Tantangan dan Pengalaman dalam Menggunakan Agen AI: Apa yang Perlu Anda Ketahui

Sergey Kozlov, direktur pengembang sistem CRM "Megaplan" dan basis pengetahuan dengan asisten AI Collabis, bersama dengan Igor Sukhoverkhov, kepala pengembangan Collabis, berbagi pengalaman mereka dalam mengimplementasikan agen AI. Mereka mencatat bahwa kualitas kerja agen sangat bergantung pada seberapa baik basis pengetahuan (Knowledge Base) terstruktur: jika berantakan, respons AI akan tidak akurat. Konteks juga penting—hanya menulis "buat keren" tidak cukup; Anda perlu melibatkan agen secara mendalam dalam konteks tugas. Pendekatan modern untuk bekerja dengan AI adalah loop engineering, di mana faktor kuncinya adalah bagaimana agen melakukan tugas dan menggunakan alat. Para penulis memperingatkan bahwa jika AI melenceng ke arah yang salah, ia akan membuang waktu dan token. Mereka memberi contoh: dalam tugas penguji, alih-alih menunjukkan tombol yang rusak, agen justru mendalami kode dan mencoba memperbaikinya. Sebagian besar model menangani tugas sederhana dan terdefinisi dengan baik, tetapi tugas multi-langkah yang kompleks memerlukan model yang lebih mahal—mereka bisa lupa akan awal, seperti manusia. Pengendalian manual wajib dilakukan: agen saat ini bagaikan junior, yang pekerjaannya harus diperiksa oleh senior. Risiko pemblokiran akses ke model asing juga disebutkan, sehingga disarankan untuk menyimpan data di Basis Pengetahuan pribadi. Perusahaan "Megaplan" telah mengembangkan server MCP (Model Context Protocol) untuk transfer data, dan juga ada proyek Pet (Personal Experimental Technology) berbasis GPT 5.6 yang berjalan secara lokal.