Perusahaan-perusahaan yang pertama kali menerapkan AI Agent menghadapi "Tiga Penghalang"

文 | 硅基研究室，作者 | kiki

Hanya dalam dua bulan, seekor “Udang Air Tawar” menyapu seluruh dunia AI.

Baik itu pemula yang menggunakan OpenClaw untuk mengembangkan udang air tawar, mengeksplorasi batasan Agen pribadi, maupun perusahaan pembuat model besar yang secara beramai-ramai meluncurkan solusi deployment ringan, menggunakan paket API CodingPlan untuk menarik pengembang langsung deploy di cloud dengan satu klik…

Pengembang Li Ran menggambarkan nilai lebih yang dibawa OpenClaw, membandingkan perkembangan AI Agent dengan evolusi internet. OpenClaw mempercepat Agen memasuki era ketiga, dari “alat” di era PC, menjadi “asisten” di internet mobile, dan di masa depan di era kolaborasi menjadi “rekan kerja”.

Ini mungkin adalah “Momen OpenClaw” bagi pengembang pribadi dan tim kecil: Orang mulai memanfaatkan Agen, lalu melalui berbagai skill mengabstraksi pengalaman tugas, menyelesaikan pekerjaan sehari-hari yang sebelumnya bergantung pada pengetahuan implisit dan pengalaman industri.

Namun yang menarik, di perusahaan besar, OpenClaw tampak jauh lebih sepi. Banyak yang masih melihat dan menunggu, bersikap hati-hati terhadap implementasi AI Agent di perusahaan, dan “Momen OpenClaw” di tingkat perusahaan masih jauh dari kenyataan.

1. Manis dan Pahitnya OpenClaw di Perusahaan

Apakah gelombang OpenClaw saat ini memiliki nilai referensi untuk implementasi Agen di perusahaan?

Jawabannya pasti.

Li Ran percaya, OpenClaw memicu gelombang perubahan paradigma pengembangan Agen.

Bentuk awal Agen seperti Dify atau Kousi umumnya muncul dalam bentuk workflow, meskipun “drag-and-drop” low-code telah menurunkan hambatan pengembangan, namun tidak ramah bagi non-developer di organisasi perusahaan.

Namun OpenClaw melalui panggilan instruksi tingkat sistem memungkinkan non-developer berinteraksi dengan Agen di software kantor yang umum digunakan, ini adalah Agen native AI.

Selain perubahan paradigma pengembangan, juga terbentuk “supermarket solusi” khusus industri, yaitu aliran pengetahuan dan data industri yang lebih lanjut.

Kemampuan alat OpenClaw bergantung pada dokumentasi skill berkualitas tinggi. Setelah OpenClaw meledak, memicu gelombang skill di Github. Kreator AI seperti Haixin menyebutkan bahwa berbagai industri seperti medis, keuangan, pendidikan, dapat memanfaatkan AI untuk memudahkan pekerjaan mereka, menulis alat khusus, dan masa depan GitHub mungkin akan bertransformasi dari “repositori kode” menjadi “supermarket solusi”.

Namun di balik manisnya OpenClaw, ada juga pahitnya untuk implementasi Agen di perusahaan.

Seorang teknisi dari perusahaan besar mengatakan kepada “硅基研究室”, bahwa saat menguji OpenClaw tingkat perusahaan, mereka menemukan tantangan di tumpukan teknologi dan kemampuan.

Pertama, penjadwalan tugas dasar kerangka OpenClaw masih bisa dioptimalkan, belum cocok untuk beban kerja penjadwalan berkala yang sangat andal; kedua, kemampuan modul memori jangka panjang masih kurang, belum mencapai standar matang untuk produksi, dan juga kekurangan ekosistem skill berkualitas tinggi.

Dengan kata lain, mempertimbangkan kepatuhan, biaya, dan keamanan dalam implementasi Agen di perusahaan, metode panggilan yang tinggi konsumsi dan ekosistem yang tidak stabil saat ini, untuk organisasi yang sangat bergantung pada hak akses, keandalan, dan kolaborasi kuat, implementasi skala besar masih cukup jauh.

