Claude Managed Agents - Mempercepat Kecepatan Produksi 10x

 (claude.com)
25 poin oleh GN⁺ 2026-04-09 | 1 komentar | Bagikan ke WhatsApp
  • Rangkaian API modular untuk membangun dan menerapkan agen skala besar di lingkungan cloud, memungkinkan prototipe diubah menjadi produksi hanya dalam hitungan hari
  • Menangani infrastruktur kelas produksi secara otomatis seperti sandboxing keamanan, manajemen kredensial, dan kontrol izin, sehingga pengguna bisa fokus hanya pada definisi tugas
  • Mendukung sesi berdurasi panjang, kolaborasi multi-agen, dan tata kelola berbasis kepercayaan, serta terintegrasi erat dengan model Claude untuk menghadirkan iterasi otonom dan peningkatan performa
  • Perusahaan besar seperti Notion, Rakuten, Asana, dan Sentry memanfaatkannya untuk mewujudkan deployment 10x lebih cepat dan workflow otomatis
  • Tersedia dengan penagihan berbasis penggunaan, dan merupakan platform yang secara mendasar meningkatkan efisiensi operasional organisasi serta produktivitas pengembangan

Ikhtisar Claude Managed Agents

  • Claude Managed Agents tersedia dalam beta publik sebagai rangkaian API modular untuk membangun dan menerapkan agen skala besar di cloud
  • Sebelumnya, pengembangan agen memerlukan waktu berbulan-bulan karena infrastruktur keamanan, manajemen status, kontrol izin, dan penyesuaian terhadap upgrade model, tetapi Managed Agents memungkinkan transisi dari prototipe ke produksi hanya dalam beberapa hari
  • Mendukung mulai dari eksekutor tugas tunggal hingga pipeline multi-agen yang kompleks, sehingga pengguna dapat berfokus pada pengalaman pengguna tanpa overhead operasional

Membangun dan Menerapkan Agen 10x Lebih Cepat

  • Untuk menerapkan agen level produksi dibutuhkan eksekusi kode di sandbox, checkpoint, manajemen kredensial, pengaturan cakupan izin, dan pelacakan end-to-end
  • Managed Agents menangani kompleksitas ini, sehingga pengguna cukup mendefinisikan tugas, alat, dan guardrail
  • Harness orkestrasi bawaan secara otomatis menangani waktu pemanggilan alat, manajemen konteks, dan pemulihan kesalahan
  • Fitur utama:
    • Agen kelas produksi: otomatis menangani sandboxing keamanan, autentikasi, dan eksekusi alat
    • Sesi berdurasi panjang: berjalan secara otonom selama berjam-jam, serta mempertahankan progres dan output meski koneksi terputus
    • Kolaborasi multi-agen: membuat dan mengarahkan agen lain untuk memparalelkan tugas kompleks (tahap research preview)
    • Tata kelola berbasis kepercayaan: cakupan izin, manajemen ID, dan pelacakan eksekusi sudah terintegrasi

Desain Integrasi dengan Model Claude

  • Model Claude dioptimalkan untuk tugas yang berpusat pada agen, dan Managed Agents dirancang untuk memaksimalkan kemampuan ini
  • Pengguna cukup mendefinisikan hasil dan kriteria keberhasilan, lalu Claude akan mengevaluasi diri dan beriterasi sendiri untuk mencapai tujuan (tersedia dalam research preview)
  • Jika diperlukan, workflow prompt-response yang sudah ada juga tetap didukung
  • Dalam pengujian internal, tugas pembuatan file terstruktur menunjukkan peningkatan performa hingga 10 poin dibanding loop prompt standar
  • Pelacakan sesi, analitik terintegrasi, dan panduan pemecahan masalah sudah tertanam di Claude Console, sehingga semua pemanggilan alat dan proses pengambilan keputusan dapat ditinjau

Contoh Pemanfaatan Nyata

  • Berbagai tim telah mewujudkan deployment produksi 10x lebih cepat melalui Managed Agents
    • Agen coding: menganalisis codebase, menyusun rencana perubahan, dan membuat PR
    • Agen produktivitas: berpartisipasi dalam proyek, menjalankan tugas, dan menyerahkan hasil
    • Agen keuangan dan hukum: memproses dokumen dan mengekstrak informasi inti
  • Contoh perusahaan utama:

    • Notion

      • Mengoperasikan versi alpha Custom Agents yang memungkinkan tugas didelegasikan langsung ke Claude di dalam workspace
      • Engineer dapat melakukan deployment kode, sementara pekerja pengetahuan dapat menjalankan puluhan tugas secara paralel seperti membuat situs web dan presentasi

