𝗪𝗵𝘆 𝗠𝗼𝘀𝘁 𝗔𝗜 𝗔𝗴𝗲𝗻𝘁𝘀 𝗔𝗿𝗲 𝗢𝘃𝗲𝗿𝗲𝗻𝗴𝗶𝗻𝗲𝗲𝗿𝗲𝗱

Agen AI ada di mana-mana. Anda melihat agent swarms, tim otonom, dan sistem yang mampu memperbaiki diri sendiri. Setiap minggu, sebuah framework baru menjanjikan pembangunan generasi AI berikutnya.

Setelah mempelajari alur kerja (workflow) AI, saya sampai pada satu kesimpulan sederhana. Sebagian besar agen AI terlalu overengineered.

Agen tidaklah tidak berguna. Namun, banyak pengembang menyelesaikan masalah dengan agen padahal mereka bisa menggunakan sesuatu yang lebih sederhana.

Industri Menyukai Kompleksitas

Bayangkan Anda ingin membangun sistem untuk membaca PDF, mengekstrak data, dan menjawab pertanyaan. Banyak pengembang membuat arsitektur kompleks dengan enam agen, berbagai prompt, dan manajemen status (state management). Hal ini menyebabkan banyak masalah.

Masalah yang sama sering kali dapat diselesaikan dengan urutan sederhana:

  • PDF ke Chunk
  • Chunk ke Embed
  • Embed ke Vector DB
  • LLM ke Response

Terkadang sebuah workflow saja sudah cukup. Anda tidak butuh pasukan agen.

Workflow Menyelesaikan Sebagian Besar Masalah

Sebagian besar aplikasi AI bersifat deterministik. Mereka mengikuti urutan tertentu. Contohnya meliputi:

  • Tanya Jawab Dokumen (Document Q&A)
  • Dukungan pelanggan (Customer support)
  • Ringkasan rapat (Meeting summaries)
  • Pembuatan blog (Blog generation)
  • Peninjauan kode (Code review)

Ini adalah workflow, bukan sistem otonom. Workflow lebih mudah untuk di-debug, diskalakan, dipelihara, dan dijelaskan.

Agen Memperkenalkan Biaya Tersembunyi

Setiap agen baru menambah masalah:

  • Biaya token lebih tinggi karena lebih banyak prompt
  • Latensi lebih tinggi karena langkah tambahan
  • Lebih banyak peluang terjadinya halusinasi
  • Debugging yang lebih sulit
  • Kebutuhan infrastruktur yang lebih banyak

Aplikasi sederhana berubah menjadi proyek rekayasa yang masif.

Di Mana Agen Benar-benar Unggul

Saya tidak menentang agen. Agen berguna ketika:

  • Tugas berjalan dalam waktu lama, seperti meneliti banyak situs web.
  • Diperlukan pengambilan keputusan berdasarkan logika tertentu.
  • Intervensi manusia adalah bagian dari proses (human-in-the-loop).
  • Berbagai alat seperti Slack, GitHub, dan email harus berkolaborasi.

Aturan Saya

Pengembang sering kali langsung terjun ke framework yang kompleks. Sebelum Anda melakukannya, ajukan satu pertanyaan: Bisakah sebuah workflow menyelesaikan ini?

Jika jawabannya ya, mulailah dari sana. Hanya tambahkan agen jika kompleksitasnya memang memerlukannya.

Ikuti prinsip ini:

  • Workflow pertama.
  • Agen kedua.
  • Multi-agent terakhir.

Kompleksitas bukanlah inovasi. Kompleksitas adalah biaya. Pengguna tidak peduli berapa banyak agen yang Anda gunakan. Mereka peduli apakah alat tersebut berfungsi. Kesederhanaan adalah sebuah fitur.

Source: https://dev.to/jaideepparashar/why-i-think-most-ai-agents-are-overengineered-249o