SAP Business AI dan Governance Agent: Mengubah Proses Bisnis Menjadi Workflow yang Terkontrol

SAP Business AI makin menegaskan bahwa AI enterprise bukan sekadar chatbot atau fitur otomatisasi kecil. Di lingkungan bisnis, AI perlu dibangun, dikelola, diuji, dan diawasi seperti komponen sistem yang memengaruhi proses operasional.

Berdasarkan artikel SAP News Center berjudul SAP Business AI: Release Highlights Q2 2026, SAP menyoroti perkembangan SAP Business AI, termasuk platform untuk membangun, mengelola, dan melakukan governance terhadap AI agent, perluasan Industry AI, serta kemampuan Joule yang dapat membantu menghasilkan test case. SAP juga menyebut klaim bahwa fitur tersebut dapat mempercepat unit testing sekitar 15 sampai 20 persen. Angka ini perlu dipahami sebagai klaim dari sumber, bukan hasil benchmark independen dalam artikel ini.

Artikel ini membahas implikasinya untuk software engineering dan bisnis Indonesia, terutama bagaimana agentic AI dapat diubah dari eksperimen menjadi workflow yang terkontrol.

Fakta dari sumber SAP

Mengacu pada sumber SAP News Center:

SAP membahas perkembangan SAP Business AI pada rilis Q2 2026.
SAP menyoroti pendekatan platform untuk membangun, mengelola, dan melakukan governance terhadap AI agent.
SAP menyebut adanya perluasan kemampuan Industry AI untuk kebutuhan industri.
SAP menampilkan contoh Joule yang dapat membantu menghasilkan test case.
SAP mengklaim kemampuan tersebut dapat mempercepat unit testing sekitar 15 sampai 20 persen.

Poin-poin di atas adalah ringkasan dari sumber. Analisis di bawah ini adalah interpretasi praktis untuk konteks engineering dan bisnis, khususnya organisasi di Indonesia.

Dari AI agent ke workflow yang bisa diaudit

Nilai utama AI agent di perusahaan bukan hanya kemampuan menjawab pertanyaan. Nilainya muncul ketika agent dapat masuk ke proses kerja yang berulang, mengambil konteks dari data bisnis, lalu membantu membuat keputusan atau draft tindakan.

Namun, semakin dekat agent ke proses bisnis, semakin besar kebutuhan governance. Agent yang membantu klasifikasi tiket pelanggan relatif rendah risiko. Agent yang mengubah data kontrak, menyetujui pembayaran, atau memperbarui informasi pelanggan adalah risiko tinggi.

Karena itu, AI governance sebaiknya tidak diposisikan sebagai penghambat inovasi. Governance justru membuat penggunaan AI lebih aman untuk diterapkan di proses nyata.

Langkah awal: petakan proses repetitif sebelum memilih agent

Kesalahan umum dalam adopsi AI adalah memulai dari tool, bukan dari proses. Untuk organisasi yang ingin mengadopsi pola seperti SAP Business AI dan governance agent, langkah pertama adalah membuat peta proses repetitif.

Beberapa proses yang layak dipetakan:

Klasifikasi tiket support atau keluhan pelanggan.
Ekstraksi data dari dokumen pembelian, invoice, kontrak, atau email.
Drafting balasan pelanggan atau ringkasan kasus.
Rekomendasi prioritas pekerjaan untuk tim operasi.
Pembuatan draft test case untuk tim engineering.
Ringkasan perubahan data untuk proses approval.

Setiap proses sebaiknya memiliki baseline sebelum agent digunakan:

Baseline	Pertanyaan yang perlu dijawab
Waktu	Berapa lama proses berjalan saat ini?
Error	Jenis kesalahan apa yang sering terjadi?
Biaya	Berapa biaya operasional per transaksi atau per kasus?
Eskalasi	Kapan pekerjaan harus naik ke supervisor, legal, finance, atau engineering lead?

Tanpa baseline, perusahaan sulit membuktikan apakah AI benar-benar membantu atau hanya memindahkan pekerjaan ke bentuk baru.

