The Real Game Changer: Dari Sekadar Chatting Gen AI Menuju Era Agentic AI yang Beneran Eksekusi Kerja

Executive Summary: The Big Shift in Productivity

Martin Nababan – Beberapa tahun lalu, Artificial Intelligence atau AI masih terasa seperti teknologi yang bekerja diam-diam di belakang layar. Lalu hadir Generative Artificial Intelligence atau Generative AI, yang membuat AI jauh lebih dekat karena siapa pun bisa memakainya untuk menulis, merangkum dokumen, membuat gambar, mencari ide, hingga membantu analisis. Sekarang kita mulai memasuki fase berikutnya: Agentic Artificial Intelligence atau Agentic AI, yaitu sistem yang bukan hanya mampu menjawab, tetapi juga dapat merencanakan pekerjaan, menggunakan berbagai perangkat, menjalankan beberapa tahapan, lalu mengejar tujuan dengan tingkat kemandirian tertentu.

Pergerakannya sangat cepat. Stanford AI Index Report 2025 mencatat penggunaan AI dalam organisasi meningkat dari 55% pada 2023 menjadi 78% pada 2024, sedangkan penggunaan Generative AI pada sedikitnya satu fungsi bisnis melonjak dari 33% menjadi 71%. Laporan Stanford berikutnya mencatat adopsi AI organisasi kembali meningkat menjadi sekitar 88% pada 2025, sementara penggunaan Generative AI pada sedikitnya satu fungsi bisnis berada di sekitar 70%.

Angka tersebut memperlihatkan paradoks yang menarik. AI sudah masuk ke banyak perusahaan, tetapi penggunaan teknologi belum otomatis berarti transformasi cara kerja. Banyak organisasi masih memakai AI sebagai alat bantu individu, sementara proses, kewenangan, sistem, dan struktur organisasinya tetap berjalan seperti sebelumnya.

Agentic AI mencoba menembus batas tersebut. Gartner memperkirakan bahwa pada 2028 sekitar 33% aplikasi perangkat lunak perusahaan akan memiliki kemampuan Agentic AI, dibandingkan kurang dari 1% pada 2024, sedangkan sekitar 15% keputusan kerja sehari-hari berpotensi dilakukan secara otonom. Pada 2026, Gartner bahkan melihat pergeseran lebih lanjut menuju outcome-focused workflow, ketika perusahaan mulai menginginkan sistem yang menyelesaikan hasil kerja, bukan sekadar memberi saran kepada manusia.

Jadi, real game changer bukan sekadar memiliki AI paling baru. Keunggulan muncul ketika AI, data, proses, tata kelola, dan manusia dirancang sebagai satu sistem yang membuat keputusan lebih cepat, operasi lebih andal, dan outcome bisnis lebih nyata.

Pendahuluan: Moving Past the Chatbox Era

Dua atau tiga tahun terakhir bisa disebut sebagai era chatbox. Banyak orang mengenal AI melalui Large Language Model atau LLM, yakni model kecerdasan buatan yang dilatih menggunakan data bahasa dalam skala sangat besar. Eksekutif memakainya untuk meringkas laporan, tim pemasaran membuat materi komunikasi, sedangkan karyawan menyelesaikan presentasi atau surat elektronik dalam waktu jauh lebih singkat.

Produktivitas individual memang naik. Namun begitu jawaban AI selesai, manusia sering masih harus membaca ulang, memasukkan informasi ke aplikasi lain, meminta persetujuan, menerbitkan instruksi, mengubah status sistem, lalu menindaklanjuti hasilnya. Dengan kata lain, AI membantu satu potongan pekerjaan, tetapi belum tentu mengubah keseluruhan proses.

Pertanyaannya kemudian naik kelas. Bukan lagi “apa yang bisa AI buat?”, melainkan “pekerjaan apa yang dapat diselesaikan AI dari awal sampai akhir tanpa kehilangan kontrol?”

Di sinilah multi-step reasoning menjadi penting, yaitu kemampuan AI memecahkan sasaran menjadi beberapa langkah logis. Sementara itu, Application Programming Interface atau API memungkinkan AI berinteraksi dengan aplikasi dan basis data lain sehingga tidak lagi terkurung di dalam kolom percakapan.

Medan persaingan pun berubah. Keunggulan berikutnya bukan sekadar siapa yang paling cepat menghasilkan ide, tetapi siapa yang paling efektif mengubah data menjadi keputusan, keputusan menjadi tindakan, dan tindakan menjadi outcome bisnis.

Strategic Playbook di Tengah Disrupsi

Chapter 1: Macro Speedup, Saat Kecepatan Menjadi Keunggulan

Banyak organisasi kehilangan waktu bukan karena orangnya bekerja lambat, tetapi karena informasi harus melewati terlalu banyak meja. Persediaan diperiksa, faktur diverifikasi, pemasok dikonfirmasi, kebutuhan disetujui, transaksi diproses, lalu informasi yang sama kembali direkap oleh fungsi lain.

Agentic AI berpotensi memangkas jeda tersebut melalui multi-agent system, yaitu beberapa agen digital dengan fungsi berbeda yang berkoordinasi menuju satu sasaran. Satu agen dapat membaca kebutuhan material, agen lain membandingkan pemasok, sementara sistem berikutnya mengecek anggaran dan kepatuhan sebelum sebuah tindakan diteruskan.

Dampaknya bukan hanya lebih cepat. Ketika jarak antara kebutuhan, keputusan, transaksi, dan penerimaan barang semakin pendek, modal kerja dapat berputar lebih efisien dan organisasi menjadi lebih responsif terhadap perubahan pasar.

Namun kecepatan membutuhkan fondasi. Perusahaan yang memiliki data lake, yaitu repositori terpusat untuk menggabungkan informasi dari banyak sumber, mempunyai titik awal lebih kuat dibanding organisasi yang masih hidup dalam data silos, ketika informasi terkunci di dalam fungsi dan aplikasi yang tidak saling berbicara.

Chapter 2: Revenue Engine, Dari Menjual Produk Menuju Menjual Outcome

AI bukan sekadar alat untuk menekan biaya. Ketika data, analisis, dan kemampuan eksekusi makin terintegrasi, teknologi juga mulai mengubah cara perusahaan menciptakan pendapatan.

Dalam model tradisional, hubungan bisnis sering berhenti setelah produk atau layanan diserahkan. Melalui pendekatan berbasis outcome, perusahaan dapat menawarkan hasil yang benar-benar dirasakan pelanggan dengan menggabungkan produk, monitoring, analitik, rekomendasi, serta layanan dalam satu pengalaman.

Produsen mesin, misalnya, dapat bergerak dari sekadar menjual alat menuju layanan berbasis ketersediaan dan keandalan aset. Perusahaan jasa dapat membaca perubahan perilaku pelanggan, mempersiapkan tindakan berikutnya, lalu membantu tim komersial merespons sebelum peluang hilang.

Agentic AI membuat jarak antara sinyal dan tindakan semakin pendek. Sistem dapat menemukan peluang, mencari informasi, menyiapkan rekomendasi, mengeksekusi pekerjaan berisiko rendah, lalu menyerahkan keputusan strategis kepada manusia.

Chapter 3: Smart Operations, Ketika Data Lapangan Menjadi Aksi

Dampak Agentic AI menjadi sangat konkret pada manufaktur, transportasi, logistik, energi, pertambangan, dan infrastruktur. Dalam bisnis seperti ini, dashboard yang terlihat keren belum tentu menghasilkan operasi yang baik; informasi harus bergerak sampai menjadi tindakan.

Internet of Things atau IoT memungkinkan sensor mengirimkan data kondisi mesin, kendaraan, fasilitas, atau infrastruktur secara terus-menerus. Informasi tersebut dapat diteruskan menuju Operation Control Center atau OCC, yakni pusat yang memonitor sekaligus membantu mengendalikan kegiatan operasional.

Ketika computer vision, teknologi yang memungkinkan komputer memahami gambar dan video, mendeteksi anomali, agen AI dapat memeriksa riwayat gangguan, melihat persediaan suku cadang, menentukan teknisi yang tersedia, menyiapkan Surat Perintah Kerja, kemudian melakukan eskalasi apabila tingkat risiko melewati batas.

Perbedaan pola lama dan model baru tersebut akan lebih mudah terlihat melalui tabel berikut.

Tabel 1. Pergeseran dari Operasi Konvensional Menuju Smart Operations Berbasis Agentic AI

Sumber Data: Sintesis penulis berdasarkan McKinsey & Company, 2023; Siemens Industrial AI dan Industrial Copilot, 2024; Stanford AI Index Report, 2025.

