Topik:
 

Dari Prompting Hingga Menjadi Arsitek AI: Tangga yang Tidak Pernah Dilihat Orang

Oleh: Hobon.id (19/11/2026)
Dari Prompting Hingga Menjadi Arsitek AI: Tangga yang Tidak Pernah Dilihat OrangTanyakan kepada kebanyakan orang bagaimana cara menjadi lebih baik dalam AI dan kita akan mendengar versi saran yang sama, yaitu tulis permintaan yang lebih baik. Itu bukan saran yang buruk, sejauh ini. Permintaan yang jelas dan kontekstual memang menghasilkan jawaban yang lebih baik daripada yang samar, dan banyak orang masih mendapatkan hasil yang kurang dari alat AI hanya karena mereka mengajukan pertanyaan dengan buruk. Tetapi pemberian petunjuk hanyalah anak tangga pertama dari tangga yang jauh lebih tinggi, dan orang-orang yang memperlakukannya sebagai keseluruhan tangga cenderung mencapai batas tanpa memahami alasannya.

Tangga tersebut memiliki empat anak tangga. Di bagian bawah, kita menggunakan alat AI untuk menyelesaikan pekerjaan kita sendiri lebih cepat. Satu langkah ke atas, kita menghubungkan AI ke proses yang berulang sehingga pekerjaan terjadi tanpa kita. Lebih tinggi lagi, kita membangun sistem di mana AI itu sendiri memutuskan apa yang harus dilakukan selanjutnya. Di puncak, kita merancang bagaimana otomatisasi AI sesuai dengan seluruh organisasi, dengan semua biaya, risiko, dan akuntabilitas yang menyertainya. Yang membuat ini menjadi tangga dan bukan menu adalah setiap anak tangga mengubah tanggung jawab kita. Pengguna alat bertanggung jawab atas output. Pembuat alur kerja bertanggung jawab atas proses. Seorang pembangun sistem agen bertanggung jawab atas sistem yang membuat keputusan. Seorang arsitek bertanggung jawab atas hasil di berbagai sistem, dan atas apa yang terjadi ketika sistem tersebut gagal.

Kerangka kerja ini adalah cara untuk mengatur perbedaan pekerjaan, bukan taksonomi industri resmi, dan pekerjaan nyata mengaburkan batasan-batasan tersebut. Orang sering beroperasi di dua tingkatan sekaligus. Tetapi memahami tangga tersebut menjelaskan sesuatu yang tampaknya membingungkan: mengapa seseorang bisa sangat mahir dalam memberikan petunjuk tetapi tetap tidak mampu menghasilkan otomatisasi yang bekerja dengan andal, dan mengapa begitu banyak proyek AI yang ambisius terhenti antara demo yang sukses dan produk yang dapat diandalkan.
Advertisement:

1. Pengguna Alat AI


Tingkat pertama adalah tempat hampir semua orang memulai dan tempat sebagian besar orang tetap berada, dan tingkat ini layak dihormati daripada diremehkan. Seorang pengguna alat AI bekerja dengan asisten seperti chatbot, asisten penulisan dan coding, generator gambar, dan alat penelitian, mengarahkan mereka melalui percakapan untuk menghasilkan berbagai hal, seperti: draf, ringkasan, blok kode, analisis, rencana. Unit kerja adalah satu keluaran tunggal, dan manusia terlibat dalam setiap langkah, membaca apa yang dikembalikan, menilainya, dan memutuskan apa yang harus dilakukan selanjutnya.


Seperti Apa Hasil yang Baik di Tingkat Ini?


Keahlian di tingkat ini lebih dari sekadar ungkapan yang cerdas. Orang-orang yang paling banyak memanfaatkan alat AI cenderung melakukan beberapa hal secara konsisten. Mereka memberikan konteks, karena model yang mengetahui audiens, tujuan, batasan, dan seperti apa hasil yang baik akan mengungguli model yang hanya diberi instruksi dasar. Mereka melakukan iterasi alih-alih puas dengan respons pertama, memperlakukan percakapan sebagai siklus draf di mana mereka menolak, mengarahkan kembali, dan menyempurnakan. Mereka memecah tugas besar menjadi beberapa langkah. Dan, yang terpenting, mereka melakukan verifikasi. Jawaban yang lancar belum tentu benar, dan pengguna alat yang baik tahu jenis klaim mana yang perlu diperiksa, seperti angka, kutipan, perilaku kode, dan hal-hal penting lainnya, dan memeriksanya sebelum mengandalkan hasilnya.

