Kenapa perlu paham ini dulu
Hampir semua orang membahas AI Agent sekarang, tapi kebanyakan berhenti di kalimat "AI yang bisa kerja sendiri." Sebelum mulai memakai atau membangun AI Agent untuk bisnis, ada 6 istilah fondasi yang perlu dipahami lebih dulu. Bukan supaya terdengar teknis, tapi supaya kamu tahu apa yang sebenarnya terjadi di balik layar saat AI Agent bekerja, dan bisa menilai sendiri mana AI Agent yang dirancang dengan benar dan mana yang cuma chatbot biasa yang dibungkus ulang.
Praktek: Cara Membangun AI Agent Sederhana di Claude
Enam istilah di atas bukan cuma teori. Di Claude, tiap istilah punya padanan fitur nyata yang bisa langsung kamu pakai:
- MCP -> praktiknya adalah Connectors (Notion, Google Drive, Gmail, dan lainnya)
- Agent Loop -> praktiknya adalah satu prompt yang berisi rangkaian tugas sekaligus, bukan dipecah manual satu per satu
- Tools & Data -> praktiknya adalah file yang di-upload atau Project Knowledge, ditambah web search
- Check & Result -> praktiknya adalah instruksi validasi eksplisit di dalam prompt
- Agentic RAG -> praktiknya adalah instruksi "cari lagi kalau belum cukup" di dalam prompt
- Memory -> praktiknya adalah setting memory di Claude (Search and reference past chats, atau Generate memory from chat history)
Otonom di dalam satu respons, vs otonom jalan sendiri tanpa kamu buka chat
Ada dua lapisan "otonom" yang sering tertukar, dan penting dipisahkan supaya tidak salah paham soal AI Agent. Lapisan pertama adalah otonom di dalam satu respons. Begitu kamu kirim satu prompt, Claude sendiri yang menjalankan siklus Persepsi, Pikir, Bertindak, Cek Hasil: mencari data, memvalidasi, mencari lagi kalau kurang, tanpa kamu arahkan satu per satu di tengah jalan. Ini yang dibahas di enam istilah pada bagian berikutnya. Otonominya ada di dalam satu eksekusi, tapi kamu tetap yang menekan kirim. Lapisan kedua adalah otonom lintas waktu, benar-benar jalan sendiri tanpa kamu membuka chat. Ini ada di fitur Scheduled Tasks pada Claude Cowork. Kamu menyiapkan satu tugas sekali saja, misalnya "tiap Senin jam 8 pagi, rangkum email masuk minggu lalu dan buat laporan," lalu Claude menjalankannya sendiri sesuai jadwal, tanpa kamu perlu membuka aplikasi. Setiap kali berjalan, mekanismenya tetap sama seperti lapisan pertama: connector yang sama, tools yang sama, loop yang sama, memory yang sama. Bedanya cuma pemicunya, bukan kamu yang mengetik, tapi jadwal yang sudah diatur. Scheduled Tasks ada di Claude Cowork, bukan di Claude chat biasa, dan perlu paket berbayar (Pro, Max, Team, atau Enterprise). Saat ini paling matang di versi desktop, sementara versi web dan mobile masih tahap beta. Jadi enam istilah di atas menjelaskan bagaimana cara kerja AI Agent, bukan kapan dia mulai bekerja. Baik dipicu oleh kamu mengetik prompt, atau dipicu otomatis oleh jadwal di Scheduled Tasks, mekanisme di baliknya tetap sama.
1. MCP (Model Context Protocol)
AI mulai bisa terhubung ke dunia luar.
