Apa Itu Agent? Dan Kenapa Workflow Sering Lebih Baik

Pelajaran terakhir dari seri Fundamental AI. Kita sudah punya semua bahannya: pesan, token, context window, dan tools. Sekarang pertanyaannya: bagaimana merangkai beberapa panggilan LLM menjadi sistem yang lebih kuat?

Ada dua jawaban, dan perbedaannya cuma satu hal: siapa yang memutuskan kapan berhenti.

Workflow merangkai beberapa panggilan LLM lewat langkah-langkah yang sudah ditulis developer di kode. Panggil LLM untuk meringkas, hasilnya masuk ke panggilan kedua untuk menerjemahkan, hasilnya masuk ke panggilan ketiga untuk dicek. Kode yang memutuskan urutan dan kapan program berhenti.

Contoh paling berguna: paralelisasi. Potong teks panjang jadi beberapa bagian, ringkas tiap bagian secara bersamaan, lalu ringkas gabungan ringkasannya. Tiga panggilan LLM, urutannya tertulis di kode, hasilnya bisa diprediksi.

Agent bekerja lain. Kita memberi model sekumpulan tools dan sebuah tujuan, lalu model sendiri yang memilih tool mana dipanggil, membaca hasilnya, dan memilih langkah berikutnya. Termasuk memutuskan kapan pekerjaannya selesai.

Dengan kata lain: model yang berimprovisasi. Ini memberi model kekuatan besar, dan tentu saja membuat sistemnya jauh lebih sulit diprediksi. Jalannya bisa beda di setiap eksekusi, biayanya tidak pasti, dan kalau tersesat, tidak ada diagram alur di kodemu untuk dilihat.

Agent sedang di-hype di mana-mana, tapi mari jujur soal trade-off-nya. Agent unggul saat langkah penyelesaian tugas memang belum jelas dan butuh improvisasi: debugging, riset terbuka, eksplorasi codebase yang tidak kamu kenal. Di sana, kemampuan berimprovisasi adalah nilai utamanya.

Tapi mayoritas pekerjaan bisnis punya pola yang tetap: proses invoice selalu sama, ringkasan laporan mingguan selalu sama, pipeline konten selalu sama. Untuk pekerjaan yang spesifikasinya jelas dan diulang terus, workflow hampir selalu memberi hasil lebih baik: lebih murah, lebih cepat, dan bisa di-debug baris demi baris.

Workflow sering diremehkan karena tidak se-seru agent. Padahal kebosanan itu justru nilainya: sistem yang bisa diprediksi adalah sistem yang bisa diandalkan produksi.

Lima pelajaran dalam seri Fundamental AI ini bermuara pada satu kebiasaan: pilih alat paling sederhana yang menyelesaikan pekerjaan. Satu prompt bagus sebelum satu rantai panggilan. Workflow sebelum agent. Konteks sedikit yang relevan sebelum konteks banyak yang mungkin berguna.

Tool AI akan terus berganti tiap bulan. Cara kerja di baliknya, yang sudah kamu pegang sekarang, tidak ikut ganti.

Kalau timmu mau melompat dari paham fundamental ke workflow AI pertama yang benar-benar jalan, sesi AI Strategy kami dirancang persis untuk itu: temukan satu tugas yang layak diautomasi, bangun dengan ukuran yang tepat, dan buktikan dalam 30 hari.