JOISIE (Journal Of Information Systems And Informatics Engineerin.
Vol.
No.
Juni 2025.
Hlm 77-90 Received: 23 April 2025 Revised: 16 Mei 2025.
Accepted: 30 Juni 2025
p- ISSN: 2503-5304
e- ISSN: 2527-3116
ANALISIS LITERATUR MENGENAI PERAN AI AGENT DALAM EFISIENSI
AUTOMASI DIGITAL
M Tsabita Robani.
Fakih Rangga Aderiyana.
Nico Sabar Manahan.
M Pandu Wilantara.
Fathoni.
Ali Ibrahim.
Prodi Sistem Informasi.
Fakultas Ilmu Komputer.
Universitas Sriwijaya.
Palembang email: 109031382227140@student.
id, 209031182227026@student.
09031282227044@student.
id, 4 09031182227007@student.
id, 5fathoni@unsri.
aliibrahim@unsri.
Abstrak Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) telah mendorong lahirnya AI Agent sebagai komponen kunci dalam mendukung efisiensi dan automasi digital di berbagai sektor.
AI Agent berfungsi sebagai sistem cerdas yang mampu melakukan tugas-tugas secara otonom dan adaptif, mulai dari chatbot hingga sistem multi-agent berbasis pembelajaran mesin.
Penelitian ini bertujuan untuk menganalisis kontribusi AI Agent terhadap efisiensi operasional dan produktivitas kerja organisasi, serta mengevaluasi tantangan dan potensi pengembangannya di masa depan.
Pendekatan penelitian dilakukan melalui Systematic Literature Review (SLR) dengan merujuk pada metodologi Kitchenham, yang mencakup proses pencarian, seleksi, dan evaluasi terhadap 31 artikel ilmiah dari tahun 2017Ae2025, dengan 28 artikel memenuhi kriteria inklusi.
Pencarian literatur dilakukan melalui lima database ilmiah utama, yaitu Ie Xplore.
ResearchGate.
SpringerLink.
Scopus, dan arXiv, dengan kata kunci terkait AI Agent dan efisiensi automasi digital.
Hasil analisis menunjukkan bahwa penerapan AI Agent dapat meningkatkan efisiensi operasional hingga 40% dan mengurangi waktu produksi sebesar 30%.
Teknologi pendukung seperti Large Language Models (LLM).
Internet of Things (IoT), dan arsitektur multi-agent turut memperkuat kemampuan adaptasi AI Agent dalam konteks industri kompleks.
Namun, integrasi teknologi ini masih menghadapi kendala, seperti kurangnya kesiapan SDM, hambatan struktural organisasi, serta isu etika dan transparansi Sebagai usulan riset lanjutan, studi ini merekomendasikan pengembangan model evaluasi kinerja AI Agent lintas sektor, integrasi dengan teknologi emerging seperti digital twin dan edge computing, serta analisis kesiapan organisasi dalam implementasi sistem AI.
Dengan demikian, penelitian ini memberikan landasan strategis untuk optimalisasi AI Agent yang berkelanjutan dan bertanggung jawab dalam mendukung transformasi digital di berbagai sektor.
Kata kunci: AI Agent.
Automasi Digital.
Efisiensi Operasional.
Systematic Literature Review.
Transformasi Digital Abstract The development of artificial intelligence (AI) technology has led to the birth of AI Agent as a key component in supporting digital efficiency and automation in various sectors.
AI Agents function as intelligent systems capable of performing tasks autonomously and adaptively, ranging from chatbots to machine learning-based multi-agent systems.
This research aims to analyze the contribution of AI Agent to the operational efficiency and work productivity of organizations, as well as evaluate the challenges and potential for future development.
The research approach was conducted through a Systematic Literature Review (SLR) by referring to the Kitchenham methodology, which includes the process of searching, selecting, and evaluating 31 scientific articles from 2017-2025, with 28 articles meeting the inclusion criteria.
The literature search was conducted through five major scientific databases, namely Ie Xplore.
ResearchGate.
SpringerLink.
Scopus, and arXiv, with keywords related to AI agents and digital automation efficiency.
