Jika AI Agents dapat merencanakan alur kerja dan menggunakan berbagai alat atau teknologi secara mandiri, apakah perusahaan masih membutuhkan RPA?

Selama lebih dari satu dekade, Robotic Process Otomatisasi  (RPA) menjadi salah satu fondasi utama dalam bisnis otomatisasi . Berbagai perusahaan di berbagai industri menggunakan software bots untuk menangani pekerjaan digital yang repetitif—mulai dari memindahkan data antar sistem, memproses invoices, membuat reports, hingga menjalankan alur kerja berbasis aturan.

Saat ini, RPA sudah menjadi bagian penting dari operasional perusahaan. Lebih dari 80% organisasi setidaknya memiliki satu use case RPA, dan sekitar 30% bisnis sudah mengadopsi RPA dalam skala besar untuk mengotomatisasi proses yang repetitif.

Namun, gelombang teknologi baru mulai mengubah lanskap otomatisasi: LLM Agents.

Dengan dukungan Large Language Models, sistem cerdas ini dapat memahami bahasa alami manusia, membaca konteks, dan mengoordinasikan berbagai tools untuk menyelesaikan tugas yang kompleks. Berbeda dari robot tradisional yang mengandalkan predefined scripts, LLM Agents berpotensi menganalisis situasi, merencanakan alur kerja, dan menyesuaikan tindakan ketika kondisi berubah.

Analis memprediksi bahwa hingga 40% bisnis applications akan menggunakan task-specific AI Agents pada 2026, meningkat drastis dari kurang dari 5% beberapa tahun sebelumnya. Perubahan ini menunjukkan adanya pergeseran besar dalam cara perusahaan merancang dan mengotomatisasi proses bisnis.

Seiring perusahaan mulai mengeksplorasi generasi baru otomatisasi  ini, muncul satu pertanyaan penting di industri: bagaimana LLM Agents dan RPA akan bekerja berdampingan di lingkungan bisnis?

Jika LLM Agents dapat memahami proses, merencanakan langkah, dan mengoordinasikan berbagai tools secara mandiri, apakah hal ini akan mengubah peran RPA bots yang selama ini dirancang untuk menjalankan tugas yang telah ditentukan?

Realitas di Balik Implementasi RPA

Secara teori, Robotic Process Otomatisasi  (RPA) merupakan cara yang kuat untuk mengotomatisasi pekerjaan bisnis yang repetitif. Namun dalam praktiknya, efektivitas RPA sangat bergantung pada karakteristik proses yang kita otomatisasi.

RPA bekerja paling baik ketika prosesnya stabil, aturannya sudah jelas, dan lingkungan kerja jarang berubah.  Dalam kondisi tersebut, robot dapat menjalankan pekerjaan repetitif dengan cepat dan akurat. Masalahnya, proses bisnis di dunia nyata jarang sesederhana dan semudah itu untuk kita prediksi.

Proses bisnis Tidak Selalu Terstruktur

Banyak organisasi awalnya menganggap alur kerja mereka sudah terstruktur dan berbasis aturan. Namun, ketika mulai masuk ke tahap implementasi, mereka justru menemukan bahwa proses tersebut jauh lebih kompleks dari perkiraan.

Variasi data input, perubahan kebijakan, pembaruan sistem, dan titik-titik pengambilan keputusan sering menciptakan “pengecualian” yang sulit kita perhitungkan. Akibatnya, kita membuat robot otomatisasi dalam kondisi ideal, agar dapat dengan cepat menemui situasi yang tidak mampu mereka tangani tanpa tambahan logic atau intervensi manusia.

Bahkan, riset industri menunjukkan bahwa sekitar 30–50% proyek RPA gagal pengembangannya atau tidak mencapai hasil sesuai harapan karena kompleksitas dan variasi proses.

Perubahan UI Bisa Mempengaruhi Keberhasilan Otomatisasi

Tantangan umum lainnya datang dari technical fragility pada otomatisasi yang sangat bergantung pada user interface (antarmuka pengguna). Sebagian besar RPA berinteraksi dengan berbagai aplikasi melalui user interface—mensimulasikan klik, mengetik, dan berpindah dari satu layar ke layar lainnya. Pendekatan ini memang memungkinkan otomatisasi tanpa integrasi kompleks dengan sistem yang sudah ada. Namun, di sisi lain, robot menjadi sangat sensitif terhadap perubahan.