2. Implementasi AI di Perusahaan, Terhambat oleh “Tiga Tembok”

Sikap hati-hati perusahaan terhadap implementasi OpenClaw juga mencerminkan kenyataan keras dari penerapan AI skala besar di China saat ini.

Menurut data dari 崔牛会, saat ini 43% departemen atau posisi perusahaan sudah memasuki tahap penggunaan skala besar, 27% masih dalam tahap pilot, 28% telah menyebar luas, dan 1.9% belum pasti akan digunakan.

Perusahaan China juga semakin cepat mengadopsi Agen. Menurut IDC, jumlah agen cerdas aktif di China diperkirakan akan menembus 350 juta pada 2031, dengan tingkat pertumbuhan tahunan gabungan lebih dari 135%, dan pertumbuhan ini akan memimpin pasar utama dunia.

Namun di balik data “besar-besaran” ini, ada tiga tembok nyata yang menghambat perusahaan dalam skala besar menerapkan AI:

Tembok Kognitif, Tembok Data, dan Tembok Ekosistem.

Tembok kognitif adalah bias ekspektasi dari tingkat pengambilan keputusan, eksekutif, dan pengalaman pengguna.

Seorang kepala layanan pelanggan industri otomotif mengatakan kepada “硅基研究室”, tahun lalu mereka menginvestasikan banyak sumber daya untuk mengotomatisasi sistem layanan pelanggan dengan AI, tetapi hasilnya tidak memuaskan. Mereka telah membangun basis pengetahuan layanan pelanggan lengkap, dan menggunakan AI untuk melayani pengguna selama promosi besar e-commerce.

Namun dia menemukan, di satu sisi, banyak pengetahuan yang tidak berpengalaman perlu dikumpulkan secara bertahap dalam skenario nyata, AI tidak mampu memahami kebutuhan pengguna secara akurat.

“Misalnya AI bertanya ‘Mobil Anda varian tinggi atau rendah?’, beberapa pengguna malu-malu menjawab ‘varian menengah’, petugas layanan manusia bisa memahami jawaban pengguna, tapi AI tidak bisa.”

Di sisi lain, sikap pengguna terhadap layanan pelanggan AI juga beragam. “Ada yang bisa membedakan apakah layanan itu manusia asli atau AI, dan mereka sendiri tidak memahami pengetahuan otomotif, jadi tidak bisa sepenuhnya percaya pada AI.”

Selain itu, banyak pengambil keputusan perusahaan juga terburu-buru mengadopsi AI karena takut ketinggalan, tetapi dalam pelaksanaan nyata, mereka menemukan bahwa nilai tambah AI terhadap bisnis tidak besar.

Hojia, Wakil Presiden Grup Kecerdasan Cloud Alibaba, juga mengamati fenomena ini: “Kesadaran industri terhadap kemampuan model besar masih kurang, pimpinan bisnis sangat percaya diri, tetapi tim teknis justru khawatir tentang implementasi.”

Deloitte juga menyoroti “Tembok Kognitif” ini dalam survei mereka: 85% perusahaan berencana menyesuaikan Agen, tetapi hanya 25% dari proyek pilot yang benar-benar masuk ke tahap produksi. Lebih dari sepertiga perusahaan memperkirakan bahwa dalam 3-5 tahun, penerapan Agen akan memberikan pengembalian yang signifikan, yang menunjukkan bahwa Agen perusahaan masih dalam tahap awal.

Kedua, adalah Tembok Data.

Zhu Yie’e, Wakil Presiden Kingsoft Office, berpendapat: “Saat ini, dalam penerapan AI perusahaan, akan beralih dari model yang berpusat pada model ke berpusat pada data.” Banyak AI yang hasilnya buruk dan sulit diterapkan karena terkait dengan koneksi ke model eksternal. Kesalahan data menyebabkan kesalahan analisis, data yang kurang menyebabkan masalah pencarian dan pengelolaan pengetahuan, sementara terlalu banyak data mempengaruhi proses konteks.

