Agentic AI Ops
Agentic AI · Operasi TI · Keamanan · SDLC

Agent AI yang memantau infrastruktur, aplikasi, dan proses pengembangan software Anda

Halaman ini menjelaskan apa itu AI Agent, apa bedanya dengan Agentic AI, dan bagaimana sistem agentic AI bekerja secara aman, terukur, dan dapat diaudit. Sistem ini membaca data dari banyak aplikasi, menalar dengan LLM, lalu menyerahkan keputusan penting kepada manusia.

01

Apa itu AI Agent?

AI Agent adalah program yang memakai model AI (biasanya Large Language Model / LLM) untuk mencapai sebuah tujuan secara mandiri, bukan sekadar menjawab pertanyaan. Agent bisa memanggil tools dan API, membaca hasilnya, lalu memutuskan langkah berikutnya.

MengamatiMenerima pemicu dan membaca data: alert, status pipeline, tiket, metrik.
MenalarMemahami situasi, menghubungkan fakta, dan merencanakan langkah.
BertindakMemanggil tools: mencari dokumen, mengambil data, membuat draf laporan.
MengevaluasiMenilai hasil, lalu mengulang siklus sampai tujuan tercapai.

Perbedaan utama dengan chatbot: chatbot menjawab lalu berhenti, sedangkan agent mengerjakan tugas bertahap, misalnya mengumpulkan bukti dari 5 sistem, menyusun analisis, dan menyiapkan draf tiket.

02

AI Agent vs Agentic AI

Dua istilah ini sering dipakai bergantian dan definisinya belum sepenuhnya baku di industri. Secara umum perbedaannya seperti ini:

AspekAI AgentAgentic AI
ArtiSatu "pekerja" AI yang menjalankan tugas tertentuPendekatan atau sistem yang memberi AI kemampuan bertindak mandiri secara terarah
CakupanSatu tugas yang jelas, mis. triase alertProses bisnis ujung-ke-ujung, sering melibatkan banyak agent
KomponenLLM + tools + instruksiOrchestrator, beberapa agent, konektor data, memori, policy engine, persetujuan manusia, audit log
PerencanaanLangkah relatif terbatasMerencanakan, membagi tugas, dan beradaptasi terhadap kondisi baru
Tata kelolaBiasanya diatur di level promptDiatur di level sistem: hak akses, kebijakan, persetujuan, jejak audit
AnalogiSeorang analisSatu tim operasional lengkap dengan SOP, atasan yang menyetujui, dan arsip
Singkatnya: AI Agent adalah komponennya, Agentic AI adalah sistemnya. Kelima demo di halaman ini menggambarkan sistem Agentic AI: agent bekerja di dalam kerangka orkestrasi, aturan deterministik, dan pengawasan manusia.
03

Cara kerja sistem Agentic AI ini

Demo Infra & Aplikasi dan demo SDLC memakai alur 11 tahap berikut. Kolom kanan memberi contoh nyata dari demo SDLC (kasus CASE-03: pull request di-merge tanpa review kedua). Demo AI Video Content memakai prinsip yang sama dalam bentuk pipeline 8 agent berurutan, masing-masing diakhiri gerbang human review. Demo Multi-LLM Insight memakai pola fan-out/fan-in: satu orchestrator mengirim solusi ke 8 model LLM sebagai devil’s advocate, lalu hasilnya dikelompokkan pro/kontra/netral sebelum diputuskan manusia. Demo Dapur Katering menunjukkan prinsip “angka dari rumus, kata-kata dari LLM”: HPP, stok, dan pemilihan supplier dihitung deterministik, sedangkan LLM hanya menulis draf PO dan penawaran.

  1. 1

    Event Intake

    Menerima pemicu: webhook, alert, jadwal, atau permintaan manual.
    Contoh: webhook Git, PR #918 di-merge dengan bypass branch protection.
  2. 2

    Orchestrator

    Memilih workflow dan agent yang tepat; menjaga state, timeout, retry.
    Contoh: kasus diarahkan ke agent "SDLC guard".
  3. 3

    Agent

    Merencanakan data apa yang dibutuhkan untuk menjawab kasus.
    Contoh: perlu data PR, hasil scan, jadwal deploy, dan change record.
  4. 4

    Konektor data

    Membaca aplikasi dengan identitas layanan berhak minimum (baca saja).
    Contoh: Git, SonarQube, CI/CD, ITSM/Change, Jira.
  5. 5

