60 AI Agent Jadi Satu Tim: Cara Faisal Rahman Mengorkestrasi AI Agentic

Bayangkan punya 60 AI agent yang bekerja sebagai satu tim, sementara kamu hanya mengatur, mendelegasikan, memantau, dan memastikan semuanya bergerak ke tujuan yang sama. Kedengarannya too good to be true, dan itu juga yang saya pikirkan waktu pertama kali melihat judul sesinya. Di Builder’s Story episode 4 ini saya ngobrol dengan Faisal Rahman, dan Zamaludin Abdulah, founder Tumbuh.ai, ikut hadir sebagai guest speaker yang memberi sudut pandang pembangun produk.

Episode ini berangkat dari acara offline AI Club di Tangerang Selatan. Pesertanya penuh, banyak yang mengeluh tidak kebagian tempat, jadi saya minta Faisal membawakannya lagi secara online. Pertanyaan yang saya, Zamaludin, dan peserta chat ajukan sama: apakah 60 agent itu benar-benar otonom, benar-benar produktif, dan benar-benar menghasilkan sesuatu yang bisa direview?

Kenalan dengan Faisal Rahman

Faisal berasal dari AI Club Tangsel. Sehari-hari dia bekerja sebagai lead teknologi di sebuah perusahaan media, dan di sanalah dia membangun banyak agent, terutama untuk software development dan productivity. Latar belakangnya panjang: 12 tahun di IT consulting, terakhir sebagai project manager, dan dia sudah menyukai data science, AI, dan automation sejak 2018.

Dia menyebut agent-nya “khodam”, tim IT yang tidak berbentuk manusia. Masing-masing punya spesialisasi, sebagian otonom, sebagian di awal masih harus “dipecut” dulu. Kalau ditanya pekerjaannya apa, jawabannya enteng tapi tepat.

Kerja kerjanya mengorkestrasi khodam untuk mencapai tujuan kerjaan aku, Mas.

Faisal bergabung enam bulan sebelum episode ini dengan tantangan yang jelas: bisakah development dikerjakan sendirian dengan bantuan AI. Sebelumnya ada dua developer. Jawabannya waktu itu: bisa. Hasilnya sebuah ERP lengkap dengan modul HR, productivity, sales, keuangan, dan legal dokumen, ditambah aplikasi reputation management yang menangkap sosial media, menganalisis sentimen, dan mengelompokkannya secara real time. Kalau dia tanya AI berapa man-month yang dihabiskan, jawabannya sekitar 300, padahal di belakangnya hanya satu orang selama enam bulan.

Dari prompt ke workflow: PRD dulu, baru agent bekerja

Faisal menjelaskan evolusi cara dia ngoding bareng AI. Awalnya copy paste dari ChatGPT. Lalu vibe coding, semua lewat prompt dan output. Setelah itu dia mulai membangun workflow: minta dibuatkan PRD, lalu PRD dibagi beberapa fase, lalu ada tes dan audit, sampai jadi satu alur utuh.

Saya minta dia menjelaskan dulu untuk pemula: PRD itu apa, dan kenapa perlu. Jawabannya, PRD adalah dokumen planning. Apa pun tugasnya, engineering atau non engineering, di awal dia minta dokumen planning supaya agent punya konteks dan arah. Tanpa itu agent akan berpikir liar. Kalau kamu bilang “buatkan aplikasi e-commerce” tanpa konteks, hasilnya bisa membuat marketplace yang tidak kamu bayangkan. Dengan dokumen planning, agent mengikuti apa yang diperintahkan. Hal yang sama berlaku untuk membuat PowerPoint: dokumen planning dulu, lalu sumber dan output yang diinginkan.

Papan kanban sebagai ruang kerja bareng AI

Bagian yang bikin penonton melek adalah papan kanban buatan Faisal sendiri. Sekitar 80 persen coding dia sekarang lewat papan itu. Setelah PRD selesai, dia taruh di kolom to do. Dari sana agent convert task memecahnya jadi task kecil, agent developer mengerjakan, agent audit mengecek, dan kalau ada yang gagal, agent meminta klarifikasi ke dia.

Contoh yang dia tunjukkan: logo perusahaan terpotong. Dia cukup mengetik satu kalimat di atas kartu dan melampirkan gambar, lalu menggesernya ke agent analisa. Agent itu mengklasifikasikan masalahnya, menilai tingkat keparahan dan dampak, menentukan agent developer mana yang cocok, lalu menulis temuan, akar masalah, rencana, sasaran, verifikasi, dan risikonya. Setelah Faisal setujui, kartu digeser lagi, agent memperbaiki, dan memberi komentar kalau sudah selesai. Titik-titik persetujuan manusia itu yang menurut saya paling penting.

