Model Kematangan AI Agent: Tahap Adopsi Crawl, Walk, Run

Q: Apa tiga tahap kematangan AI agent?

Crawl (satu agent yang diawasi membuktikan konsep di satu tim), walk (beberapa agent yang diatur tata kelolanya berjalan di lebih dari satu departemen dengan pemilik bernama dan guardrail yang digunakan ulang), dan run (armada agent yang terkoordinasi, sering kali mencakup orkestrasi multi-agent, tertanam dalam alur kerja inti dengan pelacakan ROI tingkat portofolio). Sebagian besar organisasi saat ini berada di crawl atau awal walk, apa pun yang disiratkan angka adopsi mereka.

Q: Apa bedanya model kematangan dengan tahap peluncuran satu agent?

Men-deploy agent ke produksi, melalui shadow mode, lalu traffic terbatas, hingga peluncuran penuh, adalah proses yang terjadi di dalam tahap crawl setiap kali Anda membangun agent baru. Model kematangan adalah jam tingkat organisasi yang lebih lambat: berapa kali Anda sudah menjalankan proses itu, disiplin tata kelola dan pengukuran apa yang Anda pertahankan dari setiap putaran, dan berapa banyak tim serta agent yang kini tercakup oleh disiplin itu.

Q: Bagaimana saya tahu kami benar-benar di walk, bukan sekadar crawl dengan lebih banyak agent?

Hitung pemilik, bukan agent. Jika Anda memiliki lima agent tetapi tidak ada pola guardrail bersama, tidak ada pemilik tata kelola yang ditunjuk, dan tidak ada cara yang konsisten untuk mengukur ROI di antara semuanya, Anda memiliki lima pilot tahap crawl yang berjalan paralel, bukan program tahap walk. Walk berarti agent kedua, ketiga, dan keempat terbukti lebih cepat dan lebih aman dibangun karena apa yang diajarkan agent pertama kepada Anda.

Q: Apa risiko terbesar dari bergerak terlalu cepat antar tahap?

Melewati walk sepenuhnya dan melompat dari satu pilot ke orkestrasi multi-agent atau otonomi luas. Hal itu menambah permukaan koordinasi di atas risiko apa pun yang sudah dibawa satu agent, dan tanpa pemilik tata kelola, pola guardrail, dan disiplin pengukuran yang seharusnya dibangun oleh tahap walk, permukaan tambahan itulah tempat tingkat pembatalan proyek 40% lebih yang diproyeksikan Gartner terkonsentrasi.

Q: Apa yang sebenarnya dibutuhkan tahap "run" yang tidak dibutuhkan "walk"?

Perubahan struktural, bukan sekadar lebih banyak agent. Run biasanya berarti struktur kepemilikan khusus seperti AI Center of Excellence, orkestrasi multi-agent di tempat pekerjaan benar-benar membutuhkannya, dan memperlakukan agent sebagai lapisan tenaga kerja yang kapasitasnya Anda rencanakan, bukan sekumpulan proyek individual. Riset Deloitte menunjukkan kurang dari 1 dari 10 organisasi yang sudah berada di sana saat ini, meskipun mayoritas memperkirakan akan berada di sana setidaknya secara moderat dalam beberapa tahun.

Model Kematangan AI Agent dengan agent yang diawasi, agent yang diatur tata kelolanya, dan armada yang diorkestrasi

Model kematangan AI agent membagi adopsi agent di sebuah organisasi ke dalam tiga tahap: crawl, yaitu satu agent yang diawasi ketat untuk membuktikan konsep; walk, yaitu beberapa agent dengan tata kelola yang berjalan di lebih dari satu tim; dan run, yaitu agent yang beroperasi sebagai armada terkoordinasi dan tertanam dalam cara bisnis benar-benar bekerja. Kebanyakan perusahaan menyebut diri mereka "menggunakan AI agent" tanpa menyebutkan tahap mana yang dimaksud, dan kekaburan itulah yang membuat proyek agent bisa didanai lalu diam-diam mandek. Model ini memberi Anda sinyal nyata untuk setiap tahap, sehingga Anda dapat menyebutkan posisi Anda yang sebenarnya, bukan posisi yang tertulis di slide presentasi.

