Dari Alert ke Aksi: Apa yang Sebenarnya Dilakukan Sistem Agentic di eCommerce

Dashboard kamu rapi. Alert sudah terpasang. Slack memberi notifikasi saat ROAS turun, stok menipis, atau pembatalan meningkat.

Tapi tetap saja, tidak ada yang benar-benar terjadi sampai seseorang membuka alert tersebut dan memutuskan apa yang harus dilakukan.

Gap antara mengetahui dan bertindak inilah yang memperlambat banyak operasional eCommerce. Alert meningkatkan visibilitas, tapi tidak memindahkan inventory, menyeimbangkan stok, atau menghentikan listing sebelum overselling terjadi.

Di artikel ini, kamu akan melihat apa yang sebenarnya dilakukan sistem agentic dalam operasional eCommerce sehari-hari, bagaimana perbedaannya dengan alert dan automation berbasis aturan, serta kenapa pergeseran dari visibilitas ke eksekusi mengubah cara tim commerce bekerja.

Kenapa terjadi keterlambatan setelah insight tersedia

Sebagian besar tim eCommerce enterprise sudah menggunakan alert dan dashboard. Saat stok menurun, ROAS turun, atau pembatalan meningkat, sinyal muncul hampir secara instan. Sistem mendeteksi masalah dengan baik.

Keterlambatan justru dimulai setelah itu.

Alert tidak memperbaiki apa pun. Ia hanya menyerahkan masalah ke manusia. Seseorang harus menginterpretasikan sinyal, menilai urgensinya, dan memutuskan tindakan yang tepat. Proses ini menambah friction.

• Apakah ini hanya fluktuasi sementara atau masalah yang lebih besar?
• Apakah perlu tindakan segera atau cukup dipantau?
• Sistem mana yang harus diubah terlebih dahulu?

Selama pertanyaan ini belum terjawab, operasional tidak berubah.

Alert membutuhkan koordinasi lintas sistem

Sebagian besar respons operasional tidak berada dalam satu tool saja. Alert stok rendah bisa membutuhkan pengecekan data warehouse, review order yang masih berjalan, penyesuaian listing di marketplace, hingga menghentikan campaign berbayar. Setiap langkah berada di sistem yang berbeda.

Tools inventory mengatur jumlah stok. Marketplace mengatur listing. Platform iklan mengatur spend. Sistem fulfillment mengatur status pengiriman.

Meskipun tiap langkah hanya memakan waktu beberapa menit, koordinasinya tetap memakan waktu. Satu tim memperbarui inventory. Tim lain mengecek listing. Tim lain lagi mengevaluasi campaign. Eksekusi menjadi lambat karena tanggung jawab tersebar.

Ketika keterlambatan kecil berdampak besar

Dalam lingkungan dengan volume tinggi, waktu memperbesar dampak.

Bayangkan alert stok rendah muncul pukul 23.00. SKU tersebut tersisa 40 unit. Tidak ada yang mengecek hingga pagi hari. Pada pukul 08.00, sudah ada 300 order yang masuk.

Yang awalnya hanya penyesuaian SKU sederhana berubah menjadi pembatalan order, refund, ketidakpuasan customer, dan potensi penalti dari marketplace.

Alert bekerja sesuai fungsinya. Visibilitas sudah ada. Tapi sistem tidak bisa bertindak.

Apa yang sebenarnya dilakukan sistem agentic dalam operasional eCommerce sehari-hari

Jika alert menciptakan tugas untuk manusia, sistem agentic justru menghilangkan layer tugas tersebut. Mereka mengamati sinyal yang sama seperti dashboard, tapi alih-alih memberi notifikasi, sistem langsung mengevaluasi situasi dan mengeksekusi sesuai kebijakan yang sudah ditentukan. Perubahan ini memperpendek jarak antara sinyal dan aksi.