Bahkan perubahan kecil pada antarmuka pengguna, seperti penambahan bidang pada sebuah form atau perubahan posisi tombol, dapat membuat otomatisasi  gagal. Studi menunjukkan bahwa hampir 90% pengguna RPA mengalami kegagalan akibat perubahan UI atau pembaruan sistem. Hal ini menunjukkan betapa rentannya otomatisasi yang sangat bergantung pada Tantangan umum lainnya datang dari technical fragility pada otomatisasi yang sangat bergantung pada user interface (antarmuka pengguna). Sebagian besar RPA berinteraksi dengan berbagai aplikasi melalui user interface—mensimulasikan klik, mengetik, dan berpindah dari satu layar ke layar lainnya. Pendekatan ini memang memungkinkan otomatisasi tanpa integrasi kompleks dengan sistem yang sudah ada. Namun, di sisi lain, robot yang bergantung pada antarmuka pengguna menjadi sangat sensitif terhadap perubahan.

Kasus Exception Bisa Berkembang dengan Cepat

RPA sangat unggul dalam menangani straightforward, rule-based transactions. Namun, operasional bisnis nyata sering memiliki banyak edge cases. Ketika muncul exceptions seperti data yang hilang, format yang tidak terduga, atau perubahan kebijakan, robot biasanya mengembalikan kasus tersebut kepada manusia. Di beberapa lingkungan, sekitar 30–50% transaksi masih membutuhkan penanganan secara manual karena exceptions. Kondisi ini tentu mengurangi efisiensi yang seharusnya otomatisasi dapat hasilkan.

Pemeliharaan Bisa Menjadi Beban Operasional

Pemeliharaan juga menjadi tantangan tersendiri.

Survei menunjukkan bahwa 87% organisasi mengalami masalah signifikan akibat robot yang “buntu”, sementara 41% mengatakan mereka menghabiskan lebih banyak waktu dan sumber daya untuk pemeliharaan otomatisasi.

Dalam banyak kasus, otomatisasi  teams justru menghabiskan lebih banyak waktu untuk memperbaiki dan memperbarui bots daripada membangun otomatisasi  baru. Namun, kondisi ini bukan berarti RPA gagal. Justru, hal tersebut menunjukkan keterbatasan otomatisasi yang sepenuhnya mengandalkan aturan baku dan skrip otomatisasi yang kaku.

Ketika perusahaan memperluas dan mengembangkan usaha otomatisasi-nya, mereka akan semakin sering menghadapi proses yang membutuhkan fleksibilitas dan pengambilan keputusan. Kedua hal ini adalah kemampuan yang memang tidak menjadi fokus utama RPA.

Munculnya LLM Agents

Apa saja faktor utama yang mendorong perkembangan LLM Agents?

1. Perkembangan Large Language Models yang Pesat

Faktor pertama adalah perkembangan Large Language Models (LLMs) yang sangat cepat.

Model kini mampu melakukan penalaran secara kompleks, pemahaman konteks, dan berinteraksi dengan berbagai alat—kemampuan yang belum tersedia beberapa tahun lalu.

Riset menunjukkan bahwa software berbasis LLM berpotensi mengubah cara kita “bekerja”. Berdasarkan prediksi, sekitar 80% pekerja akan mengalami perubahan pada setidaknya 10% tugas mereka karena kemampuan LLM, sementara sekitar 19% pekerja dapat mengalami dampak pada setengah dari tugas mereka.

Kemampuan LLM yang dapat kita terapkan pada berbagai jenis knowledge work menjadi salah satu alasan utama mengapa LLM Agents semakin mendapatkan momentum dalam bisnis otomatisasi .

2. Pergeseran dari AI Assistants ke Autonomous Agents

Faktor penting lainnya adalah peralihan dari AI Assistants menuju autonomous agents yang mampu menjalankan tugas dengan banyak langkah.

Analis industri memprediksi pertumbuhan yang sangat cepat di area ini. Pada 2025, kurang dari 5% aplikasi bisnis menggunakan AI Agents. Berdasarkan perkiraan, angka tersebut dapat meningkat menjadi 40% pada 2026, atau naik delapan kali lipat hanya dalam satu tahun.

Perubahan ini menunjukkan semakin besarnya kebutuhan perusahaan terhadap sistem yang dapat merencanakan, menjalankan, dan mengoordinasikan alur kerja secara mandiri, bukan sekadar merespons prompts.

3. Keterbatasan Rule-Based Otomatisasi

Otomatisasi yang bersifat tradisional seperti RPA sangat unggul dalam menangani pekerjaan repetitif. Namun, RPA menghadapi tantangan ketika berhadapan dengan varietas, data tak terstruktur, dan pengambilan keputusan yang kompleks.

