Context engineering (rekayasa konteks) adalah disiplin tata kelola yang membuat model AI memahami 'perusahaan Anda' — bukan sekadar 'pengetahuan publik dunia' — dengan menghubungkan data yang tepat, desain izin akses yang tepat, dan mekanisme audit yang tepat ke model tersebut, sehingga keluarannya bukan hanya terdengar masuk akal, tetapi benar-benar dapat dipercaya, dapat dilacak, dan dapat dipertanggungjawabkan.

Konsep ini tiba-tiba menjadi penting karena AI perusahaan telah bergeser dari 'menjawab pertanyaan' menjadi 'membuat keputusan sendiri dan mengambil tindakan sendiri.' Ketika AI hanya menghasilkan teks, jawaban yang salah paling banter hanya merepotkan. Namun begitu AI agent bisa memicu alur kerja, mengakses data pelanggan, dan langsung mengeksekusi tindakan, satu kesalahan saja bisa berubah menjadi risiko operasional, eksposur regulasi, atau insiden keamanan. Artikel ini merangkum pelajaran di tingkat tata kelola dari sebuah wawancara antara seorang pembawa acara media teknologi dan seorang eksekutif teknologi perusahaan — siapa yang bisa mengakses apa, siapa yang bertanggung jawab ketika terjadi kesalahan, dan fondasi apa yang perlu disiapkan perusahaan sebelum menerapkan AI agent — alih-alih memperlakukan wawancara ini sebagai promosi produk dari satu vendor tertentu.

Mengapa 'Tinggal Pakai Model yang Lebih Kuat' Tidak Menyelesaikan Masalah Ini

Perangkat lunak perusahaan dibangun berlapis-lapis: lapisan data, lapisan konteks, lapisan logika aplikasi, dan lapisan pengalaman pengguna — masing-masing baru stabil setelah melalui penyesuaian dalam waktu lama. Yang membuat AI berbeda adalah ia menghantam hampir semua lapisan itu sekaligus. Banyak organisasi mengira bahwa cukup menyambungkan model yang cukup kuat ke sistem yang sudah ada akan otomatis menghasilkan output, hanya untuk menemukan bahwa alur data yang selama ini dirawat dengan hati-hati dan mekanisme tata kelola yang tak mampu mengejar langkahnya sama-sama terganggu bersamaan — bukan karena model tidak cukup mampu, melainkan karena kemampuan baru dipaksakan ke fondasi yang sama sekali belum siap untuk itu. Hasilnya biasanya bukan transformasi, melainkan 'masalah lama yang sama, diulang dengan nada lebih percaya diri.' Itulah sebabnya lapisan konteks dianggap sebagai tempat nilai AI perusahaan benar-benar diciptakan, atau justru diam-diam hilang: perannya mirip dengan memori bagi otak manusia — otak menangani pemrosesan cepat, tetapi yang benar-benar menentukan arah adalah pengalaman dan konteks yang terkumpul dari waktu ke waktu.

Dari Menjawab Pertanyaan ke Tindakan Otonom: Tingkat Risiko Baru Saja Berubah Orde Besarannya

Ketika AI hanya menjawab pertanyaan secara pasif, jawaban yang salah biasanya hanya sekadar gangguan — bisa langsung terdeteksi dan diperbaiki saat itu juga. Namun begitu AI berubah menjadi agent yang mampu merekomendasikan, memutuskan, dan langsung mengeksekusi tindakan secara otonom, situasinya sama sekali berbeda. Agent yang beroperasi di pusat operasi keamanan membutuhkan intelijen ancaman real-time, catatan insiden historis, dan jalur eskalasi yang jelas; agent yang menangani deteksi penipuan tidak bisa hanya melihat satu transaksi saja — ia perlu memahami riwayat pelanggan, kebijakan yang berlaku, ambang batas risiko, siapa yang berwenang menyetujui apa, dan jejak audit seperti apa yang harus ditinggalkan jika terjadi kesalahan. Kehilangan salah satu dari elemen ini bukan berarti Anda mendapat 'agent dengan kemampuan yang dikurangi' — melainkan utang operasional yang nyata. Ini juga kalimat paling penting untuk digarisbawahi dari seluruh diskusi ini: perbedaan antara agent yang berguna dan agent yang berbahaya biasanya bukan terletak pada model itu sendiri, melainkan pada apa yang bisa dilihat model tersebut dan apa yang diizinkan untuk dilakukannya.

