AI berevolusi sangat cepat hingga bisa membuat agent untuk tugas kompleks. Saya mencoba berbagai AI agent ngoding, membuat beberapa agent hingga automasi pembuatan fitur. Berbagai try-error dilakukan, akhirnya ketemu pola cara maksimalin AI supaya hasil kerjaan semakin bagus.
Blog ini akan mengupas tuntas bagaimana AI Agent dapat diterapkan, analisa workflow, menghindari Garbage In Garbage Out, memahami orkestrasi hingga dampak produktifitas pada eksperimen kecil ini.
Selamat membaca.
tldr;
Kunci efisiensi ada pada pemahaman workflow. Dengan mengenali aspek yang menghambat dan repetitif, anda bisa mulai delegasi tugas tersebut kepada AI yang memang dirancang untuk itu.
AI Agent berbeda dengan AI LLM Chat biasa, ia bisa planning, analisa hingga eksekusi sehingga cocok untuk automasi tugas.
AI Orchestration jadi trend karena secara naluri beberapa delegasi tugas AI Agent bisa diatur oleh AI Manager sebagai orkestra mencapai tujuan.
Penggunaan AI beberapa hari membuat saya berpikir ulang tentang produktifitas, dampak yang terasa adalah sering context switching dan cognitif load yang besar karena harus review kode AI.
Workflow
Memahami Workflow adalah kunci dari adaptasi teknologi baru. Kenapa itu penting? kamu tidak akan bisa automasi apapun jika tidak paham apa yang dilakukan.
Kita tidak ingin menghabiskan waktu, uang dan usaha yang sebenarnya punya solusi yang sederhana. Dokumentasi workflow jadi penting untuk melihat bagian mana yang repetitif dan cocok untuk digunakan oleh AI.
Ketika definisi dari penggunaan AI mengerucut pada hal yang sederhana dan repetitif, pengujian penggunaan AI semakin bermanfaat dan fokus.
Kita tidak ingin menghabiskan jutaan rupiah, jutaan token untuk melakukan hal yang sederhana.
Deconstruction Workflow, Memahami Proses dan Workflow
Proses penting untuk adopsi AI adalah Deconstruction Workflow. Tujuannya adalah melihat secara garis besar, bagian mana bottleneck dan repetitif.
Terdapat 4 bagian dalam workflow, yaitu input, process, output dan verifikasi. Sebagai contoh workflow pembuatan fitur dari ujung ke ujung:
Pengerjaan tugas dibagi menjadi beberapa step, dan setiap step memiliki input dan output. Validasi juga perlu untuk dapatkan hasil bagus.
Lihat gambaran besar diatas, kita dapat melihat beberapa bagian yang bisa di automasi seperti Database schema, migration dan API backend.
Adopsi AI
Terlalu cepat untuk simpulkan bahwa Gunakan AI untuk semua bagian walaupun secara teori itu memungkinkan. Tetapi itu seperti melempar 100 bola untuk 10 lobang, tidak akurat dan tidak efisien.
Saat saya gunakan AI pertama kali dan meminta menambahkan fitur, AI melakukan scanning ke semua folder untuk memahami konteks. Setiap kali chat baru dimulai ia melakukan hal sama dan menghabiskan ratusan ribu token.
Hindari penggunaan resource yang sia-sia. Mari kita lihat apa saja komponen AI untuk meningkatka efesiensi
Beberapa aplikasi AI agent memiliki fitur agent dan skills. Keduanya punya fungsi yang mirip tapi intinya
Agent: AI yang secara otonom melakukan perencanaan, berpikir dan mengambil keputusan menggunakan reasoning. Seperti “Buat fitur XYZ dan buatkan UInya”, Agent akan breakdown tugas, analisa goal dan definisi sukses sehingga bisa di eksekusi satu per satu.
Skills: AI dengan fungsi spesifik dan dipanggil oleh Agent, bersifat pasif dan hanya sekali jalan. Misalnya “Search google”, “generate image”, “Web builder”, “Baca PDF”. Skill seperti function yang memiliki input dan output untuk data tidak terstruktur.
