Havedev
AI Agent Tidak Akan Menyelamatkan Workflow yang Masih Kabur
Prentis, lab AI baru yang ikut didirikan Ritankar Das, Reid Hoffman, dan Mark Pincus, dikabarkan sedang berdiskusi untuk menggalang dana 100 juta dolar AS dengan valuasi 1 miliar dolar AS.
Fokusnya menarik: model AI yang bisa menggunakan komputer seperti pekerja kantor. Bukan hanya menjawab chat, menulis teks, atau membantu coding, tetapi menavigasi dokumen, sistem internal, aplikasi Windows, dan workflow rutin yang biasanya membuat tim admin, operasional, finance, atau support menghabiskan banyak waktu.
Secara konsep, ini terasa seperti arah yang masuk akal. Banyak pekerjaan kantor memang bukan pekerjaan kreatif besar. Banyak yang berupa mencari dokumen, mengecek status, mengisi form, memindahkan data, mencocokkan informasi, lalu mengambil langkah berikutnya berdasarkan aturan yang cukup berulang.
Jika AI agent bisa menjalankan pekerjaan seperti itu dengan biaya lebih rendah dan akurasi yang cukup baik, dampaknya bisa besar.
Tetapi untuk bisnis, pertanyaan pentingnya bukan hanya apakah AI agent akan semakin pintar.
Pertanyaan yang lebih dekat dengan realita adalah: apakah workflow bisnis sudah cukup jelas untuk dikerjakan oleh agent?
The Core Update
Prentis sedang membangun model yang fokus pada computer use, yaitu kemampuan AI untuk mengontrol komputer dan menyelesaikan tugas langsung di dalam aplikasi yang dipakai manusia.
Menurut laporan TechCrunch, Prentis melatih model untuk mempelajari cara pekerja kantor menjalankan workflow rutin di berbagai dokumen dan sistem. Contoh use case yang disebutkan termasuk menangani klaim asuransi dan mengotomatisasi pengecualian refund bea cukai tanpa perlu manusia mencari dokumen secara manual.
Perusahaan ini juga disebut sudah memiliki kontrak bernilai hingga 50 juta dolar AS dengan beberapa pelanggan, termasuk organisasi layanan manajemen healthcare, manufaktur, serta produsen barang dan pakaian. Materi investor yang dilihat TechCrunch memperkirakan annualized run rate 75 juta dolar AS pada kuartal ketiga tahun ini, meskipun angka itu masih berbasis estimasi nilai tahunan dari fee 20% atas penghematan yang berhasil direalisasikan, bukan revenue yang sudah diakui.
Prentis juga mengklaim model Hive-32B miliknya mengungguli beberapa model besar lain pada benchmark computer-use seperti WindowsAgentArena dan ScreenSpot-v2. Klaim lain yang penting adalah biaya per task sekitar 10 kali lebih rendah dibanding frontier API, sehingga lebih ekonomis untuk workflow harian.
Namun hasil benchmark ini belum diverifikasi independen oleh TechCrunch.
Di sisi pasar, Prentis bukan satu-satunya pemain. Anthropic, OpenAI, dan Thinking Machines Lab juga bergerak di area AI agent untuk computer use. Anthropic bahkan sudah mengakuisisi Vercept, startup computer-use dari Seattle, lalu menyerap timnya.
Artinya, pasar mulai menganggap pekerjaan kantor rutin sebagai medan besar berikutnya untuk AI. Coding mungkin menjadi use case awal yang paling terlihat, tetapi pekerjaan administratif harian bisa menjadi area yang jauh lebih luas.
The Reality Check
Di permukaan, narasinya terlihat sederhana: AI agent akan membuka komputer, membaca layar, klik tombol, mengisi data, dan menyelesaikan pekerjaan yang selama ini membosankan.
Tetapi di banyak bisnis, masalahnya bukan hanya pekerjaan manual.
Masalahnya adalah pekerjaan manual itu sering berjalan di atas aturan yang tidak tertulis.
Admin tahu file mana yang harus dicari karena sudah terbiasa. Sales tahu kapan harus follow-up karena mengingat konteks chat. Finance tahu invoice mana yang perlu diprioritaskan karena pernah diberi tahu owner. Support tahu kapan tiket harus dinaikkan ke tim teknis karena paham kebiasaan internal.
Semua itu terlihat seperti workflow, tetapi sebenarnya banyak bergantung pada ingatan, intuisi, dan kebiasaan orang tertentu.
AI agent sulit menggantikan proses yang bahkan manusia dalam tim belum bisa jelaskan dengan konsisten.
Contohnya, bisnis ingin AI membantu follow-up lead. Pertanyaannya bukan hanya apakah AI bisa membuka CRM dan WhatsApp. Pertanyaannya adalah:
- kapan lead dianggap baru?
- kapan lead harus dibalas manual?
- kapan boleh dikirim pesan otomatis?
- kapan lead dianggap dingin?
- informasi apa yang wajib dicek sebelum follow-up?
- siapa pemilik keputusan jika lead tidak cocok?
- kapan percakapan harus berhenti?
Kalau jawaban ini belum jelas, agent hanya akan mempercepat kekacauan.
