Banyak orang tertarik membangun AI agent setelah melihat berbagai contoh agent yang dapat melakukan research, membuat content, membaca data, menjalankan workflow, hingga berinteraksi dengan berbagai tools.
Namun, ada satu hal yang sering terlewat.
Membangun AI agent bukan terutama masalah memilih model AI.
Masalah yang lebih penting adalah memahami pekerjaan yang ingin diselesaikan.
Sebuah agent dapat menggunakan model yang sangat powerful, tetapi jika workflow-nya tidak jelas, data yang tersedia buruk, tools tidak terhubung, dan batasan sistem tidak ditentukan, hasil akhirnya belum tentu berguna bagi bisnis.
Karena itu, saya lebih suka memulai dari pertanyaan:
"Pekerjaan apa yang ingin kita buat menjadi lebih cepat, lebih scalable, atau lebih intelligent?"
Baru setelah itu kita menentukan apakah AI agent memang solusi yang tepat.
Dalam artikel sebelumnya, saya membahas bagaimana AI Agent untuk Bisnis: Apa yang Bisa Diotomatisasi dan Bagaimana Memulainya? dapat digunakan di berbagai area bisnis dan bagaimana business owner dapat memilih workflow yang tepat.
Di artikel ini, saya ingin membahas langkah berikutnya: bagaimana sebenarnya sebuah AI agent dibangun dari workflow hingga dapat menjalankan sebuah task.
Mulai dari Masalah, Bukan dari Model AI
Kesalahan yang cukup umum ketika mulai membangun AI system adalah memilih technology terlebih dahulu.
Misalnya:
"Kita mau pakai model terbaru."
Kemudian baru mencari pekerjaan yang dapat diberikan kepada model tersebut.
Menurut saya, urutannya sebaiknya dibalik.
Mulailah dari business problem.
Misalnya sebuah perusahaan menghabiskan banyak waktu untuk membuat weekly marketing report.
Proses manualnya mungkin:
Ambil data dari berbagai platform
↓
Gabungkan data
↓
Bersihkan data
↓
Bandingkan dengan periode sebelumnya
↓
Cari perubahan penting
↓
Buat summary
↓
Buat recommendation
↓
Presentasikan ke management
Jika proses tersebut dilakukan setiap minggu, kita sudah memiliki sebuah workflow yang cukup jelas.
Baru kemudian kita bertanya:
Bagian mana yang dapat diotomatisasi?
Bagian mana yang membutuhkan AI?
Bagian mana yang tetap membutuhkan manusia?
Dari sini desain agent mulai terbentuk.
Step 1: Tentukan Goal AI Agent
Agent harus memiliki tujuan yang jelas.
Jangan memberikan instruksi terlalu umum seperti:
"Bantu marketing team."
Itu terlalu luas.
Lebih baik:
"Analisis performa digital marketing mingguan dan identifikasi tiga perubahan yang paling membutuhkan perhatian."
Tujuan tersebut jauh lebih mudah diterjemahkan menjadi workflow.
Goal juga harus memiliki output yang jelas.
Misalnya:
- executive summary
- list of issues
- recommendation
- lead classification
- content brief
- research report
- customer response draft
Semakin jelas output yang diinginkan, semakin mudah agent dievaluasi.
Step 2: Petakan Workflow
Setelah goal ditentukan, pecah pekerjaan menjadi beberapa langkah.
Misalnya kita ingin membangun Marketing Reporting Agent.
Workflow awalnya:
Collect Data
↓
Validate Data
↓
Analyze Performance
↓
Compare Previous Period
↓
Identify Anomaly
↓
Generate Summary
↓
Generate Recommendation
↓
Human Review
Workflow tersebut kemudian dapat dibagi menjadi beberapa bagian.
Data Collection
Mengambil data dari:
- Google Analytics
- Google Search Console
- advertising platform
- CRM
- social media platform
Analysis
Menganalisis:
- traffic
- conversion
- engagement
- leads
- campaign performance
Reasoning
Menentukan:
- apa yang berubah
- mengapa perubahan tersebut mungkin terjadi
- apa yang perlu diperhatikan
Output
Menghasilkan:
- summary
- insight
- recommendation
Dengan workflow seperti ini, agent tidak lagi terlihat seperti "AI yang bisa melakukan apa saja".
Ia menjadi sebuah system dengan pekerjaan yang spesifik.
Step 3: Tentukan Data yang Dibutuhkan
AI agent membutuhkan context.
Tanpa data yang relevan, agent hanya akan menghasilkan output berdasarkan informasi yang diberikan kepadanya.