Banyak proses bisnis yang melibatkan dokumen, email, percakapan dengan pelanggan, kebijakan, dan alur kerja lainnya yang melibatkan banyak sistem. Skenario seperti ini membutuhkan pemahaman secara kontekstual dan penalaran—kemampuan yang lebih natural bagi LLM Agents daripada otomatisasi berbasis aturan.

Ketika perusahaan ingin membawa otomatisasi  lebih jauh dari sekadar tugas sederhana, mereka membutuhkan sistem yang dapat memahami goals, bukan hanya menjalankan skrip.

Inilah yang mendorong semakin besarnya minat terhadap agent-based architectures.

4. Meningkatnya Kebutuhan akan Productivity Gains

Perusahaan terus menghadapi tekanan untuk meningkatkan produktivitas dan menghasilkan lebih banyak dengan sumber daya yang lebih sedikit.

Riset eksperimental menunjukkan bahwa perkembangan kemampuan LLM dapat meningkatkan produktivitas sekitar 20% dalam satu dekade ke depan untuk knowledge-intensive work.

Di saat yang sama, AI-powered development tools sudah menunjukkan peningkatan produktivitas yang nyata, termasuk pengurangan waktu siklus alur lebih dari 30% di beberapa lingkungan bisnis. Peningkatan yang terukur ini membuat LLM Agents semakin menarik bagi perusahaan yang mencari alternatif untuk meningkatkan produktivitas secara lebih stabil.

5. Tekanan Strategis untuk Mengadopsi Bisnis AI

Faktor terakhir adalah tekanan strategis dari berbagai industri untuk mengadopsi AI.

Laporan industri terbaru menunjukkan bahwa 80% eksekutif percaya AI akan menjadi faktor penting bagi kelangsungan bisnis dalam beberapa tahun ke depan. Ini menunjukkan semakin pentingnya AI dalam strategi bisnis. Eksperimen bisnis dengan AI juga sudah semakin luas. Survei menunjukkan bahwa sekitar 90% organisasi sudah bereksperimen dengan AI, meskipun banyak yang masih mencari cara untuk mengintegrasikannya secara efektif ke dalam alur kerja.

Mengapa Perusahaan Begitu Tertarik dengan LLM Agents?

RPA telah memberikan efisiensi yang signifikan untuk proses yang repetitif dan terstruktur.

Namun, tim Anda mungkin akan semakin sering menghadapi hambatan ketika otomatisasi RPA yang bersifat kaku ini tidak mampu mengikuti kompleksitas alur kerja bisnis dalam realitanya. Kesenjangan inilah yang menjadi salah satu alasan utama mengapa perusahaan mulai tertarik dengan LLM Agents.

1. Menangani Data Tak Terstruktur dan Komunikasi

Sebagian besar aktivitas bisnis melibatkan data tak terstruktur seperti emai, dokumen, percakapan di chat, dan lainnya. Input seperti ini jarang mengikuti format baku yang sudah ada sebelumnya sehingga sulit diproses oleh robot otomatisasi yang berjalan berdasarkan perintah atau aturan.

Prediksi menaksir sekitar 80–90% bisnis data bersifat tidak terstruktur. Artinya, teknologi otomatisasi yang konvensional hanya dapat menangani sebagian kecil dari keseluruhan alur kerja. Sebaliknya, LLM Agents dapat membaca dan memahami bahasa alami, mengambil informasi dari dokumen, dan merespons instruksi kompleks.

Contoh Use Case: Customer Support Operations

Customer service sering menangani ribuan permintaan setiap hari, dan setiap pelanggan bisa menyampaikan kebutuhannya dengan cara yang berbeda. Otomatisasi secara tradisional dapat mengarahkan tickets berdasarkan kata kunci. Namun, pendekatan ini sulit untuk mendefinisikan konteks atau intensi.

LLM Agents dapat menganalisis keseluruhan percakapan, mengategorikan permintaan, mencari informasi relevan, bahkan membuat dan menyampaikan respon.

Dalam lingkungan bisnis yang terkontrol, alat generative AI dapat meningkatkan produktivitas pelayanan konsumen sekitar 14% secara rata-rata, dengan peningkatan yang lebih besar pada staff yang kurang berpengalaman. Hal ini menunjukkan bagaimana sistem berbasis AI dapat membantu alur kerja yang sebelumnya membutuhkan lebih banyak keterlibatan manusia.

2. Mengurangi Exception Handling dalam Alur Kerja

Exception menjadi salah satu tantangan operasional terbesar bagi perusahaan.

