Kolaborasi Harus Menjadi Inti Pendekatan AI Multi‑Agen dalam Manufaktur. Begini Caranya.

Sebagian besar, bahkan hampir semua, produsen berskala besar sedang mengelola banyak sistem dalam infrastruktur digital mereka. Seringkali, semua sistem ini beroperasi secara bersamaan di lantai pabrik: agen pemeliharaan prediktif memantau sensor getaran untuk pola keselamatan, agen kontrol kualitas berbasis visi menandai cacat produk, dan agen penjadwalan mengatur pergantian produksi sementara agen inventaris memantau pengadaan. Masing‑masing memiliki tugas operasional yang jelas, tetapi lebih sering sistem‑sistem ini tidak berkomunikasi satu sama lain.

Kegagalan untuk berkolaborasi itulah yang merusak AI agen dalam manufaktur berskala besar. Apakah sebuah agen berfungsi atau tidak adalah satu hal, namun masalah signifikan lainnya bagi perusahaan manufaktur besar adalah mereka beroperasi hampir sepenuhnya terisolasi.

Dan, meskipun jumlah organisasi berukuran besar yang menerapkan agen AI setidaknya pada satu fungsi telah meningkat dari 27% hingga 40% tahun ke tahun, mereka lebih fokus pada fungsi spesifik seperti TI dan rekayasa perangkat lunak alih‑alih mendistribusikan agen secara merata di seluruh operasi sebagai sistem terkoordinasi. Sementara itu, meskipun mayoritas organisasi berencana menerapkan agen otonom, hanya sekitar sepertiga yang percaya infrastruktur mereka siap mendukungnya. Lebih lanjut, penelitian tahun 2025 menemukan bahwa 79% kegagalan sistem LLM multi‑agen berasal dari masalah koordinasi dan spesifikasi.

Produsen menambahkan pengambil keputusan otonom ke lantai dan jalur produksi lebih cepat daripada mereka membangun konektivitas di antara keduanya. Hal ini memperburuk masalah koordinasi dan kolaborasi yang merusak kinerja model‑model ini. Pada akhirnya, masalah ini muncul dalam tiga bagian terpisah dari tumpukan AI. Inilah tempatnya, dan apa yang harus dilakukan produsen untuk memastikan sistem agen yang kolaboratif dan terhubung dengan baik.

Titik Gesekan Terbesar dalam Kolaborasi

Hambatan pertama dan mungkin terbesar adalah data, yang terus menjadi titik hambatan signifikan bagi banyak organisasi besar yang ingin memperluas AI. Sebagian besar produsen beroperasi dengan infrastruktur yang terakumulasi selama puluhan tahun (beserta data yang terkait) dalam bentuk sistem MES dan ERP yang tidak berbagi skema umum dengan aliran data lain seperti komunikasi dan sumber daya manusia. Akibatnya, agen kesulitan berkomunikasi satu sama lain, bila memang dapat; data yang terisolasi atau berformat buruk menjadi penghalang hampir tak dapat ditembus antara banyak agen.

Hal ini terwujud di lantai pabrik ketika agen yang memantau kesehatan dan kinerja mesin pada satu lini tidak memiliki cara yang dapat diandalkan untuk mengetahui apa yang direncanakan oleh agen penjadwalan dua sistem di atasnya untuk pergantian produksi yang akan datang, meskipun kedua keputusan dan alur kerja tersebut saling memengaruhi secara langsung.

Titik gesekan berikutnya adalah protokol. Ini adalah elemen yang belum mendapat cukup pertimbangan saat mendekati kolaborasi AI. AI agen masih sangat baru, dan hingga baru-baru ini, belum ada standar nyata bagi agen yang dibangun di atas kerangka kerja, fondasi, atau vendor yang berbeda untuk berkomunikasi dan berkolaborasi.

Untungnya, hal itu mulai berubah. Misalnya, protokol Agent2Agent (A2A) milik Google, yang diluncurkan tahun lalu, menstandarisasi cara agen independen (yang mungkin dibangun di platform yang sepenuhnya berbeda) menemukan kemampuan satu sama lain dan mendelegasikan tugas. Secara penting, hal ini dirancang secara eksplisit untuk melengkapi Model Context Protocol (MCP) milik Anthropic, yang menstandarisasi cara setiap agen mengakses alat dan sumber data. Tujuan bersama di sini adalah mengatasi isolasi dan memastikan kolaborasi, bahkan dalam pengaturan multi‑agen, secara skala besar.

Akhirnya, banyak produsen masih menghadapi pertanyaan tentang pengawasan manusia. Bahkan jaringan agen yang terkoordinasi sempurna akan gagal jika orang yang mengawasinya tidak mempercayai keputusannya atau memiliki harapan yang tidak realistis mengenai kemampuannya. Analis dari MIT Sloan telah mengeluarkan peringatan tentang ekspektasi yang berlebihan dan menurunnya kepercayaan terkait AI agen, serta potensi ancaman keterlibatan manusia yang berkurang dengan agen AI. Di lantai pabrik, kesenjangan dan titik gesekan ini dapat menjadi bencana: benang manusia yang menghubungkan ekosistem agen sangat penting untuk operasi yang aman dan dapat diandalkan.

Menjembatani Kesenjangan Kepercayaan

Mungkin tergoda untuk memperlakukan sisi manusia dari hal ini sebagai masalah budaya semata yang dapat diselesaikan dengan lebih banyak sesi pelatihan. Namun, upaya tersebut akan kurang efektif kecuali dipadukan dengan perbaikan arsitektur yang tahan lama. Desain pengawasan harus mempertimbangkan kapan penilaian manusia harus menyerah kepada sistem, bukan sekadar secara default menolak saran agen karena orang dalam siklus tersebut tidak setuju.

