Ada satu hal yang pelan-pelan mulai kerasa setelah beberapa kali kerja bareng AI agent: masalahnya bukan lagi "AI ini pintar atau enggak?"

Kadang dia pintar. Kadang juga ngaco dengan percaya diri.

Tapi yang lebih menentukan justru bukan itu. Yang lebih menentukan adalah kebiasaan kita sendiri saat memberi instruksi, mengecek hasil, dan memutuskan kapan harus berhenti.

AI agent itu bukan karyawan magang yang tinggal dikasih tugas lalu dia belajar sendiri dari budaya tim. Dia lebih mirip mesin pengali. Apa yang kita masukkan, dia perbesar.

Kalau cara kerja kita rapi, dia bisa jadi leverage yang gila.

Kalau cara kerja kita berantakan, dia juga bisa memperbesar berantakannya. Bedanya, kali ini berantakannya bisa jalan lebih cepat.

Awalnya terasa seperti punya tenaga tambahan

Pakai AI agent untuk kerja teknis itu memang menggoda.

Kita bisa bilang:

Cek server ini kenapa Ghost-nya nggak kebuka.

Lalu dia masuk SSH, cek container, baca log, lihat network Docker, cek Cloudflare Tunnel, lalu mulai menyusun hipotesis. Buat pekerjaan yang biasanya harus bolak-balik terminal dan browser, ini terasa seperti punya asisten yang nggak capek.

Apalagi kalau task-nya repetitif: bikin draft artikel, cek API, generate file, baca dokumentasi, bikin checklist, atau ngerapihin catatan di Obsidian.

Di titik ini, mudah banget merasa: wah, kerjaan gue jadi 10x lebih cepat.

Dan mungkin benar. Sebagian kerjaan memang jadi jauh lebih cepat.

Tapi setelah efek kagumnya turun, mulai kelihatan sisi lain yang lebih penting: AI agent tidak otomatis membuat workflow kita lebih sehat. Dia cuma membuat workflow kita lebih kelihatan.

Kalau sebelumnya kita terbiasa lompat-lompat tanpa catatan, agent akan ikut lompat-lompat.

Kalau sebelumnya kita jarang mendefinisikan "selesai" itu seperti apa, agent juga akan menebak-nebak kapan harus berhenti.

Kalau sebelumnya kita sering asal percaya output tool tanpa verifikasi, agent bisa menghasilkan rasa aman palsu yang lebih meyakinkan.

Ini bagian yang jarang dibahas saat orang ngomongin AI agent.

Agent bagus tetap butuh pagar

Anthropic pernah menulis tentang "building effective agents" dan salah satu poin yang menarik adalah mereka membedakan workflow dan agent. Workflow lebih terarah: langkahnya jelas, jalurnya bisa diprediksi. Agent lebih mandiri: dia menentukan sendiri langkah berikutnya berdasarkan tujuan dan feedback dari environment.

Kedengarannya keren. Tapi justru karena agent bisa memilih langkah sendiri, kita perlu memberi pagar yang lebih jelas.

Bukan pagar supaya agent jadi bodoh.

Pagar supaya dia tidak terlalu kreatif di tempat yang salah.

Misalnya untuk kerja server, pagar itu bisa berupa:

  • jangan restart service sebelum tahu akar masalahnya;
  • jangan hapus volume Docker tanpa backup;
  • jangan expose database ke publik;
  • verifikasi hasil dengan curl, log, atau inspect, bukan cuma asumsi;
  • kalau menyimpan kredensial, jangan tampilkan lagi di output.

Ini bukan teori. Ini kebiasaan operasional.

AI agent yang bagus bisa menjalankan banyak hal, tapi dia tetap butuh definisi risiko dari kita. Dia tidak selalu tahu mana yang buat kita "boleh dicoba" dan mana yang "jangan sentuh kalau belum yakin".

Di sinilah bedanya pakai AI sebagai chatbot dan pakai AI sebagai operator kerja.

Chatbot salah jawab, kita tinggal koreksi.

Agent salah langkah di server, efeknya bisa nyata.

Instruksi yang malas akan menghasilkan kerja yang malas

Ada pola yang sering kejadian: kita memberi instruksi terlalu pendek karena merasa AI harusnya paham.

Benerin ini dong.
Coba deploy.
Cari masalahnya.

Instruksi seperti itu kadang cukup kalau risikonya kecil. Tapi untuk kerja yang punya banyak kemungkinan, instruksi terlalu longgar membuat agent harus mengisi terlalu banyak bagian kosong.

Dan bagian kosong itu biasanya diisi oleh asumsi.

Masalahnya, asumsi AI sering terlihat rapi. Dia bisa menjelaskan rencananya dengan bahasa yang meyakinkan. Dia bisa membuat daftar langkah yang terdengar masuk akal. Tapi kalau konteks awalnya kurang, rencana yang rapi tetap bisa salah arah.

Karena itu, semakin sering memakai AI agent, semakin gue merasa skill yang naik bukan cuma "prompting".

Yang naik adalah kemampuan menjelaskan pekerjaan.

Kita dipaksa untuk menjawab hal-hal yang dulu sering kita skip:

  • Tujuan akhirnya apa?
  • Batasan yang tidak boleh dilanggar apa?
  • Data atau file penting ada di mana?
  • Kalau berhasil, cara verifikasinya apa?
  • Kalau gagal, harus berhenti di titik mana?

Lucunya, ini bukan cuma membuat AI bekerja lebih baik. Ini juga membuat kita sendiri lebih jelas dalam bekerja.

AI agent memperbesar kebiasaan kecil

Ada kebiasaan kecil yang kelihatannya sepele, tapi efeknya besar saat bekerja dengan agent.

Misalnya membuat checklist sebelum mulai.

Tanpa checklist, agent bisa terlihat produktif karena banyak melakukan tool call. Tapi produktif belum tentu progres. Bisa saja dia berputar di masalah yang sama, mencoba solusi yang mirip, atau terlalu cepat masuk eksekusi tanpa cukup memahami konteks.

Checklist membuat kerja agent lebih bisa diawasi.

Bukan untuk micro-manage setiap langkah, tapi untuk menjaga arah.

Contoh sederhana:

  1. pahami kondisi awal;
  2. cari akar masalah;
  3. usulkan perubahan;
  4. eksekusi perubahan paling kecil yang aman;
  5. verifikasi;
  6. laporkan apa yang berubah.

Ini terdengar basic. Tapi justru yang basic seperti ini sering menyelamatkan kita dari kerja yang terlihat canggih tapi kacau.

Kebiasaan lain: selalu minta bukti.

Kalau agent bilang "sudah berhasil", tanya: berhasil menurut apa?

Ada HTTP 200?

Container statusnya Up?

File-nya benar-benar ada?

Post Ghost-nya status draft?

Endpoint-nya bisa diakses dari luar?

Bukti kecil seperti ini membuat kita tidak hidup di atas narasi. Karena AI sangat jago membuat narasi. Kadang terlalu jago.

Jangan kasih semua pekerjaan ke agent yang sama

Semakin sering memakai automation, makin kelihatan bahwa tidak semua pekerjaan pantas dikerjakan oleh agent paling pintar.

Untuk input transaksi harian, misalnya, Hermes mungkin overkill. Lebih masuk akal pakai n8n untuk workflow, Ollama lokal untuk parsing ringan, lalu simpan hasil ke Obsidian. Hermes baru masuk saat butuh desain arsitektur, audit, atau review bulanan.

Ini penting karena banyak orang melihat AI agent sebagai jawaban untuk semua hal.

Padahal kadang solusi terbaik adalah membagi kerja:

  • n8n untuk automation yang repetitif;
  • Ollama lokal untuk parsing yang ringan dan privat;
  • Obsidian untuk catatan yang manusia bisa baca;
  • Hermes untuk reasoning, debugging, dan orkestrasi yang butuh konteks lebih luas.

Dengan pembagian seperti ini, kita tidak memaksa satu agent menjadi palu untuk semua paku.

Dan yang lebih penting, sistemnya jadi lebih mudah diawasi. Kalau ada yang salah, kita tahu bagian mana yang perlu dicek.

Yang paling mahal bukan token, tapi trust yang salah tempat

Banyak diskusi AI berhenti di biaya token, model mana yang paling murah, atau mana yang paling cepat.

Itu penting. Tapi dalam kerja nyata, biaya yang lebih mahal sering muncul dari trust yang salah tempat.

Terlalu percaya output agent bisa membuat kita melewatkan review.

Terlalu percaya automation bisa membuat kita lupa memasang guardrail.

Terlalu percaya "berhasil" bisa membuat kita tidak memverifikasi.

Dan kalau sistem yang disentuh adalah server, database, workflow konten, atau catatan penting, kesalahan kecil bisa berubah jadi pekerjaan berjam-jam.

Makanya menurut gue, kedewasaan memakai AI agent bukan diukur dari seberapa banyak task yang bisa kita lempar ke dia.

Tapi dari seberapa baik kita tahu task mana yang boleh dilempar, task mana yang harus diawasi, dan task mana yang sebaiknya tetap kita pegang sendiri.

Pada akhirnya, AI agent mengikuti kualitas sistem kita

AI agent tidak otomatis membuat kita lebih rapi.

Dia memberi tekanan supaya kerapian itu jadi penting.

Kalau kita punya catatan project yang jelas, dia bisa bekerja dari konteks yang benar.

Kalau kita punya workflow yang terdokumentasi, dia bisa mengulang proses tanpa menebak dari nol.

Kalau kita punya kebiasaan verifikasi, dia tidak berhenti di klaim "sudah selesai".

Kalau kita punya batasan keamanan, dia tidak asal mengeksekusi perubahan yang berisiko.

Jadi mungkin pertanyaan yang lebih berguna bukan: "AI agent mana yang paling pintar?"

Pertanyaan yang lebih jujur adalah: "Kalau cara kerja gue diperbesar 10 kali lipat, hasilnya bakal makin rapi atau makin kacau?"

Karena itulah yang dilakukan AI agent.

Dia memperbesar kita.

Bukan cuma skill kita. Tapi juga kebiasaan kita, blind spot kita, dan cara kita mengambil keputusan saat sedang terburu-buru.

Dan kalau kita bisa menerima itu, AI agent jadi jauh lebih menarik. Bukan sebagai sulap yang mengerjakan semuanya, tapi sebagai cermin kerja yang lumayan brutal.

Kadang membantu.

Kadang menegur.

Tapi kalau dipakai dengan benar, dia bisa membuat kita bukan cuma lebih cepat bekerja, tapi juga lebih sadar dengan cara kita bekerja.

Referensi

Tags:
#AI#Productivity#Developer Tools