RPA bekerja sangat baik dalam skenario yang sudah bisa kita prediksi, sebuah aturan atau perintah yang baku. Namun, banyak proses bisnis memiliki variasi, kekurangan informasi, atau kasus unik lainnya yang tidak dapat robot tangani tanpa intervensi manuasia.

Contohnya:

• faktur datang dalam berbagai format
• data pelanggan tidak lengkap
• kebijakan yang tidak terduga

Di beberapa organisasi, sekitar 30–50% transaksi yang berjalan melalui otomatisasi masih membutuhkan penanganan secara manual karena exceptions. Hal ini secara signifikan mengurangi nilai efisiensi itu sendiri dari otomatisasi .

LLM Agents menawarkan solusi potensial dengan memahami konteks dan mengambil keputusan ketika mengandalkan aturan atau perintah baku saja tidak cukup.

Daripada langsung menolak sebuah exception, agent dapat:

• menganalisis dokumen,
• meminta informasi yang kurang, atau
• memberikan rekomendasi langkah berikutnya kepada operator manusia.

3. Mengorkestrasi Alur Kerja yang Melibatkan Beberapa Sistem

Perusahaan modern biasanya beroperasi menggunakan puluhan sistem—mulai dari ERP, CRM, sistem ticketing, basis data, hingga aplikasi internal.

RPA dapat mengotomatisasi berbagai langkah di dalam sistem tersebut, tetapi biasanya membutuhkan alur kerja yang sudah kita tentukan sebelumnya. Padahal, banyak proses bisnis dalam realitanya membutuhkan pengambilan keputusan dinamis yang melibatkan beberapa sistem sekaligus.

Contoh Use Case: Sales Operations

Bayangkan seorang representatif dari bagian penjualan mengajukan pemotongan harga spesial untuk seorang pelanggan.

Untuk menyelesaikan permintaan tersebut, prosesnya mungkin melibatkan:

• mengecek riwayat pembelian pelangggan di CRM
• memverifikasi kebijakan terkait pemotongan harga
• meminta persetujuan manajer
• memperbarui daftar harga di ERP

LLM Agent dapat menganalisis permintaan, mengambil relevant data dari berbagai sistem, mengevaluasi kebijakan, lalu merekomendasikan atau memulai proses approval.

4. Mengotomatisasi “Knowledge Work”

Mungkin alasan terbesar perusahaan tertarik pada LLM Agents adalah potensinya untuk mengotomatisasi pekerjaan yang membutuhkan kemampuan kognitif, bukan hanya pekerjaan repetitif.

Riset menunjukkan bahwa sekitar 80% pekerja dapat mengalami dampak pada setidaknya 10% tugas mereka akibat Large Language Models, sementara hampir seperlima pekerja dapat mengalami dampak pada setengah dari tugas mereka.

Tugas-tugas ini sering melibatkan membaca, menulis, merangkum informasi, dan mengambil keputusan—aktivitas yang sulit RPA tangani. Dengan menggabungkan kemampuan penalaran dan akses ke sistem perusahaan, LLM Agents dapat membantu menjalankan alur kerja yang sebelumnya sulit atau bahkan tidak mungkin kita otomatisasi.

Perbedaan Utama antara RPA dan LLM Agents

Meskipun RPA dan LLM Agents sama-sama bertujuan mengotomatisasi pekerjaan, keduanya dibangun dengan pendekatan otomatisasi yang secara fundamental berbeda. Memahami perbedaan ini penting bagi organisasi yang sedang menentukan bagaimana mereka akan merancang strategi otomatisasi ke depan.

Aspek	RPA	LLM Agents
Pendekatan Otomatisasi	Berdasarkan aturan	Berdasarkan tujuan
Logika Eksekusi	Skrip yang sudah ditentukan sebelumnya	Penalaran dinamis, perencanaan
Tipe Input	Data terstruktur	Terstruktur dan tidak terstruktur
Kemampuan Beradaptasi	Rendah – perubahan membutuhkan konfigurasi ulang	Tinggi – dapat beradaptasi dengan konteks dan skenario baru
Exception Handling	Membutuhkan aturan yang kita tetapkan	Dapat menganalisis dan merespons situasi tak terduga
Desain Alur Kerja	Tetap	Dinamis
Kekuatan Utama	Unggul untuk pekerjaan repetitif	Unggul dalam pemahaman kontekstual dan pengambilan keputusan

Robotic Process Otomatisasi  (RPA) berfokus pada menjalankan tugas yang telah ditentukan berdasarkan aturan yang sudah ditetapkan sebelumnya. RPAmeniru interaksi manusia dengan aplikasi atau perangkat lunak—mengklik tombol, menyalin data, dan berpindah dari antarmuka satu ke yang lainnya. Pendekatan ini membuat RPA sangat efektif untuk proses yang terstruktur dan repetitifdengan logic yang jelas.