Mengapa Kematangan Lebih Tepat daripada Adopsi sebagai Pertanyaan

Adopsi bertanya apakah Anda menggunakan agent sama sekali. Kematangan bertanya seberapa jauh penggunaan itu sebenarnya berjalan, dan jarak antara kedua pertanyaan itu sangat besar. Survei State of AI 2025 dari McKinsey menemukan bahwa 88% organisasi menerapkan AI di setidaknya satu fungsi bisnis, dan 62% berada di suatu titik pada jalur agentic AI secara khusus: 23% menskalakan agent di suatu bagian bisnis, 39% bereksperimen. Namun di dalam satu fungsi bisnis mana pun, McKinsey menemukan tidak lebih dari sekitar 10% organisasi yang menjalankan agent pada status benar-benar berskala. Sebagian besar angka adopsi yang mencolok itu masih berada di tahap crawl atau awal walk, bukan run, apa pun yang tersirat dari slide AI pada bagan organisasi. Agentic AI di 2026 membahas gambaran adopsi lengkap di seluruh pasar. Halaman ini membahas apa yang sebenarnya membedakan tiap tahap setelah Anda melewati titik "kami memakai agent di suatu tempat."

Crawl, Tahap 1: Satu Agent, Diawasi Ketat

Crawl tampak seperti satu agent sempit, dimiliki oleh satu tim, biasanya dibangun di atas platform no-code karena pekerjaannya sudah berpola, bukan hal baru. Sesuatu seperti AI Reply Agent atau AI Meeting Scheduler Agent adalah pembangunan pertama yang umum: cakupan terbatas, aturan jelas, risiko rendah jika terjadi kesalahan. Tinjauan manusia berada dekat dengan setiap tindakan, dan keberhasilan pada tahap ini bukanlah "apakah menghemat biaya," melainkan "apakah berhasil, dan apakah kami sudah membangun cukup kepercayaan serta audit trail untuk memperluas cakupannya nanti." Daftar periksa kesiapan dari kapan menggunakan AI agent dan tahapan shadow mode dari men-deploy AI agent ke produksi sama-sama berada di dalam crawl, diterapkan pada tepat satu agent. Kematangan adalah jam yang lebih lambat yang berjalan di bawahnya: berapa kali Anda sudah melalui tahapan itu, dan apa yang Anda pertahankan dari setiap putarannya.

Tahap Crawl Kematangan AI Agent dengan satu agent yang diawasi dalam buaian pelatihan terbatas

Survei State of AI in the Enterprise 2026 dari Deloitte menunjukkan sebagian besar pasar berada tepat di sini. 30% organisasi masih menjajaki agentic AI dan 38% menjalankan pilot, sementara 35% melaporkan sama sekali tidak memiliki strategi agentic AI yang formal. Jika itu Anda, Anda tidak tertinggal. Anda berada di tempat sebagian besar pasar sebenarnya berada, apa pun yang tersirat dari pitch vendor.

Walk, Tahap 2: Diatur Tata Kelolanya, Dapat Diulang, Lintas Fungsi

Walk berbeda secara jenis, bukan hanya jumlah. Ini bukan "lima pilot tahap crawl yang berjalan bersamaan." Ini adalah segelintir agent, biasanya antara tiga hingga delapan, yang berjalan di dua departemen atau lebih, dengan pemilik tata kelola yang ditunjuk dan pola guardrail yang digunakan ulang, bukan ditemukan ulang untuk setiap pembangunan baru. Jenis-jenis AI agent mulai penting di sini secara praktik, bukan hanya teori, karena tim tahap walk memilih tingkat otonomi dan arsitektur per pekerjaan secara sengaja, bukan mengikuti apa pun yang kebetulan dipakai agent pertama. Disiplin biaya juga muncul: pengungkit caching, routing, dan anggaran dari optimalisasi biaya AI agent tidak lagi opsional begitu Anda menjalankan cukup banyak agent sehingga satu agent yang tidak dioptimalkan benar-benar terlihat di tagihan.

Tahap Walk Kematangan AI Agent dengan agent yang diatur tata kelolanya melintasi jembatan bersama antar tim

Sinyal walk yang paling jelas, bagaimanapun, adalah pengukuran. Tim tahap crawl bisa lolos dengan "tampaknya membantu." Tim tahap walk memiliki baseline, melacak metrik utama sejak minggu ke-4, dan dapat menunjukkan angka nyata, disiplin yang dibahas dalam ROI AI agent. Data Deloitte menempatkan sekitar 14% organisasi pada titik "solusi siap di-deploy" yang paling mendekati awal walk, jauh lebih sedikit dibandingkan 68% yang masih menjajaki atau menjalankan pilot di tahap crawl.