Tabel tersebut menunjukkan bahwa nilai Agentic AI bukan berada pada satu aplikasi. Manfaat terbesar muncul ketika deteksi, analisis, keputusan, dan pelaksanaan saling tersambung tanpa terlalu banyak jeda administratif.

Pola ini sekaligus memperkuat predictive maintenance atau pemeliharaan prediktif. Organisasi tidak perlu selalu menunggu aset rusak karena data dapat membantu membaca indikasi penurunan kondisi, memperkirakan kebutuhan intervensi, dan menyiapkan respons lebih dini.

Pesan utamanya sangat praktis. Smart operations bukan tentang mempunyai sensor sebanyak mungkin, melainkan seberapa cepat informasi yang benar dapat berubah menjadi tindakan yang tepat.

Chapter 4: Workforce Evolution, Manusia Tidak Hilang, tetapi Naik Kelas

Perubahan AI hampir selalu memunculkan pertanyaan tentang pekerjaan manusia. Kekhawatiran itu masuk akal karena aktivitas yang repetitif, terstruktur, dan berbasis aturan semakin mudah dikerjakan sistem.

Namun otomatisasi tidak otomatis menghilangkan kebutuhan terhadap manusia. Yang bergeser adalah tempat manusia menghasilkan nilai. Pekerjaan menyalin informasi, mencari dokumen, membuat rekap, atau memeriksa berkas standar semakin mudah dibantu teknologi.

Sebaliknya, judgement atau kemampuan menilai berdasarkan konteks, empati, negosiasi, kreativitas, kepemimpinan, dan pemecahan masalah yang kompleks akan semakin berharga. Peran manusia bergerak dari doer, yaitu pelaksana pekerjaan langsung, menuju orchestrator yang menyelaraskan mesin, proses, manusia, dan tujuan bisnis.

Konsep Human-in-the-Loop kemudian menjadi pengaman penting. Manusia tetap hadir pada titik yang membutuhkan persetujuan, koreksi, interpretasi, atau tanggung jawab akhir.

Masa depan pekerjaan karena itu bukan cerita manusia melawan AI. Desain yang sehat justru menempatkan mesin pada kecepatan dan repetisi, sementara manusia menjaga konteks, hubungan, nilai, dan akuntabilitas.

Chapter 5: Risk Guardrails, Semakin Otonom Harus Semakin Terkendali

Risiko berubah ketika AI mulai memiliki kewenangan untuk bertindak. Sistem yang hanya merangkum laporan tentu berbeda dengan agen yang dapat memproses pembayaran, mengubah informasi pelanggan, menerbitkan pesanan, atau memberi instruksi kepada mesin.

Salah satu risikonya adalah hallucination, yaitu kondisi ketika AI menghasilkan informasi yang terlihat meyakinkan tetapi ternyata keliru. Dalam chatbot, kesalahan mungkin berhenti sebagai jawaban buruk; pada Agentic AI, informasi yang sama bisa berubah menjadi tindakan nyata.

Karena itu organisasi membutuhkan guardrails, yakni batas teknis, prosedural, kewenangan, dan tata kelola yang menentukan apa yang boleh dilakukan agen. Gartner memperingatkan bahwa > 40% proyek Agentic AI dapat dihentikan hingga akhir 2027 karena biaya yang meningkat, nilai bisnis yang tidak jelas, atau kontrol risiko yang belum memadai.

Kerangka berikut memperlihatkan bagaimana tingkat otonomi sebaiknya mengikuti konsekuensi keputusan.

Tabel 2. Kerangka Guardrails Berdasarkan Tingkat Risiko Agentic AI

Sumber Data: Sintesis penulis berdasarkan OECD Employment Outlook, 2024; Gartner Agentic AI Research, 2024–2025.

Tabel tersebut menegaskan bahwa perusahaan tidak perlu memilih antara sepenuhnya manual atau seluruhnya otomatis. Ruang kebebasan sebuah agen dapat disesuaikan dengan dampak keputusan yang dibuatnya.

Aktivitas sederhana dapat memperoleh otonomi yang lebih luas. Sebaliknya, ketika keputusan menyentuh keselamatan, uang, hukum, reputasi, atau informasi sensitif, mekanisme persetujuan manusia harus semakin kuat.

Prinsipnya jelas: semakin besar kemampuan sistem untuk bertindak, semakin matang pula mekanisme pengawasannya.

Dua Dunia, Satu Framework

Case Study I: Klarna — Agentic AI dalam Customer Service

Klarna memperlihatkan bagaimana AI dapat bergerak dari sekadar menjawab pertanyaan menuju bagian dari proses pelayanan. Pada 2024, perusahaan melaporkan bahwa asisten AI-nya sudah menangani sekitar dua pertiga (2/3) percakapan layanan pelanggan pada bulan pertama peluncurannya, memperlihatkan bagaimana teknologi dapat mengambil volume pekerjaan rutin dalam skala besar.

Pada Macro Speedup, AI memperpendek jarak antara pertanyaan pelanggan dan penyelesaian kasus. Informasi transaksi serta konteks pelayanan dapat diperoleh lebih cepat sehingga persoalan sederhana tidak selalu harus menunggu antrean agen manusia.

Dalam Revenue Engine, efisiensi layanan dapat memengaruhi economics perusahaan melalui kapasitas pelayanan, biaya, pengalaman pelanggan, dan kesempatan mempertahankan konsumen. Klarna sendiri pada 2024 mengaitkan peningkatan efisiensi AI dengan pertumbuhan sekaligus penurunan biaya operasional.

Pada Smart Operations, alurnya bergerak melalui interaksi → memahami persoalan → mengakses data → menyiapkan tindakan → penyelesaian → eskalasi. AI menjadi lebih bernilai karena tidak berhenti pada percakapan, tetapi terhubung dengan workflow layanan.

Dalam Workforce Evolution, tenaga manusia dapat diarahkan dari respons repetitif menuju sengketa kompleks, indikasi fraud atau kecurangan, negosiasi, serta kondisi yang memerlukan empati. Sementara pada Risk Guardrails, otomatisasi tetap harus dikawal terkait privasi, keamanan data, akurasi transaksi, dan batas kewenangan finansial.

Case Study II: Siemens — Agentic AI Bertemu Dunia Fisik

Siemens menawarkan konteks berbeda karena AI berinteraksi langsung dengan mesin, produksi, dan lingkungan industrial. Pada 2024, Siemens memperluas Industrial Copilot untuk membantu pembuatan kode otomasi, pencarian dokumentasi, diagnosis, serta operasi, dan melaporkan lebih dari 100 pelanggan di Eropa dan Amerika Serikat telah menggunakan solusi tersebut.

Pada Macro Speedup, data dan AI memperpendek waktu antara identifikasi masalah, diagnosis, dan respons teknis. Menit atau jam yang sebelumnya digunakan untuk mencari dokumen, menelusuri kode, atau membandingkan data dapat dialihkan ke pemecahan masalah.

Dalam Revenue Engine, peningkatan uptime, produktivitas aset, efisiensi energi, serta penurunan downtime mempunyai implikasi ekonomi langsung. Kemampuan digital juga membuka kemungkinan model bisnis berbasis kinerja dan outcome, bukan hanya penjualan peralatan.

Pada Smart Operations, integrasi sensor, Programmable Logic Controller atau PLC, Digital Twin, serta AI membentuk alur sensor → anomali → analisis → rekomendasi → verifikasi → tindakan → pembelajaran. Digital Twin merupakan representasi digital aset fisik yang memungkinkan perusahaan menganalisis dan menguji kondisi secara virtual sebelum melakukan perubahan di dunia nyata.

Dalam Workforce Evolution, operator dan teknisi bergeser menuju reliability analysis, engineering judgement, problem solving, serta keselamatan. Pada Risk Guardrails, ruang otonomi harus lebih ketat karena keputusan yang salah dapat memengaruhi produksi, aset, lingkungan, bahkan keselamatan manusia.

Kesimpulan: Apa yang Bisa Dipelajari dari Klarna dan Siemens?

Klarna dan Siemens bergerak di dua dunia yang berbeda. Satu dekat dengan pelanggan dan transaksi digital, sementara yang lain bekerja di antara mesin, fasilitas industri, dan dunia fisik. Namun ketika keduanya dibaca menggunakan framework yang sama, pola transformasinya terlihat cukup konsisten.

Karena itu tabel berikut tidak hanya membandingkan dua perusahaan, tetapi menarik pelajaran yang dapat digunakan organisasi lain.

Tabel 3. Analisis Komparatif Klarna dan Siemens

Sumber Data: Sintesis penulis berdasarkan Klarna AI Assistant dan laporan kinerja Klarna, 2024; Siemens Industrial Copilot dan Siemens Report FY2024, 2024; Gartner Agentic AI Research, 2025.

Pelajaran pertama adalah transformasi AI sebaiknya dimulai dari masalah bisnis, bukan dari teknologi. Klarna mengejar kecepatan dan kapasitas pelayanan, sedangkan Siemens berfokus pada engineering serta keandalan; alat yang digunakan mengikuti persoalan yang ingin diselesaikan.

Pelajaran kedua terletak pada integrasi. AI yang berdiri sendiri mungkin membuat seorang individu lebih produktif, tetapi dampak organisasi baru muncul ketika teknologi terhubung dengan data, workflow, kewenangan, pengukuran, dan manusia.

Pelajaran ketiga adalah bahwa manusia tidak otomatis dikeluarkan dari proses. Ketika sistem mengambil pekerjaan rutin, tenaga manusia justru dapat bergerak ke wilayah yang lebih bernilai, lebih kompleks, dan membutuhkan tanggung jawab lebih tinggi.

Penerapannya dapat mengikuti alur Business Problem → Data Readiness → Workflow Integration → AI Agent → Human Control → Performance Measurement → Continuous Learning. Organisasi sebaiknya memulai dari satu proses dengan volume cukup besar, pola berulang, data tersedia, dan outcome yang bisa diukur, kemudian meningkatkan otonomi secara bertahap.

Ukuran keberhasilan juga sebaiknya tidak berhenti pada jumlah lisensi atau banyaknya pengguna. Pertanyaan bisnisnya jauh lebih sederhana: apakah waktu penyelesaian turun, biaya membaik, pelanggan lebih puas, aset semakin andal, risiko terkontrol, dan manusia memiliki lebih banyak waktu untuk pekerjaan bernilai tinggi?

Insight untuk Indonesia: Jangan Berhenti Menjadi User

Indonesia memiliki ruang penerapan yang sangat besar. Manufaktur, transportasi, logistik, infrastruktur, keuangan, kesehatan, energi, pertanian, pelayanan publik, dan Badan Usaha Milik Negara menyimpan banyak proses dengan volume besar serta kebutuhan koordinasi yang kompleks.

Namun Indonesia sebaiknya tidak puas menjadi konsumen aplikasi AI global. Perjalanannya perlu bergerak dari AI User → AI Adopter → AI Integrator → AI Innovator.

Sebagai AI User, teknologi baru mempercepat pekerjaan seseorang. Pada tahap AI Adopter, AI mulai masuk ke proses dan fungsi perusahaan. Ketika menjadi AI Integrator, data, aplikasi, workflow, serta keputusan mulai tersambung. Tahap AI Innovator tercapai ketika Indonesia mampu menciptakan solusi yang lahir dari problem lokal dan menghasilkan nilai ekonomi baru.

Peluangnya terbuka pada pemeliharaan jalan dan jembatan, pengelolaan aset BUMN, rumah sakit, rantai pasok pangan, transportasi, pelayanan publik, pengadaan, perpajakan, monitoring proyek, sampai customer service. Tetapi pelajaran Siemens tetap penting: semakin dekat AI dengan keselamatan, kesehatan, uang publik, hukum, dan aset strategis, semakin kuat kontrol manusia yang dibutuhkan.

Indonesia tidak harus menjadi negara yang paling cepat mengikuti semua tren. Yang jauh lebih penting adalah membangun data yang dapat dipercaya, proses yang sederhana, sistem yang terhubung, talenta yang kompeten, serta tata kelola yang matang.

Jika fondasi tersebut tersedia, Agentic AI dapat menjadi mesin produktivitas baru. Tanpanya, teknologi canggih hanya berisiko berubah menjadi lapisan digital mahal di atas problem lama.

Penutup: The Future Belongs to the Agile

Era ketika AI hanya dianggap teman ngobrol pintar mulai bergeser. Sistem cerdas sedang bergerak menuju kemampuan merencanakan, memilih alat, mengoordinasikan pekerjaan, menjalankan tindakan, membaca hasil, lalu menentukan langkah berikutnya.

Perubahan tersebut akan menguji organisasi yang masih bergantung pada terlalu banyak persetujuan, dokumen manual, informasi terpisah, dan aktivitas administratif. Sebaliknya, perusahaan dengan proses sederhana, data bersih, integrasi yang kuat, dan governance sehat mempunyai kesempatan bergerak lebih jauh.

Namun masa depan tetap bukan milik mesin sendirian. Semakin banyak pekerjaan teknis yang dapat ditangani AI, semakin tinggi nilai integritas, empati, kreativitas, intuisi bisnis, kepemimpinan, serta keberanian manusia mengambil tanggung jawab.

Itulah real game changer sesungguhnya. Bukan ketika AI menggantikan manusia, tetapi ketika mesin mengerjakan apa yang memang lebih cocok dilakukan mesin sehingga manusia memiliki ruang lebih luas untuk mengerjakan pekerjaan yang paling membutuhkan kualitas manusia.

The future belongs to the agile, but agility without judgement is only speed. The real advantage comes when intelligent machines and thoughtful humans learn how to move together.

Referensi

1. Russell, Stuart dan Peter Norvig. Artificial Intelligence: A Modern Approach. Pearson, 2010.

2. Brynjolfsson, Erik dan Andrew McAfee. The Second Machine Age. W. W. Norton & Company, 2014.

3. Davenport, Thomas H. dan Rajeev Ronanki. Artificial Intelligence for the Real World. Harvard Business Review, 2018.

4. Iansiti, Marco dan Karim R. Lakhani. Competing in the Age of AI. Harvard Business Review Press, 2020.

5. Agrawal, Ajay, Joshua Gans, dan Avi Goldfarb. Power and Prediction. Harvard Business Review Press, 2022.

6. Chui, Michael dkk. The Economic Potential of Generative AI. McKinsey & Company, 2023.

7. Acemoglu, Daron dan Simon Johnson. Power and Progress. PublicAffairs, 2023.

8. Klarna. Klarna AI Assistant Handles Two-Thirds of Customer Service Chats in Its First Month. Klarna, 2024.

9. Organisation for Economic Co-operation and Development. OECD Employment Outlook 2024. OECD Publishing, 2024.

10. Siemens. Scaling Roll-out of Generative AI with Siemens Industrial Copilot. Siemens, 2024.

11. Siemens. Siemens Report FY2024. Siemens AG, 2024.

12. Gartner Research. Top Strategic Technology Trends for 2025: Agentic AI. Gartner, 2024.

13. Stanford Institute for Human-Centered Artificial Intelligence. AI Index Report 2025. Stanford University, 2025.

14. World Economic Forum. Future of Jobs Report 2025. World Economic Forum, 2025.

15. Gartner. Agentic AI Research and Predictions. Gartner, 2025.

16. Stanford Institute for Human-Centered Artificial Intelligence. AI Index Report 2026. Stanford University, 2026.

Lampiran

Lampiran 1. Daftar Singkatan

Tabel 4. Daftar Singkatan

Sumber Data: Disusun penulis berdasarkan Russell dan Norvig, 2010; OECD, 2024; Siemens, 2024; Stanford AI Index, 2025.

Tabel tersebut sekaligus menunjukkan bahwa Agentic AI bukan teknologi tunggal. AI menyediakan kecerdasan, API menghubungkan sistem, sedangkan IoT dan PLC membawa kemampuan digital menuju dunia operasional.

Komponen tersebut baru menghasilkan nilai ketika dapat bertukar informasi secara aman dan konsisten. Tantangan transformasi karena itu tidak berhenti pada kecanggihan model.

Pesan akhirnya simpel: kecerdasan baru berguna ketika benar-benar tersambung dengan pekerjaan.

Lampiran 2. Daftar Istilah Baru dan Asing

Bahasa AI berkembang cepat sehingga sebagian istilah belum tentu familiar bagi pembaca non-teknis. Tabel berikut memberikan arti praktis yang digunakan sepanjang artikel.

Tabel 5. Daftar Istilah Baru dan Asing

Sumber Data: Disusun penulis berdasarkan Russell dan Norvig, 2010; Iansiti dan Lakhani, 2020; Agrawal, Gans, dan Goldfarb, 2022; OECD, 2024; Gartner, 2024–2025; Siemens, 2024.