Siapa yang Bisa Mengakses Data Apa: Inti Tata Kelola Adalah Izin Akses dan Visibilitas

Banyak orang mengira AI agent akan 'mengabstraksi' seluruh tumpukan perangkat lunak perusahaan, sehingga semua orang bisa membangun aplikasi sendiri tanpa lagi membutuhkan arsitektur dasar yang rumit. Antarmukanya memang berubah, tetapi kompleksitasnya sebenarnya tidak hilang — hanya berpindah tempat. Agent yang memicu pemeriksaan kepatuhan atau merespons peringatan keamanan tetap membutuhkan konfigurasi izin akses, sumber pencatatan yang kredibel, jejak audit yang lengkap, dan jalur eskalasi — tidak satu pun dari itu hilang, hanya perlu dikelola dengan kecepatan mesin. Dengan kata lain, pertanyaannya bukan pernah soal 'apakah agent akan menggantikan perangkat lunak' — melainkan 'siapa yang mengendalikan akses data, konteks, dan lingkungan operasional,' dan pekerjaan itu justru menjadi lebih bernilai di era AI, bukan makin tidak penting.

Apa yang Terjadi Tanpa Pengaman: Kisah Peringatan yang Disebutkan dalam Wawancara

Dalam wawancara tersebut, eksekutif teknologi perusahaan itu menggambarkan sebuah fenomena yang patut diperhatikan perusahaan: ia mengaku pernah mengamati AI agent yang, karena kurangnya pengaman yang memadai, menghapus data yang krusial bagi operasi bisnis, membocorkan informasi rahasia yang seharusnya tidak dibagikan ke luar, atau menyerahkan data pribadi pelanggan hanya karena desain izin akses belum diterapkan dengan benar.

Perlu dijelaskan, ini adalah pengamatan lisan dari narasumber sendiri dalam acara tersebut — tidak ada perusahaan tertentu yang disebutkan namanya selama wawancara, dan tidak ada detail insiden yang dapat diverifikasi secara eksternal yang diberikan; dalam mengadaptasi tulisan ini, kami juga tidak dapat memverifikasi secara independen keakuratan atau detail spesifik dari kasus apa pun. Ini disajikan di sini semata-mata sebagai deskripsi peringatan yang disebutkan dalam sebuah wawancara industri, bukan sebagai insiden yang telah diverifikasi kebenarannya oleh situs ini, dan tidak menyebutkan nama perusahaan atau individu tertentu yang dapat diidentifikasi — pembaca tidak boleh mengaitkannya dengan vendor atau peristiwa tertentu.

Terlepas dari benar atau tidaknya kasus spesifik tersebut, prinsip yang ditunjukkan tetap layak diperhatikan: agent yang mampu bertindak secara otonom, tanpa batas izin akses yang jelas dan log tindakan yang dapat dilacak, membawa risiko yang tidak berhenti pada 'menjawab pertanyaan dengan salah' — risiko itu bisa meningkat menjadi kebocoran data, masalah kepatuhan, bahkan kerusakan nyata terhadap kepercayaan pelanggan. Perusahaan yang menilai risikonya sendiri sebaiknya mengandalkan konteks penerapan dan temuan audit mereka sendiri, bukan hanya satu anekdot dari wawancara.