Berikut bagaimana hal ini terjadi dalam operasional nyata:

1. Menyesuaikan ketersediaan inventory secara dinamis antar channel

Stok jarang terjual secara merata di semua channel. Satu SKU bisa bergerak lebih cepat di marketplace tertentu karena harga, promosi, atau perubahan ranking pencarian. Sistem agentic memantau sell-through secara real-time dan menyesuaikan ketersediaan di tiap channel sebelum risiko muncul.Jika total stok turun di bawah batas tertentu, sistem dapat otomatis mengurangi alokasi ke channel dengan velocity tinggi dan menjaga ketersediaan di channel dengan demand yang lebih stabil.

Alih-alih menunggu alert stok rendah dan penyesuaian manual di spreadsheet, ketersediaan berubah secara langsung mengikuti kondisi.

Ini mencegah penumpukan stok di channel yang salah dan mengurangi kebutuhan koreksi darurat.

2. Menghentikan atau mengaktifkan kembali listing berdasarkan sinyal stok real-time

Overselling sering terjadi saat ada jeda antara sinkronisasi inventory dan masuknya order. Sistem agentic mengevaluasi posisi stok secara real-time dibandingkan dengan order yang sedang berjalan dan pengiriman yang akan datang. Jika unit yang tersedia mendekati nol, listing akan otomatis dihentikan sebelum order baru masuk.

Saat stok kembali tersedia dan sudah terverifikasi, listing akan aktif kembali secara otomatis.

Perbedaan utamanya ada di timing. Workflow manual bergantung pada seseorang yang menyadari masalah. Sistem agentic bertindak saat risiko mulai muncul, bukan setelah dampaknya terlihat.

3. Menyeimbangkan inventory saat demand antar wilayah berubah

Demand tidak bergerak merata di semua wilayah. Campaign di satu area bisa menghabiskan stok di satu warehouse lebih cepat dari perkiraan, sementara stok di tempat lain tidak bergerak.

Sistem agentic melacak sell-through per wilayah dan membandingkannya dengan target coverage days. Jika ketidakseimbangan melewati batas tertentu, sistem dapat memicu alokasi ulang antar warehouse atau menyesuaikan eksposur di level channel untuk menjaga ketersediaan.

Ini mencegah stockout di satu wilayah sementara stok menumpuk di wilayah lain. Sistem mengatur aliran berdasarkan kecepatan demand aktual, bukan aturan statis.

4. Memprioritaskan, mengalihkan, atau menahan order saat terjadi exception

Masalah dalam fulfillment bisa berdampak berantai. Keterlambatan kurir, keterbatasan kapasitas warehouse, atau ketidaksesuaian stok membutuhkan keputusan cepat.

Sistem agentic mengevaluasi setiap order yang terdampak berdasarkan kebijakan bisnis. Customer bernilai tinggi bisa diprioritaskan. Order bisa dialihkan ke warehouse lain. Pengiriman bisa ditahan jika integritas stok diragukan.

Alih-alih menumpuknya order yang menunggu review, keputusan langsung dijalankan sesuai guardrails yang sudah ditentukan. Manusia hanya turun tangan jika situasi berada di luar batas tersebut.

5. Menjalankan keputusan operasional rutin tanpa eskalasi

Sebagian besar operasional eCommerce terdiri dari keputusan kecil yang berulang: menyesuaikan safety stock, menutup listing saat melewati threshold, atau mengaktifkan kembali campaign saat inventory stabil.

Ini bukan keputusan strategis, melainkan keputusan berbasis kondisi.

Sistem agentic menangani keputusan berulang ini secara otomatis. Tim cukup menetapkan tujuan, toleransi risiko, dan kriteria exception. Sistem akan mengevaluasi konteks dan mengeksekusi secara konsisten di ribuan SKU.

Hasilnya bukan sekadar automation satu aturan, tetapi manajemen operasional yang berjalan terus-menerus dan beradaptasi dengan kondisi real-time tanpa menunggu eskalasi manual.

Alert vs Automation vs Agentic Execution: Memahami Perbedaannya

Banyak tim menggunakan istilah ini secara bergantian, padahal seharusnya tidak. Ketiganya adalah model operasional yang berbeda, dan perbedaannya terlihat jelas dalam bagaimana pekerjaan benar-benar dijalankan.

1. Alert: Visibilitas tanpa aksi

Alert mendeteksi perubahan. Ia memberi tahu saat threshold terlampaui atau metrik menyimpang dari rencana. Tapi berhenti sampai di situ.

Semua yang terjadi setelahnya bergantung pada manusia. Seseorang harus menginterpretasikan sinyal, menilai risiko, dan memutuskan apa yang perlu diubah. Dalam kondisi stabil, ini masih bisa berjalan. Tapi dalam lingkungan dengan volume tinggi, hal ini menciptakan keterlambatan. Visibilitas meningkat, tapi eksekusi tidak.

2. Automation berbasis aturan: cepat tapi kaku

Automation meningkatkan kecepatan dengan menghubungkan respons tetap pada sebuah trigger. Misalnya, jika stok di bawah 10 unit, maka listing dihentikan. Jika ROAS di bawah target, bidding diturunkan 20%.

Ini mengurangi pekerjaan manual, tapi mengasumsikan bahwa kondisi tersebut sudah cukup untuk mengambil keputusan. Padahal:

• Bagaimana jika stok baru akan masuk dalam dua jam?
• Bagaimana jika penurunan ROAS hanya terjadi di satu wilayah?

Saat edge case muncul, aturan yang kaku bisa bereaksi berlebihan atau justru gagal tanpa disadari.

3. Agentic execution: memahami konteks sebelum bertindak

Sistem agentic bekerja dengan cara berbeda. Mereka mengevaluasi berbagai input secara bersamaan sebelum mengambil keputusan—mulai dari posisi inventory, order yang sedang berjalan, stok yang akan datang, exposure campaign, hingga demand per wilayah. Jika automation mengikuti skrip, sistem agentic menghadapi situasi secara langsung.

Alih-alih menjalankan satu aksi tetap, sistem memilih respons yang paling tepat dalam batas guardrails yang sudah ditentukan, lalu mengeksekusinya tanpa perlu handoff ke manusia.

Peran tim dalam model agentic execution

Perubahan ini bukan tentang menghilangkan manusia dari operasional, tapi memindahkan perannya ke lapisan kontrol yang berbeda.

Dalam model agentic execution, tim menentukan intent. Mereka menetapkan threshold stok, toleransi risiko, aturan prioritas, dan batas eskalasi. Mereka juga menentukan seberapa agresif alokasi ulang dilakukan dan kapan listing harus dihentikan. Sistem kemudian berjalan di dalam kebijakan tersebut.

Manusia berfokus pada pengawasan. Mereka meninjau hasil, menyesuaikan aturan saat pola berubah, dan hanya turun tangan ketika ada kasus di luar guardrails. Alih-alih merespons setiap alert, tim mengelola struktur yang mengatur bagaimana eksekusi berjalan.

Sistem agentic menangani kecepatan, volume, dan konsistensi. Mereka menerapkan kebijakan di ribuan SKU tanpa lelah atau keterlambatan.

Peran tim pun berubah dari operator menjadi arsitek. Bukan lagi menjalankan setiap aksi operasional, tapi merancang playbook dan terus menyempurnakannya.

Menutup loop: dampak operasional dari sistem yang bisa bertindak

Ketika sistem bisa bertindak, bukan hanya memberi alert, bentuk operasional pun berubah.

Intervensi manual berkurang dalam skenario rutin karena keputusan berulang tidak lagi menunggu antrean. Masalah diselesaikan lebih cepat dan konsisten, terlepas dari zona waktu atau kapasitas tim. Pelanggaran threshold stok di tengah malam akan ditangani sama cepatnya dengan yang terjadi siang hari.

Periode peak menjadi lebih terprediksi. Eksekusi tidak bergantung pada siapa yang sedang online atau seberapa cepat seseorang membaca dashboard. Kebijakan diterapkan secara merata di semua SKU, channel, dan warehouse.

Seiring waktu, kualitas operasional tidak lagi bergantung pada individu, tetapi pada sistem.

Inilah perubahan yang menjadi dasar kapabilitas agentic Graas di berbagai area—mulai dari analytics, operasional marketplace, data pipeline, pemesanan B2B, hingga workflow customer experience.

Lihat bagaimana AI agent bekerja langsung dalam operasional eCommerce—dari keputusan inventory hingga penanganan exception pada order. Jadwalkan demo.