Agen AI belajar sambil bekerja — hanya saja tidak untuk seluruh tim Anda
Saat seseorang dalam tim mengoreksi agen AI — perintah yang lebih baik, masukan yang lebih baik, konteks yang lebih baik — peningkatan tersebut hilang saat rekan kerja membuka alat yang sama. Koreksi tidak ditransfer, dan orang berikutnya memulai dari nol. Masalahnya bertambah dalam alur kerja multi-agen, di mana tim mengharapkan agen untuk berbagi konteks antar pengguna dan tugas. Tanpa lapisan memori bersama, setiap anggota tim secara efektif melatih versi berbeda dari agen yang sama — dan versi tersebut tidak pernah disinkronkan. Kesenjangan tersebut terlihat pada angka. Menurut penelitian Asana sendiri, 75% pekerja berpengetahuan menggunakan AI dalam pekerjaannya, namun hanya 5% perusahaan yang melaporkan peningkatan produktivitas. “Penyedia model menjadi sangat, sangat baik dalam meningkatkan penalaran dan percobaan ulang, namun apa yang tidak mereka kuasai adalah membawa konteks kerja perusahaan dengan cara yang dapat dijadikan alasan oleh manusia untuk dijadikan memori bersama,” Chief Product Officer Asana Arnab Bose mengatakan kepada VentureBeat. Asana telah membangun platform agenik yang memusatkan konteks dan memori bersama. Platform Manajemen Kerja Ageniknya memastikan bahwa jika ada anggota tim yang mengoreksi seorang agen, koreksi tersebut berlaku untuk semua orang di tim. “Grafik konteks tersebut secara otomatis diberikan kepada agen yang beroperasi di dalam sistem Asana sehingga Anda tidak perlu mengharuskan setiap anggota tim menjadi ahli dalam rekayasa cepat atau rekayasa konteks,” kata Bose. Bose mengatakan arsitektur memori bersama lebih penting daripada produk Asana sendiri; ini adalah keputusan desain yang perlu diambil oleh perusahaan untuk sistem multi-agen apa pun. Memori bersama juga menjadi penting ketika perusahaan mulai beralih dari alur kerja agen tunggal yang sederhana ke alur kerja multi-agen yang perlu berbagi konteks dan perilaku. Memori untuk alur kerja multi-agen dan multi-platform Model yang mendukung agen tidak memiliki kewarganegaraan berdasarkan desainnya, sehingga memori menjadi lapisan khusus di luar jendela konteks. Meskipun bidang inovasi AI ini sedang menuju kedewasaan, pertanyaan tentang apa yang disimpan, siapa yang mengendalikannya, dan bagaimana inovasi tersebut tetap konsisten ketika agen dan pengguna yang berbeda menulis ke instance yang sama masih belum terpecahkan. Hal ini dapat dikelola untuk kasus penggunaan dengan hanya satu pengguna. Namun, dalam alur kerja agen perusahaan, idenya adalah agar agen bekerja dengan seluruh tim. Sebagian besar platform memiliki agen yang masih bertindak untuk individu, sehingga menyebabkan tugas terulang kembali dan versi realitas yang tidak konsisten serta menyebarkan kesalahan. Agen juga bisa saling bertentangan. Sriharsha Chintalapani, salah satu pendiri dan CTO Collate, mengatakan dalam email ke VentureBeat bahwa kurangnya memori bersama merupakan hambatan utama bagi alur kerja multi-agen, khususnya terkait konsistensi. “Agen sensitif terhadap kualitas permintaan mereka,” kata Chintalapani. “Seseorang dengan pemahaman yang kuat tentang tugas umumnya akan mendapatkan hasil yang lebih akurat dibandingkan seseorang yang kurang berpengalaman. Hal ini sebagian disebabkan karena mereka mampu membuat perintah yang lebih rinci, namun juga karena mereka mampu memberikan umpan balik yang lebih baik kepada agen. Agen mengingat koreksi yang diterimanya dan menerapkan pengetahuan tersebut pada perintah yang berurutan. Semakin akurat umpan baliknya, semakin baik kinerja agen untuk pengguna tersebut. “Dia menambahkan bahwa organisasi harus berhenti memperlakukan memori bersama hanya sebagai masalah rekayasa cepat dan berpikir untuk membangun sistem yang mengulangi konteks di setiap percakapan. Neej Gore, chief data officer di Zeta Global, mengatakan dalam email terpisah bahwa konteks bersama menjadi kenangan hidup yang “menyusun kecerdasan di seluruh perusahaan.” hanya saja banyak di antaranya yang beroperasi sebagai agen pribadi yang melakukan pekerjaan khusus untuk pengguna individu. Kebanyakan permintaan dimulai dari satu orang, file apa pun diunggah oleh satu akun, dan bahkan untuk agen yang tinggal di sistem seluruh perusahaan, sebagian besar mempelajari preferensi pengguna individu. Sebagian besar platform alur kerja AI perusahaan menyadari bahwa memori itu penting, tetapi melakukan pendekatan melalui sudut pandang yang berbeda. Misalnya, Copilot Microsoft mengambil pendekatan yang mengutamakan individu dengan mempelajari peran pengguna dalam organisasi, preferensi nada, dan pola kerja, yang kemudian disimpan sebagai kenangan pribadi untuk diterapkan agen di seluruh platform Microsoft 365 yang berbeda. Untuk tim teknik dan orkestrasi yang mengevaluasi platform agen, pertanyaan tentang memori bersama kini menjadi kriteria pengadaan — bukan sekadar masalah teknis. Agen yang belajar hanya untuk orang yang menggunakannya akan memerlukan pemeliharaan individu yang berkelanjutan. Seseorang yang terhubung ke lapisan memori seluruh tim akan membangun pengetahuan institusional secara otomatis.
Diterbitkan : 2026-06-05 17:51:00
sumber : venturebeat.com
