rencana sendiri. Mereka mampu memanfaatkan manusia dan robot untuk menciptakan tingkat determinisme baru pada keluaran mereka dan memastikan mereka beroperasi sesuai dengan harapan pengguna dan pelanggan kami.”
Bermitra dengan vendor tepercaya
Kepercayaan adalah dasar dari otomatisasi perusahaan yang efektif. Bukan hanya kepercayaan pada teknologinya, namun juga pada kemitraan yang mewujudkannya. Krohne menyebutkan bahwa “sejarah WEX dengan alat RPA UiPath memungkinkan kami menskalakan agen lebih cepat.”
Ketika agen AI diperkenalkan di atas infrastruktur otomasi yang sudah ada, mereka tidak akan merasa mengganggu. Sebaliknya, mereka menjadi perpanjangan alami dari apa yang sudah dilakukan bisnis—meningkatkan alur kerja tanpa merombaknya. Eslami memperkuat poin ini:"pada akhirnya, kami melihat agen mampu membangun di atas UiPath Platform™ yang sudah ada. Itu berarti mereka dapat memanfaatkan semua alat otomatisasi luar biasa yang kami miliki.”
Namun meletakkan dasar hanyalah langkah pertama. Untuk membuka potensi penuh otomatisasi agen, perusahaan memerlukan cara untuk membangun, menerapkan, dan mengelola agen AI dalam skala besar.
UiPath Agent Builder memberi tim alat untuk merancang agen yang memenuhi kebutuhan bisnis mereka. Dengan pemantauan dan tata kelola bawaan, perusahaan dapat menerapkan agen AI dengan percaya diri—mengetahui bahwa mereka akan bekerja sebagaimana mestinya sejak hari pertama. Bergabunglah dalam daftar tunggu Agent Builder sekarang juga untuk menjadi orang pertama yang menjelajahi era otomatisasi berikutnya.
Dan, untuk mengetahui lebih dalam tentang otomatisasi agen saat ini dan masa depan, lihat episode lengkap UiPath Live:Jalan Menuju Otomatisasi Agen, yang kini tersedia sesuai permintaan.