Sebaliknya, LLM Agents memperkenalkan paradigma baru: otomatisasi yang digerakkan oleh penalaran dan konteks. Alih-alih mengikuti skrip yang kaku, LLM Agents dapat memahami instruksi, bahasa alami manusia, dan secara dinamis menentukan bagaimana menyelesaikan sebuah pekerjaan dengan berinteraksi dengan berbagai sistem dan alat.

1. Eksekusi Berbasis Aturan vs Penalaran Berorientasi Tujuan

Salah satu perbedaan paling mendasar terletak pada cara kedua sistem tersebut bekerja.

RPA menggunakan aturan yang telah ditentukan secara eksplisit dan alur kerja yang telah ditetapkan sebelumnya. Setiap langkah harus ditulis dalam skrip terlebih dahulu, lalu bot menjalankan instruksi tersebut.

Jika alur kerja berubah atau muncul skenario yang tidak terduga, otomatisasi dapat gagal atau membutuhkan intervensi manual.

Sebaliknya, LLM Agents bekerja berdasarkan tujuan, bukan skrip yang kaku. Agent dapat memahami instruksi, memecah tugas menjadi beberapa langkah, lalu menentukan alat atau sistem yang perlu digunakan. Jadi, alih-alih mengikuti proses yang kaku, agents dapat membuat rencana tindakan secara dinamis untuk mencapai hasil yang diinginkan.

2. Data Terstruktur vs Tidak Terstruktur

RPA bekerja paling baik dengan data terstruktur seperti basis data, lembar kerja, dan formulir yang memiliki format standar. Ketika input mengikuti format yang dapat diprediksi, bot dapat memprosesnya secara efisien dan akurat.

Namun, sebagian besar data perusahaan bersifat tidak terstruktur. Perkiraan industri menunjukkan bahwa sekitar 80–90% data perusahaan merupakan informasi tidak terstruktur, termasuk email, dokumen, PDF, dan percakapan melalui chat.

Di sinilah LLM Agents memiliki keunggulan. Terlatih menggunakan bahasa alami, LLM Agents dapat membaca dokumen, memahami pesan, merangkum informasi, dan mengambil data yang relevan dari teks yang kompleks.

3. Otomatisasi Deterministik vs Otomatisasi Adaptif

RPA bersifat deterministik. Artinya, bot menjalankan tindakan yang sama dalam urutan yang sama setiap kali. Karakteristik ini membuat RPA sangat andal untuk proses berulang, seperti:

• entri data
• pembuatan laporan
• pemrosesan faktur
• pembaruan sistem

LLM Agents, di sisi lain, merupakan sistem adaptif. AI Agents dapat mengevaluasi konteks dan menyesuaikan tindakan berdasarkan kondisi yang dihadapi. Misalnya, ketika sebuah informasi penting belum tersedia, AI Agents dapat meminta masukan tambahan, mencari data terkait di sistem internal, atau merekomendasikan tindakan alternatif.

Fleksibilitas ini memungkinkan LLM Agents beroperasi dalam lingkungan dengan alur kerja yang tidak selalu dapat diprediksi.

4. Otomatisasi Tugas vs Orkestrasi Alur Kerja

Sebagian besar implementasi RPA berfokus pada mengotomatisasi tugas individual dalam sebuah proses. Beberapa bot memang dapat dihubungkan untuk mengotomatisasi alur kerja yang lebih luas. Namun, setiap bot biasanya tetap menjalankan fungsi yang spesifik.

LLM Agents lebih cocok untuk orkestrasi alur kerja. AI Agents dapat mengoordinasikan berbagai alat, sistem, dan API untuk menyelesaikan tugas kompleks yang melibatkan beberapa aplikasi. Misalnya, sebuah LLM Agent yang menangani permintaan pelanggan dapat:

• membaca email yang masuk
• mengambil informasi akun dari CRM
• memeriksa status pesanan di sistem ERP
• membuat tanggapan atau melakukan eskalasi jika diperlukan

Kemampuan untuk mengorkestrasi berbagai sistem memungkinkan agents mengotomatisasi alur kerja yang lebih kompleks daripada sekadar tugas transaksional sederhana.