Tim agent-nya dibagi per fungsi. Tim development di salah satu aplikasi saja berisi 17 agent. Ada tim maintenance yang menganalisis isu, ada tim release yang membersihkan repo dan menjalankan beberapa gate sebelum deploy. Satu fitur dipegang satu agent, supaya tugasnya spesifik, repo dan dokumen yang diupdate jelas, dan token lebih hemat.

Agent itu skill, dan di belakangnya ada harness

Saya penasaran seperti apa bentuk 60 agent itu. Ternyata di sisi engineering, agent adalah skill yang diset di Cursor. Angka 60 itu didapat Faisal dengan meminta AI me-review berapa skill yang sudah dia bangun. Untuk urusan productivity dan lainnya, dia membuat fitur sendiri.

Faisal menggambarkan konsepnya dengan sederhana. LLM adalah otak yang menalar dan memutuskan. Prompt adalah panca indra dan instruksi: apa yang mau diselesaikan dan tools apa yang tersedia. Harness adalah badan yang menjalankan. Cursor, Codex, OpenCode, dan Kiro adalah contoh harness untuk engineering, sedangkan OpenClaw dan Hermes contoh yang lebih umum.

Kenapa Cursor, bukan Claude atau ChatGPT yang sama-sama 200 dolar? Dia bercerita pernah mencoba berbagai alat dan sering gagal menjaga konteks. Alasannya di Cursor ada tiga: agentic search yang bagus sehingga pemakaian lebih hemat, cloud agent yang jalan di server terpisah selama 24 jam sehingga dia bisa memberi instruksi dari HP atau laptop mana saja, dan chat session yang memungkinkan dia menjaga konteks satu fitur dalam satu sesi. Dia menjaga penggunaan konteksnya supaya akurasi coding terjaga. Zamaludin sendiri berlangganan Codex dan Claude di paket 200 dolar, dengan pembagian: Claude untuk membangun aplikasi, Codex untuk operasional.

Dua tujuan: revenue atau efisiensi

Waktu saya tanya 60 agent itu menghasilkan apa, Faisal menjawab dengan dua kategori: menghasilkan revenue atau membuat bisnis lebih efisien dan mempercepat data sampai ke level eksekutif. Dia menggantikan satu tim dengan satu orang plus agent: lead developer, developer front end dan back end, QA, auditor, sampai infrastruktur. Semua terdokumentasi, jadi dia tidak lupa posisi sebuah PRD. Kalau ada error di infrastruktur, agent langsung membaca log dari Grafana dan melaporkan analisisnya.

Di sisi bisnis, contohnya tim sales. Dua jam sebelum meeting dengan calon klien besar, dia minta agent membuat mockup aplikasi sesuai kebutuhan vendor. Selesai dalam satu jam. Sales senang, penjelasannya enak, dan cepat tercapai goal-nya.

Dia juga membuat aplikasi productivity untuk dirinya sendiri: tugas, kanban, kalender yang terhubung ke Google, dan agent yang bisa mengatur jadwal. Agent-nya otonom, misalnya diminta mengingatkan agenda pagi hari. Ada skill, memori, dan handover ke manusia. Saya mengaitkannya dengan bagaimana dia memperlakukan agent: “dipelihara”, seperti makhluk yang perlu diberi makan.

Tools adalah tangan agent

Satu penjelasan Faisal yang saya catat: agent selalu mencari tangan untuk menyelesaikan tugasnya, dan tangan itu adalah tools. Hermes membuat file Python atau memanggil API. Di sisi ChatGPT, ada computer use yang mengklik aplikasi sendiri. Di sistemnya, semua tangan itu dihubungkan lewat API ke database, bukan langsung, supaya ada filter keamanan dan session login.

Ada tip kecil yang menurut saya berguna: setelah agent menyelesaikan sebuah tugas, tanya langkah-langkahnya dan tools apa yang dia bangun. Kalau tugasnya berulang, jadikan tools itu paten, naikkan jadi skill, lalu otomatiskan dengan scheduler supaya jalan di background tanpa kamu mengetik prompt lagi.

Tidur dia jalan

Dampak ke hidup kerjanya terasa. Sentimen di kantor positif, katanya, dan dia lebih produktif karena agent bisa jalan di belakang.