Model Context Protocol (MCP) adalah standar terbuka yang memungkinkan AI terhubung dengan berbagai data, aplikasi, dan tools eksternal, tanpa perlu membuat integrasi khusus untuk setiap kombinasi. Bayangkan AI seperti karyawan baru yang pintar tapi terkunci di ruangan kosong, tanpa akses ke lemari arsip, sistem perusahaan, atau email. Tanpa jalur penghubung, AI cuma bisa menjawab dari apa yang sudah dipelajari saat training, dan itu bisa ketinggalan zaman atau sama sekali tidak menyangkut data bisnismu. MCP berfungsi seperti soket universal: satu standar yang membuat AI bisa disambungkan ke data internal, aplikasi bisnis, atau layanan pihak ketiga, tanpa harus dibangunkan jembatan khusus satu per satu.
Cara kerja sederhana
AI Agent ↔ MCP ↔ Tools & Data (Database, File, API, Search, Aplikasi Bisnis, Spreadsheet, Email, Webhook)
Contoh pemakaian nyata
Toko online kecil menghubungkan Claude ke database stok produknya di Notion lewat MCP. Saat owner tanya "cek stok baju ukuran M warna hitam masih ada berapa," Claude langsung mengambil angka asli dari database, bukan menebak berdasarkan ingatan lama.
Cara membangun langkah demi langkah
- Siapkan database stok di Notion (kolom minimal: Nama Produk, Ukuran, Warna, Stok, Harga).
- Di Claude, klik tombol "+" di kolom chat, arahkan ke "Connectors", lalu pilih "Manage connectors".
- Cari "Notion", klik "Connect", lalu ikuti proses login dan izinkan aksesnya.
- Di percakapan yang mau memakainya, aktifkan toggle Notion lewat menu "+" > "Connectors" supaya Claude tahu tools ini boleh dipakai di chat itu.
- Tanya langsung, Claude akan mencari datanya sendiri ke database Notion yang sudah terhubung.
Prompt yang bisa langsung dipakai
Cek di database Stok Produk Notion aku, baju kaos ukuran M warna hitam sisa berapa?
Biar rutin (opsional): buat Project baru di Claude, isi instruksinya: "Kamu asisten toko [nama toko]. Setiap ditanya soal stok, cek ke database Notion 'Stok Produk' dan jawab dengan format: nama produk, ukuran, warna, sisa stok." Setiap chat baru di project itu otomatis mengikuti format tersebut. <callout icon="⭐">
Key takeaway: MCP adalah jalur penghubung antara AI dengan tools dan data yang kamu punya. </callout>
2. Agent Loop
AI yang tidak berhenti setelah satu jawaban.
Agent Loop membuat AI Agent bekerja secara berulang: menjalankan tugas, mengevaluasi hasilnya, lalu mengulang prosesnya sampai tujuan tercapai. Bedanya dengan chatbot biasa, chatbot berhenti setelah satu kali tanya jawab, sementara AI Agent terus berputar dalam siklus sampai pekerjaan benar-benar selesai. Chatbot biasa bekerja seperti: kamu tanya, dia jawab, selesai. AI Agent dengan Agent Loop bekerja seperti asisten yang diberi satu tugas besar, lalu dia sendiri yang memecahnya jadi langkah-langkah kecil:
- Persepsi: membaca situasi dan data
- Pikir: menganalisis dan merencanakan
- Bertindak: menjalankan langkah atau memakai tools
- Cek Hasil: evaluasi apakah tujuannya sudah tercapai Kalau belum tercapai, siklus ini diulang lagi sampai selesai, tanpa kamu harus mengarahkan satu per satu.
Contoh pemakaian nyata
Kamu memberi tugas ke agent: "cari 10 prospek bisnis untuk jasa desain logo, cek dan rangkum datanya, pilih yang paling potensial, lalu buatkan draft email penawaran." Semua langkah itu dikerjakan agent sendiri secara berurutan, tanpa kamu harus menyuruhnya satu per satu di setiap tahap.
Cara membangun langkah demi langkah
- Buka chat baru, aktifkan web search di kolom chat.
- Opsional: hubungkan Gmail lewat Connectors kalau mau draft emailnya langsung tersimpan di akun Gmail asli, bukan cuma teks di chat.