5. Kompleksitas Pemeliharaan

Perbedaan penting lainnya terletak pada pemeliharaan. Otomatisasi dengan RPA sering membutuhkan pembaruan ketika sistem mengalami perubahan.

Karena bot bergantung pada interaksi dengan antarmuka pengguna dan alur kerja yang telah ditetapkan sebelumnya, perubahan kecil seperti penambahan kolom baru pada formulir atau perubahan tata letak layar dapat membuat otomatisasi gagal.

Survei menunjukkan bahwa lebih dari 80% organisasi mengalami kegagalan bot akibat perubahan sistem atau antarmuka, yang menunjukkan besarnya beban pemeliharaan dalam penerapan RPA.

Sebaliknya, LLM Agents dapat lebih tangguh dalam lingkungan yang dinamis karena lebih sedikit bergantung pada aturan yang kaku dan lebih banyak memanfaatkan pemahaman kontekstual.

Meskipun tetap membutuhkan tata kelola dan pemantauan, kemampuan mereka dalam memahami instruksi dapat mengurangi kebutuhan untuk terus-menerus melakukan penyesuaian skrip.

LLM Agents vs RPA

Perdebatan mengenai LLM Agents dan RPA semakin berkembang.

Sebagian melihat LLM Agents sebagai evolusi berikutnya dalam otomatisasi. Sebagian lainnya percaya bahwa RPA akan tetap menjadi fondasi penting untuk menjalankan otomatisasi alur kerja terstruktur.

Ketika organisasi mulai bereksperimen dengan keduanya, memahami hubungan antara LLM Agents dan RPA menjadi semakin penting untuk menentukan masa depan otomatisasi bagi bisnis.

Kapan RPA Masih Lebih Unggul?

Salah satu kekuatan terbesar RPA adalah eksekusi deterministik. Bot menjalankan instruksi yang telah ditentukan sebelumnya dengan konsistensi dan kecepatan tinggi. Karena itu, RPA sangat ideal untuk tugas yang membutuhkan akurasi dan kepastian hasil. Dalam industri seperti perbankan, asuransi, dan layanan kesehatan, karakteristik ini sangat penting untuk menjaga kepatuhan dan kendali operasional.

RPA masih unggul dalam beberapa skenario:

1. Tugas Berulang dengan Volume Tinggi

Proses dengan volume transaksi tinggi dan pekerjaan yang repetitif merupakan use case yang sangat cocok untuk RPA.

Contohnya:

• entri data
• pemrosesan faktur
• pembaruan penggajian
• pembuatan laporan

Dalam kasus seperti ini, alur kerja jarang berubah dan aturan sudah ditetapkan dengan jelas.

Contoh

Departemen keuangan sering menggunakan RPA untuk memproses faktur dengan mengambil informasi terstruktur, memvalidasinya terhadap pesanan pembelian, lalu memperbarui sistem akuntansi.

Studi menunjukkan bahwa RPA dapat mengurangi waktu pemrosesan hingga 80% dan biaya operasional sebesar 30–50% untuk tugas yang repetitif. Hal ini membuat RPA sangat menarik untuk alur kerja transaksional.

2. Proses Terstruktur dan Berbasis Aturan

RPA bekerja paling baik ketika input mengikuti format yang dapat diprediksi dan keputusan didasarkan pada logika yang jelas.

Contohnya:

• memperbarui catatan di berbagai sistem
• membuat laporan kepatuhan
• mentransfer data antar aplikasi lama

Tugas-tugas tersebut membutuhkan presisi dan keandalan, bukan interpretasi. Dan di sinilah RPA unggul.

3. Lingkungan Bisnis yang Stabil

Ketika sistem dan antarmuka jarang berubah, bot RPA dapat beroperasi dalam waktu lama dengan pemeliharaan yang minimal.

Untuk organisasi yang memiliki proses digital yang terdefinisi dengan baik, RPA tetap menawarkan otomatisasi yang cepat dan dapat diskalakan dengan risiko operasional yang rendah.

Karena alasan tersebut, banyak bisnis masih melihat RPA sebagai tulang punggung eksekusi dalam otomatisasi , khususnya untuk tugas operasional yang membutuhkan kecepatan, akurasi, dan konsistensi.

Di Mana LLM Agents Memberikan Nilai Lebih?

Jika RPA unggul dalam otomatisasi terstruktur, LLM Agents lebih kuat dalam lingkungan yang melibatkan ambiguitas, interpretasi, dan pengambilan keputusan. Perusahaan modern semakin sering menghadapi alur kerja kompleks yang tidak dapat disederhanakan menjadi sekumpulan aturan. Email, dokumen, interaksi dengan pelanggan, dan tugas yang membutuhkan pengetahuan memerlukan pemahaman kontekstual—sesuatu yang sulit diberikan oleh perangkat otomatisasi tradisional.