“Banyak AI perusahaan membuat demo dengan sangat cepat, tetapi benar-benar ingin diimplementasikan, sangat sulit,” kata Zhu.

Dalam mendorong implementasi Agen di perusahaan, memecahkan tembok data menjadi kunci.

Pertama, untuk mewujudkan koordinasi lintas ekosistem, sistem, dan multi-tugas, harus ada koneksi data dan standar format yang seragam di ratusan sistem internal perusahaan. Kedua, demi menjaga kontrol dan kepercayaan data, perusahaan harus membangun sistem otentikasi dan otorisasi yang terstruktur dan terklasifikasi, memastikan keandalan data secara menyeluruh.

Ini tentu menuntut kemampuan pengelolaan data yang lebih tinggi dari perusahaan.

Terakhir, adalah Tembok Ekosistem.

Di dalam perusahaan, perlu dibangun mekanisme kolaborasi AI untuk mengatasi hambatan sumber daya.

Seorang manajer TI dari perusahaan milik negara mengatakan kepada “硅基研究室”, bahwa pembangunan AI bukan hanya urusan departemen TI, tetapi urusan seluruh bisnis. “Misalnya dalam pembangunan data, kami tidak kekurangan data, tetapi kekurangan cara mengatasi data yang tersebar. Saat ini, departemen informatika hanya bisa menyediakan data umum, sedangkan departemen bisnis harus terlibat.”

Di luar perusahaan, juga diperlukan kerjasama mendalam dengan vendor teknologi seperti penyedia cloud dan agen cerdas: “Bukan hanya punya palu dan paku, tetapi juga harus punya pemahaman jelas tentang masalah bisnis dan membuat palu yang sesuai.”

3. AI Perusahaan, dari Panggung Pamer ke Medan Perang

Alex Karp, tokoh utama Palantir, pernah menggambarkan kondisi implementasi AI perusahaan saat ini:

“Kalau cuma beli model besar dan berharap bisa mengubah bisnis, itu mimpi di siang bolong.”

Kata-katanya menjelaskan bahwa AI perusahaan bukan panggung pamer teknologi, melainkan medan perang yang menuntut pengembalian nyata dan nilai bisnis.

Kami juga mengamati bahwa menjelang 2026, perubahan dalam implementasi AI perusahaan meliputi:

Pertama, dari pendekatan penuh all-in dan balapan internal, beralih ke fokus strategi. Sebuah merek olahraga outdoor yang fokus pada distribusi saluran lengkap memberi tahu “硅基研究室”, mereka akan memusatkan perhatian pada inspeksi kualitas cerdas, dukungan AI, dan layanan pelanggan cerdas, dan tahun ini berencana mengubah pusat biaya ini menjadi pusat keuntungan.

Kedua, semakin banyak penjual AI yang berorientasi praktis, kembali ke esensi bisnis. Implementasi AI tidak bisa lepas dari pekerjaan kasar dan kotor. CEO Kingsoft Office, Zhang Qingyuan, pernah menyatakan bahwa software kantor di era AI harus menjadi wadah pengetahuan dan penggerak pegawai digital.

Misalnya di bidang pengelolaan data, WPS 365 sedang membangun “siklus pengetahuan lengkap”, menciptakan fondasi pengelolaan pengetahuan perusahaan yang mengintegrasikan “pengumpulan, pengelolaan, dan penggunaan”. “Otak perusahaan” ini saat ini sudah diterapkan di perusahaan-perusahaan terkemuka seperti Shanghai Xintou, Yanfeng International, dan China Eastern Airlines dalam praktik AI mereka.

Melihat kembali, sikap hati-hati perusahaan terhadap “Udang Air Tawar” sebenarnya mencerminkan pendalaman dan pendekatan pragmatis AI tingkat perusahaan di tahun 2026. Tidak adanya “Momen OpenClaw” bukanlah hal buruk, melainkan menandai bahwa AI benar-benar menyentuh bisnis dan menjadi alat produktivitas di masa depan.