- Andrew Ng, dengan berfokus pada konsep agen AI dan sistem agentic, mengusulkan agar kita memusatkan perhatian pada spektrum otonomi alih-alih perdebatan definisi agen
- Peluang bisnis nyata saat ini lebih banyak berada pada workflow yang sederhana, linear, atau hanya memiliki percabangan kecil, dibanding agen sepenuhnya otonom yang kompleks
- Keterampilan praktis yang dibutuhkan untuk merancang dan mengoperasikan sistem agentic (dekomposisi tugas, sistem evaluasi, koneksi data, dll.) masih langka, dan kemampuan memanfaatkan beragam alat sangat penting
- Evaluasi (evals), voice stack, AI code assistant disebut sebagai alat inti yang belum cukup mendapat perhatian
- Faktor kunci keberhasilan startup adalah kecepatan eksekusi dan pemahaman teknis yang mendalam, dan dengan berkembangnya alat AI, lebih banyak non-developer yang memiliki kemampuan coding dasar juga akan membantu meningkatkan produktivitas
Introduction
- Diperkenalkan latar belakang kontribusi Andrew Ng pada berbagai proyek dan komunitas AI/agen seperti LangChain
- Alih-alih terjebak dalam perdebatan definisi agen, ia menekankan bahwa sistem agentic dapat memiliki tingkat otonomi yang beragam
- Daripada memperdebatkan apakah sesuatu adalah "agen sungguhan", ia menyarankan pendekatan praktis dengan melihat besar-kecilnya otonomi sebagai sebuah spektrum
Opportunities: Peluang bisnis nyata
- Dalam praktiknya, banyak workflow bisnis terdiri dari alur linear atau hanya mencakup sedikit percabangan
- Contoh: pengisian formulir web, pencarian database, pencarian sederhana, dan otomatisasi tugas berulang
- Dekomposisi tugas dan fine-tuning (memecahnya menjadi micro-task), perancangan metrik evaluasi, dan perbaikan workflow adalah kemampuan praktis yang masih langka
- Workflow agentic yang kompleks memang penting, tetapi sebagian besar penciptaan nilai terjadi pada struktur berulang yang sederhana
Skills: Kemampuan yang perlu dimiliki pembangun agen
- Setelah memahami proses bisnis, dibutuhkan kemampuan perancangan sistematis seperti pengumpulan/integrasi data, prompt, dan pembagian proses
- Sistem evaluasi otomatis (pelacakan performa per sistem/komponen, pembangunan framework evaluasi, dll.) sangat penting
- Tim yang berpengalaman tidak terobsesi pada "perbaikan yang tidak perlu", dan lebih efisien dalam mengakali atau mengganti masalah
- Dengan benar-benar mencoba berbagai alat dan framework AI, mereka bergerak cepat dalam pengambilan keputusan, eksperimen, dan penggabungan alat (gaya balok Lego)
AI Tools & perubahan
- Dalam 2–3 tahun terakhir, ekosistem alat AI (misalnya Langgraph, RAG, chatbot, manajemen memori, evaluasi/guardrail, dll.) menjadi makin beragam
- Alat dapat digabungkan secara beragam seperti balok Lego, sehingga makin banyak pengalaman penggunaan nyata, makin cepat pula pengambilan keputusan
- Dengan bertambahnya context window pada LLM, peran praktis beberapa teknik seperti RAG ikut berubah—pentingnya hyperparameter tuning pun menurun
Underrated Tools: Alat inti yang diremehkan
- Evals (evaluasi otomatis): banyak tim menganggapnya terlalu sulit, tetapi yang penting adalah kebiasaan untuk mulai cepat dari contoh kecil lalu mengimplementasikan dan memperbaikinya
- Voice stack (workflow berbasis suara): kebutuhan dan pemanfaatannya meningkat cepat di perusahaan besar, tetapi perhatian dari komunitas developer masih kurang
- AI code assistant: coding dengan bantuan AI meningkatkan produktivitas, dan jika semua anggota tim mempelajari kemampuan coding dasar, produktivitas tiap peran kerja juga ikut meningkat
- Contoh AI Fund: dari resepsionis, CFO, hingga pengacara, semuanya belajar coding dan meningkatkan efisiensi kerja
Karakteristik aplikasi voice
- Input suara mengurangi beban pengguna dibanding prompt teks, dan mendorong input informasi lebih cepat
- Pada agen berbasis suara, waktu respons (latensi) sangat penting (idealnya di bawah 1 detik), dan digunakan berbagai trik UX untuk interaksi real-time (misalnya pre-response, background noise)
- Antarmuka suara memiliki bidang penerapan dan potensi pemanfaatan yang sangat besar, tetapi masih membutuhkan lebih banyak alat developer dan infrastruktur pendukung
MCP: Standardisasi dan integrasi data
- MCP (Mesh Capability Protocol): tren industri untuk menghubungkan berbagai sumber data, API, dan alat melalui antarmuka yang distandardisasi
- Standar MCP masih berada pada tahap awal, tetapi diperkirakan akan berkembang menjadi poros utama yang menyederhanakan integrasi data dan alat yang kompleks
- Visinya adalah memungkinkan integrasi saat menghubungkan n agen dan m sumber data dengan biaya n+m, bukan n*m
Sistem Agent-to-Agent
- Multi-agent dan interaksi antaragen masih berada pada tahap sangat awal, dan saat ini contoh keberhasilan nyata kebanyakan masih terbatas pada tim yang sama
- Interaksi agen antar tim/perusahaan adalah area pengembangan berikutnya
Vibe Coding dan AI coding
- Fenomena 'Vibe Coding', yaitu coding bersama AI assistant, pada kenyataannya menuntut konsentrasi tinggi dan kerja intelektual; tidak berarti coding hanya berdasarkan "feeling"
- Dengan berkembangnya AI code assistant, pentingnya kemampuan coding meningkat bagi lebih banyak non-developer dan berbagai jenis pekerjaan
- Belajar coding adalah kunci produktivitas masa depan—disarankan untuk setidaknya menguasai satu bahasa pemrograman (terutama Python)
Advice for Startups: Saran untuk startup AI
- Faktor nomor satu keberhasilan startup adalah kecepatan eksekusi, dan nomor dua adalah pemahaman mendalam terhadap teknologi
- Pemasaran/penjualan/penetapan harga memang penting, tetapi pemahaman atas cara kerja nyata teknologi dan perubahan teknologi terbaru jauh lebih langka dan penting
- Tim yang memiliki kepekaan terhadap esensi teknis yang mendalam dapat menyelesaikan masalah dengan cepat dan efisien
2 komentar
Bagian MCP (Mesh Capability Protocol) itu mungkin salah ketik, ya?
Sepertinya kunci keberhasilan ada pada bagaimana fungsi dan izin dipecah dalam agent lalu workflow-nya disusun.
Sepertinya karena MCP adalah istilah yang baru belakangan muncul, LLM belum mempelajarinya jadi memakai kata yang aneh wkwk