The analysis shows that the application of AI agents can increase operational efficiency by 40% and reduce production time by 30%.
Supporting technologies such as Large Language Models (LLM).
Internet of Things (IoT), and multi-agent architecture also strengthen the adaptability of AI agents in the context of complex industries.
However, the integration of these technologies still faces obstacles, such as lack of human resource 78 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 readiness, organizational structural barriers, and issues of ethics and system transparency.
As a proposal for further research, this study recommends the development of a cross-sectoral AI Agent performance evaluation model, integration with emerging technologies such as digital twin and edge computing, and analysis of organizational readiness in implementing AI systems.
Thus, this study provides a strategic foundation for the sustainable and responsible optimization of AI agents in supporting digital transformation in various sectors.
Keywords: AI Agent.
Digital Automation.
Operational Efficiency.
Systematic Literature Review.
Digital Transformation PENDAHULUAN Transformasi digital yang pesat telah mendorong berbagai organisasi untuk mengadopsi teknologi kecerdasan buatan (Artificial Intelligienc.
guna meningkatkan produktivitas dan efisiensi operasi bisnis.
Salah satu bentuk penerapan AI yang semakin menonjol adalah AI Agent, yaitu sistem berbasis kecerdasan buatan yang mampu bertindak secara otonom atau semi-otonom dalam menyelesaikan tugas-tugas tertentu.
AI Agent mencakup berbagai bentuk seperti chatbot.
Robotic Process Automation (RPA), sistem multi-agent adaptif, hingga agen berbasis pembelajaran mesin yang dirancang untuk mendukung keputusan dan automasi proses kerja.
Meskipun AI Agent telah banyak dibahas dalam konteks pengembangan teknis, kajian praktis mengenai dampaknya terhadap efisiensi automasi digital masih terbatas.
Misalnya, studi oleh .
Ingstrym et al.
, 2.
menemukan bahwa hanya 13% proyek data science yang berhasil diterapkan secara luas, menunjukkan adanya kesenjangan antara kemampuan teknis dan implementasi nyata di Selain itu, (Raftopoulos, 2.
mengidentifikasi bahwa hambatan struktural dan budaya organisasi sering kali menghambat keberhasilan adopsi AI.
(McKinsey & Company, 2.
juga mencatat bahwa meskipun potensi produktivitas AI Agent tinggi, implementasinya belum merata karena minimnya kesiapan infrastruktur dan SDM.
State of the art saat ini memperlihatkan bahwa banyak penelitian masih berfokus pada aspek teknis algoritma AI, seperti optimasi model pembelajaran mesin atau pengembangan arsitektur multiagent, namun minim mengeksplorasi kontribusinya terhadap efisiensi proses kerja secara konkret dalam berbagai sektor (Du et al.
, 2.
Hal ini menciptakan gap penelitian yang signifikan, di mana penting untuk melakukan analisis literatur sistematis guna memetakan sejauh mana AI Agent telah digunakan untuk meningkatkan efisiensi automasi digital dan apa saja tantangan serta peluang ke Dengan demikian, penelitian ini bertujuan untuk:
Mengidentifikasi dan mengklasifikasikan peran AI agent dalam automasi digital di berbagai sektor.
Menganalisis dampak implementasi AI Agent terhadap efisiensi kerja organisasi.
Menyajikan tantangan dan rekomendasi praktis dari hasil studi literatur terkini.
Studi ini, yang dilakukan menggunakan metodologi Kitchenham Systematic Literature Review (SLR), berkonsentrasi pada penelitian yang membahas agen kecerdasan buatan dalam konteks efisiensi automasi digital dari tahun 2017 hingga 2025.
Diharapkan hasil dari studi ini dapat memberikan landasan konseptual sekaligus rekomendasi kebijakan bagi organisasi maupun peneliti yang tertarik mengembangkan sistem kerja berbasis AI Agent secara efisien dan berkelanjutan.
METODE PENELITIAN
Metode Systematic Literature Review (SLR), yang diusulkan oleh Barbara Kitchenham .
, digunakan dalam penelitian ini.
Tujuan dari SLR ini adalah untuk menemukan, mengevaluasi, dan memahami semua penelitian yang relevan tentang bagaimana AI Agent meningkatkan efisiensi automasi digital.