Run, Tahap 3: Armada, Diorkestrasi, Tertanam

Run adalah saat agent berhenti menjadi kumpulan proyek individual dan mulai menjadi lapisan kapasitas yang menjadi dasar perencanaan organisasi. Sistem multi-agent menjadi umum di sini, bukan karena orkestrasi terdengar canggih, melainkan karena sudah ada cukup banyak agent yang berbeda dan tertata tata kelolanya sehingga merangkainya, seperti agent lead scoring menyerahkan ke agent lead routing, yang menyerahkan ke agent tindak lanjut, benar-benar lebih baik daripada membangun satu agent yang lebih luas dari nol. Kepemilikan biasanya diformalkan menjadi struktur seperti AI Center of Excellence, dan tata kelola berhenti menjadi daftar periksa yang ditempelkan pada setiap agent baru dan menjadi arsitektural: terbangun dalam cara setiap agent baru dispesifikasikan sejak hari pertama. Run juga merupakan tahap ketika tenaga kerja agentic menjadi gambaran nyata tentang cara organisasi bekerja, bukan frasa aspiratif dalam memo strategi.

Tahap Run Kematangan AI Agent dengan armada yang diorkestrasi tertanam dalam tulang punggung operasional

Perkiraan Gartner pada Juni 2025 memberi gambaran di mana letak batas atasnya: 15% keputusan kerja sehari-hari akan dibuat secara otonom melalui agentic AI pada 2028, naik dari 0% pada 2024, dan 33% aplikasi software enterprise akan menyertakan agentic AI pada 2028, naik dari kurang dari 1% pada 2024. Organisasi tahap run adalah yang benar-benar mendorong menuju batas atas itu saat ini. Jumlahnya masih langka. Deloitte menemukan hanya 11% organisasi yang menjalankan agentic AI di produksi saat ini, meskipun 74% memperkirakan akan menggunakan agent setidaknya secara moderat pada 2027, 23% secara ekstensif, dan 5% memperkirakan agent menjadi bagian inti operasional yang tertanam sepenuhnya. Lintasannya cepat. Populasi saat ini di tahap run masih kecil.

Penilaian Mandiri: Anda Sebenarnya Berada di Tahap Mana

Gunakan lima dimensi di bawah ini sebagai pemeriksaan praktis. Dimensi yang paling lemah biasanya menentukan tahap kematangan Anda yang sebenarnya, meskipun dimensi lain tampak maju.

Penilaian Mandiri Kematangan AI Agent pada kepemilikan, tata kelola, pengukuran, arsitektur, dan cakupan

Dimensi	Crawl	Walk	Run
Kepemilikan	Satu tim, sering kali informal	Pemilik bernama per agent, standar bersama	Struktur pusat (CoE atau setara) ditambah pemilik yang tertanam
Tata kelola	Ad hoc, manusia menyetujui hampir semuanya	Pola guardrail dan persetujuan yang digunakan ulang di seluruh agent	Tata kelola bersifat arsitektural, terbangun dalam cara setiap agent baru dispesifikasikan
Pengukuran	"Apakah berhasil" adalah satu-satunya pertanyaan	Baseline nyata, metrik utama dilacak sejak minggu ke-4	ROI dilacak sebagai portofolio, bukan hanya per agent
Arsitektur	Satu agent, satu set tool	Beberapa agent tunggal, sebagian infrastruktur bersama	Orkestrasi multi-agent di tempat pekerjaan memang membutuhkannya
Cakupan	Satu tugas sempit yang dapat diulang	Beberapa tugas di 2 departemen atau lebih	Agent tertanam dalam alur kerja inti, bukan ditempelkan di sampingnya

Nilailah diri Anda dengan jujur pada kelima dimensi, bukan hanya yang membuat Anda tampak baik. Tim dengan arsitektur setara run tetapi tata kelola setara crawl tidak berada di run. Tim itu berada di crawl dengan lebih banyak bagian bergerak, dan lebih banyak risiko.