Gunakan agent untuk tugas berisiko rendah terlebih dahulu

Untuk tahap awal, agent paling aman digunakan pada pekerjaan yang bersifat asistif, bukan langsung mengeksekusi keputusan final.

Contoh penggunaan awal:

Klasifikasi Agent membantu mengelompokkan tiket, invoice, email, atau request internal.
Ekstraksi Agent mengambil informasi penting dari dokumen, misalnya nomor PO, tanggal jatuh tempo, nama vendor, atau klausul kontrak.
Drafting Agent membuat draf email, rangkuman rapat, deskripsi bug, atau dokumentasi teknis.
Rekomendasi Agent memberi saran prioritas, opsi tindakan, atau daftar risiko, tetapi keputusan tetap di manusia.

Pendekatan ini cocok untuk perusahaan Indonesia yang ingin menguji nilai AI tanpa langsung membuka akses ke proses finansial, legal, atau data pelanggan yang sensitif.

Human approval wajib untuk area berisiko tinggi

Governance agent harus memiliki batas yang jelas. Untuk beberapa kategori proses, human approval sebaiknya wajib.

Area yang perlu approval manusia:

Transaksi uang, pembayaran, refund, diskon, dan approval biaya.
Komunikasi penting ke pelanggan, terutama jika menyangkut komplain, penalti, SLA, atau perubahan layanan.
Kontrak, addendum, legal terms, dan persetujuan vendor.
Perubahan data penting, seperti master data pelanggan, harga, bank account, alamat penagihan, dan hak akses.
Deployment atau perubahan konfigurasi sistem produksi.

AI boleh menyiapkan konteks dan rekomendasi, tetapi manusia perlu tetap menjadi pengambil keputusan akhir pada area tersebut.

Audit trail dan access control bukan fitur tambahan

Dalam sistem enterprise, audit trail dan access control adalah fondasi. Jika agent dapat membaca data bisnis dan menyarankan tindakan, perusahaan perlu tahu siapa yang meminta, data apa yang digunakan, rekomendasi apa yang diberikan, dan siapa yang menyetujui.

Minimal governance yang perlu disiapkan:

Log permintaan dan respons agent.
Riwayat data atau dokumen yang digunakan sebagai konteks.
Identitas pengguna yang meminta aksi.
Status approval dan identitas approver.
Versi prompt, policy, atau konfigurasi agent.
Pembatasan akses berdasarkan role dan unit kerja.

Tanpa audit trail, perusahaan akan kesulitan melakukan investigasi saat terjadi kesalahan. Tanpa access control, agent bisa menjadi jalur baru untuk kebocoran data.

Quality testing dengan dataset anonim

AI agent tidak cukup diuji dengan demo. Tim engineering perlu membuat quality testing yang terukur menggunakan dataset anonim.

Dataset uji sebaiknya mencakup:

Kasus normal yang sering terjadi.
Kasus tepi yang jarang tetapi berisiko tinggi.
Dokumen dengan format tidak rapi.
Bahasa campuran Indonesia dan Inggris.
Input ambigu yang seharusnya memicu eskalasi ke manusia.
Contoh data yang tidak boleh diproses karena melanggar policy.

Untuk menjaga privasi, gunakan data anonim atau sintetis yang tetap merepresentasikan pola proses nyata. Ukur akurasi klasifikasi, kualitas ekstraksi, tingkat halusinasi, waktu proses, dan frekuensi eskalasi.

Dampak untuk software engineering

Bagi software engineer, contoh Joule yang menghasilkan test case menarik karena menyasar aktivitas yang sering memakan waktu. Jika klaim SAP tentang percepatan unit testing 15 sampai 20 persen tercapai dalam konteks tertentu, dampaknya bisa terasa pada siklus delivery.

Namun, tim engineering tetap perlu memvalidasi hasilnya. Test case dari AI sebaiknya diperlakukan sebagai draft awal, bukan kebenaran final.