    • Rakuten

      • Menerapkan agen perusahaan yang terintegrasi dengan Slack dan Teams ke divisi produk, penjualan, pemasaran, keuangan, dan HR
      • Menerapkan masing-masing agen spesialis dalam waktu satu minggu

    • Asana

      • Mengintegrasikan agen yang berkolaborasi dengan manusia ke dalam proyek melalui AI Teammates
      • Mewujudkan fitur lanjutan dalam hitungan minggu dengan Managed Agents

    • Vibecode

      • Mewujudkan infrastruktur aplikasi AI-native yang menghubungkan dari prompt hingga deployment aplikasi dengan Managed Agents
      • Infrastruktur yang sama dapat dibangun 10x lebih cepat

    • Sentry

      • Menggabungkan agen debugging Seer dan agen penulisan patch berbasis Claude
      • Mengotomatisasi seluruh alur dari deteksi bug hingga pembuatan PR dalam satu flow, menyelesaikan integrasi yang sebelumnya memakan waktu berbulan-bulan menjadi hanya beberapa minggu

Kutipan Pelanggan

  • Ansh Nanda (co-founder): Dulu LLM harus dikelola manual di sandbox, tetapi kini infrastruktur bisa dibangun 10x lebih cepat hanya dengan beberapa baris kode, dan aplikasi AI-native diperkirakan akan berkembang pesat
  • Indragie Karunaratne (Director of AI/ML Engineering, Sentry): Managed Agents menyediakan runtime yang aman dan fully managed, meningkatkan pengalaman developer dan menghilangkan beban operasional
  • Sanchan Saxena (Head of Product, Atlassian): Mengintegrasikan agen ke workflow Jira, dengan otomatisasi sandboxing, sesi, dan manajemen izin yang meningkatkan efisiensi engineering
  • Javed Qadrud-Din (CTO): Managed Agents dapat membuat alat yang dibutuhkan secara langsung saat itu juga untuk menangani semua kueri pengguna, memangkas waktu pengembangan 10x
  • John Han (co-founder): Agen persiapan rapat dapat diwujudkan pada level produksi hanya dalam beberapa hari, dengan koneksi ke sistem eksternal dan pencarian web yang ditangani secara otomatis
  • Eric Liu (PM, Notion): Dengan sesi berdurasi panjang dan manajemen memori, kini dimungkinkan mendelegasikan tugas kompleks yang terbuka
  • Yusuke Kaji (Head of AI, Rakuten): Agen spesialis untuk tiap divisi bisa diterapkan dalam satu minggu, mewujudkan skalabilitas yang aman dan demokratisasi inovasi
  • Amritansh Raghav (CTO, Asana): Kecepatan pengembangan AI Teammates meningkat drastis, memperkuat pengalaman kolaborasi kelas enterprise

Memulai

  • Managed Agents tersedia dengan model penagihan berbasis penggunaan, dengan tambahan $0.08 per jam sesi di atas tarif token standar Claude Platform
  • Detail harga dapat dilihat di dokumentasi resmi
  • Agen pertama dapat diterapkan melalui Claude Console atau CLI, dengan dukungan integrasi ke Claude Code dan skill claude-api
  • Onboarding dapat dimulai dengan perintah “start onboarding for managed agents in Claude API”

Inovasi Operasional Organisasi

  • Managed Agents adalah alat yang dapat mengubah cara organisasi beroperasi secara mendasar, membantu developer dan tim berfokus pada produktivitas dan pengalaman pengguna alih-alih infrastruktur
  • Pembaruan berkelanjutan dan perluasan komunitas melalui Claude Platform juga direncanakan

Bacaan terkait

1 komentar

 
GN⁺ 2026-04-09
Komentar Hacker News

  • Saya curiga ini bisa berujung pada orkestrasi yang optimal
    Open source mungkin tidak akan sempat menghadirkan alternatif yang lebih baik
    Sejauh ini performa terbaik justru muncul saat mencampur agen dari beberapa perusahaan
    Yang lebih penting daripada ‘planner’ adalah ‘worker’. Ada agen yang jauh lebih unggul untuk tugas tertentu
    Misalnya, Opus 4.6 sama sekali tidak sebanding dengan GPT 5.4 xhigh dalam hal menemukan bug
    Seperti di dunia nyata ketika beragam cara berpikir meningkatkan ketangguhan tim, campuran agen juga menunjukkan efek serupa

