Menggunakan Agen AI untuk Bekerja
Desktops
Bagaimana Bisnis Dapat Mengubah Agen AI Menjadi Operasi Sehari-hari?
Agen AI kini mulai melampaui sekadar demonstrasi yang memukau. Pertanyaan utama bagi pelaku bisnis bukan lagi sebatas apa yang dapat dijawab oleh AI, melainkan tugas apa saja yang dapat dijalankannya secara andal—serta bagaimana menerapkan kemampuan tersebut tanpa kehilangan kendali.
MSI AI Insights Issue #001 mengeksplorasi munculnya AI Agen dan pergeseran di luar bantuan berbasis prompt. Issue #002 meneliti tentang beban kerja AI harus berjalan melalui pendekatan lokal, cloud, dan hybrid. Issue #003 bertanya bagaimana mengukur nilai bisnis nyata AI di luar produktivitas.
Issue #004 mengambil langkah selanjutnya: beralih dari strategi AI ke implementasi praktis. Baik Anda bekerja secara mandiri, mengelola tim yang sedang tumbuh, atau memimpin operasi di seluruh departemen, langkah-langkah awal cukup mirip: pilih alur kerja yang tepat, tetapkan batasan yang jelas, dan verifikasi hasil.
Artikel ini memperkenalkan keputusan penting yang terlibat dalam penerapan agen AI secara efektif. Untuk kerangka lengkap, jelajahi MSI AI Insights Issue #004 — Menerapkan Agen AI untuk Bekerja: Kerangka Praktis untuk Penerapan AI Bisnis.
Dari Asisten AI ke Agen AI: Perbedaannya Adalah Alur Kerja
Sebuah asisten AI biasanya membantu dengan bagian-bagian tertentu dari suatu tugas, seperti meringkas dokumen, menjelaskan spreadsheet, atau menyusun email. Sebaliknya, sebuah agen AI dapat mengambil peran yang lebih komprehensif dengan mengejar tujuan tertentu melalui beberapa langkah yang disetujui. Ia dapat mengumpulkan informasi yang relevan, memilih alat yang diberi wewenang, memverifikasi hasil, dan baik menyelesaikan alur kerja atau meminta persetujuan manusia jika perlu.
Misalnya, jika seorang pelanggan bertanya apakah suatu produk memenuhi persyaratan tertentu, sebuah asisten dapat menyarankan tanggapan yang sesuai. Namun, sebuah agen dapat mengklasifikasikan pertanyaan, berkonsultasi dengan dokumen produk yang disetujui, memeriksa informasi yang relevan, menyiapkan tanggapan, dan menandai detail yang tidak pasti untuk ditinjau. Dengan izin yang jelas, ia juga dapat membuat tiket layanan atau memperbarui catatan pelanggan. Setiap tindakan tambahan membawa tanggung jawab yang melampaui sekadar memberikan jawaban yang baik.
Progres yang berguna bukanlah "lebih banyak otonomi dengan biaya apa pun." Ini adalah:
Assist → Recommend → Execute with Approval → Execute within Limits → Monitor and Escalate
Seorang asisten dasar mungkin merupakan solusi paling tepat ketika sebuah proses otonom mungkin memperkenalkan biaya atau risiko yang tidak perlu tanpa meningkatkan hasil. Bisnis harus mendelegasikan hanya langkah-langkah yang mendapatkan manfaat dari eksekusi—dan mempertahankan penilaian manusia di mana itu penting.
Mulai dengan Alur Kerja, Bukan Teknologi
Proyek agen AI perdana harus berfokus pada penyelesaian masalah bisnis yang rutin, alih-alih berfokus pada perbandingan model. Kriteria ideal untuk otomatisasi meliputi input yang jelas, akses informasi yang telah disetujui, alur kerja yang teratur, hasil yang dapat diukur, serta personel terunjuk untuk menangani situasi di luar standar.
Contoh pekerjaan yang ideal meliputi pengategorian permintaan masuk, penyusunan laporan berkala, pengelolaan tindak lanjut rapat, komparasi dokumen supplier, serta pemantauan pembaruan pada sumber informasi terotorisasi. Fokus pada alur kerja spesifik yang sering terjadi memungkinkan bisnis mendapatkan wawasan penting, tanpa harus terburu-buru mengotomatisasi satu departemen secara menyeluruh.