Pengguna alat yang baik juga mengembangkan pemahaman tentang apa yang baik dan buruk dari alat tersebut. Mereka tahu bahwa model unggul dalam menyusun draf, meringkas, memformat ulang, bertukar pikiran, dan menjelaskan, dan kurang andal dalam aritmatika yang tepat, fakta yang tidak jelas, dan apa pun yang membutuhkan pengetahuan tentang peristiwa setelah pelatihan mereka. Mereka berhati-hati tentang apa yang mereka salin ke dalam alat, terutama data rahasia atau pribadi, dan mereka memahami pengaturan privasi layanan yang mereka gunakan.


Batasan


Batasan anak tangga ini bersifat struktural, dan ini menjelaskan mengapa orang merasa terjebak di sini. Setiap penggunaan alat AI adalah tindakan manual. Kita membuka alat tersebut, memberikan konteks lagi, menempelkan input, membaca output, menyalinnya ke suatu tempat, dan mengulanginya besok. Kita adalah lapisan integrasi, perekat manusia antara model dan semua hal lain dalam pekerjaan kita. Hasil bervariasi dari satu sesi ke sesi berikutnya, tidak ada yang meningkat secara otomatis, dan manfaatnya hanya sebanding dengan waktu dan perhatian kita sendiri. Jika kita mendapati diri kita menjalankan jenis permintaan yang sama berulang kali, itu adalah sinyal bahwa anak tangga tersebut telah terlampaui.


Cara Mulai Mendaki


Langkah pertama ke atas bukanlah alat baru tetapi kebiasaan baru, yaitu memperhatikan pengulangan. Catat tugas-tugas yang kita minta AI untuk lakukan lebih dari beberapa kali dalam sebulan, dan perhatikan tugas-tugas yang memiliki bentuk yang konsisten, jenis input yang sama, output yang diinginkan yang sama, dan tujuan akhir yang sama. Ubah perintah terbaik kita menjadi template yang tersimpan, dan gunakan fitur-fitur seperti instruksi khusus atau ruang kerja proyek untuk menghindari penjelasan ulang konteks. Templat-templat tersebut adalah benih dari langkah selanjutnya, karena sebuah perintah yang dapat kita gunakan kembali sudah setengah jalan menuju sebuah komponen dalam suatu proses.


2. Pembuat Workflow AI


Tingkat kedua dimulai ketika kita berhenti menjadi perekat. Pembuat workflow AI mengambil proses yang berulang dan mengotomatisasinya dari ujung ke ujung, dengan AI melakukan langkah-langkah spesifik di dalamnya. Contoh tipikal: ketika email pelanggan tiba, ekstrak detail kunci, klasifikasikan permintaan, cari akun, buat draf balasan, dan kirimkan atau tempatkan dalam antrian untuk ditinjau. Unit kerja bukan lagi satu output tunggal tetapi proses yang berjalan berulang kali, dipicu oleh peristiwa, dengan data mengalir melalui langkah-langkah yang ditentukan.


Apa yang Berubah?


Fitur utama dari workflow adalah jalurnya telah ditentukan sebelumnya. Perancang memutuskan terlebih dahulu langkah mana yang terjadi, dalam urutan apa, dan dalam kondisi apa, dan model digunakan sebagai komponen pada titik-titik tertentu, mungkin untuk mengklasifikasikan, mengekstrak, meringkas, atau membuat draf. Tim teknik Anthropic telah membuat perbedaan yang berguna di sini, menggambarkan workflow sebagai sistem di mana model dan alat diatur melalui jalur kode yang telah ditentukan sebelumnya, berbeda dengan agen, di mana model mengarahkan prosesnya sendiri. Prediktabilitas tersebut bukanlah batasan yang harus diatasi, melainkan sumber nilai dari tingkatan ini: alur kerja berperilaku konsisten, mudah diuji, dan gagal dengan cara yang mudah dipahami.

Alat-alat pada tingkat ini berkisar dari platform tanpa kode dan kode rendah seperti Zapier, Make, n8n, dan Microsoft Power Automate hingga skrip biasa dan pekerjaan terjadwal. Platform kurang penting dibandingkan dengan pemikiran, yang berfokus pada penguraian proses manusia yang berantakan menjadi langkah-langkah eksplisit dan memutuskan di mana AI benar-benar membantu.