Di sinilah LLM Agents dapat memberikan nilai yang signifikan.

1. Menangani Data Tidak Terstruktur

Sebagian besar data bisnis hadir dalam format yang tidak terstruktur, seperti email, dokumen, kontrak, dan percakapan melalui chat.

Bot RPA tradisional membutuhkan input yang terstruktur, sehingga sulit digunakan untuk alur kerja seperti ini.

LLM Agents dapat membaca dan memahami bahasa alami, sehingga mampu mengambil wawasan dan bertindak berdasarkan informasi yang terdapat dalam dokumen maupun komunikasi.

Contoh

LLM Agent dapat:

• membaca email pelanggan yang masuk
• memahami maksud permintaan
• mengategorikan permintaan
• mengambil informasi yang relevan dari sistem internal
• membuat draf tanggapan untuk tim dukungan

Studi menunjukkan bahwa perangkat generative AI dapat meningkatkan produktivitas layanan pelanggan sekitar 14%, terutama dengan membantu agen memahami dan merespons permintaan yang kompleks.

2. Mengelola Alur Kerja Kompleks

Banyak proses bisnis terdiri dari beberapa langkah di berbagai sistem dan membutuhkan pengambilan keputusan secara dinamis.

LLM Agents dapat menganalisis konteks, merencanakan tindakan, dan mengoordinasikan tugas melalui berbagai tools dan API.

Contoh

Dalam alur kerja pengadaan, LLM Agent dapat:

• menganalisis permintaan pembelian
• memeriksa kontrak pemasok
• memverifikasi kebijakan persetujuan
• memulai proses persetujuan
• memperbarui catatan di sistem ERP

3. Mendukung Pekerjaan Berbasis Pengetahuan

Mungkin potensi paling transformatif dari LLM Agents terletak pada kemampuannya mendukung tugas yang membutuhkan pengetahuan dan keahlian.

Riset menunjukkan bahwa sekitar 80% pekerja dapat mengalami dampak pada setidaknya 10% tugas mereka akibat Large Language Models, terutama tugas yang melibatkan membaca, menulis, menganalisis, dan menyintesis informasi.

Contohnya:

• peninjauan dokumen hukum
• pemantauan kepatuhan
• peringkasan hasil riset
• dukungan pengetahuan internal

Aktivitas tersebut membutuhkan interpretasi dan penalaran—area di mana LLM Agents menawarkan kemampuan yang jauh melampaui otomatisasi tradisional.

4. Menangani Pengecualian dan Skenario Khusus

Di area yang biasanya menjadi kelemahan RPA—yaitu pengecualian—LLM Agents dapat memberikan penalaran kontekstual.

Alih-alih langsung berhenti ketika menemukan skenario yang tidak terduga, agent dapat:

• menganalisis masalah
• meminta informasi yang belum tersedia
• memberikan rekomendasi penyelesaian
• melakukan eskalasi kepada manusia jika diperlukan

Fleksibilitas ini memungkinkan perusahaan mengotomatisasi bagian yang lebih besar dari alur kerja kompleks.

Hybrid Model: Menggabungkan RPA dan LLM Agents

Ketika perusahaan mulai bereksperimen dengan RPA dan LLM Agents, banyak yang menyadari bahwa pendekatan paling efektif bukanlah memilih salah satunya, melainkan menggabungkan keduanya.

Masing-masing teknologi menyelesaikan bagian yang berbeda dari tantangan otomatisasi. RPA unggul dalam menjalankan tugas terstruktur dengan kecepatan dan presisi. Sementara itu, LLM Agents membawa kecerdasan, pemahaman kontekstual, dan kemampuan mengambil keputusan. Ketika digabungkan, keduanya membentuk model otomatisasi hibrida yang jauh lebih kuat dibandingkan jika masing-masing teknologi digunakan secara terpisah.

Dalam model ini, LLM Agents berperan sebagai “otak” dari sistem otomatisasi. Mereka memahami tujuan, menganalisis informasi, dan menentukan tindakan yang perlu dilakukan. Sementara itu, bot RPA berperan sebagai “tangan” yang menjalankan tugas-tugas deterministik di sistem bisnis seperti platform ERP, sistem CRM, atau aplikasi lama.

Seperti Apa Alur Kerja Otomatisasi hybrid?

1. LLM Agent memahami permintaan

Memahami instruksi dalam bahasa alami, email, atau dokumen.