    Cek relevansi & freshness

    Aturan deterministik (bukan AI) memeriksa data baru, lengkap, dan tidak bertentangan.
    Contoh: konflik, karena change record menyebut "direview 2 orang" sementara Git mencatat hanya 1.
  6. 6

    Knowledge Base (RAG)

    Mencari prosedur/kebijakan yang berlaku, lengkap dengan versi dan tanggal berlaku.
    Contoh: KB-SDLC-007 "Kebijakan four-eyes" v3.0.
  7. 7

    Penalaran LLM

    Menghubungkan fakta dengan prosedur; menyusun interpretasi dan draf. Tidak membuat fakta baru.
    Contoh: "Kontrol four-eyes dilewati + potensi IDOR → risiko kebocoran data nasabah" (keyakinan 88%).
  8. 8

    Policy Engine

    Memilah rekomendasi: otomatis, wajib persetujuan, atau diblokir.
    Contoh: "tahan deploy" dan "revert merge" wajib persetujuan; "force push" diblokir.
  9. 9

    Human Reviewer

    Manusia menyetujui, menolak, atau meminta data tambahan.
    Contoh: Release Manager memutuskan untuk menahan deploy.
  10. 10

    Aksi

    Membuat draf tiket, laporan, atau pesan, yang di demo bersifat simulasi saja.
    Contoh: draf tiket insiden & draf pesan ke Release Manager.
  11. 11

    Audit Log

    Setiap langkah, sumber data, hasil kebijakan, dan keputusan tercatat.
    Contoh: jejak lengkap dapat dilihat di detail kasus dan tab Governance.
04

Prinsip desain: aman, terukur, dapat diaudit

Agentic AI di lingkungan regulasi (perbankan, asuransi, multifinance) harus dapat dipertanggungjawabkan. Tiga prinsip berikut diterapkan di kelima demo.

a. Empat lapisan keluaran yang selalu dipisahkan

Fakta

Data asli dari sumber, lengkap dengan nama sumber, ID bukti, dan timestamp.

Interpretasi AI

Analisis LLM beserta tingkat keyakinan dan daftar ketidakpastian.

Rekomendasi

Usulan langkah; yang berdampak ditandai "perlu persetujuan".

Tindakan

Yang benar-benar dilakukan sistem. Di demo hanya berupa draf simulation_only.

b. Pembagian kerja LLM dan aturan deterministik

LLM untuk hal yang butuh pemahaman bahasa

  • Memahami teks bebas: user story, tiket, deskripsi PR, runbook.
  • Menyusun interpretasi dan kronologi dari fakta yang diberikan.
  • Menulis draf tiket, laporan Go/No-Go, dan pesan.

Aturan untuk hal yang harus konsisten

  • SLA, quality gate, coverage, NFR, kriteria Go/No-Go.
  • Freshness data, data hilang, dan konflik antar-sumber.
  • Policy check, pemisahan tugas (SoD), dan pencatatan audit.

c. Guardrail keamanan & perlindungan data

  • Agent memakai identitas layanan berhak minimum (least privilege), bukan akun admin.
  • Secret, password, kode sumber lengkap, dan data nasabah mentah tidak pernah dikirim ke LLM; data pribadi disamarkan atau hanya dikirim sebagai hitungan agregat.
  • Data yang hilang atau bertentangan ditampilkan apa adanya, tidak dipilih diam-diam.
  • Keputusan berdampak dan penerimaan risiko selalu oleh manusia yang berwenang.
  • Selaras dengan prinsip ISO/IEC 27001:2022 (kontrol akses, logging, perlindungan PII, secure development) dan UU PDP.
05

Coba demo interaktif

Pilih kasus, klik Jalankan simulasi, lalu lihat agent mengambil data langkah demi langkah. Setelah itu Anda berperan sebagai reviewer yang menyetujui, menolak, atau meminta data tambahan. Semua data fiktif dan tidak terhubung ke sistem nyata.

19 kasus24 sumber dataSOC · ITOps · ITSM

Monitoring Keamanan Infrastruktur & Aplikasi

Agent membantu tim SOC, infrastruktur, dan layanan TI menangani insiden secara cepat dan terdokumentasi.

  • Login admin mencurigakan, phishing, malware endpoint, webshell
  • Kerentanan kritis, Nginx, laporan CVE harian yang diselaraskan dengan SBOM
  • Kapasitas storage, kegagalan backup, lag replikasi DR, uji DR
  • Offboarding akses, akses istimewa, DLP, sertifikat TLS, bukti audit
15 kasus18 sumber dataSDLC · Agile · DevSecOps

Monitoring SDLC Agile

Agent memantau proyek pengembangan aplikasi mulai dari backlog, sprint, code review, pipeline, dan pengujian sampai rilis dan audit.