Misalnya kita ingin membuat Sales Qualification Agent.
Agent membutuhkan informasi seperti:
- nama perusahaan
- industri
- ukuran perusahaan
- kebutuhan
- budget jika tersedia
- timeline
- conversation history
- product information
Jika data tersebut tidak tersedia, agent mungkin membuat asumsi.
Dan asumsi adalah salah satu hal yang perlu kita kontrol dalam AI system.
Karena itu, sebelum membuat agent, tanyakan:
"Informasi apa yang dibutuhkan manusia untuk melakukan pekerjaan ini?"
Jawabannya biasanya menjadi daftar data yang dibutuhkan agent.
Step 4: Tentukan Knowledge
Data dan knowledge bukan selalu hal yang sama.
Data biasanya merupakan informasi spesifik yang berubah.
Misalnya:
Lead A berasal dari perusahaan X.
Knowledge dapat berupa informasi yang menjadi dasar agent dalam bekerja.
Misalnya:
- product documentation
- company profile
- SOP
- brand guideline
- pricing rules
- FAQ
- sales playbook
- customer persona
- internal policy
Misalnya sebuah AI agent diminta menjawab pertanyaan mengenai product.
Tanpa product documentation, model mungkin memberikan jawaban yang terlihat masuk akal tetapi tidak sesuai dengan product sebenarnya.
Dengan knowledge yang benar, agent memiliki grounding yang lebih baik.
Karena itu, menurut saya membangun AI agent bukan hanya soal membuat prompt.
Kita juga perlu membangun knowledge layer.
Step 5: Pilih Model AI
Setelah workflow, data, dan knowledge cukup jelas, barulah model AI dipilih.
Tidak selalu model paling besar adalah pilihan terbaik.
Pertimbangkan:
- reasoning capability
- latency
- cost
- context window
- tool calling
- structured output
- reliability
- availability
Untuk task sederhana, model yang lebih ringan mungkin sudah cukup.
Untuk task yang membutuhkan reasoning lebih kompleks, model yang lebih capable mungkin lebih sesuai.
Jadi pertanyaan yang lebih tepat bukan:
"Apa model AI terbaik?"
Tetapi:
"Model seperti apa yang paling sesuai dengan task ini?"
Dalam beberapa sistem, bahkan kita dapat menggunakan lebih dari satu model untuk task yang berbeda.
Misalnya:
Model A
Untuk classification.
Model B
Untuk reasoning.
Model C
Untuk generating final response.
Namun, saya tidak menyarankan menggunakan banyak model hanya untuk membuat architecture terlihat lebih sophisticated.
Complexity harus memiliki alasan.
Step 6: Berikan Tools kepada Agent
Ini salah satu perbedaan penting antara AI assistant dan AI agent. Untuk memahami perbedaan keduanya dengan automation secara lebih menyeluruh, lihat juga AI Agent vs Automation vs AI Assistant: Apa Bedanya dan Kapan Bisnis Membutuhkan Masing-Masing?.
Agent membutuhkan kemampuan untuk melakukan sesuatu.
Tools dapat berupa:
- web search
- database query
- CRM API
- analytics API
- calendar
- CMS
- spreadsheet
- internal API
- payment system
- project management system
Misalnya sebuah agent diberikan goal:
"Cari lead potensial dari website dan masukkan lead yang memenuhi kriteria ke CRM."
Agent membutuhkan beberapa tools:
Website/Search
Untuk mencari informasi.
↓
Data extraction
Untuk mengambil data.
↓
Qualification
Untuk menentukan apakah lead sesuai.
↓
CRM API
Untuk membuat record.
Tanpa tools, agent hanya dapat memberikan recommendation.
Dengan tools, agent dapat membantu melakukan action.
OpenAI menjelaskan bahwa tools merupakan salah satu kemampuan penting yang memungkinkan agent berinteraksi dengan external systems dan melakukan task di luar sekadar menghasilkan response. OpenAI: Agents
Step 7: Tentukan Instructions dan Rules
Agent membutuhkan instructions.
Namun, instructions sebaiknya tidak hanya berisi:
"You are a helpful marketing assistant."
Itu terlalu umum.
Agent membutuhkan aturan yang lebih konkret.
Misalnya:
Kamu adalah Marketing Reporting Agent.
Gunakan hanya data yang tersedia dari tools.
Jangan membuat angka yang tidak tersedia.
Jika data tidak cukup, nyatakan bahwa data tidak tersedia.
Prioritaskan perubahan yang memiliki business impact.