Praktik yang disarankan:

Review test case oleh developer atau QA.
Pastikan test mencakup business rule, edge case, dan regression scenario.
Jalankan di pipeline CI sebelum digabung ke branch utama.
Catat berapa banyak test AI yang diterima, direvisi, atau ditolak.
Bandingkan waktu pembuatan test sebelum dan sesudah penggunaan AI.

Dengan cara ini, AI membantu mempercepat pekerjaan tanpa menurunkan disiplin engineering.

Dampak untuk bisnis Indonesia

Untuk bisnis Indonesia, SAP Business AI dan governance agent relevan karena banyak organisasi masih menjalankan proses penting secara manual, tersebar di email, spreadsheet, chat, dan aplikasi internal.

Potensi manfaatnya:

Mempercepat proses administrasi yang berulang.
Mengurangi salah input dan salah klasifikasi.
Membantu tim support merespons lebih konsisten.
Membantu finance, procurement, dan operation menyiapkan draft analisis.
Memberi visibility lebih baik terhadap titik bottleneck dan eskalasi.

Tetapi ada beberapa tantangan yang perlu dipertimbangkan.

Dukungan bahasa Indonesia

Banyak proses bisnis lokal menggunakan bahasa Indonesia, singkatan internal, istilah campuran, dan konteks informal. Agent harus diuji dengan contoh data yang benar-benar mirip kondisi lapangan, bukan hanya dokumen formal berbahasa Inggris.

Kualitas data

AI tidak akan memperbaiki data yang berantakan secara ajaib. Jika master data tidak konsisten, dokumen tidak standar, atau proses approval tidak jelas, agent akan mewarisi masalah tersebut. Sebelum otomasi, rapikan struktur data dan definisi proses.

Ketergantungan vendor

Platform enterprise seperti SAP dapat memberi integrasi dan governance yang kuat, tetapi organisasi tetap perlu memahami risiko ketergantungan vendor. Hal yang perlu dikaji antara lain portabilitas data, konfigurasi agent, biaya jangka panjang, integrasi dengan sistem non-SAP, dan strategi keluar jika kebutuhan berubah.

Checklist implementasi governance agent

Sebelum membawa AI agent ke proses bisnis, gunakan checklist berikut:

Apakah proses repetitif sudah dipetakan?
Apakah baseline waktu, error, biaya, dan eskalasi sudah tersedia?
Apakah tugas agent dibatasi pada klasifikasi, ekstraksi, drafting, atau rekomendasi di tahap awal?
Apakah ada human approval untuk uang, pelanggan, kontrak, dan perubahan data penting?
Apakah audit trail aktif dan mudah ditelusuri?
Apakah access control mengikuti role pengguna?
Apakah pengujian dilakukan dengan dataset anonim?
Apakah agent diuji untuk bahasa Indonesia dan istilah internal?
Apakah kualitas data sudah cukup baik?
Apakah risiko ketergantungan vendor sudah dibahas sejak awal?

Kesimpulan

SAP Business AI menunjukkan arah yang semakin jelas: AI enterprise bergerak dari fitur asistif menuju agent yang terhubung dengan proses bisnis. Perubahan ini menjanjikan efisiensi, termasuk pada area software engineering seperti pembuatan test case. Namun, nilai terbesar hanya akan muncul jika agent ditempatkan dalam workflow yang terkontrol.

Untuk organisasi di Indonesia, pendekatan paling realistis adalah mulai dari proses repetitif, ukur baseline, gunakan agent untuk tugas berisiko rendah, lalu tambahkan governance melalui human approval, audit trail, access control, dan quality testing. Dengan fondasi tersebut, AI tidak hanya terlihat canggih, tetapi benar-benar membantu bisnis berjalan lebih cepat, aman, dan terukur.

Referensi

SAP Business AI: Release Highlights Q2 2026, SAP News Center, dipublikasikan 20 Juli 2026. URL: https://news.sap.com/2026/07/sap-business-ai-release-highlights-q2-2026/