Multi-agent system (MAS) adalah sebuah istilah yang merujuk pada sistem dengan beberapa AI Agent yang bekerja sama untuk menyelesaikan tugas, baik dari pengguna ataupun sistem lain.

Dalam menjalankan tugas tertentu, seseorang bisa saja memerlukan beberapa tahapan sebelum mencapai resolusi. Pada AI sebelumnya, multi-step ini memiliki keterbatasan sebab sistem belum mampu merancang bagaimana AI mengambil inisiasi dalam melakukan tindakan.

Pada Agentic AI, multi-agent memiliki kemampuan untuk secara otonom menyelesaikan tugas berdasarkan sistem atau workflow yang sudah ditentukan dan menggunakan tool yang disediakan.

Di sinilah konsep multi-agent system menjadi relevan. Alih-alih mengandalkan satu AI agent untuk menangani seluruh pekerjaan, perusahaan dapat membangun sistem yang melibatkan beberapa AI agent dengan tanggung jawab berbeda. Setiap agent menangani bagian pekerjaan yang sesuai dengan kemampuannya, kemudian berkoordinasi untuk mencapai hasil yang dibutuhkan.

Pendekatan ini menjadi salah satu hal yang menarik untuk dipahami ketika bisnis mulai mengeksplorasi agentic AI. Sebab, tantangannya bukan lagi sekadar membuat AI mampu menjawab pertanyaan, tetapi juga menghubungkan berbagai tugas, informasi, dan tindakan dalam satu workflow.

Lalu, apa sebenarnya multi-agent system, bagaimana arsitekturnya, dan kapan bisnis membutuhkannya?

Apa Itu Multi-Agent System?

Multi-agent system adalah sistem yang terdiri dari beberapa agent yang berinteraksi dan berkoordinasi untuk menyelesaikan tugas atau mencapai tujuan tertentu. Setiap agent dapat memiliki tanggung jawab, kemampuan, akses informasi, dan cara kerja yang berbeda sesuai dengan perannya di dalam sistem.

Dalam konteks AI modern, multi-agent system memungkinkan beberapa AI agent bekerja sama untuk menangani proses yang mungkin terlalu kompleks, terlalu luas, atau lebih efisien jika dibagi menjadi beberapa tugas khusus.

Sebagai contoh, perusahaan dapat menggunakan satu agent untuk mengumpulkan informasi, agent lain untuk menganalisis data, dan agent berikutnya untuk menjalankan tindakan melalui sistem bisnis. Hasil dari satu agent dapat menjadi input bagi agent lainnya sehingga keseluruhan proses tetap terhubung.

Konsep multi-agent system sendiri bukan hal yang sepenuhnya baru. Dalam ilmu komputer, istilah ini telah digunakan untuk menggambarkan sistem yang terdiri dari beberapa entitas otonom yang saling berinteraksi. Perkembangan large language model (LLM) kemudian membuka pendekatan baru untuk membangun AI agent yang mampu memahami instruksi, menggunakan tools, dan berkoordinasi dalam menyelesaikan pekerjaan.

Perlu dipahami bahwa memiliki beberapa chatbot atau beberapa model AI belum tentu berarti sebuah perusahaan telah menerapkan multi-agent system. Hal yang membedakannya adalah bagaimana agent-agent tersebut berinteraksi, membagi pekerjaan, bertukar hasil, dan berkontribusi pada tujuan yang sama.

Untuk memahami konsep dasarnya, pelajari artikel Agentic AI: Pengertian, Cara Kerja, dan Use Cases yang membahas bagaimana AI agent dapat bergerak dari sekadar menghasilkan respons menuju pelaksanaan tugas.

Bagaimana Cara Kerja Multi-Agent AI?

Multi-agent AI tidak selalu mengikuti satu alur yang sama. Ada sistem yang menjalankan agent secara berurutan, ada yang menjalankan beberapa tugas sekaligus, dan ada pula yang memungkinkan agent meneruskan pekerjaan kepada agent lain berdasarkan kondisi tertentu. Namun, secara umum, prosesnya dapat dipahami melalui lima tahap berikut.

1. Sistem menerima dan memahami tujuan

Proses dimulai ketika pengguna mengajukan permintaan atau ketika suatu peristiwa memicu workflow. Permintaan tersebut kemudian dianalisis untuk menentukan hasil yang dibutuhkan.

Misalnya, pelanggan sebuah perusahaan travel mengirim pesan, “Penerbangan saya dibatalkan. Apakah saya bisa berangkat menggunakan penerbangan lain hari ini?”

Sistem perlu memahami bahwa pelanggan tidak sekadar meminta informasi tentang pembatalan. Ia juga membutuhkan alternatif perjalanan yang sesuai dengan kondisi pemesanannya.

2. Tugas dibagi kepada agent yang sesuai

Setelah memahami tujuan, sistem menentukan tugas apa saja yang perlu dilakukan. Pada arsitektur yang menggunakan orchestrator, komponen ini membantu membagi pekerjaan dan mengarahkan tugas kepada agent yang tepat.

Dalam contoh perusahaan travel, pekerjaan dapat dibagi menjadi pemeriksaan data pemesanan, pemeriksaan kebijakan perubahan jadwal, dan pencarian penerbangan alternatif.

Pembagian ini memungkinkan setiap agent berfokus pada tanggung jawab tertentu, tanpa harus menangani seluruh proses sekaligus.

3. Agent menjalankan tugas dan bertukar informasi

Setiap agent kemudian mengerjakan tugasnya menggunakan informasi, tools, atau integrasi sistem yang tersedia. Agent pemeriksa pemesanan, misalnya, mengambil informasi jadwal penerbangan pelanggan. Agent kebijakan memeriksa ketentuan perubahan jadwal akibat pembatalan. Sementara itu, agent pencarian penerbangan mengidentifikasi alternatif yang tersedia.

Hasil setiap tugas perlu diteruskan ke bagian workflow yang membutuhkannya. Jika informasi penerbangan pelanggan belum tersedia, pencarian alternatif mungkin harus menunggu sampai data tersebut berhasil diperoleh.

4. Sistem mengoordinasikan dan memvalidasi hasil

Informasi yang dikumpulkan oleh tiap agent kemudian digunakan untuk menentukan langkah berikutnya. Sistem dapat menggabungkan hasil, meminta agent melengkapi informasi, atau mengulang suatu tugas jika hasilnya belum memenuhi persyaratan.

Sebagai contoh, penerbangan alternatif yang tersedia belum tentu sesuai dengan kebijakan perubahan jadwal pelanggan. Karena itu, sistem perlu memastikan bahwa opsi yang ditawarkan memenuhi ketentuan yang berlaku.

Pada tahap ini, koordinasi menjadi penting. Tanpa mekanisme yang jelas, agent dapat menghasilkan rekomendasi yang saling bertentangan atau menggunakan informasi yang tidak lengkap.

5. Sistem memberikan hasil atau menjalankan tindakan

Setelah seluruh informasi yang diperlukan tersedia, sistem dapat menyampaikan pilihan kepada pelanggan atau menjalankan tindakan yang diizinkan.

Jika perubahan jadwal membutuhkan persetujuan pelanggan, sistem harus menunggu konfirmasi tersebut. Jika tindakan tertentu memerlukan otorisasi petugas, workflow harus berhenti pada titik tersebut sampai persetujuan diperoleh.

Artinya, tujuan multi-agent system bukan sekadar membuat banyak agent bekerja, melainkan memastikan setiap bagian pekerjaan berkontribusi pada penyelesaian tugas secara terkoordinasi.

Apa Saja Komponen dalam Arsitektur Multi-Agent System?

Arsitektur multi-agent system dapat berbeda sesuai dengan kebutuhan dan kompleksitas workflow. Meski begitu, ada beberapa komponen yang umum ditemukan.

Orchestrator atau coordinator

Orchestrator bertugas mengatur bagaimana pekerjaan dibagi dan dijalankan. Komponen ini dapat menentukan agent yang perlu dipanggil, mengelola urutan tugas, dan mengoordinasikan hasil yang dikembalikan oleh agent lain.

Dalam workflow layanan pelanggan, orchestrator dapat menentukan bahwa pemeriksaan data pemesanan harus dilakukan sebelum sistem menawarkan perubahan jadwal.

Tidak semua multi-agent system harus menggunakan orchestrator terpusat. Sebagian arsitektur memungkinkan agent berkoordinasi dengan pola yang lebih terdistribusi.

Specialized AI agents

Specialized AI agents merupakan agent yang menjalankan tugas tertentu sesuai dengan peran dan kemampuan yang dimilikinya. Misalnya, agent yang berfokus pada pengambilan informasi pelanggan tidak harus memiliki kewenangan yang sama dengan agent yang dapat mengubah data pemesanan. Pemisahan tanggung jawab seperti ini membantu membuat alur kerja lebih terstruktur.

Namun, spesialisasi tidak selalu berarti setiap agent harus menggunakan model AI yang berbeda. Beberapa agent dapat menggunakan model yang sama dengan instruksi, tools, konteks, dan hak akses yang berbeda.

Communication dan shared context

Agent memerlukan mekanisme untuk bertukar informasi agar hasil dari satu tugas dapat digunakan oleh tugas lainnya. Informasi yang dibagikan dapat berupa hasil pencarian, status pekerjaan, data yang relevan, atau alasan suatu tindakan tidak dapat dilanjutkan.

Sistem juga perlu mengelola konteks dengan tepat. Tidak semua agent harus menerima seluruh informasi dari workflow, terutama ketika data tertentu tidak relevan dengan tugasnya atau memiliki batasan akses.

Tools dan integrasi sistem bisnis

AI agent membutuhkan akses ke tools atau sistem eksternal apabila pekerjaannya melibatkan informasi dan tindakan di luar model AI itu sendiri. Contohnya meliputi akses ke CRM, database pemesanan, knowledge base, sistem tiket, API, dan aplikasi operasional lainnya.

Integrasi tersebut memungkinkan agent mengambil data aktual atau menjalankan tindakan yang diizinkan. Tanpa integrasi yang sesuai, agent mungkin hanya dapat memberikan rekomendasi berdasarkan informasi yang tersedia dalam konteksnya.

Memory dan state management

Memory dan state management membantu sistem mempertahankan informasi yang relevan serta melacak perkembangan tugas. Dalam proses pemesanan, misalnya, sistem perlu mengetahui pelanggan mana yang sedang dilayani, penerbangan apa yang sedang diperiksa, dan apakah konfirmasi perubahan jadwal sudah diterima.

Memory tidak selalu berarti seluruh percakapan disimpan secara permanen. Desainnya bergantung pada kebutuhan workflow, relevansi informasi, dan kebijakan pengelolaan data.

Governance, monitoring, dan validation

Ketika beberapa agent dapat menggunakan tools dan menjalankan tindakan, sistem membutuhkan batasan yang jelas. Governance menentukan apa yang boleh dilakukan oleh masing-masing agent. Monitoring membantu melacak proses dan mendeteksi kegagalan, sedangkan validation memeriksa apakah hasil memenuhi persyaratan yang telah ditentukan.

Untuk tindakan yang memiliki dampak signifikan, sistem juga dapat menerapkan mekanisme persetujuan manusia. Pemisahan hak akses, validasi, dan pengawasan ini penting karena menambahkan agent tidak otomatis membuat sistem lebih akurat atau lebih aman.

Apa Saja Jenis Arsitektur Multi-Agent System?

Ada beberapa pola arsitektur yang dapat digunakan untuk mengatur koordinasi antartugas. Pemilihannya bergantung pada tingkat kompleksitas, hubungan antarpekerjaan, dan seberapa besar fleksibilitas yang dibutuhkan.

Centralized architecture

Dalam centralized architecture, satu orchestrator menjadi pusat koordinasi. Orchestrator menentukan agent yang perlu menjalankan tugas dan mengelola hasilnya. Pola ini cocok ketika workflow memiliki urutan yang relatif jelas dan bisnis membutuhkan kontrol terpusat terhadap proses.