Jangan memberikan recommendation jika evidence tidak cukup.
Semua recommendation dengan impact tinggi harus ditandai untuk human review.
Instruksi seperti ini membantu mengurangi perilaku yang tidak diinginkan.
Saya melihat system instructions sebagai bagian dari governance, bukan sekadar prompt.
Step 8: Tentukan Memory dan Context
Tidak semua agent membutuhkan memory jangka panjang.
Ini sering menjadi bagian yang terlalu cepat ditambahkan.
Misalnya sebuah reporting agent hanya perlu membaca data minggu ini dan minggu sebelumnya.
Agent tersebut mungkin tidak membutuhkan memory kompleks.
Sebaliknya, customer service agent mungkin membutuhkan conversation history agar memahami konteks percakapan.
Ada beberapa jenis context yang dapat dipertimbangkan:
Current Context
Informasi dari task yang sedang dikerjakan.
Conversation Context
Informasi dari percakapan sebelumnya.
Business Context
Informasi mengenai perusahaan, product, customer, dan rules.
Historical Context
Data atau keputusan dari periode sebelumnya.
Memory sebaiknya ditambahkan ketika memang dibutuhkan.
Bukan karena sebuah agent dianggap lebih canggih jika memiliki memory.
Step 9: Tentukan Action yang Boleh Dilakukan
Ini salah satu bagian paling penting.
Tidak semua tool yang tersedia harus dapat digunakan secara bebas.
Misalnya agent marketing boleh:
- membaca analytics
- membuat draft content
- membuat report
Tetapi tidak boleh:
- mengubah advertising budget
- publish content tanpa approval
- menghapus campaign
- mengubah CRM record penting
Tanpa batasan, agent dapat memiliki terlalu banyak authority.
Saya lebih menyukai model:
Read → Analyze → Recommend → Approve → Execute
untuk action yang memiliki risiko lebih tinggi.
Sedangkan untuk task yang low risk:
Read → Analyze → Execute
mungkin sudah cukup.
Step 10: Tentukan Human-in-the-Loop
Human-in-the-loop berarti manusia tetap menjadi bagian dari workflow ketika diperlukan.
Contohnya:
AI membuat content brief → Human review → AI membuat draft → Human approve → Publish
Atau:
AI membaca lead → AI melakukan qualification → Sales review → Sales contact
Atau:
AI menganalisis advertising performance → AI memberikan recommendation → Marketing manager memutuskan action
Menurut saya, human-in-the-loop bukan tanda bahwa AI agent gagal.
Justru itu adalah bagian dari system design yang sehat.
Tujuan AI bukan selalu mencapai 100% autonomy.
Tujuannya adalah mencapai tingkat autonomy yang tepat untuk business risk.
Step 11: Tambahkan Evaluation
AI system tidak cukup hanya "berjalan".
Kita harus mengetahui apakah hasilnya benar-benar bagus.
Misalnya sebuah lead qualification agent memiliki tugas menentukan:
Qualified / Unqualified
Kita dapat mengevaluasi:
- accuracy
- false positive
- false negative
- human correction rate
Untuk content agent, kita dapat melihat:
- approval rate
- editing time
- content performance
Untuk reporting agent:
- time saved
- factual error
- recommendation usefulness
Evaluation membuat kita dapat memperbaiki system berdasarkan data.
Tanpa evaluation, kita hanya memiliki perasaan bahwa agent "sepertinya bekerja".
Step 12: Logging dan Observability
Semakin agent memiliki autonomy, semakin penting kita mengetahui apa yang terjadi di belakang layar.
Misalnya agent melakukan:
Step 1: Search
Step 2: Read CRM
Step 3: Analyze
Step 4: Call API
Step 5: Generate output
Jika hasil akhirnya salah, kita perlu mengetahui di step mana masalah terjadi.
Karena itu, system sebaiknya menyimpan informasi seperti:
- input
- tool calls
- tool response
- model output
- errors
- execution time
- final action
Dengan observability, debugging menjadi jauh lebih mudah.
Step 13: Mulai dengan Satu Agent
Saya tidak menyarankan langsung membuat multi-agent system.
Misalnya:
Research Agent
↓
Content Agent
↓
SEO Agent
↓
Distribution Agent
↓
Analytics Agent
↓
Optimization Agent
Di atas kertas terlihat menarik.
Namun, semakin banyak agent, semakin banyak pula complexity.
Lebih baik mulai dengan satu workflow.
Misalnya:
Marketing Research Agent
Jika workflow tersebut sudah stabil, baru pertimbangkan apakah ada alasan untuk memecahnya menjadi beberapa agent.