Keterampilan yang Penting


Beberapa keterampilan membedakan seorang pembangun workflow yang kompeten. Yang pertama adalah dekomposisi proses: memahami proses sebenarnya, termasuk pengecualiannya, sebelum mengotomatisasinya, karena mengotomatisasi proses yang membingungkan hanya akan menghasilkan kebingungan lebih cepat. Yang kedua adalah bekerja dengan data terstruktur. Model paling senang menghasilkan teks bebas, tetapi langkah-langkah selanjutnya membutuhkan format yang dapat diprediksi, sehingga pembangun belajar untuk meminta output terstruktur, memvalidasinya terhadap skema, dan menangani kasus di mana outputnya salah format. Yang ketiga adalah penanganan kesalahan. Workflow nyata berurusan dengan batas waktu, batasan laju, bidang yang hilang, dan input yang tidak terduga, sehingga pembangun menambahkan percobaan ulang, mekanisme cadangan, dan peringatan, serta merancang langkah-langkah sehingga menjalankannya dua kali tidak menyebabkan tindakan duplikat, seperti mengirim dua email atau membuat dua catatan.

Keterampilan keempat adalah pengujian dengan input nyata yang berantakan daripada contoh bersih yang digunakan dalam demo, dan yang kelima adalah kemampuan observasi: mencatat apa yang dilakukan setiap eksekusi, sehingga ketika terjadi kesalahan, kita dapat melihat di mana letaknya. Terakhir, kesadaran biaya dimulai di sini. Workflow yang melakukan beberapa panggilan model pada setiap eksekusi, ribuan kali sehari, memiliki profil biaya yang tidak pernah dimiliki oleh sesi obrolan satu kali.


Batasnya


Batasan dari tingkatan ini berasal dari prediktabilitas yang sama yang membuatnya berharga. Setiap cabang adalah sesuatu yang harus diantisipasi dan dicatat oleh seseorang. Ketika input sangat bervariasi, ketika suatu tugas membutuhkan penilaian tentang apa yang harus dilakukan selanjutnya, atau ketika jalur yang benar bergantung pada informasi yang ditemukan di sepanjang jalan, jumlah cabang meledak dan workflow menjadi rapuh. Pembuat workflow sering kali mendapati diri mereka menambahkan kasus-kasus khusus hingga sistem menjadi kusut. Itulah titik di mana memberikan lebih banyak kendali pada model menjadi menggoda, dan itu juga titik di mana banyak tim membuat kesalahan mahal, yang dijelaskan pada tingkatan berikutnya.


3. Pembangun Sistem Agen


Tingkat ketiga menyerahkan sebagian alur kontrol ke model. Dalam sistem agen, model bahasa memutuskan apa yang harus dilakukan selanjutnya, seperti: alat mana yang akan dipanggil, apa yang akan dicari, apakah ia memiliki cukup informasi, kapan harus mencoba pendekatan yang berbeda. Ia beroperasi dalam sebuah lingkaran, mengambil tindakan, mengamati hasilnya, dan memilih langkah selanjutnya hingga ia menilai tugas tersebut selesai. Unit kerja sekarang adalah tujuan, seperti "meneliti perusahaan ini dan menyiapkan pengarahan," daripada urutan langkah yang tetap.


Apa yang Termasuk dalam Sistem Agen


Membangunnya berarti merakit beberapa komponen. Alat memberi agen kemampuan untuk bertindak, seperti mencari basis pengetahuan, melakukan kueri database, memanggil API, atau menjalankan kode, dan standar seperti Model Context Protocol telah mempermudah menghubungkan agen ke alat eksternal dengan cara yang dapat digunakan kembali. Pengambilan memberikannya akses ke informasi yang relevan. Memori dan status memungkinkannya untuk melacak apa yang telah dilakukannya, dalam satu tugas dan terkadang di seluruh tugas. Pola perencanaan dan refleksi memungkinkan agen untuk memecah tujuan, memeriksa hasil sementara, dan mengoreksi arah. Framework seperti LangGraph dan SDK agen dari penyedia model utama menangani sebagian besar mekanisme, meskipun ide-ide yang mendasarinya lebih penting daripada library tertentu.

Pergeseran rekayasa utama pada tingkat ini adalah kita tidak lagi menguji jalur tetap tetapi ruang perilaku yang mungkin. Itu menjadikan evaluasi sebagai hal yang sentral, bukan opsional, yaitu kita membutuhkan serangkaian tugas representatif dengan hasil yang baik yang diketahui, cara untuk menilai hasil, dan jejak setiap eksekusi sehingga kita dapat melihat dengan tepat apa yang dilakukan agen dan mengapa. Tanpa itu, kita tidak dapat mengetahui apakah perubahan membuat sistem menjadi lebih baik atau hanya berbeda.


