Bayangkan seorang karyawan sales yang sedang di lapangan. Klien tiba-tiba bertanya soal stok produk. Alih-alih membuka aplikasi SAP (System, Applications, and Products in Data Processing), login, lalu menunggu data loading, ia cukup bertanya ke ponselnya: “Stok model X masih berapa?” — dan dalam hitungan detik, jawabannya sudah ada.
Itulah gambaran yang dibawa oleh Winanto Nugroho, presales engineer dari Ingram Micro Indonesia, saat ia membuka sesi teknikal di seminar AI Doppelganger yang digelar Rimba House bersama Google Cloud dan Ingram Micro di kantor Google Indonesia, 17 Juni 2026.
Lebih dari sekadar chatbot, Gemini Enterprise dirancang agar bisa bekerja di dalam sistem yang sudah dimiliki perusahaan — bukan menggantikannya.
Dari Mana AI Agent Ini Mendapat “Otaknya”?
Winanto memulai penjelasannya dengan sebuah analogi yang langsung masuk:
“Kita punya anak kecil, kita mau manggil babysitter. Kita mau bangun babysitter sesuai dengan karakter kita — supaya kita bisa tahu dia ngasih makan siang anak kita tepat waktu, tidak salah melakukan langkahnya. Kita harus feeding secara benar.”
Perbandingan ini menjadi kunci memahami arsitektur Gemini Enterprise. Agen AI tidak hadir dengan pengetahuan sendiri. Ia bekerja berdasarkan data yang diumpankan — sebuah proses yang dalam terminologi teknis disebut grounding.
Tanpa grounding, AI menjawab dari data umum di internet. Hasilnya bisa meleset. Tapi begitu perusahaan memberikan pagar data internal — laporan keuangan, database karyawan, riwayat order — jawabannya berubah menjadi spesifik dan bisa diandalkan.
“Ini yang menyebabkan Gemini tidak halusinasi. Kita sudah berikan data, parameter, dan pagar terhadap data kita, sehingga dia jauh lebih cepat membaca dan memberikan informasi.”
Komponen yang Membangun Sebuah Agen
Winanto merinci arsitektur Gemini Enterprise menjadi beberapa lapisan yang perlu disiapkan:
#Model Bahasa (LLM)
Otak utama agen. Google saat ini menyediakan beberapa varian Gemini tergantung kebutuhan:
- Gemini Flash — memproses dalam jumlah besar dengan cepat, cocok untuk pekerjaan volume tinggi seperti filter email atau ringkasan dokumen
- Gemini Pro — berpikir lebih dalam (deep thinking), membaca dokumen ribuan halaman halaman per halaman, ideal untuk analisis hukum, audit keuangan, atau riset kompetitor yang membutuhkan akurasi tinggi
- Gemini 3.5 — versi terbaru dengan kemampuan multimodal penuh: teks, kode, gambar, hingga video
#Sumber Data (Data Source)
Agen harus dihubungkan ke data yang relevan. Gemini Enterprise mampu terhubung ke berbagai platform:
- Database SQL/MySQL internal perusahaan
- Sistem ERP seperti SAP dan Oracle
- Platform HR seperti Workday
- Google Workspace (Drive, Gmail, Chat, Calendar)
- Cloud pihak ketiga
“Kalau Bapak punya datanya di Oracle, punya HR management di Workday, Gemini Enterprise bisa mengambil data dari sana,” jelas Andri Effendi, Google Workspace Sales Specialist yang turut membawakan sesi demo.
#Antarmuka Pengguna (User Interface)
Perusahaan bisa memilih bagaimana agen mereka diakses:
- Web-based — untuk tim yang bekerja di kantor dengan laptop
- Mobile apps — untuk tim lapangan seperti sales atau teknisi
- API connector — jika agen perlu diintegrasikan langsung ke dalam sistem atau aplikasi internal yang sudah ada
#Sistem Keamanan & Kontrol Akses (IAM)
Ini bagian yang kerap diabaikan tapi krusial. Setiap agen yang dibangun harus dikontrol siapa saja yang boleh menggunakannya.
“Agen sales ini cuma dipakai oleh sales team. Tapi kalau IT team, dia tidak akan melihat agen itu,” terang Andri.
Kontrol ini dilakukan melalui Identity Access Management (IAM) — sistem yang sudah terintegrasi dengan Google Workspace. Artinya, admin tidak perlu membangun sistem akses dari nol.
