Dari demo hingga penggunaan sehari-hari: 5 pelajaran untuk menerapkan alur kerja agen AI ke dalam produksi

Frances Ward is Asana's Head of Global CommunicationsFrances Ward
18 November 2026
3 menit baca
facebookx-twitterlinkedin

Singkatnya: membawa agen AI dari tahap uji coba ke tahap produksi di bisnis apa pun

Membawa agen AI dari tahap demo ke penggunaan sehari-hari lebih terkait dengan kasus khusus, data yang hilang, dan kepercayaan daripada dengan modelnya. Alberto Arrighi memimpin kesuksesan pelanggan di StackAI, yang kini menjadi bagian dari Asana, dan Max Poff adalah salah satu teknisi yang dikerahkan di garis depan, yang membagi waktunya antara menulis kode dan mengerahkan agen di bank, perusahaan ekuitas swasta, agensi, dan kontraktor pertahanan. Dalam wawancara baru-baru ini di MTS, mereka membagikan lima praktik yang membawa agen dari tahap prototipe ke tahap produksi: mulai dengan alur kerja yang membosankan dan berisiko tinggi, anggap pengujian pengguna sebagai tahap pembuatan yang sesungguhnya, hubungkan data yang diandalkan oleh seluruh tim, bangun siklus pembelajaran, dan rancang untuk keamanan sejak hari pertama.

Apa bagian tersulit dari membawa agen AI ke dalam produksi?

Bagian tersulit adalah jeda antara demo yang berfungsi dan momen ketika pengguna memercayai agen dalam pekerjaan sehari-hari mereka. "Bagian tersulitnya adalah menangani kasus khusus yang muncul antara demo dan titik di mana pengguna benar-benar memercayainya dalam produksi sehari-hari," kata Max.

Demo dijalankan dengan input yang bersih dan asumsi satu orang. Produksi menghadirkan dokumen yang berantakan, izin yang tidak ada, dan kolega yang cara kerjanya berbeda dari orang yang mensponsori proyek.

1. Mulailah dengan alur kerja yang membosankan dan berisiko tinggi

Agen pertama yang terbaik menangani pekerjaan yang penting tetapi lambat. Max menjelaskan tentang tim risiko dan kepatuhan di sebuah bank besar di Eropa. Setiap kali ada proposal perubahan bisnis, manajer risiko melakukan pencocokan silang dengan daftar risiko yang besar untuk menemukan risiko baru, lalu dengan daftar kontrol untuk menetapkan mitigasi.

Sekarang, tim memposting proposal ke bot Slack kustom. Alur kerja StackAI menghasilkan buku kerja Excel yang diformat dengan penilaian risiko lengkap, risiko yang ditandai, dan kontrol yang dipetakan. "Tugas yang biasanya memakan waktu sepanjang sore kini memakan waktu sekitar 10 hingga 15 menit," kata Max.

Dua hal yang membuat ini berhasil: agen bertemu orang-orang di dalam alat yang sudah mereka gunakan, dan output diterima dalam format yang sudah mereka gunakan untuk bekerja.

2. Anggap user acceptance testing sebagai pembuatan yang sesungguhnya

User acceptance testing (UAT) adalah tahap ketika demo menjadi produk. Max bekerja sama dengan tim asisten eksekutif di sebuah perusahaan ekuitas swasta untuk mengotomatiskan pengodean pengeluaran di SAP Concur. "Anda dapat membuat demo untuk itu dengan sangat cepat," ujarnya. "Namun, begitu kami menampilkannya kepada penguji beta, pekerjaan yang sebenarnya dimulai."

StackAI menjalankan fase UAT terstruktur pada setiap penyebaran untuk mengungkap kasus-kasus di mana agen gagal. Setiap perbaikan membuat alur kerja lebih tangguh untuk digunakan di dunia nyata. Rencanakan fase ini dalam linimasa Anda; ini bukan tanda bahwa proyek tertinggal.

3. Hubungkan data yang diandalkan oleh seluruh tim

Agen yang dibuat dengan satu pemangku kepentingan hanya melihat dunia pemangku kepentingan tersebut. Tim Alberto membangun agen perencana media untuk salah satu agensi media dan pemasaran terbesar di Eropa Utara. Berdasarkan brief klien, agen ini merekomendasikan kanal, alokasi anggaran, dan rencana peluncuran.

Agen ini tampak berfungsi dengan baik bagi pemangku kepentingan utama. Ketika tim yang lebih luas mengujinya, mereka menunjukkan kumpulan data penting yang tidak dapat dijangkau oleh agen. "Membangun demo itu mudah; ketika Anda membukanya untuk penguji sesungguhnya, Anda akan menemukan izin sistem yang hilang atau logika yang rusak," kata Alberto. Solusinya adalah menghubungkan lebih banyak alat dan menghapus sekat pemisah di antara alat-alat tersebut.

Ini mencerminkan pergeseran yang lebih luas. Setahun yang lalu, sebagian besar kasus penggunaan menghubungkan agen ke satu knowledge base. Saat ini, mereka adalah sistem orkestrasi yang menarik data dari banyak sumber, memicu peristiwa, dan mengambil tindakan di seluruh alat.

4. Buat siklus pembelajaran dalam setiap alur kerja

Agen menjadi lebih berguna saat mereka mengingat apa yang mereka pelajari. Agen StackAI menyimpan file memori bersama di antara para pengguna di organisasi klien. Ketika orang menggunakan agen dan memberikan umpan balik, memori tersebut diperbarui, dan agen memuatnya ke dalam eksekusi di masa mendatang.

Alberto menunjuk ke siklus kedua: menulis kembali output ke dalam knowledge base asli. "Loop penulisan kembali yang berkelanjutan itu merupakan pendorong nilai yang sangat besar untuk penyebaran di perusahaan kami," ujarnya. Seiring waktu, setiap eksekusi menambah pengetahuan organisasi.

5. Desain untuk keamanan dan tata kelola sejak hari pertama

Di industri yang teregulasi, tempat agen beroperasi sama pentingnya dengan apa yang dilakukannya. Lembaga keuangan terkemuka semakin mewajibkan agen untuk dijalankan di cloud pribadi mereka atau di lokasi, bukan di infrastruktur SaaS bersama. StackAI juga mendukung kontraktor pertahanan yang beroperasi di lingkungan air-gapped.

"Untuk pertahanan, perbankan, dan hedge fund, keamanan perimeter data tidak dapat ditawar," kata Max. Tata kelola, observabilitas, dan keamanan menjadi sangat penting begitu agen mengakses data sensitif dan mengambil tindakan dengan risiko yang lebih tinggi.

Apa yang bisa dilakukan agen AI sekarang yang tidak bisa mereka lakukan beberapa tahun lalu?

Model kini menangani data terstruktur dengan baik. "Ketika saya pertama kali memulai, saran yang umum adalah: jika alur kerja Anda bergantung pada lembar kerja Excel yang berantakan dan rumit, AI mungkin bukan solusi yang tepat," kata Max. Saat ini, banyak agen yang ia buat menghasilkan buku kerja Excel yang kompleks dan terformat.

Agen juga dapat berjalan di latar belakang, mempertahankan lapisan data sementara orang-orang hanya mengajukan pertanyaan. Max meyakini bahwa hal ini membuat dasbor BI statis tertekan: "Dasbor merepresentasikan cuplikan statis dari apa yang menurut seseorang mungkin ingin Anda lihat."

Peran Work Graph® Asana

Setiap praktik di atas kembali ke satu hal: konteks, pengetahuan institusional…memahami siapa melakukan apa sebelum kapan, bagaimana, dan mengapa. Agen dapat beralih dari demo ke penggunaan sehari-hari saat dapat melihat data, keputusan, dan pemilik di balik pekerjaan. Itulah yang ada di Asana Work Graph®. StackAI menambahkan eksekusi lintas sistem, sehingga agen dapat bertindak di seluruh alat yang digunakan oleh suatu bisnis. Dengan kombinasi ini, alur kerja tidak harus dimulai di jendela obrolan: memberikan tugas di Asana dapat memicu agen StackAI untuk menjalankannya dari awal hingga akhir, dengan orang-orang yang menyetujui dan menyerahkan pekerjaan di sepanjang prosesnya. "Menghubungkan kapabilitas agen langsung ke grafik kerja perusahaan membuka tingkat operasional yang benar-benar baru," kata Alberto.

Mulai

Siap mengubah alur kerja agen AI Anda sendiri dari demo menjadi penggunaan sehari-hari? Pelajari cara StackAI by Asana membantu perusahaan membangun, menguji, dan menerapkan agen di seluruh sistem yang menjalankan bisnis mereka.

Pelajari selengkapnya

Tentang para pakar

Alberto Arrighi memimpin kesuksesan pelanggan di StackAI, yang kini menjadi bagian dari Asana. Timnya yang terdiri dari para ahli strategi AI dan teknisi yang dikerahkan di lapangan bekerja sama dengan pelanggan perusahaan untuk menemukan alur kerja bernilai tertinggi bagi agen dan mengubahnya menjadi spesifikasi dan persyaratan untuk penyebaran produksi. Ia memulai kariernya di StackAI sebagai pakar strategi AI. 

Max Poff adalah insinyur yang dikerahkan di lokasi pelanggan di StackAI, yang kini menjadi bagian dari Asana. Dia membagi waktunya antara menulis kode dan menerapkan agen bersama klien perusahaan, termasuk tim risiko dan kepatuhan di perbankan dan tim operasi di ekuitas swasta, serta menerapkan kembali apa yang dia pelajari ke dalam produk.

Artikel terkait

Cara Asana menggunakan Astra, Codex, dan Command untuk mengurangi biaya agen browser
Teknik

Cara kami memangkas biaya agen browser sebesar 76x dan membuatnya 5x lebih cepat dengan menjaga cache tetap utuh