AI agent mulai menarik perhatian karena kemampuannya bukan hanya menjawab pertanyaan, tetapi juga menjalankan rangkaian pekerjaan.
Sebuah agent dapat membaca permintaan, mencari data, memanggil API, mengevaluasi hasil, lalu menentukan tindakan selanjutnya sampai tujuan tercapai.
Namun workflow yang terdiri dari banyak langkah membawa risiko baru. Satu keputusan yang salah di awal bisa memengaruhi langkah berikutnya.
Karena itu, Strategi Mendesain AI Agent perlu berangkat dari pemetaan proses, pembagian tanggung jawab, desain tool yang jelas, dan mekanisme kontrol agar fleksibilitas AI tidak berubah menjadi workflow yang sulit diprediksi.
1. Petakan Workflow sebelum Membuat Agent
Jangan langsung memulai dari prompt.
Tuliskan terlebih dahulu bagaimana proses berjalan jika dilakukan manusia. Identifikasi input, keputusan, data yang dibutuhkan, action yang dilakukan, kondisi gagal, dan seperti apa definisi pekerjaan selesai.
Misalnya agent procurement mendapat tugas mencari vendor untuk pembelian laptop.
Workflow-nya mungkin mencakup membaca kebutuhan, mencari vendor, membandingkan penawaran, mengecek anggaran, membuat rekomendasi, kemudian meminta persetujuan manajer.
OpenAI mendefinisikan workflow sebagai rangkaian langkah untuk mencapai tujuan pengguna dan menjelaskan bahwa agent cocok ketika LLM memang perlu mengendalikan eksekusi serta memilih tool sesuai keadaan saat ini.
Pemetaan seperti ini membuat tim tahu bagian mana yang seharusnya deterministik dan bagian mana yang memerlukan reasoning.
2. Gunakan Agent Hanya pada Keputusan yang Memerlukan Fleksibilitas
Tidak setiap langkah membutuhkan AI.
Jika sistem hanya perlu mengecek apakah nilai invoice lebih dari Rp50 juta, gunakan rule biasa. Tidak perlu meminta LLM mempertimbangkannya.
Agent lebih berguna ketika keputusan bergantung pada informasi tidak terstruktur, konteks berubah, atau jalur penyelesaiannya sulit diprediksi sejak awal.
Anthropic membedakan workflow yang mengikuti jalur yang telah didefinisikan dengan agent yang secara dinamis menentukan proses dan penggunaan tool.
Mereka juga menyarankan memulai dari solusi yang paling sederhana karena sistem agentic biasanya membawa tambahan biaya dan latency.
Prinsip praktisnya adalah: gunakan kode untuk kepastian, gunakan agent untuk ambiguitas.
Dengan begitu, sistem tidak menyerahkan semua hal kepada model hanya karena bisa.
3. Mulai dari Single Agent sebelum Multi-Agent
Multi-agent terdengar canggih, tetapi semakin banyak agent berarti semakin banyak jalur komunikasi, prompt, state, dan potensi kegagalan.
Mulailah dengan satu agent yang mempunyai beberapa tool spesfik. Jika workflow masih bisa diselesaikan secara konsisten, arsitektur tersebut biasanya lebih mudah diuji dan dipelihara.
OpenAI menyarankan peningkatan menuju multi-agent ketika logic semakin bercabang atau ketika tool yang tersedia mulai terlalu tumpang tindih sehingga agent sulit memilih dengan benar.
Salah satu pola yang umum adalah manager agent yang mendelegasikan pekerjaan kepada agent spesialis.
Microsoft juga mendokumentasikan beberapa pola orchestration seperti sequential, concurrent, handoff, dan pola kolaboratif lain untuk kebutuhan multi-agent yang berbeda.
Jadi, multi-agent sebaiknya menjadi jawaban terhadap kompleksitas nyata, bukan keputusan arsitektur sejak hari pertama.
4. Pisahkan Workflow menjadi Tanggung Jawab yang Jelas
Jika multi-agent memang dibutuhkan, setiap agent harus mempunyai peran yang mudah dibedakan.
Misalnya workflow analisis investasi dapat mempunyai research agent, financial-analysis agent, risk agent, dan coordinator agent.
Hindari membuat tiga agent yang sama-sama diberi instruksi “analisis perusahaan”. Overlap seperti ini membuat orchestrator sulit menentukan siapa yang seharusnya mengerjakan tugas.
AWS menekankan bahwa dalam kolaborasi multi-agent, peran supervisor dan collaborator perlu dijelaskan secara jelas serta tanggung jawab yang saling tumpang tindih sebaiknya diminimalkan.
Bayangkan struktur agent seperti tim manusia. Jika setiap orang mempunyai jabatan sama dan tanggung jawab kabur, kordinasi juga akan kacau.
Batas tugas yang jelas justru membuat sistem lebih fleksibel karena orchestrator memiliki pilihan yang dapat dibedakan dengan mudah.
5. Desain Tool untuk Agent, Bukan Hanya Developer
Tool adalah jembatan antara reasoning dan dunia nyata.
Agent mungkin mempunyai tool seperti search_customer, create_invoice, send_email, atau check_inventory. Nama, parameter, deskripsi, dan respons tool harus memberi petunjuk yang cukup bagi model.
Anthropic menekankan bahwa tool untuk agent perlu dirancang berbeda dari API tradisional. Dokumentasi tool yang baik, batas fungsi yang jelas, serta output yang memberikan konteks bermakna dapat meningkatkan kemampuan agent memilih dan menggunakan tool secara tepat.
Misalnya dua tool bernama get_customer dan find_customer_data memiliki fungsi hampir identik. Agent mungkin kebingungan menentukan perbedaannya.
Lebih baik memiliki fungsi yang jelas seperti search_customer_by_email dan get_customer_order_history.
Perhatikan juga permission. Agent yang hanya membaca data tidak perlu mempunyai tool untuk menghapusnya.
6. Gunakan Orchestration Pattern sesuai Bentuk Tugas
Tidak semua workflow membutuhkan pola yang sama.
Sequential Workflow
Gunakan ketika tugas harus selesai secara berurutan.
Misalnya: ekstrak data invoice → validasi data → klasifikasikan biaya → simpan hasil.
Parallel Workflow
Gunakan ketika beberapa pekerjaan dapat dilakukan secara independen.
Contohnya agent due diligence dapat meminta legal agent, financial agent, dan market agent melakukan analisis secara bersamaan.
Orchestrator-Worker
Pola ini cocok ketika jumlah subtask sulit diprediksi.
Anthropic menjelaskan orchestrator-workers sebagai pola ketika orchestrator menentukan subtask secara dinamis lalu mendelegasikannya kepada worker. Pola ini berguna untuk pekerjaan kompleks yang struktur tugasnya bergantung pada input.
AWS juga mendokumentasikan workflow orchestration yang menggunakan orchestrator untuk merencanakan, memecah, dan mendelegasikan pekerjaan kepada komponen yang lebih khusus.
Pilih pola berdasarkan masalah, bukan berdasarkan arsitektur yang terlihat paling canggih.
7. Simpan State di Luar Context Model
Workflow multi-langkah dapat berlangsung lama. Jangan mengandalkan conversation context sebagai satu-satunya tempat menyimpan keadaan proses.
Simpan state penting pada storage yang lebih terstruktur.
Misalnya:
status pesanan = waiting_approval
vendor terpilih = Vendor A
nilai transaksi = Rp75 juta
approval = pending
Jika agent mengalami retry atau model diganti, workflow tetap dapat dilanjutkan berdasarkan state tersebut.
AWS menyebut penyimpanan seperti database atau object storage dapat digunakan untuk melacak state dan hasil pada workflow orchestration agent.
State eksternal juga membuat debugging lebih mudah karena developer dapat melihat apa yang sebenarnya terjadi pada setiap tahapan.
8. Tentukan Exit Condition dan Batas Iterasi
Agent membutuhkan definisi kapan harus berhenti.
Tanpa batas, model dapat terus mencari informasi, memanggil tool berulang kali, atau mencoba memperbaiki hasil yang sebenarnya sudah cukup baik.
OpenAI menjelaskan bahwa agent biasanya berjalan dalam loop sampai kondisi keluar terpenuhi, misalnya final output tercapai, terjadi error, atau batas jumlah turn dilewati.
Anthropic juga merekomendasikan stopping conditions pada autonomous agent untuk menjaga kontrol terhadap ekseskusi.
Tentukan sejak awal apa yang dianggap selesai.
Jika agent gagal tiga kali memanggil tool yang sama, misalnya, mungkin lebih baik berhenti dan mengembalikan kontrol kepada manusia daripada mencoba tanpa batas.
Strategi Mendesain AI Agent yang efektif dimulai dari workflow yang jelas, bukan prompt yang rumit.
Gunakan deterministik logic untuk aturan sederhana, agent untuk keputusan fleksibel, dan multi-agent hanya ketika kompleksitas memang membutuhkannya.
Mulailah memetakan satu workflow nyata di bisnis Anda, tentukan tool serta state yang diperlukan, lalu bangun versi sederhana sebelum menambah otonomi.