Selain itu, proses pemilihan artikel secara sistematis digambarkan melalui kerangka PRISMA (Prefered Reporting Items for Systematic Reviews and Meta-Analyse.
Robani.
Analisis Literatur Mengenai Peran Ai Agent Dalam Efisiensi Automasi Digital, 77-.
79 Pertanyaan Penelitian (Research Question.
Langkah pertama dalam menyusun SLR ialah membuat Research Question yaitu menentukan siapa target dari penelitian, mendefenisikan tujuan dari review yang dilakukan guna membantu menjawab dari tujuan tersebut.
Searching Literature Dalam langkah ini dilakukan menggunakan website yang mengumpulkan kumpul artikel atau jurnal ilmiah.
Kriteria Inklusi dan Eksklusi Pada tahap ini akan dilakukan penilaian terhadap artikel-artikel yang telah diidenfitikasi pada tahap pencarian, dengan menggunakan standar yang ditetapkan untuk inklusi dan eklusi.
Sebagai bagian dari kriteria inklusinya, artikel yang telah melewati proses peer-review, diterbitkan pada rentang waktu 2017 hingga 2025, ditulis dalam bahasa Inggris, serta memiliki fokus yang relevan terhadap penerapan AI Agent dalam konteks automasi digital dan peningkatan efisiensi Sementara itu, kriteria eksklusinya meliputi artikel non-akademik atau yang bukan berasal dari jurnal ilmiah yang diakui, artikel yang hanya membahas aspek teknis algoritma tanpa mengaitkannya dengan konteks efisiensi, duplikasi dari publikasi lain, serta studi yang tidak secara langsung membahas peran AI Agent.
Quality Assesment Pada proses ini dilakukan penilaian terhadap kualitas metodologi dan keunggulan informasi yang tersedia didalam artikelnya sendiri.
Berikut penjelasan tentang kriteria Quality Assesment yang ditetapkan penulis :
QA1.
Apakah artikel ilmiah tersebut akan dipublikasikan antara tahun 2017 dan 2025? QA2.
Apakah artikel tersebut menjelaskan bidang penerapan AI Agent dalam suatu sistem? QA3.
Apakah artikel tersebut mencantumkan platform atau lingkungan yang digunakan untuk mengimplementasikan AI Agent? Berdasarkan artikel yang dipilih, akan diberikan penilaian jawaban untuk setiap pertanyaan yang diajukan diatas.
Y (Y.
: untuk artikel yang sesuai dengan Quality Assesment T (Tida.
: untuk artikel yang tidak sesuai dengan Quality Assesment
HASIL DAN PEMBAHASAN
Hasil dari studi literatur yang telah dilakukan menunjukkan bahwa Artificial Intelligence (AI) Agent memiliki peran yang sangat penting dalam mendorong transformasi automasi digital di berbagai Berdasarkan tinjauan terhadap lebih dari 30 referensi terkini, dapat disimpulkan bahwa AI Agent bukan hanya sekadar teknologi pendukung, melainkan telah menjadi komponen inti dalam sistem otomasi modern yang bersifat otonom, dengan kemampuan untuk merasakan lingkungan .
, belajar .
, bertindak .
, dan beradaptasi secara kontekstual .
ontextual Hasil Pertanyaan Penelitian (Research Question.
Penilitian ini berfokus pada penggunaan AI Agent pada efesiensi dalam automasi digital di berbagai 80 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 Hasil Searching Literature Pencarian literatur dilakukan melalui tiga database ilmiah utama, seperti:
Ie Xplore Research Gate SpringerLink Scopus arXiv Kata kunci yang digunakan dalam pencarian meliputi:
"AIAgent", "digital automation", "automation efficiency", "multi-agent system", "conversational AI", "RPA", dan "AI-based optimization".
Pencarian dilakukan pada rentang waktu 2017 hingga 2025, untuk memastikan keterkinian dan relevansi temuan terhadap perkembangan teknologi AI terkini.
Hasil Kriteria Inklusi dan Eksklusi Tabel 1.