Anthropic juga menjelaskan bahwa complex agentic architecture sebaiknya digunakan ketika memang memberikan manfaat dibandingkan pendekatan yang lebih sederhana. Anthropic: Building Effective Agents
Contoh: Membangun Lead Qualification Agent
Mari kita lihat contoh yang lebih konkret.
Tujuan:
Mengklasifikasikan lead yang masuk berdasarkan business fit dan kebutuhan.
Input
Lead mengisi form:
"Kami perusahaan manufaktur dengan 700 karyawan dan sedang mencari HR system untuk menggantikan proses manual."
Data yang tersedia
- company
- industry
- employee count
- inquiry
- source
- contact information
Knowledge
Agent memiliki akses ke:
- product information
- target market
- ideal customer profile
- qualification criteria
Workflow
Receive Lead
↓
Read Lead Data
↓
Enrich Company Information
↓
Compare With ICP
↓
Analyze Need
↓
Assign Qualification
↓
Generate Summary
↓
Send to CRM
↓
Human Review
Output:
Qualification: SQL
Company: Manufacturing
Employee: 700
Need: HR system
Fit: High
Reason: Company size and use case align with target market.
Salesperson kemudian dapat langsung memahami konteks lead.
Contoh Lain: Content Research Agent
Goal:
Menemukan topic opportunities untuk target audience tertentu.
Workflow:
Define Audience
↓
Search Relevant Topics
↓
Collect Sources
↓
Identify Questions
↓
Analyze Search Intent
↓
Compare Existing Content
↓
Identify Content Gap
↓
Recommend Topic
↓
Generate Brief
Output:
Topic: AI Agent untuk Lead Generation
Audience: Business Owner
Intent: Informational / Commercial Investigation
Angle: How AI can qualify leads before salesperson intervention
Recommended format: Long-form article
Supporting topics: CRM automation, lead scoring, AI sales agent
Di sini agent tidak langsung membuat artikel.
Ia membantu manusia membuat better decision mengenai apa yang sebaiknya dibuat.
Architecture Sederhana AI Agent
Secara konseptual, sebuah system dapat terlihat seperti:
User / Trigger
↓
Agent
↓
LLM
↓
Context / Knowledge
↓
Tools
↓
External Systems
↓
Result
↓
Evaluation
↓
Human Approval
Komponen tersebut dapat berkembang sesuai kebutuhan.
Google Cloud menjelaskan beberapa komponen penting dalam agentic AI system, termasuk model, grounding, tools, data architecture, orchestration, dan runtime. Google Cloud: Core Concepts of AI Agents
Namun, architecture yang kompleks tidak otomatis lebih baik.
Yang penting adalah setiap component memiliki fungsi yang jelas.
Dari Workflow ke Production
Prototype AI agent biasanya jauh lebih mudah dibuat daripada production system.
Di prototype, kita mungkin hanya membutuhkan:
- model
- prompt
- beberapa tools
- simple interface
Tetapi ketika masuk production, kita mulai memikirkan:
- authentication
- authorization
- data privacy
- rate limits
- logging
- monitoring
- error handling
- retries
- cost control
- human approval
- security
- fallback
Inilah alasan saya melihat AI agent sebagai system engineering problem, bukan sekadar prompt engineering problem.
Prompt memang penting.
Tetapi prompt hanya salah satu bagian dari keseluruhan system.
Security Harus Dipikirkan Sejak Awal
Ketika agent memiliki akses ke tools dan business data, security menjadi semakin penting.
Misalnya agent memiliki akses ke CRM.
Pertanyaannya:
Siapa yang boleh menjalankan agent?
Data apa yang boleh dibaca?
Data apa yang boleh diubah?
Action apa yang membutuhkan approval?
Bagaimana jika sebuah external instruction mencoba memanipulasi agent?
Bagaimana jika sebuah tool mengembalikan data yang tidak sesuai?
Semakin banyak authority yang diberikan kepada agent, semakin besar pula security surface-nya.
Karena itu, prinsip least privilege tetap relevan.
Berikan agent hanya access yang benar-benar diperlukan.
Jangan Mengukur Agent dari Seberapa Pintar Ia Berbicara
Sebuah agent dapat menghasilkan response yang sangat impressive tetapi tetap gagal sebagai business system.
Menurut saya, ukuran yang lebih relevan adalah:
Time Saved
Berapa banyak waktu manusia yang berhasil dihemat?
Accuracy
Seberapa sering output benar?
Cost
Berapa biaya untuk menjalankan workflow?
Throughput
Berapa banyak pekerjaan yang dapat diselesaikan?
Business Impact
Apakah workflow menghasilkan perubahan terhadap business outcome?
Misalnya:
Sebelum AI agent: 5 jam per minggu.
Setelah AI agent: 1 jam per minggu.
Itu lebih meaningful daripada mengatakan:
"Agent kami menggunakan model terbaru."
Kapan Agent Sebaiknya Tidak Dibangun?
Ada kondisi di mana saya justru tidak akan membuat AI agent.
Misalnya:
Workflow hanya dilakukan sekali
Tidak ada cukup repetition untuk menghasilkan benefit.
Workflow sangat sederhana
Automation biasa mungkin sudah cukup.
Tidak ada data
Agent tidak memiliki context yang dibutuhkan.
Risiko terlalu tinggi
Tidak ada mekanisme human approval yang memadai.
Proses bisnis belum stabil
Jika workflow berubah setiap minggu, automation dan agent mungkin terus rusak.
Tidak ada metric
Kita tidak tahu apakah system memberikan manfaat.
Dalam kondisi tersebut, membangun AI agent mungkin hanya menambah complexity.
Prinsip Saya dalam Membangun AI Agent
Setelah melihat berbagai use case, saya cenderung menggunakan beberapa prinsip sederhana.
1. Start With the Problem
Jangan mulai dari technology.
2. Map the Workflow
Pahami bagaimana pekerjaan dilakukan sekarang.
3. Automate Before You Agent
Jika automation biasa sudah cukup, tidak perlu menggunakan agent.
4. Give the Agent Context
Pastikan agent memiliki knowledge dan data yang relevan.
5. Give the Agent Tools
Agent membutuhkan kemampuan untuk berinteraksi dengan system.
6. Limit Its Authority
Jangan memberikan akses lebih besar dari yang dibutuhkan.
7. Keep Humans in the Loop
Untuk keputusan penting, human oversight tetap diperlukan.
8. Measure Everything
Ukur waktu, accuracy, cost, dan business impact.
9. Start Small
Satu workflow yang berhasil lebih berharga daripada sepuluh agent yang tidak stabil.
10. Optimize Before Scaling
Pastikan workflow bekerja sebelum memperluas scope.
Dari AI Agent ke AI-Powered Business System
Menurut saya, masa depan AI di bisnis bukan tentang memiliki sebanyak mungkin agent.
Yang lebih menarik adalah bagaimana AI agent menjadi bagian dari sebuah system.
Misalnya:
Customer Discovery
↓
Lead Generation
↓
Lead Qualification
↓
Sales
↓
Customer Service
↓
Data
↓
Analysis
↓
Optimization
Setiap bagian dapat memiliki automation dan AI assistance yang berbeda.
Namun semuanya terhubung.
Pada akhirnya, yang kita bangun bukan sekadar AI agent.
Kita membangun business system yang semakin intelligent.
Pendekatan ini juga menjadi dasar pembahasan Membangun Growth System dengan AI: Menghubungkan AI Agent, Data, dan Automation, yaitu bagaimana AI agent, data, dan automation dapat dihubungkan menjadi sebuah system yang lebih terintegrasi.
Dan di sinilah menurut saya peran manusia justru menjadi semakin penting.
Manusia menentukan:
- business direction
- priorities
- strategy
- acceptable risk
- customer relationship
- creative direction
- ethical boundaries
AI membantu menjalankan dan mengoptimalkan bagian-bagian yang dapat dibantu technology.
Penutup
Membangun AI agent untuk bisnis bukan dimulai dari pertanyaan:
"Model AI apa yang paling bagus?"
Membangunnya dimulai dari:
"Masalah bisnis apa yang ingin kita selesaikan?"
Setelah itu, kita dapat memetakan workflow, menentukan data, menyiapkan knowledge, memilih model, memberikan tools, menentukan boundaries, menambahkan human oversight, dan mengukur hasilnya.
Urutannya sederhana:
Business Problem
↓
Workflow
↓
Data & Knowledge
↓
Automation
↓
AI Agent
↓
Tools & Actions
↓
Human Oversight
↓
Evaluation
↓
Optimization
Pendekatan seperti ini membuat AI agent menjadi bagian dari business system, bukan sekadar demo technology.
Karena pada akhirnya, tujuan kita bukan membangun AI agent yang terlihat pintar.
Tujuannya adalah membangun sistem yang membuat bisnis bekerja lebih baik.
Dan menurut saya, di situlah nilai sebenarnya dari AI agent.