People Dev AI
Modul 6 dari 6 · ± 18 menit

Dari asisten ke agen: AI di pekerjaanmu

AI bisa jadi teman diskusi, bisa juga bekerja berulang tanpa ditunggui. Di modul terakhir ini kita lihat petanya menurut riset manajemen dan ilmu komputer, dan di mana manusia tetap memegang kendali.

Setelah modul ini kamu bisa
  • Membedakan Tiga Zona Penciptaan Nilai: Augmentation, Automation, Transformation
  • Menjelaskan AI Agent Equation dan peran Human in the Loop
  • Membaca anatomi sebuah automation: Trigger → AI Agent + Prompt & Context → Workflow
  • Memilih tugas pertama yang aman untuk dibantu AI, lalu mengukurnya

Tiga Zona Penciptaan Nilai

Z1Augmentation

Manusia bekerja erat bersama AI untuk satu tugas. AI membawa kecepatan & skala, manusia membawa penilaian & konteks (Raisch & Krakowski, 2021).

Z2Automation

AI mengambil alih sebuah tugas dari manusia (Raisch & Krakowski, 2021). Tugas berulang yang dulu makan berjam-jam diserahkan ke AI, kamu dapat waktu kembali.

Z3Transformation

Cara kerja yang baru. AI yang memperkuat manusia bisa melahirkan kemampuan, produk, dan layanan baru, bukan hanya mempercepat cara lama (Brynjolfsson, 2022).

Dua hal dari riset yang perlu diingat. Pertama, augmentation dan automation saling terkait: organisasi yang terlalu berat ke salah satunya justru menuai dampak negatif, jadi rancang keduanya bersama (Raisch & Krakowski, 2021). Kedua, LLM tergolong general-purpose technology, seperti listrik atau internet. Dampaknya paling besar ketika dipadukan dengan software dan alur kerja di atasnya, bukan dipakai sendirian (Eloundou dkk., 2024).

Tiga Zona adalah framework praktik People Dev AI yang disusun dari konsep di atas.

AI Agent Equation

Model“Otak” yang berpikir & memahami bahasa
+
InstructionsPeran, tujuan & aturan kerja
+
ToolsMembuat AI bisa bertindak, bukan cuma menjawab
+
MemoryMenyimpan & membaca info yang diperlukan
+
Human in the LoopManusia mereview & menyetujui di titik penting

Rumus ini sejalan dengan survei riset agen berbasis LLM, yang merangkum agen menjadi empat modul: profil (peran & instruksi), memori, perencanaan, dan aksi (Wang dkk., 2024). Bagian Tools punya dasar kuat: model bahasa yang bisa memanggil kalkulator, mesin pencari, penerjemah, atau kalender menutup kelemahannya sendiri, misalnya hitungan dan fakta (Schick dkk., 2023).

Chatbot vs agent

Chatbot

Sekali jawab, lalu berhenti. Menunggu prompt berikutnya darimu.

Agent

Mengecek hasil kerjanya, lalu menentukan langkah berikutnya sendiri: Observe → Think → Act → Observe, berulang sampai selesai.

Pola “berpikir lalu bertindak, bergantian” ini diuji dalam riset ReAct. Model yang boleh mengecek sumber luar di sela-sela berpikirnya lebih jarang berhalusinasi dibanding model yang hanya berpikir sendiri (Yao dkk., 2023).

Human in the Loop: seberapa besar kendali manusia?

Riset human-in-the-loop membedakan sistem menurut siapa yang memegang kendali: sistemnya, kolaborasi erat manusia–mesin, atau ahli manusia (Mosqueira-Rey dkk., 2023). Model klasik dari riset otomasi membantu memutuskannya. Otomasi bisa diterapkan pada empat jenis fungsi: mengumpulkan info, menganalisis, memutuskan, dan melaksanakan, masing-masing dari manual sampai otomatis penuh. Pertimbangannya: seberapa andal sistemnya, dan seberapa mahal akibatnya kalau keputusan itu salah (Parasuraman dkk., 2000).

Boleh lebih otomatis

Mengumpulkan & merangkum info, dampak kecil kalau salah, mudah dicek.

Wajib persetujuan manusia

Mengirim ke klien, membayar, menghapus data, menilai orang. Makin besar akibatnya, makin wajib ada manusia.

Kendali manusia dan otomasi tidak harus saling meniadakan. Sistem yang baik bisa sangat otomatis dan tetap memberi manusia kendali tinggi (Shneiderman, 2020).

Anatomi sebuah automation

TriggerPemicu: email masuk, form terisi, atau jadwal
→
AI AgentYang berpikir & mengerjakan tugasnya
+
Prompt + ContextInstruksi & data yang membuat hasil relevan
→
WorkflowLangkah lanjutan: kirim, simpan, atau beri notifikasi

Contoh: Form pendaftaran pelatihan terisi (trigger) → AI membaca jawaban peserta dan menulis email sambutan yang dipersonalisasi (agent + prompt & context) → email masuk ke folder draf, admin cek, lalu kirim (workflow + human in the loop).

Tugas pertama yang tepat

Mulailah dari tugas yang berulang, berbasis teks atau data, dan mudah kamu cek, dengan dampak kecil kalau salah. Contoh: draf ringkasan notulen, draf email rutin, kerangka materi, ide konten.

Hindari dulu: keputusan akhir yang berdampak besar pada orang, data sangat rahasia, dan fakta terbaru tanpa sumber. Ingat riset “jagged frontier”: tugas yang terlihat mudah pun bisa berada di luar kemampuan AI (Dell’Acqua dkk., 2026).

Ukur hasilnya, seperti para peneliti. Studi-studi di kursus ini membandingkan waktu dan kualitas kerja dengan dan tanpa AI (Noy & Zhang, 2023; Brynjolfsson dkk., 2025). Lakukan versi kecilnya: catat waktu dan kualitas sebelum dan sesudah memakai AI untuk satu tugas. Itu cara paling jujur untuk tahu AI benar-benar membantu.

Coba sekarang

Tulis satu alur sederhana dari pekerjaanmu dengan pola Trigger → AI Agent + Prompt & Context → Workflow. Tandai di langkah mana kamu harus jadi human in the loop, dan kenapa (pakai pertanyaan: seberapa mahal akibatnya kalau salah?).

Referensi modul 6

Klaim penting di modul ini disarikan dari paper dan jurnal berikut (APA 7). Klik DOI untuk membuka sumber aslinya. Daftar pustaka lengkap kursus →

  1. JurnalBrynjolfsson, E. (2022). The Turing trap: The promise & peril of human-like artificial intelligence. Daedalus, 151(2), 272–287. doi.org/10.1162/daed_a_01915
  2. JurnalBrynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. doi.org/10.1093/qje/qjae044
  3. JurnalDell’Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403–423. doi.org/10.1287/orsc.2025.21838
  4. JurnalEloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308. doi.org/10.1126/science.adj0998
  5. JurnalMosqueira-Rey, E., Hernández-Pereira, E., Alonso-Ríos, D., Bobes-Bascarán, J., & Fernández-Leal, Á. (2023). Human-in-the-loop machine learning: A state of the art. Artificial Intelligence Review, 56(4), 3005–3054. doi.org/10.1007/s10462-022-10246-w
  6. JurnalNoy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. doi.org/10.1126/science.adh2586
  7. JurnalParasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics – Part A: Systems and Humans, 30(3), 286–297. doi.org/10.1109/3468.844354
  8. JurnalRaisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, 46(1), 192–210. doi.org/10.5465/amr.2018.0072
  9. ProsidingSchick, T., Dwivedi-Yu, J., Dessì, R., Raileanu, R., Lomeli, M., Hambro, E., Zettlemoyer, L., Cancedda, N., & Scialom, T. (2023). Toolformer: Language models can teach themselves to use tools. In Advances in Neural Information Processing Systems 36 (pp. 68539–68551). doi.org/10.52202/075280-2997
  10. JurnalShneiderman, B. (2020). Human-centered artificial intelligence: Reliable, safe & trustworthy. International Journal of Human–Computer Interaction, 36(6), 495–504. doi.org/10.1080/10447318.2020.1741118
  11. JurnalWang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., Chen, Z., Tang, J., Chen, X., Lin, Y., Zhao, W. X., Wei, Z., & Wen, J. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18(6), 186345. doi.org/10.1007/s11704-024-40231-1
  12. ProsidingYao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing reasoning and acting in language models. In International Conference on Learning Representations (ICLR 2023). doi.org/10.48550/arXiv.2210.03629
Kuis modul 6

Cek pemahamanmu

Jawab semua benar untuk menandai modul ini selesai. Boleh diulang.