Enterprise DNA pada 28 September 2026 mengangkat kembali salah satu temuan utama dari The 2026 State of AI Agents Report milik Anthropic: 80% organisasi yang disurvei mengatakan investasi AI agent mereka sudah memberikan measurable economic return. Enterprise DNA
Angka itu tentu menarik. Namun ada bagian lain dari report tersebut yang menurut kami justru lebih penting untuk diperhatikan perusahaan yang sedang membawa AI agents lebih jauh ke dalam operasional.
Ketika ditanya mengenai hambatan implementasi, 46% responden menyebut integration dengan existing systems, 42% menunjuk data access dan quality, dan 43% menyebut implementation cost. Anthropic kemudian menyimpulkan bahwa enterprise perlu memperlakukan AI deployment sebagai systems challenge, bukan sekadar software purchase. Anthropic Resources
Bagi kami, dua temuan ini perlu dibaca bersama.
AI agents mulai menunjukkan economic value. Tetapi ketika organisasi ingin memperluas penggunaannya, tantangannya semakin banyak muncul pada environment tempat agent tersebut harus bekerja.
The 2026 State of AI Agents Report disusun dari masukan lebih dari 500 technical leaders dan sejumlah real-world implementation. Jadi angka 80% tersebut menggambarkan organisasi dalam survei Anthropic, bukan seluruh enterprise secara global. Anthropic Resources
Yang menarik, penggunaan agents dalam kelompok tersebut sudah bergerak cukup jauh dari eksperimen sederhana.
Sebanyak 57% responden menggunakan agents untuk multi-stage workflows, sementara 16% sudah menjalankannya pada cross-functional processes yang melibatkan lebih dari satu fungsi bisnis. Untuk 2026, 81% responden berencana menangani use case yang lebih kompleks, termasuk multi-step processes dan cross-functional projects. Claude
Arah penggunaan ini penting karena agent yang mengerjakan satu task secara terisolasi memiliki requirement yang berbeda dengan agent yang masuk ke workflow operasional.
Semakin panjang proses yang dikerjakan, semakin besar kemungkinan agent harus berinteraksi dengan data, application, API, user permission, dan business rule yang sudah ada sebelumnya.
Jadi kompleksitasnya tidak bertambah hanya karena agent melakukan lebih banyak langkah. Kompleksitas juga bertambah karena agent mulai memiliki lebih banyak dependency.
Coding masih menjadi salah satu area penggunaan agent terbesar dalam survei Anthropic. Namun value yang dilaporkan sudah meluas ke area lain.
Data analysis dan report generation disebut oleh 60% responden sebagai high-impact use case, sementara 48% menyebut internal process automation. Anthropic juga mencatat bahwa penggunaan mulai berkembang ke research, customer service, financial planning, dan supply chain operations. Claude
Pergerakan tersebut membawa agent lebih dekat ke data dan aplikasi yang digunakan perusahaan sehari-hari.
Agent untuk internal reporting, misalnya, akan lebih berguna ketika dapat memperoleh data yang tepat dari source yang memang dipercaya organisasi. Agent untuk operational process mungkin perlu membaca status dari satu system, menggunakan informasi dari system lain, lalu meneruskan hasilnya ke workflow berikutnya.
Di sinilah persoalan integration mulai berbeda dari sekadar membuat sebuah API connection.
Agent perlu mendapatkan context yang tepat dari sistem yang tepat, dengan access yang sesuai, pada saat proses memang membutuhkannya.
Integration menjadi penting karena enterprise agent jarang bekerja sendirian.
Di dalam organisasi, informasi biasanya sudah tersebar di CRM, ERP, HRIS, document repository, data platform, operational applications, dan berbagai service lain.
Ketika sebuah agent membutuhkan informasi dari environment tersebut, koneksi teknis hanyalah bagian pertama.
Masih ada persoalan tentang data mana yang seharusnya digunakan, apakah informasi tersebut cukup fresh, siapa yang boleh mengaksesnya, action apa yang boleh dilakukan agent, serta bagaimana sistem menangani kondisi ketika salah satu dependency tidak tersedia.
Karena itu, angka 46% untuk system integration dan 42% untuk data access and quality dalam report Anthropic sebenarnya saling berkaitan. Anthropic Resources
Agent dapat memiliki akses ke sebuah system tetapi tetap kesulitan memberikan hasil yang konsisten apabila data di dalamnya tidak cukup reliable. Sebaliknya, data yang berkualitas juga tidak banyak membantu jika agent tidak memiliki jalur yang tepat untuk menggunakannya di dalam workflow.
Pada aplikasi AI yang hanya menghasilkan jawaban, data yang kurang tepat dapat menghasilkan respons yang kurang relevan.
Ketika agent mulai terlibat dalam workflow, konsekuensinya bisa lebih jauh.
Informasi yang dibaca agent dapat menjadi dasar untuk menentukan proses berikutnya, memanggil tool, membuat recommendation, atau menjalankan action tertentu sesuai dengan authority yang diberikan.
Karena itu, data readiness dalam agentic system tidak berhenti pada tersedianya data.
Organisasi juga perlu memahami asal data, kualitasnya, siapa pemiliknya, seberapa sering diperbarui, dan dalam konteks apa agent diperbolehkan menggunakannya.
Semakin dekat agent dengan proses bisnis yang memiliki consequence nyata, semakin sulit memisahkan kualitas AI dari kualitas data dan system architecture yang mendukungnya.
Di bagian inilah kami melihat pesan paling penting dari report Anthropic.
Perusahaan memang perlu memilih model dan agent framework yang sesuai. Capability tersebut tetap menentukan apa yang secara teknis mungkin dilakukan.
Namun ketika agent mulai masuk ke real workflow, architecture di belakangnya ikut menentukan apakah capability tersebut benar-benar bisa digunakan.
Sebuah production agent dapat bergantung pada enterprise data, API, identity management, access policy, application integration, workflow logic, logging, monitoring, serta proses ketika manusia perlu mengambil alih.
Masalah pada salah satu bagian tersebut dapat terlihat seperti masalah pada agent, meskipun modelnya sendiri bekerja sesuai ekspektasi.
Anthropic secara eksplisit merekomendasikan enterprise untuk memprioritaskan technical integration dan data infrastructure lebih awal, serta memperlakukan AI deployment sebagai systems challenge. Anthropic Resources
Ini menurut kami merupakan perkembangan yang lebih penting daripada sekadar perubahan pada benchmark model.
Enterprise environment biasanya sudah memiliki architecture, data source, security requirement, dan business process yang berkembang selama bertahun-tahun.
Agent harus masuk ke dalam kondisi tersebut.
Dalam beberapa use case, pre-built agent mungkin sudah cukup. Di tempat lain, perusahaan membutuhkan custom integration, orchestration, atau logic tambahan agar agent bisa mengikuti workflow yang sudah berjalan.
Karena itu, keputusan enterprise AI semakin sulit dipisahkan menjadi pilihan sederhana antara membeli satu produk atau membangun semuanya sendiri.
Pertanyaannya menjadi lebih praktis: bagian mana yang sudah dapat menggunakan capability yang tersedia, dan bagian mana yang membutuhkan engineering agar agent dapat bekerja dengan existing systems secara aman dan konsisten.
Report Anthropic sendiri menunjukkan organisasi sedang bergerak ke deployment yang lebih kompleks dan lintas fungsi. Semakin jauh arahnya ke sana, semakin besar peran architecture di sekitar agent. Claude
Bagi perusahaan yang masih berada pada tahap pilot, temuan ini tidak berarti seluruh enterprise architecture harus diselesaikan sebelum use case pertama dibuat.
Pilot tetap berguna untuk membuktikan apakah agent dapat menyelesaikan pekerjaan yang dimaksud dan apakah ada value yang cukup untuk diteruskan.
Namun ketika hasil awal sudah mulai terlihat, integration dan data readiness sebaiknya tidak dibiarkan menjadi pembahasan di akhir.
Mulai petakan data apa yang akan dibutuhkan agent ketika masuk production, di mana data tersebut berada, system mana yang harus terhubung, bagaimana access diberikan, serta proses apa yang tetap memerlukan human intervention.
Dengan begitu, pilot tidak hanya membuktikan bahwa agent bisa bekerja dalam kondisi yang terkendali. Tim juga mulai memahami pekerjaan yang dibutuhkan agar use case tersebut dapat hidup di dalam environment perusahaan yang sebenarnya.
Angka ROI dalam report Anthropic menunjukkan bahwa AI agents sudah memberikan measurable economic impact bagi banyak organisasi yang disurvei. Claude
Tetapi menurut kami, cerita berikutnya ada pada angka integration dan data quality.
Ketika agents mulai menghasilkan value, organisasi secara alami ingin memperluas penggunaannya. Dari satu task menuju multi-stage workflow, kemudian masuk ke proses yang melibatkan beberapa fungsi bisnis.
Di titik tersebut, capability agent bertemu dengan kondisi enterprise yang sebenarnya.
Existing systems perlu dihubungkan. Data perlu cukup reliable untuk digunakan. Access harus dikendalikan. Workflow harus memahami apa yang terjadi ketika sesuatu gagal. Dan setelah go-live, sistem tersebut tetap perlu dioperasikan.
Itulah mengapa fase berikutnya dari enterprise AI kemungkinan akan semakin banyak berbicara tentang system readiness, bukan hanya model capability.
Perkembangan AI agents membuat organisasi bisa mengotomatisasi jenis pekerjaan yang beberapa tahun lalu masih sulit dibayangkan.
Namun semakin besar tanggung jawab yang diberikan kepada agent, semakin penting environment yang mendukungnya.
Report Anthropic memberi sinyal bahwa value sudah mulai muncul. Pada saat yang sama, hambatan terbesar justru ditemukan pada integration, data, dan pekerjaan implementasi yang berada di sekitar agent. Anthropic Resources
Bagi perusahaan yang ingin bergerak dari experiment menuju penggunaan yang lebih luas, ini mengubah fokus engineering.
Pekerjaannya tidak berhenti ketika agent mampu menjalankan task. Yang perlu dipastikan berikutnya adalah apakah agent tersebut dapat menggunakan data yang tepat, bekerja dengan existing applications, mengikuti control yang berlaku, dan tetap dapat dioperasikan ketika menjadi bagian dari proses bisnis sehari-hari.
Ketika AI agents mulai memberikan hasil, kesiapan sistem di sekitarnya akan semakin menentukan seberapa jauh value tersebut bisa dibawa.
ICS Compute membantu organisasi membangun, mengintegrasikan, dan mengoperasikan AI systems di dalam enterprise environment.