Apa itu Agentic Workflow (Alur Kerja Otonom Berbasis Agen AI)?

Apa itu Agentic Workflow?

Agentic Workflow (alur kerja berbasis agen AI) adalah paradigma penggunaan model kecerdasan buatan di mana model tidak sekadar menjawab pertanyaan dalam satu kali hembusan (single prompt-response), melainkan beroperasi secara dinamis melalui siklus perencanaan berulang (iterative loop): menyusun strategi, memanggil alat (tool use), mengevaluasi hasilnya, dan mengoreksi kekeliruannya sendiri sampai sasaran akhir tercapai.

Istilah ini dipopulerkan secara luas oleh perintis AI Andrew Ng pada tahun 2024. Melalui pola alur kerja agen, model AI dengan parameter sedang dapat mengungguli model frontier yang hanya diberi instruksi tanpa sistem kerja berulang (zero-shot prompting).

Perbedaan Non-Agentic vs Agentic Workflow

1. Alur Kerja Non-Agentic (Konvensional):
   • Pengguna mengetik prompt: "Tulis draf esai lengkap mengenai transisi energi di Asia Tenggara."
   • Model menghasilkan seluruh artikel dari awal hingga akhir dalam satu kali inferensi tanpa jeda. Jika terdapat kekeliruan data di tengah kalimat, kesalahan tersebut akan terbawa sampai penutup.
2. Alur Kerja Agentic:
   • Model memecah instruksi menjadi beberapa fase kerja:
     1. Merancang garis besar bab artikel.
     2. Melakukan kueri pencarian web (web search) untuk mengumpulkan data statistik kapasitas pembangkit tenaga surya terbaru.
     3. Menulis draf bab pertama.
     4. Menjalankan peran sebagai pemeriksa fakta (reflection/critique) untuk memeriksa apakah ada angka yang bertentangan dengan dokumen acuan.
     5. Merevisi draf bab tersebut sebelum melangkah ke bab berikutnya.

4 Pola Desain Utama Alur Kerja Agen (Agentic Design Patterns)

Berdasarkan penelitian rekayasa AI modern, terdapat empat pola dasar yang membangun sistem alur kerja agen yang tangguh:

1. Refleksi Diri (Reflection): Model diminta mengkritik pekerjaannya sendiri. Sebuah instans model menulis draf kode pemrograman, lalu instans model lain mengevaluasi bug dan efisiensi memori kode tersebut sebelum diserahkan kepada pengguna.
2. Penggunaan Peralatan (Tool Use): Model mengenali keterbatasan ingatannya dan memanfaatkan antarmuka pemrograman luar (API), seperti kalkulator simbolik, terminal eksekusi Python, atau kueri basis data SQL untuk mengambil data nyata.
3. Perencanaan Berlapis (Planning): Model menyusun daftar subtugas terstruktur dan menetapkan urutan prioritas eksekusi secara mandiri. Apabila salah satu subtugas gagal dijalankan, sistem dapat menyesuaikan rencana secara dinamis.
4. Kolaborasi Multi-Agen (Multi-Agent Collaboration): Beberapa agen AI dengan instruksi sistem (system prompt) berbeda bekerja sama layaknya tim divisi perusahaan. Contohnya: satu agen bertindak sebagai Manajer Produk, agen kedua sebagai Insinyur Perangkat Lunak, dan agen ketiga sebagai Penguji Kualitas (QA Tester).

Contoh penerapan praktis

• Asisten Pengembang Perangkat Lunak Otonom: Agen yang menerima laporan tiket bug di GitHub, mencari berkas kode sumber yang bermasalah di repositori, mengedit baris kode, menjalankan pengujian otomatis (unit tests), dan otomatis mengajukan Pull Request yang telah teruji.
• Riset Pasar & Sintesis Laporan Bisnis: Agen mengumpulkan data tren industri dari lusinan situs resmi pemerintah, membersihkan data ke dalam tabel terstruktur, dan menyusun laporan eksekutif lengkap dengan grafik pendukung.

Batasan dan salah paham umum

• Bukan berarti model memiliki kesadaran: Alur kerja agen sepenuhnya digerakkan oleh logika loop terprogram (seperti while loop atau state machine) yang memandu pemanggilan API model AI.
• Konsumsi token dan biaya melonjak: Karena model melakukan penalaran berulang, panggilan alat, dan koreksi draf berputar, konsumsi input token dan output token dapat meningkat 5 hingga 10 kali lipat dibandingkan satu kali prompt biasa.
• Potensi terjebak loop tak berujung (Infinite Loops): Jika tidak dipasangi batas penghenti (hard stop / maximum iterations), agen yang gagal menyelesaikan kueri alat dapat terus mencoba tanpa henti dan menghabiskan saldo API.

Rujukan resmi

• Andrew Ng (DeepLearning.AI): Agentic Design Patterns Part 1-4: Reflection, Tool Use, Planning, and Multi-Agent Collaboration (Pengecekan: 5 Oktober 2026, rujukan resmi: deeplearning.ai/the-batch/how-agents-can-improve-llm-performance).
• Anthropic Engineering: Building Effective Agents: A Practical Guide to Agentic Architectures (Pengecekan: 5 Oktober 2026, rujukan resmi: anthropic.com/research/building-effective-agents).
• OpenAI Platform Guides: Practices for Building Reliable AI Agents with Function Calling (Pengecekan: 5 Oktober 2026, rujukan resmi: platform.openai.com/docs/guides/function-calling).