Rancangan Analisis Komputasi Kriteria Inklusi Jurnal yang diperolah dari website/database Jurnal diterbitkan dalam rentang waktu 2017-2025 Jurnal yang fokus pada AI Agent Jumlah Artikel Dilihat dari tabel inklusi data artikel diatas didapatkan hasilnya sebanyak 31 dan yang 3 jurnal lainnya masuk kedalam kriteria eklusi.
Hasil Quality Assesment Hasil dari proses Quality Assesment didapatkan 28 buah artikel ilmiah yang sesuai.
Berikut ini tabel hasil Quality Assesment.
Tabel 2.
Hasil Quality Assesment Judul Author Tahun Hasil The Future Digital Work Force:
Robotic Process Automation (RPA) (Madakam et al.
, 2.
Getting AI Implementation Right .
Ingstrym et al.
, 2.
Reframing AI Discourse (Johnson & Verdicchio.
A Survey on Context-Aware Multi-Agent Systems (Huang et al.
, 2.
Advertising AI Agents (Song et al.
, 2.
New Era of AI in Education (Kamalov et al.
, 2.
Robani.
Analisis Literatur Mengenai Peran Ai Agent Dalam Efisiensi Automasi Digital, 77-.
81 AI-Based Conversational Agents (Kusal et al.
, 2.
Explanation in Artificial Intelligence (Miller, 2.
Organizational Challenges in Adoption and Implementation of (Raftopoulos, 2.
Ethical Implications of Autonomous Systems in HighStakes Environments (Willie, 2.
The AI Agent Index (Casper et al.
, 2.
Large Language Model based Multi-Agents: A Survey of Progress and Challenges (Guo et al.
, 2.
Agent AI: Surveying the Horizons of Multimodal Interaction (Durante et al.
, 2.
The Economic Potential of Generative AI (McKinsey & Company.
IoT and AI Integration: An Experiment on Smart Manufacturing Efficiency in Industry 5.
(Dmitrieva et al.
, 2.
AI Legal Counsel to train and regulate legally constrained Autonomous systems (Ashton, 2.
Automated social presence in AI (Flaviyn et al.
, 2.
Context-Aware Conversation Adaptation for Human-Robot Interaction (Su & Sheng, 2.
Scalable Agent-Based Modeling for Complex Financial Market Simulations (Wheeler & Varner.
Implementation of Agent Systems in Big Data Management (M et al.
, 2.
Review of autonomous systems and collaborative AI agent (Satyadhar Joshi, 2.
The Artificial Intelligence of the Ethics of Artificial Intelligence (Bryson, 2.
AI Agents That Matter (Kapoor et al.
, 2.
82 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 A Survey of Progress on Cooperative Multi-agent Reinforcement Learning in Open Environment Artificial Intelligence.
NLP, and ML to Enhance e-Service Quality Agent AI: Surveying the Horizons of Multimodal Interaction Agents as Team Members: Effects on Satifaction.
Conflict.
Trustworthiness, and Willingness to Work With Agent AI Towards a Holistic Intelligence (Yuan et al.
, 2.
(Rane et al.
, 2.
(Durante et al.
, 2.
(Dennis et al.
, 2.
(Huang et al.
, 2.
5 Pembahasan AI Agent terhadap Efisiensi dan Produktivitas Operasional Penelitian oleh (McKinsey & Company, 2.
menunjukkan bahwa implementasi AI Agent dalam proses otomasi industri mampu meningkatkan efisiensi operasional hingga 40% serta mengurangi waktu produksi hingga 30%.
Temuan ini menunjukkan bahwa AI Agent berpotensi besar dalam mengoptimalkan alur kerja dan sumber daya di sektor industri.
Pada sektor manufaktur.
AI meningkatkan kualitas produk melalui inspeksi otomatis dan pemantauan parameter produksi secara real-time, sementara dalam logistik.
AI mengoptimalkan rute pengiriman dan manajemen inventaris, sehingga mengurangi biaya operasional dan meningkatkan ketepatan waktupengiriman.
Implementasi AI juga memungkinkan analisis data secara langsung untuk membuat keputusan yang lebih cepat dan tepat, dan membuat operasi lebih fleksibel untuk beradaptasi dengan perubahan pasar.