Mode Kegagalan Baru


Agen gagal dengan cara yang berbeda dari workflow. Mereka dapat berulang tanpa henti, memilih alat yang salah berulang kali, salah membaca hasil alat, atau membuat kesalahan kecil di awal yang menumpuk di banyak langkah menjadi kesimpulan yang salah. Agen juga dapat dimanipulasi: konten yang dibaca agen, seperti halaman web, email, atau dokumen, dapat berisi instruksi yang dirancang untuk membajak perilakunya, yang menjadikan keamanan sebagai perhatian utama setiap kali agen dapat mengambil tindakan. Pengamanan praktis meliputi batasan langkah dan pengeluaran, kondisi penghentian yang jelas, izin yang dibatasi sesuai dengan kebutuhan tugas, dan persetujuan manusia sebelum tindakan yang berdampak besar atau tidak dapat dibatalkan. Aturan praktis yang berguna adalah menyesuaikan tingkat pengawasan manusia dengan seberapa mudah suatu tindakan dapat dibatalkan: penyusunan pesan dapat dilakukan secara otomatis, tetapi pengiriman uang tidak boleh dilakukan secara otomatis.


Keterampilan Terpenting: Mengetahui Kapan Tidak Perlu


Keterampilan paling berharga pada tingkatan ini adalah pengendalian diri. Riset industri mencerminkan biaya mengabaikannya. Gartner memprediksi pada tahun 2025 bahwa lebih dari 40 persen proyek AI berbasis agen akan dibatalkan pada akhir tahun 2027, dengan alasan biaya yang meningkat, nilai bisnis yang tidak jelas, dan pengendalian risiko yang tidak memadai, dan juga memperkirakan bahwa hanya sebagian kecil vendor yang memasarkan produk "agen" yang menawarkan sistem yang benar-benar berbasis agen, praktik yang disebutnya sebagai pencucian agen. Penting untuk menjelaskan secara tepat apa ini: sebuah perkiraan, bukan tingkat kegagalan yang terukur. Tetapi alasan di baliknya konsisten dengan apa yang dilaporkan oleh para developer berdasarkan pengalaman, dan seorang analis Gartner telah mengamati bahwa banyak kasus penggunaan yang diposisikan sebagai berbasis agen sama sekali tidak memerlukan implementasi berbasis agen. Satu panggilan yang diarahkan dengan baik atau alur kerja sederhana akan menyelesaikan pekerjaan dengan biaya dan risiko yang lebih rendah.

Disiplin yang masuk akal adalah memulai dari yang sederhana: coba satu panggilan model terlebih dahulu, beralih ke alur kerja ketika prosesnya stabil, dan perkenalkan agen hanya jika jalurnya benar-benar bergantung pada apa yang ditemukan sistem di sepanjang jalan. Agen mendapatkan tempatnya pada masalah yang terbuka dan bervariasi seperti penelitian, investigasi, dan kasus dukungan yang kompleks, idealnya dalam lingkup yang sempit, terukur, dan dapat dibalik.


Batas Atas


Batas dari tingkatan ini adalah skala dan ruang lingkup. Seorang pembangun agen yang terampil dapat menciptakan sistem yang mengesankan untuk masalah tertentu, tetapi organisasi memiliki ratusan proses, banyak sistem, prioritas yang bersaing, kewajiban peraturan, dan orang-orang yang pekerjaannya berubah ketika pekerjaan diotomatisasi. Membangun satu agen yang baik adalah tugas yang berbeda dari memutuskan agen mana yang harus ada, bagaimana mereka berbagi infrastruktur, siapa yang bertanggung jawab ketika mereka melakukan kesalahan, dan bagaimana seluruh portofolio diatur dan dibayar. Itulah wilayah dari tingkatan terakhir.


4. Arsitek Otomasi AI


Tingkat keempat mengubah sifat pekerjaan dari membangun sistem menjadi merancang lanskap tempat sistem dibangun. Seorang arsitek otomasi AI bertanggung jawab atas bagaimana otomasi AI terintegrasi di seluruh tim, departemen, atau perusahaan: apa yang harus diotomatisasi, dengan pola apa, di platform apa, di bawah kendali apa, dengan biaya berapa, dan dengan ukuran keberhasilan apa. Unit kerja bukan lagi sistem tetapi portofolio dan standar yang membentuknya. Jabatan ini masih berkembang dan jarang muncul secara seragam, sehingga peran tersebut dapat muncul sebagai arsitek solusi AI, pemimpin otomasi, atau hanya seorang insinyur senior atau konsultan yang melakukan pekerjaan ini.


