Jakarta - Sejumlah perusahaan kini tengah bereksperimen dengan agen AI untuk meningkatkan interaksi dengan pelanggan, mendukung karyawan, serta mengotomatiskan proses bisnis. Namun, banyak proyek agen AI yang terhenti di fase uji coba atau pilot. Hal ini disebabkan bukan hanya oleh model AI yang digunakan, tetapi juga oleh kebutuhan akan akses data yang konsisten, memori permanen, konteks waktu nyata, tata kelola yang jelas, dan kemampuan untuk beroperasi di berbagai lingkungan, mulai dari cloud hingga edge.
Tantangan di Indonesia dan Asia
Di kawasan Indonesia dan Asia, tantangan yang dihadapi semakin kompleks. Data perusahaan sering kali tersebar di berbagai unit bisnis, negara, dan sistem warisan. Selain itu, regulasi serta persyaratan kedaulatan data dapat bervariasi antar wilayah. Pelanggan dan karyawan juga berinteraksi menggunakan berbagai bahasa dan saluran komunikasi, sementara konektivitas yang tidak merata antara pusat kota dan daerah terpencil membuat penerapan agen AI di lapangan menjadi tidak selalu berjalan dengan baik.
Kondisi ini menyebabkan inisiatif AI sering kali berkembang dalam silo, sehingga pengalaman pengguna menjadi terfragmentasi dan agen AI kesulitan untuk bertransformasi menjadi sistem produksi yang handal. IDC memperkirakan bahwa 80% penggunaan agen AI memerlukan data yang bersifat real-time, kontekstual, dan mudah diakses. Ini menunjukkan bahwa perusahaan tidak hanya perlu mengandalkan model AI yang canggih, tetapi juga memerlukan infrastruktur data yang dapat mendukung pengambilan keputusan dengan cepat dan konsisten.
Pendekatan Baru untuk Infrastruktur Data
Salah satu pendekatan yang mulai diperkenalkan adalah lapisan data terpadu untuk agen AI di tingkat perusahaan. Couchbase, misalnya, telah meluncurkan AI Data Plane, yang merupakan infrastruktur data yang dirancang untuk menyatukan memori agen, pengambilan konteks, akses data, dan tata kelola dari cloud hingga edge. Dalam sistem ini terdapat Agent Memory, yaitu lapisan persistensi terpadu yang menggantikan kebutuhan untuk menyatukan penyimpanan cache, vektor, dan dokumen secara terpisah. Dengan cara ini, agen AI dapat menyimpan konteks percakapan, mengambil data operasional terstruktur, dan mempertahankan status lintas sesi serta saat restart.
Couchbase menyatakan bahwa Agent Memory bersifat framework-agnostic dan telah tervalidasi dengan LangGraph, CrewAI, serta LlamaIndex. Artinya, tim teknik dapat mengganti atau menggabungkan framework orkestrasi agen AI tanpa perlu membangun kembali lapisan memorinya. Untuk agen AI yang lebih sederhana, pencarian vektor mungkin sudah cukup. Namun, agen AI di level perusahaan memerlukan kemampuan yang lebih luas, termasuk latensi rendah saat mengambil data pada titik pengambilan keputusan.
"Lapisan database adalah tempat di mana agen AI berkembang atau terhenti, dan sebagian besar industri masih memperlakukan memori agen sebagai hal sekunder," ungkap Barry Morris, Chief Product and Strategy Officer Couchbase. Selain AI Data Plane, Couchbase juga memperkenalkan Enterprise Analytics 2.2 dengan federasi lakehouse Apache Iceberg, yang memungkinkan tim melakukan kueri analitik operasional real-time dari Couchbase bersama tabel Iceberg tanpa perlu proses ETL yang rumit atau duplikasi data.
Untuk memenuhi kebutuhan edge dan mobile, Couchbase juga memperluas dukungan agar agen AI dapat mengakses data yang direplikasi dan melakukan pencarian vektor secara lokal saat konektivitas terbatas atau terputus. Pembaruan kemudian dapat disinkronkan kembali ke cloud ketika koneksi pulih. Produk-produk ini akan segera tersedia, kecuali adaptor Trino yang dijadwalkan akan hadir pada kuartal III 2026.