    • Agar Anthropic bisa membuat versi terbaik, mereka harus mengalahkan semua perusahaan AI lain di setiap pekerjaan detail seperti dokumentasi teknis, diagram, deteksi bug, dan sebagainya
      Tapi kecil kemungkinan mereka akan mengizinkan pemanggilan model eksternal seperti Codex di dalam stack mereka sendiri
    • Yang saya khawatirkan adalah kemungkinan ini berujung menjadi bahasa orkestrasi yang optimal
      Misalnya, bagaimana jika Claude mengubah semua komunikasi antaragen menjadi bahasa Sumeria?
      Bisa jadi hanya perusahaan tertentu yang memonopoli keahlian atas bahasa itu
    • Saya juga mendapat hasil terbaik dengan mencampur model dari beberapa perusahaan
      Menulis spesifikasi dengan Opus → merevisi dengan Gemini → umpan balik lagi dengan Opus → saya tinjau → build dengan Qwen3.5 → review dengan Opus
      Alur ini sempurna, tapi rusak setelah Anthropic mengubah kebijakannya
    • Perusahaan AI sekarang seperti lobster dalam ember
      Saat satu perusahaan merilis model tertutup, perusahaan lain membedahnya, memperbaikinya, lalu merilisnya sebagai open source
      Pada akhirnya mereka saling menjegal, lalu nanti bisa saja berubah menjadi semacam kartel

  • Terlihat jelas Anthropic sedang berusaha menarik developer ke platform mereka sendiri
    Untuk IPO, mereka harus menjadi perusahaan platform, bukan sekadar penyedia model
    Semua gerakan mereka sekarang mengarah ke sana

  • Saya memakai Claude Code setiap hari, tapi membuat sistem pelanggan bergantung pada Anthropic itu berisiko
    Quality engineering bukan kekuatan utama mereka. Ketersediaan setingkat ‘single 9’ juga tidak memadai

  • Sekarang masih masa sangat awal framework agen, mirip era web sebelum PHP
    Setiap minggu muncul pola dan model baru, jadi semua framework terus dibuat ulang
    LangChain ingin menjadi seperti Next.js/Vercel, tetapi kebanyakan orang tetap menyarankan membangun sendiri
    Karena Anthropic memiliki modelnya sendiri, mereka bisa mendapat sebagian permintaan lewat solusi dengan hambatan masuk rendah, tetapi lock-in dan kecepatan perubahan teknologi tetap menjadi masalah

    • Saya setuju. Saat ini memang masa ketika ratusan solusi setengah jadi bertebaran di blog atau GitHub
      LangChain yang paling mendekati, tetapi masih terasa sangat DIY
      Selain itu semua orang juga mencampur vector DB dan model reranking yang berbeda-beda

  • Saya juga sedang membangun sesuatu yang mirip sendiri, jadi saya terkejut karena pendekatan Anthropic terasa seperti ide yang muncul paralel
    Harus sebisa mungkin menghindari terikat pada satu penyedia model
    Untuk tim kecil mungkin masih oke, tapi untuk sistem yang kompleks itu tindakan bunuh diri
    Kita perlu membandingkan dan menggabungkan banyak model lalu mengelolanya dengan gaya sendiri. Seperti memasak, kita butuh memilih cita rasa yang berbeda sesuai situasi

    • Sebenarnya semua orang sedang membangun hal yang mirip. Arah yang bisa ditempuh memang terbatas
    • Saya penasaran apakah alasan menghindari lock-in itu murni soal performa, atau karena Anthropic bisa memakai data telemetri untuk nanti berubah menjadi pesaing
    • Saya juga sependapat. Menjalankan sistem seperti ini di atas platform agregasi seperti openrouter cukup mudah

  • Halaman yang dibuat agen-agen itu sangat berantakan sampai teks testimoni saling menumpuk dan tidak bisa dibaca

    • Saya malah cuma melihat layar hitam

  • Saya menjalankan container Docker untuk membangun situs Jekyll dengan Anthropic Agentic SDK
    Menyiapkan infrastrukturnya tidak terlalu sulit, yang benar-benar sulit adalah membuat agen bertindak sesuai keinginan
    Karena suatu saat mungkin saya pindah ke penyedia lain atau self-hosting, saya ingin tetap punya kebebasan

  • Saya tetap akan memakai kombinasi pydantic ai dan dbos/temporal/celery
    Saya tidak ingin terikat pada vendor tertentu. Saya ingin bebas memakai LLM apa pun
    Kita harus terus mendorong perkembangan orkestrasi open source

  • Kelihatannya memang keren, tapi bisa jadi bom biaya
    Seperti AWS, kalau ceroboh ribuan agen bisa berjalan dan tagihan akan melonjak
    Bagi Anthropic ini tampaknya bisa menjadi model pendapatan yang luar biasa

  • Arah seperti ini memang sudah bisa diduga
    Ini cara mudah untuk meningkatkan pendapatan dan memperkuat lock-in pengguna tanpa harus membuat model lebih pintar
    Analisis terkait hal ini dirangkum dengan baik di tulisan ini