Sebelum membangun pilot, tanyakan: Apa yang memicu tugas? Seperti apa hasil yang dikatakan sukses? Dapatkah seseorang memeriksa output secara independen? Dapatkah agen berhenti dengan aman ketika informasi hilang? Siapa yang memiliki proses?
Misalnya, seorang distributor mungkin mulai dengan mengambil spesifikasi produk terverifikasi dan menyusun tanggapan atas pertanyaan pelanggan. Namun, secara otomatis berkomitmen pada harga, tanggal pengiriman, atau ketersediaan inventaris harus tetap di luar ruang lingkup awal hingga akurasi, izin, dan persetujuan telah diuji secara menyeluruh.
Dalam Agen AI yang Bekerja
Agen yang bekerja bukan hanya sekadar model bahasa besar (LLM). Walaupun model AI berperan memproses instruksi dan menyusun respons, eksekusi operasional yang andal tetap memerlukan keterhubungan beberapa kapabilitas utama:
- LLM: Menafsirkan instruksi, merencanakan tahapan tugas, dan menghasilkan output teks maupun data terstruktur.
- RAG / Basis Pengetahuan: Mengambil informasi relevan dari dokumen yang disetujui agar respons mencerminkan data bisnis; akurasi dan pembaruan sumber tetap memerlukan verifikasi.
- Memori: Menyimpan konteks tugas dan status alur kerja yang relevan, dengan batasan yang jelas pada masa retensi serta hak akses.
- Pemanggilan Alat (Tool Calling): Menjalankan fungsi terotorisasi, seperti mencari catatan, memindai folder yang disetujui, atau membuat draf dokumen.
- Orkestrasi: Mengoordinasikan alur kerja, eksekusi alat, validasi output, penanganan looping, hingga eskalasi ke penanggung jawab manusia (human-in-the-loop).
Komponen-komponen ini bekerja bersama dalam urutan:
Permintaan Bisnis → Pengetahuan Disetujui → Rencana dan Gunakan Alat → Verifikasi Hasil → Persetujuan Manusia Bila Diperlukan → Rekam Hasil
Implementasi sistem tidak selalu memerlukan banyak agent. Pada banyak kasus, penggunaan single agent dengan dukungan perangkat terintegrasi yang andal jauh lebih mudah diuji dan dikelola. Agent spesifik hanya diperlukan jika ada kebutuhan koordinasi antarperan atau antarsistem yang kompleks; lagipula, setiap alih proses (handoff) berpotensi menambah biaya, memicu keterlambatan, dan memperbesar risiko kegagalan.
Di Mana Agen AI Harus Berjalan?
Seperti yang dibahas pada Isu #002, penerapan AI merupakan bagian dari pengambilan keputusan beban kerja (workload). AI lokal dapat memfasilitasi pengelolaan data yang terkontrol dan tugas-tugas luring (offline) spesifik, sementara AI berbasis cloud menawarkan akses ke model yang andal serta layanan yang dapat ditingkatkan skalanya (scalable). AI hibrida menggabungkan kedua pendekatan ini dengan mendistribusikan berbagai tahapan ke berbagai lingkungan sesuai kebutuhan bisnis
Misalnya, sebuah agen mungkin mengambil dokumen internal secara lokal sambil mengirim pertanyaan yang telah disetujui dan diminimalkan ke model cloud untuk tugas penalaran yang menuntut. Alur kerja lain mungkin beroperasi sepenuhnya di satu sisi. Pilihan terbaik tergantung pada sensitivitas data, kemampuan model, waktu respons, ketersediaan jaringan, biaya operasional, dan sumber daya pemeliharaan.
Yang penting, menjalankan model secara lokal tidak secara otomatis membuat seluruh alur kerja menjadi pribadi. Pencarian eksternal, komunikasi, telemetri, dan alat terhubung mungkin masih memindahkan informasi di luar lingkungan yang terkontrol. Evaluasi jalur data secara penuh—bukan hanya di mana model berjalan.
Otonomi Harus Diperoleh, Tidak Diasumsikan
Agen AI mungkin menemukan instruksi menyesatkan dalam email, situs web, atau dokumen yang mereka ambil. Mereka juga mungkin menghasilkan informasi yang salah atau mengambil tindakan di luar cakupan yang dimaksudkan. Oleh karena itu, memastikan kesiapan bisnis membutuhkan kontrol izin, validasi, pemantauan, dan akuntabilitas manusia yang jelas.
Pendekatan praktis untuk mengimplementasikan AI dimulai dengan memberikan akses hanya-baca. Ini dapat berkembang menjadi memungkinkan pembuatan draft dan kemudian memperkenalkan titik-titik pemeriksaan persetujuan untuk tindakan yang memiliki konsekuensi signifikan. Baru setelah langkah-langkah ini, eksekusi otonom yang didefinisikan sempit harus diberikan. Tindakan seperti mengirim pesan eksternal, mengubah catatan pelanggan, melakukan pembelian, atau menghapus informasi harus memiliki kontrol yang lebih kuat daripada meringkas dokumen internal.
Persetujuan manusia bukanlah tanda bahwa penerapan AI telah gagal. Ini adalah titik kontrol yang disengaja untuk akurasi, kepatuhan, komitmen komersial, dan pengecualian. Agen juga harus dapat menghentikan, menjelaskan ketidakpastian, dan menyerahkan tugas kembali kepada orang yang bertanggung jawab.
Dari Pilot ke Operasi Sehari-hari
Penerapan sukses dari suatu sistem adalah sebuah proses daripada sebuah acara peluncuran sekali saja. MSI AI Insights menguraikan enam tahap praktis untuk proses ini:
- Tentukan: Pilih satu alur kerja, pemiliknya, hasil target, dan batas operasi.
- Persiapkan: Periksa sumber pengetahuan, izin data, akses alat, dan infrastruktur.
- Prototipe: Bangun alur kerja terbatas menggunakan kasus dunia nyata yang representatif.
- Validasi: Bandingkan performa terhadap baseline, termasuk kesalahan dan koreksi manusia.
- Terapkaan: Perkenalkan akses produksi terbatas dengan persetujuan, pembuatan log, dan dukungan.
- Tingkatkan: Perbarui pengetahuan, tinjau hasil, dan perluas hanya bila dibenarkan.
Validasi harus mencakup kasus-kasus sulit—tidak hanya demo yang sukses. Uji permintaan ambigu, dokumen yang hilang atau ketinggalan zaman, kegagalan alat, dan upaya untuk melebihi izin. Setelah peluncuran, ukur kualitas penyelesaian end-to-end, tingkat intervensi, kesalahan, pengerjaan ulang, waktu penyelesaian, biaya per alur kerja yang selesai, dan efek pada pelanggan atau karyawan.
Link ke Isu #003 cukup sederhana:
Baseline Workflow → AI-Enabled Workflow → Verified Outcome → Business Value
Aluran kerja yang lebih cepat tidak selalu lebih baik jika menyebabkan lebih banyak koreksi. Demikian pula, agen yang meng-eskalasi kasus sulit dengan aman masih dapat menciptakan nilai substansial dengan menyelesaikan pekerjaan rutin secara konsisten.
Agen AI untuk Setiap Ukuran Bisnis
Profesional independen dan pengguna kantor kecil/kantor rumah (SOHO) dapat memulai dengan mengatur materi referensi, mempersiapkan tindak lanjut rapat, dan menyusun proposal. Bisnis kecil dan menengah (UKM) dapat menghubungkan informasi produk yang disetujui dengan pertanyaan pelanggan yang masuk dan tugas tindak lanjut. Organisasi yang lebih besar mungkin perlu mengoordinasikan layanan di seluruh operasi, TI, dan departemen lain, serta mengelola identitas, batas akses, jejak audit, dan manajemen perubahan.
Arsitektur agen AI ini dapat menyesuaikan skala bersama dengan organisasi. Prinsip panduan harus tetap konsisten: implementasikan desain agen paling sederhana yang secara andal meningkatkan alur kerja yang bermakna, dengan pengawasan yang sesuai dengan dampaknya.
Poin Penting
- Mulai dengan alur kerja yang dapat diukur—bukan model, platform, atau demonstrasi yang mengesankan.
- Agen AI menggabungkan penalaran, pengetahuan yang disetujui, alat, orkestrasi, dan pengawasan.
- Pilih eksekusi lokal, cloud, atau hybrid sesuai dengan persyaratan beban kerja.
- Perluas otonomi secara bertahap, dengan persetujuan manusia untuk tindakan berdampak.
- Ikuti Define → Prepare → Prototype → Validate → Deploy → Improve.
- Ukur hasil alur kerja yang diverifikasi dan nilai bisnis, bukan aktivitas agen saja.
Pertanyaan yang Sering Diajukan
Apa perbedaan antara asisten AI dan agen AI?
Seorang asisten biasanya membantu dengan tugas individu; seorang agen dapat mengejar tujuan tertentu melalui beberapa langkah yang diberi wewenang, termasuk mengambil pengetahuan, menggunakan alat, dan meminta persetujuan.
Apakah sebuah bisnis perlu membangun model AI sendiri?
Tidak. Bisnis dapat menggunakan model lokal atau dihosting yang sudah ada. Pekerjaan penting adalah mendefinisikan alur kerja, mengendalikan akses informasi dan alat, dan memvalidasi hasil.
Apa itu RAG, dan mengapa itu penting?
Pengambilan-ditingkatkan-generasi memasok konten yang relevan dari sumber pengetahuan yang disetujui. Ini dapat membantu jawaban mencerminkan dokumen saat ini, tetapi tidak menjamin akurasi.
Apakah saya perlu beberapa agen AI?
Biasanya tidak untuk pilot pertama. Mulailah dengan satu agen yang diberi ruang lingkup dengan baik dan alat yang dapat diandalkan; tambahkan agen khusus hanya ketika koordinasi secara terbukti meningkatkan hasil.
Seharuskah agen AI berjalan secara lokal atau di cloud?
Itu tergantung pada sensitivitas data, kebutuhan model, konektivitas, biaya, kinerja, dan kapasitas operasional. Desain hibrida dapat mengalokasikan langkah yang berbeda ke lingkungan yang berbeda.
Bagaimana sebuah bisnis dapat mengurangi risiko agen AI?
Terapkan izin minimal-hak istimewa, sumber tepercaya, validasi, titik pemeriksaan persetujuan, batas aksi, penggunaan catatan, dan jalur eskalasi yang jelas.
Bagaimana sebuah pilot agen AI harus diukur?
Bandingkan baseline dengan hasil terverifikasi: kualitas penyelesaian, waktu, kesalahan, pengerjaan ulang, intervensi manusia, biaya per alur kerja, dan dampak bisnis.
Dari mana sebuah bisnis kecil harus memulai?
Pilih satu alur kerja yang sering dan berisiko rendah dengan kepemilikan yang jelas dan nilai yang dapat diukur; mulailah dengan tindakan baca-saja atau draft sebelum memberikan izin eksekusi.
Ingin Menjelajahi Gambaran Lengkap?
Menggunakan Agen AI: Kerangka Praktis untuk Penerapan AI Bisnis
Jelajahi pendekatan lengkap untuk memilih alur kerja, merancang agen, memilih lingkungan penerapan, mengelola risiko, dan mengubah pilot menjadi operasi sehari-hari yang andal.
Ingin Menjelajahi Gambaran Lengkap?
MSI AI Insights — Edisi #003 | Melampaui Produktivitas: Mengukur Nilai Bisnis Nyata dari AI Agen
Temukan bagaimana ekonomi alur kerja, hasil bisnis, dan nilai manusia membentuk kasus bisnis AI Agen yang lebih kuat. https://id.msi.com/blog/ai-insights-beyond-productivity-of-agentic-ai
MSI AI Insights — Edisi #002 | Perusahaan AI Hibrida: Jelajahi pilihan berbasis beban kerja di seluruh AI lokal, cloud, dan hybrid.
https://id.msi.com/blog/the-hybrid-ai-enterprise
https://id.msi.com/blog/the-hybrid-ai-enterprise
MSI AI Insights — Edisi #001 | Munculnya AI Agen: Memahami pergeseran dari bantuan berbasis prompt menuju agen AI multi-langkah.
https://id.msi.com/blog/the-rise-of-agentic-ai
https://id.msi.com/blog/the-rise-of-agentic-ai