Bangun transparansi penalaran, yang berarti selalu ada visibilitas dan kemampuan untuk menjelaskan mengapa sebuah agen membuat keputusan atau menandai sebuah saran, tidak hanya sekadar mengamati outputnya. Dan, ketika operator tidak setuju, pastikan ada jalur eskalasi yang jelas dan efisien yang menegakkan transparansi serta keterlacakan proses pengambilan keputusan.

Membangun Kembali Rasa Keseluruhan

Agen, layaknya tim yang mereka dukung, memerlukan lebih dari sekadar akses ke tugas yang sempit dan spesifik. Mereka membutuhkan apa yang dapat disebut rasa keterpaduan; sebuah model kerja tentang bagaimana bagian operasi mereka terhubung dengan segala hal lainnya. Seorang agen penjadwalan yang mengoptimalkan waktu pergantian tanpa memiliki visibilitas terhadap apa yang dilihat agen pemeliharaan tentang peralatan yang menua hanya membuat keputusan yang agak dapat diterima, namun mungkin tidak tepat bila dibandingkan dengan tuntutan alur kerja lainnya.

Di sinilah lapisan protokol dan masalah rasa keterpaduan bertemu. Konteks bersama adalah cara praktis agar tugas individu agen terikat pada keadaan aktual pabrik yang lebih luas. Dalam manufaktur, sudah ada jawaban parsial untuk hal ini berupa standar seperti ISA-95, yang mendefinisikan cara umum bagaimana sistem perusahaan dan kontrol berkomunikasi di seluruh pabrik. Kebaruan kini, bagaimanapun, adalah memperluas gagasan kosakata operasional bersama ini dari integrasi yang dapat dibaca manusia menjadi informasi yang dapat diproses oleh agen.

Tanpa model bersama tersebut, setiap agen tambahan yang diterapkan menambah titik penalaran dan pengambilan keputusan yang terisolasi dan tidak menjadi bagian dari keseluruhan yang koheren. Itulah tepatnya bagaimana penyebaran agen memperburuk keadaan alih-alih menyelesaikannya ketika adopsi meningkat.

Menjaga Detak pada Pengukuran yang Tepat untuk Keberhasilan

Jebakan lain adalah mengukur AI agenik dengan cara yang sama seperti pemantauan peluncuran perangkat lunak lainnya: berfokus pada angka efisiensi dan memastikan angka tersebut terus meningkat. Untuk sistem multi‑agen yang terkoordinasi dan kolaboratif, hal ini tidak selalu menguntungkan dan bahkan dapat berbalik merugikan bila menjadi satu‑satunya metrik kinerja.

Hal pertama yang perlu dikonfirmasi bukan sekadar berapa banyak uang yang dihemat agen, melainkan apakah agen tersebut aman dan dapat dioperasikan sesuai desain. Pastikan agen beroperasi dalam batas yang dimaksudkan, memiliki kegagalan yang dapat diprediksi, serta memungkinkan intervensi dan eskalasi manusia secara tepat. Hanya setelah hal itu terjamin, kualitas dapat menjadi fokus utama, seperti apakah output agen memang benar dan konsisten, bukan sekadar instan.

Inilah urutan prioritas yang harus diikuti produsen. Kecepatan, throughput, dan penghematan biaya berada pada prioritas terendah. Peningkatan produktivitas yang dibangun di atas agen yang tidak aman atau tidak dapat diandalkan menjadi beban bagi tim, teknologi, jalur produksi, hubungan, dan reputasi bisnis.

Uji dalam skala kecil sebelum memperluas. Satu agen yang menangani satu tugas terdefinisi jelas dapat menghasilkan perbandingan sebelum‑dan‑sesudah yang bersih. Namun, ketika lingkup diperluas untuk mencakup puluhan agen yang berinteraksi di seluruh pabrik sebelum ada yang divalidasi secara individual, menjadi jauh lebih sulit menentukan bagian sistem mana yang menghasilkan hasil tersebut. Kompleksitas hanya boleh ditambahkan pada pendekatan pengukuran seiring dengan kecepatan penambahan pada penerapan itu sendiri.

Di sini, kolaborasi dan pengukuran mulai bersamaan. Output agen hanya dapat dipercaya sejauh konteks yang dimilikinya saat bertindak. Ini berarti bahwa masalah konteks bersama yang disebutkan sebelumnya sebenarnya merupakan prasyarat bagi pengukuran. Produsen yang belum menyelesaikan gambaran operasi terpadu lintas sistem tidak memiliki cara andal untuk mengetahui apakah hasil positif atau negatif mencerminkan penilaian agen atau celah dalam akses yang diberikan kepadanya. Metrik yang penting menjadi dapat dibaca ketika urutan dan konteks bersama telah terkunci.

Koordinasi dan Kolaborasi di Pusat Kapabilitas

Pada akhirnya, keunggulan struktural produsen besar (volume produksi yang masif, dataset historis, konsistensi proses, serta sumber daya talenta dan teknologi) tidak dapat dipungkiri. Namun, keunggulan ini hanya akan semakin bertambah jika produsen terlebih dahulu menyelesaikan masalah kolaborasi.

Memandang ke depan, seiring kemampuan AI berkembang menuju otonomi total, dan baik sistem maupun jalur produksi tumbuh, kolaborasi dan koordinasi menjadi kebutuhan mutlak. Menganggap interoperabilitas, standar protokol, konteks bersama, pengawasan manusia yang terkalibrasi, dan rasa keterpaduan sebagai prasyarat arsitektural sebelum skala dan penerapan adalah keharusan. Ini menjadi garis pemisah antara produsen yang berhasil dan aman dalam menskalakan AI agenik, dan mereka yang masih terjebak pada fase pilot.