2. LLM Agent merencanakan alur kerja

Menentukan tindakan atau sistem yang diperlukan untuk menyelesaikan tugas.

3. Bot RPA menjalankan tugas deterministik

Melakukan operasi terstruktur seperti memperbarui catatan atau mentransfer data.

4. LLM Agent mengevaluasi hasil dan menangani pengecualian

Menentukan apakah diperlukan tindakan tambahan atau melakukan eskalasi kepada manusia.

Dengan memisahkan pengambilan keputusan dari eksekusi, perusahaan dapat membangun sistem otomatisasi yang sekaligus cerdas dan andal.

Contoh Use Cases Otomatisasi hybrid

1. Pelayanan Pelanggan

Operasional layanan pelanggan sering melibatkan komunikasi tidak terstruktur sekaligus pembaruan pada sistem yang terstruktur.

Contoh alur kerja:

1. Pelanggan mengirim email untuk meminta pengembalian dana.
2. LLM Agent membaca email dan memahami maksud pelanggan.
3. Agent mengambil informasi pesanan yang relevan.
4. Bot RPA memperbarui status pengembalian dana di sistem pengelolaan pesanan.
5. LLM Agent membuat tanggapan untuk mengonfirmasi pengembalian dana.

2. Pemrosesan Faktur dalam Departemen Finance

Pemrosesan faktur merupakan salah satu use case RPA yang klasik.

Namun, dalam praktiknya, faktur sering datang dalam berbagai format dan dapat mengandung ketidaksesuaian.

Alur kerja otomatisasi hybrid:

1. LLM Agent mengambil dan memahami informasi dari faktur dalam berbagai format, seperti PDF, email, dan dokumen hasil pemindaian.
2. Agent memvalidasi data berdasarkan aturan bisnis dan mengidentifikasi anomali.
3. Bot RPA memperbarui sistem akuntansi, mencocokkan faktur dengan pesanan pembelian, dan menjalankan alur pembayaran.
4. Jika menemukan ketidaksesuaian, LLM Agent meminta klarifikasi atau menandai faktur untuk ditinjau.

3. IT Support

Layanan TI menerima ribuan permintaan, dan banyak di antaranya membutuhkan tindakan di beberapa sistem.

Contoh alur kerja:

1. Karyawan meminta akses ke aplikasi tertentu melalui tiket helpdesk.
2. LLM Agent memahami permintaan dan memverifikasi kebijakan akses.
3. Bot RPA membuat akun pengguna atau memberikan hak akses pada sistem yang diperlukan.
4. LLM Agent memperbarui tiket dan berkomunikasi dengan karyawan.

4. Penjualan

Tim penjualan sering perlu memperbarui catatan, menyiapkan proposal, dan melacak interaksi di berbagai sistem.

Alur kerja otomatisasi hybrid:

1. Perwakilan penjualan mengajukan permintaan untuk proposal harga yang disesuaikan.
2. LLM Agent meninjau riwayat pelanggan, ketentuan kontrak, dan kebijakan diskon.
3. Bot RPA mengambil data yang relevan dari sistem CRM dan ERP.
4. LLM Agent membuat draf proposal dan mengirimkannya untuk persetujuan.

Apakah LLM Agents Akan Menggantikan RPA?

Jadi, apakah LLM Agents akan menggantikan RPA dalam bisnis otomatisasi?

Mungkin pertanyaan yang lebih menarik adalah: apakah memang seharusnya begitu?

Daripada menggantikan RPA, LLM Agents justru dapat mengubah cara perusahaan merancang otomatisasi  secara fundamental. Alih-alih membuat skrip untuk setiap kemungkinan tindakan, perusahaan dapat mulai membangun sistem di mana cerdas agents memahami tujuan, mengoordinasikan berbagai tools, dan menentukan komponen otomatisasi  mana yang perlu digunakan—termasuk bot RPA.

Dalam model baru ini, otomatisasi  tidak lagi sekadar tentang bot yang berdiri sendiri dan menjalankan tugas-tugas individual. Otomatisasi  mulai berkembang menjadi sistem cerdas yang mampu mengelola seluruh alur kerja.

Mungkin, ada beberapa pertanyaan yang perlu kita pikirkan:

• Apa yang terjadi ketika otomatisasi  tidak hanya bisa berpikir, tetapi juga bertindak?
• Seberapa jauh bisnis otomatisasi  dapat berkembang ketika cerdas agents mampu mengorkestrasi seluruh alur kerja?

Oleh: Kezia Nadira