Saya tidur dia jalan ya 24 jam saya meeting, dia jalan kayak gitu.

Agent bahkan lapor ke Telegram setiap hari, dan kalau tidak ada pekerjaan, mereka “mementung” balik supaya dia membuat PRD baru. Di titik ini Zamaludin mengutip ungkapan yang sering kita dengar: kita bukan digantikan AI, tapi digantikan orang yang memakai AI. Faisal contohnya, jadi bosnya AI.

Empat prinsip memakai AI

Di penghujung acara Faisal membagikan empat prinsip yang menurut saya berlaku untuk siapa pun.

1. AI itu probabilitas. Bahayanya paling besar saat jawaban salah tapi dikatakan benar. Jadi tanya sumbernya, pelajari sumbernya secara sadar, dan koreksi kalau dia berhalusinasi.
2. Beri konteks yang jelas, kepada manusia maupun AI. Kalau kamu minta temanmu mengambil gelas merah tapi tidak menyebut warnanya, jangan kaget kalau dia mengambil gelas hijau.
3. Pilih model sesuai tugas. Tidak semua tugas harus pakai model termahal.

Jangan sampai tugasnya level SD dikasih S3 gitu ya.

4. Knowledge dan goal harus jelas. Kalau bingung, tanya AI. Dengan konteks dan dokumen yang sudah diberikan, input token jadi kecil karena agent tidak perlu menelusuri seluruh codebase.

Faisal juga menekankan satu hal soal pemakaian untuk urusan medis dan pribadi: semua jawaban AI hanya second opinion, dan keputusan tetap dibicarakan dengan dokter.

Siapa yang bertanggung jawab kalau production bermasalah?

Zamaludin bertanya hal yang paling ditunggu pemilik bisnis: kalau terjadi sesuatu yang fatal di production, siapa yang disalahkan? Faisal tidak menjawab dengan menunjuk agent. Sebelum ke production, kode yang sudah dicek dan direview diaudit lewat banyak tes: unit test, API testing, dan automation dengan Selenium dari sisi front end, secara bertahap. Repo harus bersih karena semua pekerjaan agent masuk lewat Git. Untuk perubahan skema database dia memakai shadow database yang dibandingkan dengan codebase terakhir, baru deploy ke staging. Dia selalu meminta AI membuat skenario terbaik supaya tidak terjadi apa pun di production. Hasilnya error di production sedikit sekali, dan kalau ada, biasanya hanya tampilan.

Kalau ada masalah, dia menerima laporan kondisi server setiap jam. Kalau sudah merah, agent dipanggil untuk mengevaluasi log, lalu hasilnya jadi dokumen dan laporan ke dia sebelum dia intervensi, misalnya menaikkan memori Docker.

Penutup: AI itu tools, keahlian tetap di orangnya

Zamaludin menutup dengan poin yang mengikat semuanya. AI adalah tools, expertise tetap di orangnya. Faisal bisa melakukan ini karena latar belakang konsultannya membuatnya paham proses end to end, termasuk mitigasi ketika sistem down. Membuat produk tidak bisa asal.

Kalau bingung semuanya tanya AI. Kalau bingung lagi join AI Club.

Yang bisa kamu bawa pulang

• Mulai setiap tugas dengan dokumen planning, bukan prompt panjang. PRD memberi konteks, arah, dan batas supaya agent tidak berpikir liar.
• Satu agent untuk satu tugas atau fitur: spesifik, hemat token, dan lebih mudah diaudit.
• Beri agent ruang kerja yang terlihat, misalnya papan kanban, dengan titik persetujuan manusia sebelum eksekusi.
• Jaga konteks dengan satu sesi per fitur, jangan terlalu penuh, dan simpan dokumen supaya agent tidak mencari ulang.
• Pilih model sesuai tingkat kesulitan tugas. Tugas kecil tidak perlu model termahal.
• Sebelum production, jalankan tes berlapis dan minta AI menyusun skenario aman. Terima laporan berkala, intervensi hanya saat perlu.
• Tanyakan sumber jawaban AI, apalagi untuk urusan penting. Jawaban AI adalah second opinion.
• Latihan memimpin dan mendelegasikan sama pentingnya dengan skill memakai AI itu sendiri.

Kalau kamu ingin belajar bareng, gabung komunitas AI Club di kotamu, dan kalau punya cerita membangun sesuatu, siapa tahu bisa tampil di Builder’s Story berikutnya.