Studi kasus dari perusahaan seperti BMW dan General Electric menunjukkan bahwa AI tidak hanya mempercepat produksi, tetapi juga menekan pemborosan bahan baku dan energi, menjadikan industri lebih efisien dan produktif.
Dengan penerapan yang tepat.
AI Agent menjadi solusi utama dalam menciptakan sistem operasional yang lebih cerdas, adaptif, dan berkelanjutan.
6 Pembahasan AI Agent Arsitektur dan Perkembangan Model AI Agent Perkembangan kemampuan AI Agent saat ini sangat dipengaruhi oleh kemajuan teknologi Large Language Models (LLM) dan sistem multi-agen.
Model seperti xLAM (Guo et al.
, 2.
dan FinRobot (Yuan et al.
, 2.
menunjukkan kinerja yang sangat baik dalam berbagai uji benchmark, terutama pada aplikasi spesifik di bidang keuangan dan ilmu kimia.
Robani.
Analisis Literatur Mengenai Peran Ai Agent Dalam Efisiensi Automasi Digital, 77-.
83 7 Tantangan Implementasi Teknologi AI Agent Meskipun memiliki potensi yang besar, integrasi AI Agent tidak selalu berjalan tanpa hambatan.
Penelitian oleh .
Ingstrym et al.
, 2.
menemukan bahwa sekitar 47% perusahaan yang mengadopsi AI Agent menghadapi tantangan signifikan dalam proses integrasi, terutama disebabkan oleh kurangnya pemahaman teknis serta ketidaksiapan sumber daya manusia (SDM).
Temuan ini menunjukkan bahwa keberhasilan implementasi AI Agent sangat bergantung pada kesiapan sistemik, termasuk pelatihan personel, kesiapan infrastruktur, serta regulasi dan tata kelola teknologi yang 8 Dimensi Etika dan Transparansi Sistem Aspek etika dan tanggung jawab hukum menjadi isu penting dalam penggunaan AI Agent.
(Johnson & Verdicchio, 2.
menyoroti perlunya pemahaman tentang agency dan tanggung jawab dalam sistem yang melibatkan agen cerdas.
Selain itu, studi menunjukkan urgensi terhadap peningkatan transparansi .
dalam penggunaan AI Agent, yang diyakini dapat mendorong kepercayaan pengguna, meningkatkan akuntabilitas sistem, serta mendorong penerimaan sosial terhadap teknologi ini.
9 Aplikasi Lintas Sektor dan Potensi Masa Depan Penerapan AI Agent telah meluas ke berbagai sektor, termasuk layanan pelanggan berbasis Natural Language Processing (NLP).
Pendidikan (Kamalov et al.
, 2.
, hingga periklanan digital (Song et al.
, 2.
Laporan World Economic Forum .
juga menggarisbawahi bahwa AI Agent merupakan penggerak utama efisiensi di sektor kesehatan, pendidikan, dan keuangan.
Dengan dukungan teknologi multimodal dan kemampuan adaptif.
AI Agent diperkirakan akan terus berkembang menjadi entitas digital yang lebih cerdas dan terintegrasi dalam berbagai aspek kehidupan Penelitian ini diharapkan dapat memberikan wawasan yang berharga dan kontribusi yang signifikan dalam pengembangan bidang ini melalui analisis literatur yang relevan.
Kami juga dapat menyebutkan literatur yang membantu kami memahami masalah yang kami uraikan sebelumnya.
Tabel 3.
Ringkasan Hasil Pembahasan Studi Literatur AI Agent Tema Pembahasan Referensi Temuan Kunci Robotic Process Automation (RPA) dan Efisiensi Proses Digital Madakam.
Somayya.
Holmukhe.
Rajesh M.
Jaiswal.
Durgesh Kumar.
The Future Digital Work Force: Robotic Process Automation (RPA) 2019 RPA sebagai AI Agent mengurangi beban kerja manual dan meningkatkan efisiensi operasional.
Efisiensi proses naik hingga 60Ae80%, dan biaya operasional turun 30Ae40% Strategi Implementasi AI untuk Efisiensi Operasional yIngstrym.
Rebecka C.
Bjyrn.
Michael.
Dahlander.
Linus.
Myhring.
Magnus.
Wallin.
Martin W.
Getting AI Implementation Right AI Agent berdampak positif pada produktivitas jika selaras dengan struktur organisasi.
Dan 91% responden mengalami tantangan dalam teknologi dan budaya organisasi.
Etika dan Wacana Ulang Penggunaan AI Agent Johnson.
Deborah G.
Verdicchio.
Mario.
Reframing AI Discourse Perlu redefinisi AI sebagai agen kolaboratif dalam kerangka etis dan Fokus pada analisis 84 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 Konteks Multi-Agent System dalam Automasi Du.
Hung.
Thudumu.
Srikanth.
Vasa.
Rajesh.
Mouzakis.
Kon.
A Survey on Context-Aware MultiAgent Systems 2024 Sistem multi-agent mendukung automasi dinamis.
85% studi menunjukkan peningkatan efisiensi.
AI Agent dalam Periklanan Digital Song.
Greg.
Ham.
Jeongmin.
Jin.
Eunjoo.
Eastin.
Matthew S.
Advertising AI Agents Kehadiran sosial dan personalisasi dari AI Agent meningkatkan efektivitas kampanye digital serta efisiensi AI dalam Pendidikan Kamalov.
Firuz.
Santandreu Calonge.
David.
Gurrib.
Ikhlaas.
New Era of AI in Education 2023 AI Agent mempercepat pembelajaran melalui sistem adaptif dan penilaian Conversational AI untuk Layanan Otomatis Kusal.
Sheetal.
Patil.
Shruti.
Choudrie.
Jyoti.
Kotecha.
Ketan.
Mishra.
Sashikala.
Abraham.
Ajith.
AI-Based Conversational Agents Chatbot AI mempercepat layanan pelanggan dan pengolahan data interaktif, berdampak pada efisiensi Penjelasan Sosial dalam AI Agent Miller.
Tim.
Explanation in Artificial Intelligence Penjelasan dari AI agent perlu dirancang berdasarkan prinsip interaksi sosial agar lebih mudah dipahami dan dipercaya pengguna Tantangan Organisasi dalam Implementasi AI Raftopoulos.
Marigo.
Organizational Challenges in Adoption and Implementation of AI Implementasi AI menghadapi hambatan struktural dan budaya.
namun dapat meningkatkan efisiensi jika dikelola secara strategis Etika Sistem Otonom Willie.
Alan .
Ethical Implications of Autonomous Systems in High-Stakes Environments AI agent perlu mempertimbangkan implikasi etis terutama dalam situasi berisiko tinggi Indeks Performa AI Agent Casper.
Stephen et al.
The AI Agent Index Menyajikan indeks performa AI agent dalam berbagai skenario penggunaan Perkembangan MultiAgent Guo.
Taicheng et al.
Large Language Model based MultiAgents: A Survey of Progress and Challenges4 LLM berbasis multi-agent menunjukkan potensi kolaborasi kompleks dalam berbagai aplikasi Robani.
Analisis Literatur Mengenai Peran Ai Agent Dalam Efisiensi Automasi Digital, 77-.
85 Interaksi Multimodal AI Generatif dan Produktivitas McKinsey & Company .
The Economic Potential of Generative Generative AI meningkatkan efisiensi dan produktivitas di sektor industri dan AI dalam Industri 5.
Dmitrieva.
Ekaterina.
Krishna.
Gopal.
Chhabra.
Rahul.
IoT and AI Integration: An Experiment on Smart Manufacturing Efficiency in Industry 5.
Integrasi AI dengan IoT berkontribusi pada efisiensi manufaktur cerdas di era Industri 5.
Regulasi Sistem AI Ashton.
Hal.
AI Legal Counsel to train and regulate legally constrained Autonomous Diperlukan pelatihan dan regulasi hukum khusus untuk sistem otonom AI dalam Layanan Konsumen Flaviyn.
Carlos.
Belk.
Russell W.
Belanche.
Daniel.