Kesalahan yang Melewati Satu Tahap

Kegagalan yang paling umum bukanlah bertahan terlalu lama di crawl, meskipun itu juga terjadi. Kegagalan yang paling umum adalah melompat langsung dari crawl ke run: membangun sistem multi-agent atau memberi agent otonomi luas sebelum dasar-dasar tahap walk, yaitu pemilik tata kelola yang ditunjuk, guardrail yang digunakan ulang, dan model biaya yang nyata, ada di mana pun dalam organisasi. Sistem multi-agent menegaskan bahwa penambahan agent menambah permukaan koordinasi, dan permukaan koordinasi adalah tempat celah tata kelola bersembunyi. Prediksi Gartner bahwa lebih dari 40% proyek agentic AI akan dibatalkan pada akhir 2027 menyebut biaya yang membengkak, nilai bisnis yang tidak jelas, dan kontrol risiko yang tidak memadai sebagai penyebab utama, dan ketiganya muncul secara tidak proporsional pada proyek yang melewati satu tahap alih-alih meraihnya secara bertahap.

Kegagalan yang lebih sunyi berjalan ke arah sebaliknya: bertahan di crawl tanpa batas waktu. Satu pilot yang diawasi yang tidak pernah mendapat agent kedua, tidak pernah mendapat pemilik bernama, dan tidak pernah diukur lebih dari "apakah berhasil" sebenarnya tidak mengurangi risiko apa pun. Itu hanya menunda keputusan yang sebenarnya. Jika agent Anda sudah berada dalam pilot selama dua kuartal dan tidak ada yang bisa menyebutkan biaya per tugas yang diselesaikan, Anda tidak sedang berhati-hati. Anda mandek, dan ROI AI agent membahas persis celah pengukuran ini serta cara menutupnya sebelum pilot yang mandek diam-diam dihentikan pendanaannya karena tidak ada business case yang pernah disusun.

Key Facts

Survei State of AI 2025 dari McKinsey menemukan 88% organisasi menerapkan AI di suatu tempat dan 62% berada di jalur agentic AI (23% menskalakan, 39% bereksperimen), tetapi tidak ada satu fungsi bisnis pun yang menunjukkan lebih dari sekitar 10% organisasi pada status benar-benar berskala.
Survei State of AI in the Enterprise 2026 dari Deloitte menemukan 30% organisasi menjajaki agentic AI, 38% menjalankan pilot, 14% memiliki solusi yang siap di-deploy, dan hanya 11% yang benar-benar di produksi, dengan 35% melaporkan tidak memiliki strategi agentic yang formal sama sekali.
Pada 2027, Deloitte menemukan 74% organisasi memperkirakan akan menggunakan agent setidaknya secara moderat, 23% secara ekstensif, dan 5% memperkirakan agent tertanam sepenuhnya sebagai bagian inti operasional.
Gartner memproyeksikan 15% keputusan kerja sehari-hari akan dibuat secara otonom melalui agentic AI pada 2028 (naik dari 0% pada 2024), dan 33% aplikasi software enterprise akan menyertakan agentic AI pada 2028 (naik dari kurang dari 1% pada 2024).
Gartner secara terpisah memproyeksikan lebih dari 40% proyek agentic AI akan dibatalkan pada 2027 karena biaya, nilai yang tidak jelas, dan kontrol risiko yang lemah, risiko yang terkonsentrasi pada proyek yang melewati tahap walk sepenuhnya.

Langkah Selanjutnya

Crawl, walk, dan run hanya berguna sebagai label jika Anda bertindak berdasarkan tahap yang sebenarnya Anda tempati. Jika Anda masih di crawl, kapan menggunakan AI agent dan cara membangun AI agent adalah bacaan berikutnya yang tepat. Jika Anda sedang bergerak ke walk atau run, ROI AI agent membahas disiplin pengukuran yang dibutuhkan tahap tersebut, dan tenaga kerja agentic membahas seperti apa run ketika agent lebih merupakan lapisan tenaga kerja yang Anda rencanakan daripada sebuah proyek. Untuk tooling yang cocok bagi agent pertama di tahap crawl, rangkuman tool otomatisasi dan panduan tool otomatisasi no-code terbaik adalah titik awal yang baik.

Blueprint AI Agent