Hal yang sama terjadi pada klaim, invoice, order, support, procurement, atau operasional gudang. AI bisa membantu banyak, tetapi tetap butuh batas kerja yang jelas. Ia perlu tahu input apa yang valid, langkah mana yang boleh diambil, data mana yang wajib dicocokkan, dan kapan harus berhenti lalu meminta manusia mengambil keputusan.
Di sinilah banyak bisnis keliru membaca tren AI agent.
Mereka melihat demo yang rapi, lalu membayangkan semua pekerjaan internal bisa langsung diserahkan ke AI. Padahal demo biasanya terjadi pada alur yang sudah dibatasi. Data sudah tersedia. Skenario sudah jelas. Kesalahan bisa dikontrol.
Di bisnis nyata, dokumen sering tidak seragam. Nama pelanggan tidak konsisten. Status order tidak disiplin. File ada di beberapa tempat. Chat berisi konteks yang tidak pernah masuk sistem. Approval berjalan lewat pesan pribadi. Spreadsheet punya kolom yang dipakai berbeda oleh tiap orang.
AI agent bisa mengklik lebih cepat daripada manusia. Tetapi jika sumber datanya berantakan dan aturannya kabur, hasilnya tetap sulit dipercaya.
Maka kabar seperti Prentis sebaiknya dibaca dengan dua sisi.
Pertama, teknologi computer-use memang semakin serius. Akan ada lebih banyak agent yang bisa menjalankan pekerjaan digital harian, bukan hanya memberi saran.
Kedua, bisnis yang ingin mendapat manfaat dari teknologi ini perlu menyiapkan workflow yang bisa dibaca mesin.
Bukan workflow yang sempurna. Tetapi cukup jelas untuk diulang, diaudit, dan diberi batas.
The Havedev Way
Dari sudut pandang Havedev, AI agent bukan langkah pertama untuk banyak bisnis.
Langkah pertama adalah membuat pekerjaan terlihat.
Sebelum bertanya “AI bisa otomatisasi apa?”, bisnis lebih sehat bertanya:
- pekerjaan mana yang paling sering berulang?
- pekerjaan mana yang paling sering terlambat?
- pekerjaan mana yang paling banyak bergantung pada satu orang?
- data apa yang sering dicari ulang?
- keputusan apa yang sebenarnya sudah punya pola?
- risiko apa yang muncul jika agent salah mengambil langkah?
Jawaban ini membantu membedakan pekerjaan yang cocok untuk automation dan pekerjaan yang masih perlu dirapikan dulu.
Untuk banyak bisnis, urutannya lebih masuk akal seperti ini.
Pertama, rapikan status kerja. Lead, order, support, invoice, atau request internal perlu punya status yang disepakati. Tanpa status, agent tidak tahu pekerjaan berada di titik mana.
Kedua, rapikan sumber data. Jika informasi pelanggan tersebar di chat, spreadsheet, email, dan catatan pribadi, AI akan sulit membuat keputusan yang stabil. Minimal, data penting perlu punya tempat utama.
Ketiga, tentukan batas keputusan. Tidak semua hal perlu otomatis. Agent boleh mengambil langkah rendah risiko, seperti mengisi draft, mencari dokumen, mencocokkan data, atau membuat reminder. Tetapi keputusan bernilai tinggi tetap perlu human approval sampai sistem terbukti aman.
Keempat, mulai dari alur yang dekat dengan uang atau pelanggan. Lead follow-up, support triage, invoice checking, order confirmation, atau document collection biasanya lebih mudah dihitung manfaatnya dibanding automation yang terlalu umum.
Kelima, ukur dari hasil operasional, bukan dari kesan canggih. Automation yang baik harus mengurangi waktu tunggu, mengurangi pekerjaan ulang, mempercepat respons, atau menurunkan error. Kalau hanya membuat demo terlihat pintar, nilainya belum tentu nyata.
Prentis dan pemain sejenis bisa membuka fase baru dalam software bisnis. Selama ini banyak sistem menunggu manusia masuk, membaca, klik, dan mengisi. Ke depan, sebagian pekerjaan itu bisa dijalankan oleh agent yang memahami layar dan konteks aplikasi.
Tetapi bisnis tetap perlu berhati-hati.
AI agent bukan pengganti struktur kerja. Ia memperbesar struktur yang sudah ada. Jika alurnya jelas, agent bisa membantu mempercepat. Jika alurnya kabur, agent bisa membuat masalah bergerak lebih cepat dan lebih sulit dilacak.
Karena itu, strategi yang paling praktis bukan menunggu model paling pintar.
Mulai dari satu workflow yang sering memakan waktu. Tulis statusnya. Tulis datanya. Tulis keputusan yang boleh diambil otomatis. Tulis kapan manusia harus masuk. Setelah itu, baru pilih apakah cukup memakai spreadsheet, dashboard, automation ringan, integrasi API, atau agent yang lebih canggih.
Teknologi seperti Prentis membuat masa depan AI agent terasa lebih dekat. Tetapi bisnis yang akan paling siap bukan yang paling cepat membeli tool baru.
Bisnis yang paling siap adalah yang sudah tahu bagaimana pekerjaannya bergerak.
Dapatkan Audit Teknis Gratis untuk meninjau workflow, website, lead, dan proses internal yang perlu dirapikan sebelum bisnis Anda masuk ke automation dan AI agent.
Sumber referensi berita: TechCrunch