Agent Garden: Tidak Harus Mulai dari Nol
Salah satu yang membuat audiens terkejut adalah saat Winanto menampilkan Agent Garden — sebuah galeri template agen yang sudah tersedia di dalam platform Gemini Enterprise.
“Ini ada banyak sekali ragam template agentiknya yang Bapak bisa buat. Kita mau bikin financial advisor, bisa. Contact center agent, bisa. Customer service, bisa. Ini sudah ada semua.”
Setiap template di Agent Garden sudah dilengkapi dengan:
- Konektor data yang bisa langsung disambungkan ke sumber data perusahaan
- Opsi cara komunikasi agen (text, voice, atau keduanya)
- Pilihan antara pendekatan zero coding (drag-and-drop) atau developer kit untuk kustomisasi lebih dalam
Bagi perusahaan yang ingin bergerak cepat, ini berarti prototipe agen bisa jadi dalam hitungan hari — bukan bulan.
Studi Kasus Nyata: Agen Kurir Analisis Paket via Gambar
Winanto berbagi contoh implementasi yang sedang dalam tahap proof of concept bersama salah satu klien — perusahaan jasa pengiriman paket.
Masalahnya di sini: perusahaan ini ingin tahu berapa paket yang dikirim kurir tertentu di area Depok antara pukul 09.00 hingga 12.00, berdasarkan foto yang diambil di lapangan.
Dengan Gemini Enterprise yang sudah dilatih menggunakan data gambar pengiriman:
“Dari image dia bisa. Dia bisa ngambil data, melihat data, dan memberikan informasi sebagai agen ke usernya.”
Output yang dihasilkan: ringkasan distribusi paket per kurir, per area, per ukuran paket — semuanya dari analisis gambar, tanpa input manual.
Satu Agen, Banyak Departemen yang Bergerak Bersamaan
Leonard Febriyanto, CEO Rimba House, menambahkan perspektif dari sisi implementasi di perusahaannya sendiri. Rimba House berhasil memangkas waktu pengembangan perangkat lunak dari tiga bulan dengan tiga developer menjadi tiga hari.
Tapi yang paling mengesan para peserta adalah penggunaan agen untuk koordinasi antar departemen:
“Departemen inventory pengen tahu stok yang akan datang, yang akan dibeli sama tim procurement. Itu bisa dianalisa. Dia tinggal memerintahkan agen: tolong carikan saya rencana pembelian dua bulan ke depan. Informasi ini tidak perlu kita eskalasi, tidak perlu approval sana-sini. Kita langsung bisa grab data tersebut.”
Dengan satu agen sebagai jembatan, dua departemen yang sebelumnya harus menunggu laporan mingguan kini bisa berkoordinasi secara real-time — tanpa rapat, tanpa menunggu email dibalas.
Keamanan: Data Tidak Kemana-mana
Pertanyaan soal keamanan data menjadi yang paling banyak muncul dari audiens — mayoritas adalah C-level dan direktur dari perusahaan besar.
Andri Effendi menjawab langsung:
“Ada perbedaan antara pakai Gemini yang free dengan yang berbayar. Di Gemini berbayar — termasuk Google Workspace — data yang Bapak upload, yang Bapak chatting, tidak dipakai untuk iklan, tidak direview oleh manusia, tidak dipakai untuk improve model Gemini juga. Itu dijamin hitam di atas putih.”
Winanto menambahkan bahwa arsitektur keamanan Gemini Enterprise bekerja dalam beberapa lapisan:
- Pagar domain (fence): data perusahaan hanya bisa diakses oleh agen dalam domain yang sama, tidak bocor ke luar
- Enkripsi end-to-end: semua data dienkripsi secara default; di lisensi tertentu, perusahaan bisa memegang kunci enkripsinya sendiri (customer-managed encryption key), bukan Google
- IAM per departemen: setiap agen bisa dibatasi hanya bisa diakses oleh divisi tertentu, bahkan oleh karyawan dengan jabatan tertentu saja
- Audit trail: admin bisa melacak siapa mengakses data apa dan kapan
“Karena kita sudah bikin pagar untuk domain kita, data yang kita sharing tidak akan keluar dari domain kita. Google pun tidak akan menggunakannya.”
Workspace Studio: Agen yang Terhubung ke Alat Kerja Sehari-hari
Di sesi berbeda, Andri mendemonstrasikan Workspace Studio — lapisan yang menghubungkan agen Gemini Enterprise dengan produktivitas harian di Google Workspace.
Contoh yang ia demo secara langsung:
Seorang HR menerima email dari karyawan yang menanyakan limit asuransi bersalin. Dokumen PDF kebijakan asuransi sudah ada di Google Drive. Alih-alih membuka PDF, mencari halamannya, lalu mengetik balasan, HR tinggal membuka agen yang sudah dilatih dari dokumen tersebut, ketik satu kata: “reply” — dan draf balasan lengkap muncul otomatis, sudah merujuk pada data yang benar dari PDF.
“Kita tidak perlu bilang file PDF-nya mana, kamu itu kerja untuk Google, kamu itu file PDF-nya ini — tidak. Karena kita sudah training gems-nya.”
Use case lain yang relevan untuk operasional bisnis:
- Email rutin setiap Senin pagi ke seluruh tim terkirim otomatis
- Notifikasi muncul saat email dari atasan masuk, berapapun volume email yang diterima hari itu
- Catatan rapat Google Meet diekstrak otomatis, langsung dikirim ke Google Chat sebagai ringkasan
Multi-Agent Orchestration: Saat Agen Bekerja Mengawasi Agen Lain
Saat sesi Q&A, satu pertanyaan teknikal menarik masuk dari peserta: “Bagaimana mengelola multi-agent orchestration dan shared memory secara konsisten?”
Andri menjawab:
“Di Gemini Enterprise, Bapak punya kemampuan buat agent secara sangat detail. Misalnya agennya cuma baca ke Salesforce dan Gmail-nya dia, Bapak namakan agen sales. Agen ini hanya dipakai oleh sales team. Kalau IT team, dia tidak akan melihat agen itu.”
Artinya, setiap agen memiliki ruang kerja dan memori yang terisolasi sesuai fungsinya — dan distribusinya ke tim yang tepat diatur melalui platform manajemen agen yang sudah terintegrasi dalam Gemini Enterprise.
Langkah Awal Membangun Agen untuk Perusahaan Anda
Berdasarkan penjelasan teknikal Winanto dan Andri selama seminar, berikut urutan yang bisa dijadikan panduan:
- Tentukan satu use case spesifik terlebih dahulu — jangan langsung bangun agen untuk semua departemen. Pilih satu: HR FAQ, sales stock check, atau financial summary.
- Siapkan data source-nya — dokumen, database, atau API yang akan jadi bahan bakar agen. Pastikan formatnya bersih dan terstruktur.
- Pilih model Gemini yang sesuai — Flash untuk volume besar dan kecepatan, Pro untuk kedalaman analisis.
- Tentukan antarmuka — web untuk tim kantor, mobile untuk tim lapangan.
- Atur IAM dari awal — batasi akses sejak hari pertama, jangan tunggu sampai ada masalah.
- Review sebelum deploy — Andri menekankan prinsip human in the middle: semua output agen harus melalui approval manusia sebelum dieksekusi atau dikirimkan ke klien.
Perkembangan AI agent seperti yang dibahas dalam Gemini Enterprise bersama Google Cloud dan Google Workspace ini lebih seperti perusahaan membangun ulang cara kerja mereka dari dasar.
Dari sesi yang dipaparkan oleh oleh para pakar, satu hal menjadi jelas: nilai terbesar dari AI bukan pada “mengganti manusia”, melainkan mempercepat pengambilan keputusan berbasis data yang sudah ada di dalam perusahaan.
Dengan konsep grounding, IAM, hingga multi-agent orchestration, AI tidak lagi berdiri sebagai alat tambahan, tetapi menjadi bagian dari ekosistem kerja itu sendiri.
Namun, seperti yang digarisbawahi dalam sesi, adopsi AI tidak bisa dilakukan sekaligus. Perusahaan perlu mulai dari satu use case yang spesifik, menyiapkan data yang rapi, serta tetap menjaga prinsip human in the middle agar setiap output tetap terkontrol dan dapat dipertanggungjawabkan.
Pada akhirnya, transformasi ini bukan soal siapa yang paling cepat mengadopsi AI, tetapi siapa yang paling tepat dalam membangunnya. Dan bagi banyak perusahaan, perjalanan itu baru saja dimulai.