Memilih Apa yang Akan Diotomatisasi


Tugas pertama dan yang paling diremehkan adalah seleksi. Tidak setiap proses layak diotomatisasi, dan tidak setiap proses yang dapat diotomatisasi layak diotomatisasi dengan AI. Seorang arsitek mempertimbangkan volume, variabilitas, risiko, dan nilai: proses bervolume tinggi, stabil, dan berisiko rendah cocok untuk alur kerja; proses yang bervariasi dan banyak pertimbangan mungkin cocok untuk agen dengan pengawasan; Proyek yang langka atau berisiko tinggi mungkin lebih baik diserahkan kepada orang-orang dengan bantuan AI. Melakukan hal ini dengan baik membutuhkan pengukuran dasar sebelum membangun, sehingga manfaatnya dapat dibuktikan setelahnya, karena "terasa lebih cepat" tidak akan lolos tinjauan anggaran. Hal ini juga membutuhkan keberanian untuk mengatakan tidak pada proyek yang didorong oleh antusiasme daripada bukti, yang persis merupakan pola di balik pembatalan yang diantisipasi Gartner.


Merancang Platform


Arsitek juga menentukan fondasi bersama. Alih-alih setiap tim membangun otomatisasi satu kali mereka sendiri, arsitektur yang baik menyediakan komponen umum: gerbang untuk mengakses model, sehingga penyedia dapat diganti, penggunaan dilacak, dan kebijakan ditegakkan di satu tempat; pengambilan dan akses data bersama dengan izin yang tepat; katalog alat yang disetujui; lapisan orkestrasi untuk alur kerja dan agen; dan layanan umum untuk pencatatan, pelacakan, evaluasi, dan pelacakan biaya. Identitas dan izin layak mendapat perhatian khusus, karena agen yang bertindak atas nama pengguna hanya boleh memiliki akses yang dibutuhkan pengguna dan tugas tersebut. Di sinilah keputusan tentang membangun sendiri versus membeli, dan tentang vendor mana yang dapat dipercaya, dibuat, termasuk uji tuntas tentang apakah produk yang dipasarkan sebagai produk yang memiliki kemampuan bertindak secara otomatis (agentic) benar-benar demikian.


Mengelola Risiko dan Biaya


Arsitek juga bertanggung jawab atas hal-hal yang dapat menggagalkan proyek setelah demonstrasi. Biaya dapat jauh melebihi perkiraan prototipe setelah volume sebenarnya tiba, sehingga arsitek memodelkan ekonomi unit, seperti biaya per tugas, daripada hanya biaya lisensi, dan menetapkan anggaran dan peringatan. Kontrol risiko mencakup jejak audit yang menunjukkan apa yang dilakukan sistem otomatis dan mengapa, jalur eskalasi ke manusia untuk pengecualian, rezim pengujian dan pemantauan, dan perhatian pada ancaman keamanan yang unik bagi agen. Kewajiban peraturan dan kebijakan, termasuk yang berada di bawah framework seperti Undang-Undang AI Uni Eropa di mana berlaku, membentuk penggunaan mana yang dapat diterima dan dokumentasi apa yang dibutuhkan. Survei industri menunjukkan kesenjangan di sini sangat lebar: ringkasan penelitian McKinsey tahun 2025, misalnya, melaporkan bahwa meskipun penggunaan AI hampir universal di organisasi besar, hanya sebagian kecil yang meningkatkan skala sistem agen, dan tidak lebih dari sekitar sepersepuluh melaporkan agen yang telah ditingkatkan skalanya dalam satu fungsi bisnis. Jarak antara eksperimen dan produksi yang dapat diandalkan adalah tempat arsitek mendapatkan penghasilan mereka.


Sisi Manusia


Dimensi terakhir adalah manusia. Otomatisasi mengubah peran, dan pola yang muncul dari penelitian saat ini adalah pemisahan: software menangani eksekusi rutin dalam skala besar, sementara manusia menangani pengecualian, pengawasan, dan akuntabilitas. Seorang arsitek merancang pembagian tersebut secara sengaja, memutuskan di mana tinjauan manusia berada, keterampilan apa yang dibutuhkan tim, dan bagaimana mengkomunikasikan perubahan secara jujur. Ini sama pentingnya dengan pekerjaan komunikasi dan kepemimpinan seperti halnya pekerjaan teknis. Arsitek menerjemahkan antara para eksekutif yang menginginkan hasil, para insinyur yang membangun sistem, dan orang-orang yang pekerjaannya akan terpengaruh, dan menghasilkan artefak seperti dokumen desain, catatan keputusan, standar, dan peta jalan, bukan hanya kode.