Automated social presence in AI: Avoiding consumer psychological tensions to improve Kehadiran sosial AI agent dapat mengurangi ketegangan psikologis dalam interaksi pelanggan Adaptasi Konteks dalam Interaksi Su.
Zhidong.
Sheng.
Weihua.
Context-Aware Conversation Adaptation for Human-Robot Interaction Adaptasi percakapan berbasis konteks memungkinkan komunikasi manusiarobot lebih alami Simulasi Keuangan Wheeler.
Aaron.
Varner.
Jeffrey D.
Scalable Agent-Based Modeling for Complex Financial Market Simulations Model berbasis agent membantu simulasi pasar keuangan kompleks dengan efisiensi tinggi Implementasi AI dalam Big Data M.
Amril Huda et al.
Implementation of Agent Systems in Big Data Management Integrasi AI agent pada big data mendukung otomatisasi dan pengambilan keputusan cepat Evaluasi Sistem AI Satyadhar Joshi .
Review of autonomous systems and collaborative AI agent Meninjau kerangka kolaboratif AI agent untuk efisiensi sistem otonom Durante.
Zane et al.
Agent AI:
Surveying the Horizons of Multimodal Interaction AI agent yang menggabungkan input multimodal mampu meningkatkan efisiensi interaksi manusia-komputer 86 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 Etika dan Regulasi AI Bryson.
Joanna J.
The Artificial Intelligence of the Ethics of Artificial Intelligence 2020 Agen AI dan Relevansi dalam Interaksi Kapoor.
Sayash et al.
AI Agents That Matter AI Agents memiliki peran penting yang relevan dan berdampak dalam berbagai Reinforcement Learning pada Lingkungan Terbuka Multi-Agen Yuan.
Lei et al.
, 2023.
Survey of Progress on Cooperative Multi-agent Reinforcement Learning in Open Environment Tinjauan kemajuan dalam cooperative multi-agent reinforcement learning dalam lingkungan terbuka NLP dan Pembelajaran Mesin untuk Peningkatan Komunikasi Rane.
Nitin Liladhar et , 2024.
Artificial Intelligence.
Natural Language Processing, and Machine Learning to Enchance e-Service Quality on e-Commerce Platforms Interaksi Multimodal dalam Agen AI Durante.
Zane et al.
Agent AI:
Surveying the Horizons of Multimodal Interaction Agen AI sebagai Anggota Tim dan Dampaknya terhadap Dinamika Tim Dennis.
Alan R.
et al.
AI Agents as Team Members: Effects on Satifaction.
Conflict.
Trustworthiness, and Willingness to Work With Pengaruh AI sebagai anggota tim terhadap kepuasan, kepercayaan, dan kesediaan kerja sama Pendekatan Holistik terhadap Desain Agen AI Huang.
Qiuyuan et al.
Position Paper:
Agent AI Towards a Holistic Intellegence Usulan posisi untuk pendekatan holistik dalam pengembangan agen AI AI adalah artefak buatan, bukan agen Regulasi harus fokus pada manusia sebagai pengembang & pengguna AI Agent.
Integrasi NLP dan ML untuk meningkatkan komunikasi dalam sistem AI Studi cakrawala tentang interaksi multimodal untuk meningkatkan kecerdasan agen Pada tabel diatas menunjukkan bahwa hasil temuan (McKinsey & Company, 2.
yang menyoroti peningkatan efisiensi AI generatif secara luas .
Ae30% produktivita.
, namun berbeda lingkup: Dmitrieva fokus pada manufaktur, sedangkan McKinsey mencakup sektor industri dan Di bidang layanan pelanggan, (Kusal et al.
, 2.
menekankan efisiensi teknis chatbot AI, sementara (Flaviyn et al.
, 2.
menambahkan dimensi psikologis melalui kehadiran sosial AI untuk pengalaman pengguna yang positif.
Studi (Guo et al.
, 2.
tentang sistem multi-agent berbasis konteks .
% peningkatan efisiens.
dan (Guo et al.
, 2.
tentang kolaborasi berbasis LLM mengonfirmasi potensi automasi dinamis, tetapi berbeda fokus teknologi .
daptasi real-time vs integrasi LLM).
Tantangan implementasi AI menurut .
Ingstrym et al.
, 2.
% hambatan budaya/tekni.
dan Raftopoulos .
olusi manajemen strategi.
menegaskan pentingnya keselarasan organisasi dan pendekatan proaktif.
Secara holistik, keberhasilan automasi digital bergantung pada integrasi teknologi (IoT.
LLM), desain berpusat manusia, dan adaptasi organisasi, dengan prioritas bervariasi antara efisiensi teknis dan pengalaman pengguna sesuai konteks aplikasi.
Robani.
Analisis Literatur Mengenai Peran Ai Agent Dalam Efisiensi Automasi Digital, 77-.
87 Tabel 4.
Hasil Sektor Sektor Multi-sektor Korporasi Global Akademik & Teknologi TI & Sistem Cerdas Periklanan Pendidikan Tinggi Layanan Digital & E-Commerce Sistem Interaktif AI Organisasi & Manajemen Etika/Teknologi Otonom Umum Multi-Agent System Human-AI Interaction Ekonomi/Produktivitas Industri Manufaktur Hukum/AI Layanan Konsumen Human-Robot Interaction Sektor Keuangan Manajemen Data Evaluasi Sistem Hukum.
Kebijakan Publik.
Etika Teknologi Artificial Intelligence Machine Learning Machine Learning.
AI Kognitif Human-AI Interaction Manajemen.
Psikologi Filsafat AI.
Desain Sistem AI Berikut adalah deskripsi penjelasan dari tabel sektor berdasarkan 28 literatur mengenai peran AI Agent dalam efisiensi automasi digital.
Tabel sektor di atas merangkum berbagai bidang penerapan AI Agent yang diidentifikasi dalam 28 literatur ilmiah terkini.
Setiap entri mencerminkan konteks atau lingkungan di mana AI Agent digunakan untuk meningkatkan efisiensi, otomatisasi, dan kolaborasi digital.
SIMPULAN
Berdasarkan analisis literatur yang telah dilakukan, penelitian ini menegaskan bahwa AI Agent telah bertransformasi menjadi pilar utama dalam mendukung automasi digital lintas sektor industri.
AI Agent tidak lagi hanya berfungsi sebagai alat bantu, melainkan sebagai entitas otonom yang mampu merasakan, belajar, bertindak, dan beradaptasi secara kontekstual terhadap perubahan Hasil kajian terhadap lebih dari 30 referensi ilmiah menunjukkan bahwa penerapan AI Agent mampu meningkatkan efisiensi operasional hingga 40% dan mempercepat waktu produksi sebesar 30%.
Integrasi teknologi pendukung seperti Large Language Models (LLM).
Internet of Things (IoT), dan sistem multi-agen juga memperluas kapabilitas AI Agent dalam lingkungan industri yang semakin kompleks.
Meskipun potensi manfaatnya signifikan, penelitian ini juga mengungkapkan adanya hambatan integrasi yang cukup besar, antara lain keterbatasan pemahaman teknis, kesiapan infrastruktur, serta tantangan etika dan transparansi.
Sebanyak 47% perusahaan yang mengadopsi AI Agent menghadapi kesulitan dalam penerapannya, yang menunjukkan perlunya pendekatan sistemik, baik dalam aspek teknis, sumber daya manusia, maupun tata kelola organisasi.
Di sisi lain, tren penerapan AI Agent di sektor layanan pelanggan, pendidikan, dan periklanan menunjukkan bahwa adaptasi teknologi berbasis Natural Language Processing dan pendekatan multimodal telah mempercepat adopsi AI di lingkungan kerja modern.
Dengan demikian, penelitian 88 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 ini menyimpulkan bahwa penerapan AI Agent secara strategis dan bertanggung jawab menjadi faktor kunci dalam mengakselerasi transformasi digital yang berkelanjutan.
Pengembangan ke depan perlu mengedepankan optimalisasi kinerja teknis, penguatan tata kelola etis, serta pembangunan literasi teknologi di kalangan organisasi pengguna untuk mencapai keberhasilan integrasi AI Agent di berbagai sektor industri.
DAFTAR PUSTAKA