Data Perusahaan Tidak 'Berpindah': Tantangan Sesungguhnya Ada pada Sifatnya yang Real-Time, Terdistribusi, dan Sensitif

Penilaian sebuah sistem AI hanya sebaru data yang bisa dilihatnya; mengandalkan informasi yang usang atau tidak lengkap bukan hanya membuat hasilnya kurang baik — tetapi membuatnya sama sekali tidak berarti. Reaksi naluriah banyak organisasi adalah memusatkan data ke satu tempat yang mudah diakses model, tetapi data perusahaan biasanya terlalu besar volumenya, terlalu sensitif, dan terlalu tersebar sehingga migrasi berkelanjutan menjadi tidak praktis. Pendekatan yang lebih realistis adalah membiarkan AI mengakses data di tempat asalnya, melalui akses real-time yang diatur dan diberi izin — menyeimbangkan kebutuhan 'data harus baru' dengan 'cara penyimpanan tidak terganggu.' Sehebat apa pun modelnya, ia tidak bisa mengompensasi data yang terfragmentasi, tercecer, atau sulit diakses — kedua masalah ini harus diselesaikan bersama, menyelesaikan salah satunya saja tidak ada artinya.

Pencarian, Pengambilan Data, dan Observabilitas: Dari Alat Bantu Biasa Menjadi Infrastruktur Tata Kelola yang Krusial

Ketika model bahasa besar pertama kali muncul, tak sedikit yang mempertanyakan apakah pencarian dan pengambilan data (retrieval) menjadi usang — jika model bisa langsung menghasilkan jawaban, untuk apa masih perlu 'mencari' data? Pengamatan dalam wawancara justru menunjukkan sebaliknya: sifat data perusahaan yang tersebar dan sensitif berarti model harus 'secara aktif mendatangi data,' bukan data yang dijejalkan ke dalam model. Itulah yang membuat retrieval dan lapisan konteks menjadi infrastruktur sesungguhnya yang menentukan apakah keluaran AI 'dapat dipercaya' atau sekadar 'terdengar masuk akal.' Bagi organisasi yang dulu menganggap kemampuan ini hanya alat operasional rutin tanpa banyak nilai strategis, ini adalah kalibrasi ulang pemahaman — mereka bukan alat lama yang sedang ditinggalkan oleh AI, melainkan fondasi yang membuat AI bisa berjalan sejak awal.

Seperti Apa Tata Kelola yang Baik: Dimulai dari Alur Kerja, Bukan dari Model

Wawancara ini menunjukkan kesalahan paling umum yang dilakukan perusahaan: menganggap kegagalan penerapan sebagai 'masalah model,' padahal dalam praktiknya hampir selalu merupakan masalah alur kerja dan data. Organisasi yang berhasil melakukannya dengan benar tidak memulai dengan bertanya 'model mana yang harus digunakan' — mereka mulai dengan memperjelas data apa yang menjadi dasar sebuah alur kerja, izin apa yang perlu didefinisikan, dan bagaimana mencatat apa yang sebenarnya sedang dilakukan agent tersebut. Ambil contoh agent yang menangani kasus kepatuhan: ia perlu mengakses dokumen kebijakan, data pelanggan, sinyal transaksi, kasus historis, dan jejak audit yang lengkap — tanpa fondasi ini, ia paling banter hanya chatbot yang terlihat keren, bukan alat yang bisa diserahi tanggung jawab sungguhan. Logika yang sama berlaku untuk operasi keamanan atau observabilitas — skenario apa pun di mana 'AI perlu bertindak, bukan sekadar menjawab pertanyaan.'

Apa Artinya Bagi Perusahaan: Fondasi Tata Kelola Menentukan Siapa yang Bisa Berkembang, Siapa yang Terjebak di Tahap Demo

Wawancara ini menarik paralel antara gelombang adopsi AI perusahaan ini dengan pengalaman migrasi ke cloud sebelumnya — ketika banyak organisasi mengira memindahkan sistem yang sudah ada ke cloud tanpa perubahan akan menyelesaikan masalah mereka, hanya untuk menciptakan lebih banyak masalah, karena mereka bermigrasi tanpa mendesain ulang arsitektur terlebih dahulu. Jebakan yang sama sedang terulang dengan AI: memaksakan model yang sangat mampu ke alur kerja yang sudah terfragmentasi dan rusak, lalu menyebutnya sebagai strategi, jarang bertahan lama. Yang benar-benar menentukan apakah sebuah agent bisa dipercaya dan bisa berkembang skalanya bukanlah besarnya anggaran atau secanggih apa modelnya — melainkan apakah pekerjaan fondasi yang kurang glamor soal akses data, mekanisme kepercayaan, kontrol, dan pengukuran hasil sudah benar-benar diselesaikan. Bagi perusahaan yang sedang mengevaluasi adopsi AI agent, ini sebenarnya adalah topik yang lebih layak diprioritaskan untuk didiskusikan dibandingkan pemilihan model.

Tanya Jawab

Apa itu context engineering?

Ini adalah praktik rekayasa yang membuat model AI memahami lingkungan perusahaan tertentu — pelanggan, kebijakan, catatan historis, toleransi risiko. Intinya adalah mendefinisikan data apa yang boleh dilihat model, serta membangun pengaman yang membuat keluarannya dapat dipercaya, bukan sekadar mengasumsikan bahwa model yang lebih kuat akan menyelesaikan masalah.

Mengapa AI agent membawa risiko tata kelola yang lebih tinggi dibanding chatbot biasa?

Jawaban chatbot yang salah biasanya langsung terdeteksi dan diperbaiki saat itu juga. Tetapi agent bisa merekomendasikan, memutuskan, bahkan mengeksekusi tindakan secara otonom — begitu izin akses atau konteksnya salah konfigurasi, risiko itu langsung berubah menjadi kerugian bisnis, eksposur regulasi, atau insiden keamanan.

Item tata kelola apa yang sebaiknya diperiksa lebih dulu oleh perusahaan sebelum mengadopsi AI agent?

Apakah izin akses data sudah didefinisikan dengan jelas, apakah ada jejak audit lengkap dan proses eskalasi, siapa yang berwenang menyetujui tindakan agent, serta apakah mekanisme akuntabilitas dan penyimpanan bukti sudah siap jika terjadi kesalahan.

Apakah data perusahaan harus dipusatkan agar AI bisa memanfaatkannya secara efektif?

Tidak selalu, dan biasanya justru tidak disarankan. Data perusahaan cenderung besar volumenya, sangat sensitif, dan tersebar luas, sehingga migrasi berkelanjutan menjadi mahal. Pendekatan yang lebih realistis adalah membiarkan AI mengakses data di tempat asalnya, melalui akses real-time yang diatur dan diberi izin.

Mengapa sebagian perusahaan tetap terjebak di tahap uji coba dan demo setelah mengadopsi AI agent?

Alasan umumnya adalah berfokus pada 'model mana yang harus digunakan' alih-alih lebih dulu menyelesaikan akses data, kontrol izin, dan pengukuran hasil — sehingga agent kekurangan fondasi yang dapat dipercaya dan bisa diskalakan, sehingga tidak pernah melampaui tahap terlihat bagus dalam sebuah demo.

Sumber

Sudut pandang dalam artikel ini diadaptasi dari sebuah wawancara yang dipublikasikan di kanal YouTube Bernard Marr, “Why Context Is The Missing Piece In Enterprise AI” (dipublikasikan 2026-07-02, sekitar 79.500 kali tayang). Video aslinya adalah percakapan antara pembawa acara dan seorang eksekutif teknologi perusahaan, dan berisi bahasa penempatan produk yang berulang untuk platform yang dioperasikan oleh perusahaan narasumber; untuk menghindari kesan mendukung vendor tertentu secara langsung, tulisan ini tidak menyebutkan nama perusahaan atau produk tersebut, dan sebagai gantinya menyusun ulang pembahasan seputar konsep context engineering dan tata kelola AI perusahaan itu sendiri, dengan fokus pada kontrol izin akses, jejak audit, dan akuntabilitas risiko. Kisah kegagalan yang disebutkan dalam tulisan ini adalah pengamatan pribadi dari narasumber sendiri, yang detailnya belum diverifikasi secara independen oleh situs ini, dan tidak menyebutkan nama perusahaan atau individu tertentu yang dapat diidentifikasi; kutipan sumber di sini semata-mata merupakan pengungkapan kepatuhan hak cipta, bukan dukungan terhadap produk atau layanan tertentu, dan bukan merupakan nasihat hukum atau kepatuhan — perusahaan sebaiknya berkonsultasi dengan penasihat hukum yang kompeten dan menilai risiko berdasarkan konteks mereka sendiri sebelum mengadopsi AI agent.