Cara Mendaki Tangga


Beberapa prinsip berlaku di keempat transisi tersebut. Pertama, mendakilah dengan melakukan, bukan membaca. Setiap langkah ke atas paling baik dilakukan dengan membangun sesuatu yang nyata: otomatiskan salah satu tugas berulang kita sendiri sebagai alur kerja, kemudian bangun agen kecil untuk masalah yang benar-benar membutuhkannya, lalu tulis desain tentang bagaimana tim dapat mengadopsi sistem tersebut. Keterampilan di setiap anak tangga berasal dari pengalaman menghadapi kegagalan karakteristiknya sendiri.

Kedua, jangan melewatkan anak tangga. Seorang arsitek yang belum pernah membangun alur kerja atau agen cenderung merancang diagram elegan yang mengabaikan bagaimana sistem ini sebenarnya gagal, dan pengguna alat yang langsung membangun agen tanpa disiplin alur kerja cenderung mengirimkan sistem yang rapuh tanpa penanganan atau evaluasi kesalahan. Anak tangga sebelumnya mengajarkan kebiasaan, seperti memverifikasi output, menangani kesalahan, membuat log, dan mengukur hasil, yang bergantung pada anak tangga selanjutnya.

Ketiga, ingatlah bahwa tangga tersebut berjalan ke dua arah. Arsitek berpengalaman masih menggunakan alat AI setiap hari, dan pengguna alat terbaik berpikir sedikit seperti pembangun alur kerja, melihat pengulangan dan struktur. Tingkat yang lebih tinggi tidak membuat tingkat yang lebih rendah menjadi usang, dan jawaban yang tepat untuk banyak masalah terletak pada tingkat yang lebih rendah dari yang kita duga. Tugas sekali jalan berada di tangan pengguna alat, proses yang stabil dan berulang berada di tangan alur kerja, masalah variabel yang terbuka berada di tangan agen, dan pertanyaan yang mencakup berbagai tim dan risiko berada di tangan arsitek. Memilih tingkat terendah yang memecahkan masalah adalah tanda kedewasaan, bukan kurangnya ambisi.
Advertisement:

Jebakan Umum


Kesalahan tertentu berulang di setiap tingkatan. Mengumpulkan alat alih-alih memecahkan masalah adalah salah satunya: platform baru setiap minggu bukanlah pengganti proses yang berfungsi. Membangun untuk demo adalah hal lain, karena sistem yang mengesankan dalam presentasi lima menit dapat gagal pada input nyata. Menggunakan agen secara default, karena terdengar lebih canggih, adalah yang ketiga. Melewatkan evaluasi mungkin yang paling merusak, karena tanpa pengukuran setiap perubahan hanyalah tebakan. Mengabaikan peran manusia sebagai cadangan untuk kasus yang tidak dapat ditangani sistem adalah yang keempat. Dan mengabaikan biaya hingga tagihan tiba adalah yang kelima, terutama untuk sistem yang melakukan banyak panggilan model per tugas. Mengenali jebakan ini berguna di setiap tingkatan, dan menghindarinya adalah bagian besar dari apa yang membedakan pekerjaan AI yang dapat diandalkan dari proyek percontohan yang tidak pernah mencapai produksi.


Jadi, tangga dari pemberian petunjuk hingga arsitektur bukanlah peringkat alat atau serangkaian jabatan. Ini adalah perkembangan dalam tanggung jawab. Pengguna alat bertanggung jawab atas suatu output dan belajar untuk bertanya dengan baik dan memverifikasi dengan cermat. Pembangun alur kerja bertanggung jawab atas suatu proses dan belajar untuk menguraikan, menyusun, menangani kesalahan, dan mengamati. Pembangun sistem agen bertanggung jawab atas sistem yang membuat keputusan dan belajar untuk membatasi, mengevaluasi, dan mengamankannya, terutama dengan mengetahui kapan agen tidak diperlukan. Arsitek otomatisasi bertanggung jawab atas hasil di banyak sistem dan belajar untuk memilih, menstandarisasi, mengatur, dan berkomunikasi.
Artikel Terkait: