Tencent Cloud Data Intelligence: Membangun Data Agent yang Andal, Terkendali, dan Terus Berkembang

Investasi besar pada data warehouse, data lake, dan platform Business Intelligence (BI) selama satu dekade terakhir belum sepenuhnya menyelesaikan persoalan akses data di tingkat enterprise. Hingga saat ini, sekitar 80% pengguna bisnis masih belum dapat menarik insight data secara mandiri dan tetap bergantung pada tim data untuk pembuatan script SQL maupun laporan manual. Kesenjangan tersebut mendorong kemunculan Data Agent—mesin eksekusi berbasis kecerdasan buatan (AI agentic system) yang berfungsi sebagai penerjemah data, kolaborator analitik, sekaligus pelaksana proses bisnis otomatis.

Meski diproyeksikan sebagai infrastruktur konsumsi data generasi baru, implementasi Data Agent di dunia nyata menghadapi tantangan berat. Riset Gartner memproyeksikan lebih dari 60% proyek AI akan terhenti akibat persoalan data, sementara studi MIT mencatat 95% penerapan AI di tingkat perusahaan belum mampu menghasilkan ROI yang terukur. Kendala ini menunjukkan bahwa kegagalan adopsi bukan terletak pada kemampuan model bahasa besar (Large Language Model), melainkan pada arsitektur rekayasa enterprise pendukungnya.

Melalui ulasan Data Intelligence—seri ketiga dari ekosistem AI-Native Data Platform Tencent Cloud—disajikan pendekatan arsitektur terstruktur agar Data Agent mampu menghasilkan analisis yang tepercaya (trustworthy), terkendali (controllable), dan terus berkembang (evolvable).

Tiga Hambatan Utama Penerapan Data Agent di Skala Enterprise

Dalam praktiknya, Data Agent bukan sekadar alat konversi teks ke SQL (NL-to-SQL), melainkan sistem analitik menyeluruh yang harus mampu menginterpretasi bahasa bisnis, menyusun rencana tugas, memanggil alat (tools), memvalidasi hasil, serta menjaga konteks analisis. Berdasarkan implementasi di lapangan, terdapat tiga kendala utama yang kerap dihadapi organisasi:

Tantangan Akurasi (Hilangnya Kendali pada Tugas Multi-Langkah): Kueri kompleks sering kali memicu puluhan hingga ratusan interaksi data lintas tabel. Pada sistem berbasis agent, kesalahan kecil pada satu langkah awal akan merambat ke seluruh rangkaian penalaran (reasoning chain), sehingga seluruh alur analisis menghasilkan kesimpulan yang keliru.
Tantangan Semantik (Ambiguitas Definisi Bisnis): Model AI tidak dapat memahami konteks bisnis perusahaan tanpa landasan semantik yang terpadu. Perbedaan istilah seperti “sales revenue”—yang bisa bermakna tanggal penandatanganan kontrak bagi divisi CRM atau tanggal konfirmasi pembayaran bagi divisi keuangan—dapat menimbulkan selisih data signifikan hingga puluhan persen.
Tantangan Beban Komputasi (Workload Mismatch): Arsitektur lakehouse tradisional umumnya dioptimalkan untuk pemindaian skala besar dan pemrosesan batch ETL. Sebaliknya, Data Agent membutuhkan beban kerja hibrida (point lookups, agregasi cepat, pemfilteran, dan pencarian vektor) dengan tingkat konkurensi tinggi dari ratusan agent yang berjalan bersamaan. Titik sumbat pun bergeser dari komputasi model ke komputasi data.

Arsitektur 6 Lapisan Rekayasa Data Intelligence

Untuk menjamin keandalan sistem di tingkat produksi, arsitektur Data Intelligence Tencent Cloud dirancang melalui enam lapisan rekayasa yang terpisah, terukur, dan terkendali:

Context Layer: Bertugas mengambil, menyusun, dan memetakan skema, lineage, kebijakan, serta fakta observasi untuk menyediakan context window yang ringkas dan relevan bagi proses penalaran.
Reasoning Layer: Berfungsi sebagai pusat kendali (brain) tempat LLM merencanakan tindakan, memecah tugas analitik kompleks, dan memilih tools yang tepat berdasarkan konteks.
Execution Layer: Bertindak sebagai pelaksana (hands and feet) yang mengeksekusi pemanggilan tools, mengelola action chains, dan melakukan rollback otomatis ketika terjadi kegagalan sistem.
Observability Layer: Menyediakan pencatatan menyeluruh terhadap input, pemanggilan alat, hasil perantara, hingga output akhir guna menjamin transparansi, explainability, dan kepatuhan audit.
Evaluation Layer: Memanfaatkan metode Agent-as-Judge, uji tolok ukur (benchmarks), deteksi regresi, serta A/B testing versi untuk menjaga standar akurasi saat dilakukan peningkatan model.
Governance Layer: Berfungsi sebagai gerbang keamanan yang menegakkan deteksi data sensitif (PII), kebijakan retensi, kontrol akses, dan persetujuan bertahap (Human-in-the-Loop).