Sebagai contoh, orchestrator dapat memanggil agent pemeriksa data pelanggan, kemudian agent analisis kebijakan, lalu agent yang menyiapkan rekomendasi. Kelebihannya adalah alur kerja lebih mudah dipantau. Namun, orchestrator harus dirancang dengan baik agar tidak menjadi hambatan ketika banyak tugas perlu diproses.

Hierarchical architecture

Dalam hierarchical architecture, pembagian tugas dilakukan melalui beberapa tingkat koordinasi. Agent pada tingkat atas dapat menerima tujuan utama dan mendelegasikan bagian pekerjaan kepada koordinator atau agent di bawahnya. Masing-masing kemudian mengatur tugas yang menjadi tanggung jawabnya.

Pendekatan ini dapat berguna untuk workflow perusahaan yang besar, dengan beberapa proses bisnis yang masing-masing membutuhkan koordinasi tersendiri. Konsekuensinya, semakin banyak tingkat koordinasi, tanggung jawab dan jalur komunikasi perlu dipastikan agar tidak tumpang tindih.

Decentralized architecture

Dalam decentralized architecture, koordinasi tidak sepenuhnya bergantung pada satu pengendali pusat. Agent dapat berinteraksi secara lebih langsung berdasarkan aturan dan protokol yang ditentukan.

Pendekatan ini dapat memberikan fleksibilitas untuk sistem dengan agent yang memiliki tanggung jawab dan hubungan kerja yang beragam. Namun, pengelolaan dependensi, konsistensi informasi, dan penelusuran kesalahan bisa menjadi lebih menantang apabila interaksi antagent tidak dibatasi dengan jelas.

Sequential dan parallel architecture

Sequential dan parallel menjelaskan pola eksekusi tugas, bukan selalu jenis arsitektur yang berdiri sendiri. Dalam pola sequential, agent bekerja secara berurutan. Output agent pertama menjadi input bagi agent berikutnya. Pola ini sesuai ketika suatu tugas bergantung pada hasil dari tugas sebelumnya.

Sebaliknya, dalam pola parallel, beberapa agent dapat bekerja secara bersamaan untuk tugas yang tidak saling bergantung. Hasilnya kemudian digabungkan ketika dibutuhkan.

Sebagai contoh, saat menangani pembatalan penerbangan, sistem dapat memeriksa ketentuan refund dan mencari informasi penerbangan alternatif secara paralel, selama kedua tugas memiliki informasi awal yang cukup.

Pola parallel dapat menghemat waktu, tetapi hanya ketika tugas benar-benar bisa dijalankan secara independen. Jika terdapat ketergantungan data, sistem tetap perlu mengatur urutan eksekusinya.

Apa Saja Peran Agent dalam Multi-Agent System?

Peran agent ditentukan oleh pekerjaan yang perlu diselesaikan, bukan oleh jumlah agent yang digunakan. Dalam satu implementasi, sebuah agent dapat menjalankan beberapa fungsi, sementara implementasi lain memisahkannya menjadi beberapa agent berbeda.

Berikut beberapa contoh peran yang umum digunakan.

Planner agent membantu memecah tujuan menjadi tugas yang lebih kecil dan menentukan langkah yang diperlukan untuk mencapainya.

Research agent mengumpulkan informasi dari sumber yang tersedia, seperti knowledge base, database, dokumen internal, atau sistem eksternal yang diizinkan.

Analysis agent memproses informasi untuk menemukan pola, mengevaluasi pilihan, atau menghasilkan rekomendasi berdasarkan kriteria tertentu.

Execution agent menggunakan tools atau API untuk menjalankan tindakan, seperti membuat tiket, memperbarui catatan, atau mengirimkan permintaan ke sistem lain sesuai kewenangannya.

Validation agent memeriksa apakah hasil atau tindakan memenuhi persyaratan yang telah ditetapkan.

Monitoring agent memantau jalannya workflow, mendeteksi kondisi yang tidak normal, dan membantu mengarahkan masalah untuk ditangani.

Peran-peran tersebut bukan standar yang wajib ada dalam setiap sistem. Bisnis perlu menentukan pembagian yang sesuai dengan kebutuhan nyata, karena menambahkan agent tanpa alasan yang jelas justru dapat meningkatkan kompleksitas.

Contoh Penerapan Multi-Agent System dalam Bisnis

Untuk memahami manfaat multi-agent system, akan lebih mudah jika kita melihat bagaimana teknologi ini digunakan dalam situasi operasional sehari-hari. Kuncinya bukan pada berapa banyak agent yang digunakan, melainkan bagaimana mereka bekerja sama untuk menyelesaikan masalah.

1. Customer service: menangani pembatalan penerbangan

Bayangkan sebuah perusahaan travel atau online travel agent (OTA) harus menangani lonjakan permintaan pelanggan setelah bencana alam menyebabkan sejumlah penerbangan dibatalkan.

Dalam situasi seperti ini, tim customer service perlu menjawab pertanyaan pelanggan sekaligus memeriksa informasi pemesanan, memahami kebijakan maskapai, dan membantu mencari solusi. Multi-agent system dapat dirancang untuk mengoordinasikan beberapa pekerjaan tersebut.

Dalam workflow tersebut, setiap agent memiliki tanggung jawab yang berbeda, tetapi hasil pekerjaannya saling berkaitan.

Booking Agent menyediakan data pemesanan yang dibutuhkan. Policy Agent memeriksa opsi yang diperbolehkan. Availability Agent mencari alternatif berdasarkan informasi yang relevan. Communication Agent kemudian membantu menyampaikan pilihan yang sesuai kepada pelanggan.

Namun, menemukan penerbangan alternatif tidak berarti sistem otomatis boleh mengubah pemesanan. Jika perubahan membutuhkan persetujuan pelanggan atau otorisasi petugas, workflow harus menunggu persetujuan tersebut sebelum melanjutkan.

Pendekatan ini dapat membantu perusahaan mengurangi pekerjaan manual yang berulang dan mempercepat koordinasi antartugas. Meski demikian, hasil akhirnya tetap bergantung pada kualitas data, integrasi sistem, dan ketepatan aturan yang digunakan.

2. IT Operations: menangani gangguan sistem

Tim IT Operations sering menghadapi masalah yang membutuhkan beberapa langkah pemeriksaan sebelum solusi dapat dijalankan. Ketika aplikasi mengalami gangguan, misalnya, tim perlu mengetahui apa yang terjadi, memahami dampaknya, dan menentukan tindakan pemulihan yang sesuai.

Multi-agent system dapat mengatasi permasalahan tersebut dengan solusi terstruktur. Misalnya, Monitoring Agent untuk mendeteksi gangguan dan mengumpulkan informasi awal. Diagnostic Agent kemudian memeriksa log serta metrik sistem untuk mengidentifikasi kemungkinan penyebab. Berdasarkan hasil analisis tersebut, Remediation Agent menyiapkan rekomendasi tindakan, seperti menjalankan ulang komponen layanan yang terdampak.

Sebelum tindakan dilakukan, sistem dapat memeriksa apakah tindakan tersebut diizinkan dan apakah diperlukan persetujuan dari petugas IT. Setelah tindakan dijalankan, Validation Agent memeriksa apakah layanan kembali berfungsi dengan baik.

Jika gangguan masih terjadi, workflow dapat mengumpulkan informasi tambahan atau mengeskalasi kasus kepada tim yang bertanggung jawab.

Dalam contoh ini, nilai multi-agent system terletak pada koordinasi antara deteksi, diagnosis, tindakan, dan validasi. Sistem tidak sekadar menghasilkan saran teknis, tetapi membantu menghubungkan setiap langkah menjadi proses penanganan insiden yang lebih terstruktur.

3. Sales: mengelola prospek dari awal hingga tindak lanjut

Proses penjualan juga melibatkan pekerjaan yang saling berkaitan. Ketika perusahaan menerima prospek baru, tim sales mungkin perlu memeriksa profil perusahaan, menilai kesesuaian kebutuhan, memperbarui CRM, dan menyiapkan tindak lanjut.

Research Agent dapat mengumpulkan informasi perusahaan dari sumber yang diizinkan. Qualification Agent menilai prospek berdasarkan kriteria yang telah ditentukan, seperti industri, kebutuhan bisnis, atau kesesuaian dengan produk. CRM Agent memeriksa apakah prospek sudah terdaftar dan menyiapkan pembaruan data yang diperlukan.

Selanjutnya, Communication Agent dapat menyusun pesan tindak lanjut yang relevan berdasarkan informasi tersebut. Workflow kemudian meneruskan prospek kepada tim sales yang sesuai.

Pembagian ini membantu menghubungkan aktivitas yang biasanya dilakukan melalui beberapa aplikasi atau oleh beberapa anggota tim. Namun, kriteria kualifikasi harus jelas dan informasi yang digunakan tetap perlu diverifikasi. Jika ada keputusan penting yang tidak dapat ditentukan secara otomatis, sistem harus menyediakan jalur eskalasi.

Ketiga contoh di atas menunjukkan bahwa multi-agent system dapat diterapkan di berbagai fungsi bisnis. Syaratnya bukan sekadar memiliki banyak pekerjaan, melainkan terdapat kebutuhan nyata untuk mengoordinasikan kemampuan, informasi, atau proses yang berbeda.

Apa Perbedaan Multi-Agent System dan Single-Agent AI?

Salah satu pertanyaan penting sebelum menerapkan multi-agent AI adalah apakah bisnis benar-benar membutuhkan beberapa agent atau satu agent sudah cukup.

Single-agent AI menggunakan satu agent untuk memahami tujuan, memilih tools, dan menjalankan tugas sesuai kemampuan serta batasan yang diberikan. Agent tersebut tetap dapat melakukan pekerjaan kompleks dan menggunakan berbagai integrasi tanpa harus membaginya kepada agent lain.

Multi-agent system melibatkan beberapa agent yang bekerja sama. Pembagian ini dapat berguna ketika suatu workflow membutuhkan spesialisasi, koordinasi antartugas, atau eksekusi paralel.

Aspek	Single-agent AI	Multi-agent system
Struktur	Satu agent mengelola tugas	Beberapa agent berbagi tanggung jawab
Pembagian tugas	Dikelola oleh satu agent	Dapat didelegasikan ke agent khusus
Koordinasi	Relatif sederhana	Membutuhkan koordinasi antagent
Eksekusi paralel	Bergantung pada kemampuan sistem dan tools	Dapat menjalankan beberapa tugas independen secara bersamaan
Kompleksitas pengelolaan	Umumnya lebih rendah	Umumnya lebih tinggi
Biaya dan latensi	Bisa lebih rendah untuk tugas sederhana	Dapat meningkat akibat komunikasi dan eksekusi tambahan
Pengujian	Berfokus pada perilaku agent dan tools	Perlu menguji agent individual sekaligus interaksinya
Cocok untuk	Tugas yang terdefinisi dengan baik	Workflow yang membutuhkan koordinasi beberapa kemampuan

Sebagai contoh, jika pelanggan hanya menanyakan jam operasional perusahaan dan AI dapat menjawab berdasarkan knowledge base, satu agent mungkin sudah cukup.

Namun, jika pelanggan meminta perubahan jadwal penerbangan yang dibatalkan, sistem mungkin perlu memeriksa pemesanan, membaca kebijakan, mencari alternatif, dan memastikan perubahan sesuai ketentuan. Dalam kondisi seperti ini, pemisahan tugas menjadi beberapa agent dapat memberikan manfaat apabila koordinasinya dirancang dengan tepat.

Meskipun demikian, multi-agent system bukan selalu pilihan terbaik. Jika satu agent dapat menyelesaikan pekerjaan secara akurat, aman, dan efisien, menambahkan agent lain justru dapat meningkatkan biaya dan memperpanjang proses.

Karena itu, keputusan sebaiknya didasarkan pada kebutuhan workflow, bukan asumsi bahwa semakin banyak agent berarti semakin canggih sistemnya.

Apa Manfaat Multi-Agent AI bagi Bisnis?

Ketika diterapkan pada proses yang tepat, multi-agent AI dapat membantu perusahaan mengelola workflow yang melibatkan berbagai jenis pekerjaan dan sistem.

Pembagian tugas yang lebih terarah. Agent dapat difokuskan pada tanggung jawab tertentu sehingga setiap bagian workflow memiliki tujuan dan batasan yang jelas. Hal ini dapat mempermudah pengembangan serta pengujian sistem.

Koordinasi pekerjaan yang lebih efisien. Ketika beberapa tugas dapat dilakukan secara independen, sistem dapat menjalankannya secara paralel. Perusahaan tidak harus selalu menunggu satu rangkaian pekerjaan selesai sebelum memulai tugas lain yang tidak memiliki ketergantungan.

Integrasi proses lintas sistem. Workflow bisnis sering melibatkan CRM, database, aplikasi operasional, dan knowledge base. Dengan integrasi yang sesuai, agent dapat membantu menghubungkan informasi dan tindakan di berbagai sistem tersebut.

Validasi yang lebih terstruktur. Sistem dapat memisahkan proses pelaksanaan tugas dari pemeriksaan hasilnya. Misalnya, satu agent menyiapkan rekomendasi, sementara komponen lain memeriksa kesesuaiannya dengan aturan bisnis.

Fleksibilitas pengembangan. Jika tanggung jawab agent telah dipisahkan dengan baik, perusahaan dapat memperbarui satu bagian workflow tanpa harus mengubah seluruh sistem. Namun, perubahan tetap perlu diuji untuk memastikan tidak mengganggu interaksi dengan agent lainnya.

Manfaat tersebut bukan hasil yang otomatis diperoleh hanya dengan menambahkan beberapa agent. Perusahaan tetap perlu mengukur apakah pendekatan tersebut benar-benar memperbaiki waktu penyelesaian, kualitas hasil, biaya operasional, atau pengalaman pelanggan.

Apa Tantangan dalam Implementasi Multi-Agent System?

Walaupun menawarkan fleksibilitas, multi-agent system juga memiliki tantangan yang perlu dipertimbangkan sejak tahap perancangan.

Koordinasi yang lebih kompleks

Semakin banyak agent yang terlibat, semakin penting memastikan setiap agent memahami tanggung jawab dan informasi yang dibutuhkannya.

Jika dua agent menjalankan pekerjaan yang sama tanpa alasan yang jelas, sistem dapat membuang sumber daya. Jika tidak ada agent yang bertanggung jawab atas suatu tugas, workflow dapat terhenti. Karena itu, pembagian peran, aturan komunikasi, dan mekanisme eskalasi perlu ditentukan sejak awal.

Biaya dan latensi

Setiap pemanggilan agent dapat membutuhkan waktu pemrosesan dan penggunaan sumber daya tambahan. Pertukaran informasi, pengulangan tugas, dan validasi berlapis juga dapat meningkatkan biaya serta latensi.

Perusahaan perlu mengevaluasi apakah manfaat spesialisasi atau eksekusi paralel cukup besar untuk mengimbangi overhead tersebut.

Kesalahan yang menyebar antartugas

Agent dapat menghasilkan informasi yang tidak lengkap atau keliru. Jika agent berikutnya langsung menggunakan informasi tersebut tanpa validasi, kesalahan dapat memengaruhi seluruh workflow.

Untuk mengurangi risiko ini, sistem dapat menerapkan pemeriksaan terhadap sumber data, validasi hasil, batasan jumlah pengulangan, dan pencatatan proses agar kesalahan lebih mudah ditelusuri.

Keamanan dan batasan kewenangan

Agent yang terhubung dengan sistem bisnis mungkin memiliki akses ke data pelanggan atau kemampuan menjalankan tindakan operasional. Karena itu, setiap agent sebaiknya hanya memiliki akses yang diperlukan untuk menjalankan tugasnya.

Sebagai contoh, agent yang bertugas mencari informasi pemesanan belum tentu perlu memiliki kewenangan untuk mengubah atau membatalkan transaksi.

Tindakan yang memiliki dampak signifikan juga dapat memerlukan persetujuan manusia. Tujuannya bukan memperlambat seluruh proses, melainkan memastikan keputusan yang berisiko ditangani dengan tingkat kontrol yang sesuai.