  • Aplikasi baru: kesiapan backlog (DoR), NFR performa API
  • Sedang dibangun: burndown sprint, quality gate keamanan, milestone vendor
  • Enhancement: four-eyes review, UAT, Go/No-Go, canary rollback, tech debt
  • Integrasi & migrasi: kontrak API, consent data, rekonsiliasi migrasi, Kubernetes
14 proyek8 tahap + 8 gerbang reviewKonten · Kreatif · GenAI

AI Video Content Studio

Tim agent mengubah brief menjadi paket produksi video secara end-to-end. Di setiap tahap, manusia memutuskan apakah draf disetujui, direvisi, dikembalikan, atau dihentikan.

  • Pra-produksi: konsep, storytelling, narasi/naskah VO, storyboard
  • Prompt engineering: prompt scene, prompt gambar (keyframe), prompt video per scene
  • Kontrol otomatis: kata/detik, klaim terlarang, disclaimer, gaya seniman hidup, teks di video, label AI
  • 14 jenis konten: iklan, edukasi, sosialisasi internal, short-form, company profile, explainer, tutorial, testimoni dramatisasi, employer branding, teaser event, dokumenter CSR, jingle/lyric video, ucapan hari raya, klip podcast
10 kasus8 model LLM · 80 pendapatInsight · Graph · Debat

Multi-LLM Problem Insight

Pengguna menceritakan masalahnya, lalu agent memetakannya menjadi graph sebab-akibat dan menjabarkan solusi. Delapan model LLM berperan sebagai devil’s advocate, dan pendapat mereka dikelompokkan menjadi pro, kontra, dan netral.

  • Analisis: akar penyebab → faktor pemicu → masalah inti → dampak, lalu solusi yang menarget setiap akar
  • Debat: 8 lensa kritik (data, risiko & regulasi, konteks lokal, manusia, pragmatis, contrarian, dll.) dengan bobot keyakinan
  • Privasi: PII Guard menyamarkan nama, telepon, email, NIK, dan nomor kartu sebelum fan-out
  • UMKM, SDM, produk digital, karier, keuangan keluarga, klinik, sekolah, e-commerce, FinOps cloud, koperasi petani
10 skenario30 resep · 38 bahan · 16 supplierKuliner · Katering · F&B

Dapur Katering Agentic

Tim agent menghubungkan resep, HPP, stok bahan mentah, harga supplier, dan data pelanggan setiap kali ada pesanan atau gangguan. Pemilik/purchasing menyetujui PO dan penawaran.

  • Resep & HPP: food cost, margin, dan dampak kenaikan harga bahan ke 30 resep
  • Inventory: simulasi berapa porsi yang bisa dibuat dari stok saat ini, bahan pembatas, dan reorder point
  • Supplier: perbandingan harga dan lead time 16 supplier, single source, kontak disamarkan sesuai peran
  • Pelanggan: nilai bulanan, churn, risiko kredit, pantangan menu, dan siapa yang butuh menu tertentu
06

Dari demo ke implementasi nyata

Demo berupa satu file HTML mandiri tanpa server, tanpa API, dan tanpa LLM sungguhan. Untuk implementasi di organisasi Anda, setiap komponen simulasi diganti dengan integrasi nyata:

KomponenDi demoImplementasi nyata
Sumber dataData dummy di dalam fileKonektor API ke SIEM, EDR, ITSM, CMDB, Jira, GitLab/GitHub, Jenkins, SonarQube, APM, dll.
PenalaranInterpretasi yang sudah ditulisLLM (mis. Claude) dengan prompt terstruktur dan output JSON yang divalidasi
ProsedurReferensi dokumen fiktifRAG atas runbook, kebijakan, dan standar SDLC organisasi
KebijakanAturan di dalam kodePolicy engine (mis. OPA) dan matriks persetujuan
PersetujuanTombol di browserAlur approval di ITSM, Microsoft Teams, atau Slack
AuditLog di memori browserLog terpusat yang tidak dapat diubah (SIEM / GRC)

Tertarik implementasi?

Hubungi Kukuh TW bila tertarik mengimplementasikan AI automation untuk monitoring keamanan infrastruktur server, aplikasi, dan SDLC pada organisasi Anda.