Tencent Cloud Data Intelligence: Arsitektur dan Kapabilitas Unggulan TCDataAgent

Platform inti dari Tencent Cloud Data Intelligence adalah TCDataAgent (Tencent Cloud Data Analytics Agent), sebuah sistem kolaboratif berbasis multi-agent yang dirancang dari pengalaman penerapan korporat nyata selama lebih dari satu tahun. Solusi ini dirancang untuk memproses analisis data mandiri serta menghasilkan insight secara otonom dengan memanfaatkan data enterprise multimodal. Keunggulan Utama TCDataAgent

Multi-Agent: Sistem bertransformasi dari agen tunggal menjadi tim agen terorganisir. Instruksi pengguna dapat memicu orkestrasi otomatis—mulai dari pembersihan data, analisis tren, hingga pembuatan visualisasi—dengan alur kerja yang dapat disesuaikan kebutuhan perusahaan.
Self-Evolution: Agen mengalami peningkatan berkelanjutan melalui koordinasi tim, memori, dan skills yang dikurasi. Sistem mampu mengevaluasi eksekusi masa lalu serta mempelajari umpan balik guna menghindari kesalahan berulang.
Openness: Menyediakan integrasi terbuka antara agen internal dan eksternal dalam satu kerangka kendali terpusat, memungkinkan pengelolaan hosting satu klik serta perutean yang mulus.

Arsitektur lima lapisan TCDataAgent mendukung siklus hidup data penuh yang terbagi ke dalam tiga domain aplikasi utama:

Data Engineering: Mencakup NL2SQL, CodeGen, dan pemilihan tabel cerdas untuk mengambil alih tugas berat seperti ingestion, ETL, serta orkestrasi alur kerja.
Data Analysis: Memfasilitasi kueri percakapan, analisis akar masalah (root-cause analysis), dan pembuatan laporan otomatis tanpa hambatan bagi pengguna bisnis.
Data Science: Menyediakan AutoPipeline, Notebook Agent, dan MLOps untuk membantu ilmuwan data mengelola pemodelan via bahasa alami.

Tiga Pilar Kapabilitas Utama

Eksekusi Kolaboratif Berbasis Multi-Agent
Untuk mengatasi tantangan akurasi akibat rantai penalaran multi-langkah yang panjang, sistem menerapkan pembagian tugas terspesialisasi dan validasi prosedural. Setiap agen fokus pada sub-tugas terbaiknya, di mana hasil satu tahap menjadi masukan bagi tahap berikutnya.
Sebagai ilustrasi dalam skenario optimasi kueri SQL lambat (slow SQL tuning), proses yang biasanya memakan waktu berhari-hari dapat disingkat dalam hitungan menit:
- Lead Agent mendekomposisi tugas.
- Ops Agent menganalisis beban klaster dan menghimpun log kueri lambat.
- Dev Agent melakukan auto-tuning pada sintaks SQL.
- Ops Agent memvalidasi hasil optimasi.
- Analysis Agent merilis laporan visual.
Pembangkitan SQL Berbasis Peningkatan Semantik
Jika kolaborasi agen menjaga ketepatan proses, pemahaman semantik bisnis diatasi melalui peningkatan akurasi SQL yang melampaui rata-rata industri (~70%), di mana TCDataAgent sukses mencatatkan tingkat akurasi di atas 90%. Sistem ini menggunakan mekanisme dual-engine feedback loop yang mencakup peningkatan semantik otomatis, konfigurasi istilah bisnis, pemilihan tabel mandiri, pencocokan sintaks, serta optimasi multi-putaran.
Intensi bisnis dipetakan ke dalam representasi MQL (Metric Query Language) sebelum diterjemahkan secara otomatis oleh lapisan semantik menjadi SQL. Pendekatan berbasis riset mendalam—seperti desain sadar konten data (data content-aware) yang diterima VLDB 2025 dan metodologi CYANSQL (ICDE 2026)—menjadikan TCDataAgent berada di jajaran teratas global, termasuk peringkat pertama dunia pada leaderboard Spider 2.0-Snow (Februari 2026) dan posisi ketiga global pada BIRD leaderboard (Juni 2025).
Efisiensi Perangkat Keras Melalui Compute Intelligence
Sebagai penunjang performa dari sisi perangkat keras, platform AI-Native Big Data Tencent Cloud menyediakan fondasi komputasi siap-agen (Agent-Ready):
- Meson High-Performance Compute Engine: Mesin komputasi dengan akselerasi GPU (Spark Rapids) dan Spark 4.0 yang menghadirkan performa 3,6 kali lipat lebih tinggi dari edisi sumber terbuka serta memangkas beban sumber daya hingga 50%.
- Xpark Cross-Modal Compute Engine: Memungkinkan eksekusi lebih dari 50 fungsi AI langsung melalui SQL (SQL-First AI Functions) dengan utilisasi GPU mendekati 100%.
- TCRay & TCLake: Menyediakan penjadwalan terpadu CPU+GPU secara elastis (TCRay) serta penyimpanan tabel terpadu (Unified Table) untuk data terstruktur, teks, vektor, dan multimodal (TCLake).
- TCQA Native Acceleration Engine: Meningkatkan tingkat cache hit sebesar 10% dan memangkas latensi komputasi hingga 22%.

Kesimpulan

Keandalan Data Agent di lingkungan operasional korporat tidak bertumpu semata pada kecerdasan model bahasa, melainkan pada kerangka rekayasa sistem yang membatasi dan mengarahkannya. Dengan mengombinasikan pemahaman intensi LLM bersama struktur rekayasa enterprise yang menegakkan aturan semantik, kontrol akses, serta auditabilitas, Data Agent bertransformasi dari sekadar alat uji coba menjadi pilar infrastruktur produktivitas baru bagi perusahaan.