Monitoring dan evaluasi

Pengujian multi-agent system tidak cukup dilakukan dengan memastikan setiap agent dapat menyelesaikan tugas individualnya. Perusahaan juga perlu memeriksa apakah seluruh agent dapat bekerja sama secara konsisten.

Evaluasi dapat mencakup keberhasilan menyelesaikan workflow, ketepatan hasil, jumlah pengulangan, waktu penyelesaian, biaya, serta frekuensi eskalasi kepada manusia.

Dengan pengukuran tersebut, perusahaan dapat menentukan apakah arsitektur multi-agent benar-benar memberikan hasil yang lebih baik dibandingkan pendekatan sebelumnya.

Kapan Bisnis Perlu Menggunakan Multi-Agent System?

Tidak semua proses bisnis membutuhkan multi-agent AI. Sebelum membangun sistem dengan beberapa agent, perusahaan sebaiknya memahami terlebih dahulu kompleksitas dan kebutuhan workflow yang ingin diperbaiki.

Multi-agent system layak dipertimbangkan ketika suatu proses memiliki beberapa tugas dengan tanggung jawab berbeda, membutuhkan koordinasi antarsistem, atau memungkinkan sebagian pekerjaan dilakukan secara paralel. Pendekatan ini juga dapat bermanfaat ketika pemisahan peran membantu memperjelas kontrol dan proses validasi.

Sebaliknya, jika tugas dapat diselesaikan oleh satu agent dengan konteks dan tools yang tersedia, arsitektur single-agent mungkin lebih sederhana untuk diterapkan dan dipelihara. Untuk memulai evaluasi, perusahaan dapat mengajukan beberapa pertanyaan:

• Apakah proses ini melibatkan beberapa tugas dengan kebutuhan informasi atau kemampuan yang berbeda?
• Apakah terdapat tugas yang dapat berjalan secara paralel?
• Apakah agent perlu bertukar hasil atau menunggu informasi dari agent lain?
• Apakah setiap agent dapat diberikan tanggung jawab dan hak akses yang jelas?
• Apakah manfaat yang diharapkan dapat diukur dibandingkan biaya dan kompleksitas tambahan?

Jika jawabannya menunjukkan kebutuhan koordinasi yang nyata, perusahaan dapat menguji multi-agent system pada satu workflow terlebih dahulu sebelum memperluas penerapannya.

Implementasi Multi-agent System dengan Forge Agentic AI?

Implementasi yang baik dimulai dari masalah bisnis, bukan dari jumlah agent atau teknologi yang ingin digunakan. Misalnya, langkah awal yang dapat dilakukan adalah dengan menentukan proses yang ingin diperbaiki. Pilih workflow dengan hambatan yang dapat diidentifikasi, misalnya waktu penyelesaian yang terlalu lama, pekerjaan berulang, atau keterlambatan akibat koordinasi antartim.

Dengan alur yang jelas, pemanfaatan agentic AI dengan program multi-agent system akan berjalan optimal sesuai dengan tujuan yang ingin dicapai. Hal ini karena agentic AI akan berupaya untuk meraih goals sesuai objektif yang disampaikan dengan tools dan integrasi yang tersedia.

Melalui Forge Agentic AI dari 3Dolphins.ai, kebutuhan bisnis menyangkut multi-agent system dapat difasilitasi dengan AI Platform yang dirancang dengan kemampuan untuk mengkoordinasi lebih dari satu agent untuk menyelesaikan pekerjaan. Dengan kemampuan Governance, dalam hal ini untuk “melimitasi” sistem otomatis AI, bisnis tidak perlu khawatir akan keamanan cara kerja agentic AI ini.

3Dolphins merancang Agentic AI untuk membantu bisnis menyelesaikan setiap permasalahan bisnis dengan cara yang lebih efisien, sesuai dengan kebutuhan spesifik yang perlu diatasi. Penasaran bagaimana Forge Agentic AI mengotomatisasi kebutuhan bisnis Anda? Hubungi 3Dolphins.ai segera untuk jadwalkan konsultasi gratis!

FAQ Seputar Multi-Agent System