Alih-alih minta AI doing anything, kita pecah AI agent menjadi banyak bagian dengan tujuan spesifik dan terukur.
Dari workflow diatas, kita bisa sisipi AI beberapa bagian
Documentation feature: Dokumentasi perlu dibuat sedetail mungkin dan rencana implementasi. AI bisa berguna untuk elobrate, tetapi disarankan inisiasi oleh manusia itu sendiri.
Database Schema: AI sangat mahir disini, ia bisa generate schema dan migration dengan mudah.
API Backend: pembuatan API dan dokumentasi adalah tugas repetitif, kita bisa gunakan AI Agent disini
Frontend: Saya cukup skeptis dengan fungsionalitas UI hasil AI, tetapi pembautan form yang panjang bisa didelegasi ke AI.
Terlihat pada bagian verification dipelrukan interaksi manusia, ini penting karena AI adalah seperti kolaborator kerja yang tetap perlu pengawasan.
Efisiensi AI Agent
AI Agent cocok untuk pekerjaan repetitif dan mungkin membosankan. Analisa workflow memberikan pemahaman part mana AI bermanfaat.
Setiap bagian dari AI masih perlu pengujian dan validasi yang mana manusia itu sendiri definisikan.
Pembagian Tugas AI dan Token Efesiensi
Daripada meminta AI secara general melakukan tugas yang kompleks, pecah-pecah tugas menjadi Agent yang berbeda-beda, misalnya:
AI Agent manager: mengatur berbagai AI Agent
database-designer: desain database dan skema
api-builder: analisa API, desain, hingga dokumentasi
docs-builder: pembuat dokumentasi untuk digunakan pada sesi lainnya
ts-fix: apabila menggunakan typescript, delegasi AI agent untuk perbaiki typescript error.
Tanpa batasan yang jelas, AI akan menghabiskan token untuk setiap sesi. Delegasi AI akan mempersempit fokus dan memberikan hasil lebih akurat dan cepat.
Token seperti bensin untuk menggerakkan AI, semakin banyak token digunakan maka semakin banyak biaya yang kamu keluarkan.
Seperti database, tidak efesien untuk mencari data satu persatu, gunakan index dan cache untuk percepat pencarian dan akses data.
AI perlu dibatasi (constraint) untuk mengerucutkan perhatian pada hal-hal penting.
Secara praktikal, batasan cukup dibuat “Migration berada di folder /src/migration, dan projek ini menggunakan postgresql”.
Untuk dapatkan hasil maksimal, AI agent perlu memiliki:
Peran: memberikan cara berpikir sesuai peran, misalnya: “act as reviewer”, “act as database administrator”
Scope: beri batasan pada folder/file yang penting dan perlu diedit. Contoh: “testing scope, directory scope, programming language, library”
Action: Jelaskan action apa harus dilakukan
Validation: beri interuksi validasi yang jelas sebagai tanda tugas selesai.
Kamu bisa cari Agent, skill, MCP atau tool yang bisa digunakan di internet. Sudah banyak bertebaran dan siap dipakai.
Baik itu menulis intruksi ini secara manual atau menggunakan AI secara iterasi membaca projek lalu membuat intruksi Agent. Intinya kamu perlu deskripsikan batasan setiap agent dengan jelas.
Saya sarankan untuk memasukkan AI pada bagian kecil workflow iteratif untuk mencoba, memahami dan eksperimen pada automasi pekerjaan.
AI Automation vs AI orchestration
Automasi adalah aksi dari alat dengan tujuan spesifik sehingga bisa dilakukan skalabilitas untuk mengurangi biaya produksi. AI Agent adalah contoh Automation karena proses analisa if-else secara otomatis dipilih untuk mencapai tujuan.
Sedangkan orchestration (orkestra) IBM menjelaskan sebagai hubungan antar komponen dan workflow AI. Orkestra terjadi ketika berbagai AI agent dikontrol dan dimonitor oleh AI agent lainnya yang punya peran masing-masing.
Bisa bayangkan ada beberapa Agent AI yang memiliki beberapa peran, Agent utama dan subagent yang dipangggil oleh AI utama.
AI Manager: bertugas breakdown tugas dan delegasi AI
AI Frontend: subagent untuk mengatur frontend
AI Backend: subagent mengatur backend
AI Documentation: subagent mengatur dokumentasi
AI Subagent…lainnya.
Orkestra ini membagikan data ke berbagai pihak untuk memberikan hasil terbaik. Integrasi AI, Automasi dan management AI menjadi pilar dari AI Orchestration.
AI can and can’t?
AI bisa online 24/7, melakukan kerja tanpa capek, dan memahami pola dari data yang besar. Manusia manapun tidak akan bisa melakukan itu.
Masih banyak butuh kolaborasi manusia dan sangat butuh manusia. Misalnya pertanggung-jawaban, ketika sistem gagal karena kode tersebut (baik itu dibuat AI atau manusia) maka tetap manusia yang bertanggung jawab.
Ambil contoh paling kecil. Error pasti terjadi pada berbagai sistem, tetapi meminta AI “Perbaiki error XYZ” tidak semudah itu.
Tidak semua masalah bisa diselesaikan otomatis oleh AI, mari lihat jenis-jenis error (kesalahan pada sistem):
Error karena salah syntax, masih bisa diperbaiki dan mudah bagi AI.
Error karena library deprecated, AI belajar dari data masa lalu, library dan pihak ketiga sering update dan AI butuh belajar ulang untuk mengikuti perkembangan tersebut, sehingga memerlukan update dan baca dokumentasi Library. Walaupun AI bisa baca dokumentasi langsung, tapi tetap ada friction development disini.
Error karena Race Condition & Concurrent, AI melihat kode secara statis (perbaris) sehingga sulit mendeteksi error pada proses berjalan. Perlu manusia untuk memahami traffic dan locking mechanism.
Error karena skalabilitas (Bottleneck), kode berjalan di lokal mungkin sempurna tetapi ketika data sudah 1 juta, akan terjadi error dan memerlukan manusia untuk audit database, cache hingga optimasi memori server. AI tidak bisa lakukan itu semua secara otomasi, masih butuh manusia untuk melakuka audit dan perbaikan pada bagian yang tepat.
Error integrasi pihak ketiga, ketika API google maps, payment gateway error, AI tidak bisa analisa dan perbaiki. Masih butuh manusia untuk mengecek status vendor dan menyiapkan fallback plan.
Error karena logika bisnis, kadang aplikasi tidak memberikan error tetapi kesalahan pada alur bisnis dan ini tidak bisa dianalisa AI dan dideteksi kecuali manusia itu sendiri memahami intensi dari alur data yang benar. Sehingga butuh manusia untuk verifikasi output data dan alur data yang benar dengan menulis feature plan yang lengkap.
Dan mungkin masih banyak kejadian dan error yang mungkin terjadi dan masih butuh interaksi manusia untuk memperbaikinya.
Good news: Pekerjaan programmer masih dibutuhkan!
Analisa ruanglingkup apa yang bisa-dan-tidak bisa AI lakukan masih butuh banyak eksperimen, dan eksperimen pasti menghabiskan banyak uang dan tenaga.
Ketergantungan AI
Jika programmer menggunakan AI 100%, apakah ia menjadi produktif, atau tergantikan?. Ketika kode yang dibuat lebih banyak dari apa yang bisa manusia pahami akan muncul Comprehension Debt.
Berbeda dengan technical debt yang menjelaskan hutang teknikal karena banyak penambalan disana-sini sehingga ada hutang refactor yang akan muncul di masa depan.
Comprehension debt is the hidden cost to human intelligence and memory resulting from excessive reliance on AI and automation. For engineers, it applies most to agentic engineering.
Ketika manusia tidak paham kode yang dibuat, maka akan terjadi ketergantungan pada AI dan automasi. Biaya yang harus dibayar akan lebih mahal karena perbaikan kecil membutuhkan ratusan dolar~Berjuta-juta rupiah.
Biaya menggunakan AI akan menjadi lebih mahal dibandingkan menyewa programmer langsung.
Sangat mungkin programmer dengan pondasi bagus semakin dibutuhkan dimasa depan karena lebih murah dan lebih bertanggung jawab dibanding mengandalkan AI.
Apakah produktifitas meningkat?
Kita pikir AI membuat kita semakin produktif karena lebih banyak kode, tetapi saya merasakan sebaliknya.
Pengalaman pribadi menggunakan AI membuat pikiran saya lebih padat dan lebih banyak context switching. Ngoding manual bisa mudah fokus pada beberapa bagian dan butuh waktu untuk pindah konteks, seperti dari frontend ke backend atau sebaliknya. Tetapi ketika AI masuk pada hampir seluruh workflow, pekerjaan menjadi lebih intens.
Karena komunikasi dengan AI bisa dilakukan kapan saja, saya menjadi adiktif dan kadang lupa jam makan siang karena ada instant-gratification dari hasil AI. Seperti hadiah dan kejutan setiap kali hasil AI keluar.
Pindah konteks (Context switching) menjadi lebih sering, karena beberapa agent AI jalan sekaligus memaksa saya untuk pindah-pindah konteks dan itu menjadi beban kognitif.
Produktif yang palsu. Kode memang dibuat lebih banyak tapi memakan waktu untuk membaca kode hasil AI sebagai proses review dan validasi berbagai case.
Pada beberapa interview, AI malah membuat orang bekerja diluar scope pekerjaan. Desainer mulai ngoding, marketing mulai ngoding hingga CEO ngoding juga. Tanpa sadar bekerja diluar scope bisa membuat lebih lelah dan berpikir harus lebih produktif, sedangkan tidak memaksimalkan perannya masing-masing.
Apakah produktif meningkat?. Tidak benar jika Menghitung jumlah baris kode sebagai nilai produktif. Pandangan penuh bias saya melihat bahwa AI membuat lebih mudah ceroboh.
Seperti kendarai mobil yang cepat terasa lebih laju tetapi harus lebih fokus (beban kognitif meningkat), harus melambat karena ada pengendara pelan (masalah kecil dan sepele) sehingga menjadi lebih lambat dari seharusnya.
Bekerja pada tim memiliki workflow tambahan seperti meeting, review, brainstorming dan keputusan perusahaan. Tugas tim tidak dapat digantikan AI. Produktifitas personal meningkat tetapi produktifitas tim hanya meningkat 10-15%. AI tidak membuat proktifitas tim meningkat signitifikan tetapi perlu perubahan struktur tim dan workflow secara sepenuhnya.
Walaupun nampak lebih cepat, tapi pikiran menjadi lebih terbeban karena harus review dan mencari celah pada kode yang dibuat AI. Tanpa review yang ketat, aplikasi bisa menjadi tidak aman. Sebagai programmer menjadi tanggung jawab atas kode yang dibuat. AI tidak mengganti programmer karena ia tidak bertanggung jawab.
Penutup
Eksperimen AI Agent ini sangat menarik, saya membuat berbagai agent untuk beberapa kasus. Walaupun begitu AI tetap tool yang memerlukan kita sendiri untuk analisa dan bertanggung jawab.
Masa depan AI akan berguna bagi orang-orang yang dapat memanfaatkannya dengan baik. Pendapatku sendiri pekerjaan programmer tetap dibutuhkan dan mungkin akan dibutuhkan ketika organisasi atau orang yang menggunakan AI dan terbentur skalasi ke tingkat besar.
Tunggu blog tentang AI lainnya, subscribe blog ini!. Mari kolaborasi projek luar biasa, kontak saya.
Sekian dari saya, terima kasih sudah membaca. semoga bermanfaat.