- Kirim satu prompt berisi seluruh rangkaian tugas sekaligus, jangan dipecah manual.
- Claude menjalankan siklusnya sendiri: mencari data lewat web search, merangkum, memilih yang paling potensial, lalu menulis draft, semua dalam satu respons.
Prompt yang bisa langsung dipakai
Cari 10 studio atau freelancer desain logo di Jakarta yang biasa melayani UMKM. Untuk masing-masing, catat nama, kontak atau website, dan kisaran harga jasanya. Setelah itu urutkan dari yang paling potensial diajak kolaborasi, lalu buatkan draft email singkat untuk 3 teratas menawarkan kolaborasi cross-promotion. <callout icon="⭐">
Key takeaway: Agent Loop artinya AI bekerja dalam siklus, bukan sekadar memberi satu respons lalu selesai. </callout>
3. Tools & Data
AI Agent butuh data dan tools untuk bekerja maksimal.
AI Agent perlu dua bahan bakar untuk bekerja dengan baik: tools untuk bertindak, dan data untuk jadi dasar keputusannya. Tanpa keduanya, AI hanya bisa menjawab dari ingatan umum yang sering kali terlalu general untuk kebutuhan bisnismu. Tools yang bisa dipakai agent antara lain search untuk mencari informasi terkini, database untuk menyimpan dan mengelola data penting, API untuk menghubungkan ke aplikasi lain, dan file upload untuk memberi dokumen sebagai referensi. Data yang bisa dipakai juga beragam: data bisnis seperti penjualan dan laporan pelanggan, data pasar seperti tren dan riset kompetitor, sampai data internal seperti SOP dan panduan perusahaan. Tanpa tools dan data yang tepat, AI cuma bisa memberi jawaban umum yang terdengar bagus tapi tidak nyambung dengan kondisi bisnismu.
Contoh pemakaian nyata
Bisnis kuliner memberi agent akses ke data penjualan bulanan dan tools search untuk memantau tren harga bahan baku. Hasilnya, rekomendasi menu baru yang diberikan agent bukan tebakan asal, tapi berdasarkan data penjualan asli dan kondisi harga pasar terkini.
Cara membangun langkah demi langkah
- Siapkan data penjualan bulanan dalam bentuk file Excel atau CSV.
- Upload file itu langsung ke chat, atau taruh di Project Knowledge kalau mau dipakai berulang tiap bulan.
- Aktifkan web search supaya Claude bisa mencari data pasar terkini di luar file itu.
- Kirim prompt yang meminta Claude menggabungkan analisis dari file dengan hasil pencarian web.
Prompt yang bisa langsung dipakai
Ini data penjualan bulan lalu (lampirkan file). Analisis menu mana yang paling laku dan margin-nya, lalu cari harga pasar terkini bahan baku utama menu tersebut. Berdasarkan itu, rekomendasikan 2 menu baru yang masih menguntungkan. <callout icon="⭐">
Key takeaway: AI sekuat tools dan data yang kamu berikan. Data asal-asalan menghasilkan jawaban asal-asalan. </callout>
4. Check & Result
AI Agent mengecek hasilnya sendiri, lalu memperbaiki kalau perlu.
AI Agent yang baik tidak berhenti setelah memberi jawaban pertama. Dia mengecek dulu akurasinya, dan kalau ada yang kurang, dia memperbaikinya sebelum hasil itu diserahkan ke kamu. Di dunia AI, pola ini sering disebut reflection atau evaluator-optimizer, tapi intinya sama: satu proses mengevaluasi hasil dari proses lain, lalu memperbaikinya sebelum selesai. Ada empat hal yang dilakukan agent dalam tahap ini:
- Validasi Jawaban: mengecek kebenaran fakta dan data
- Cek Kelengkapan: memastikan semua bagian sudah terjawab
- Perbaikan Otomatis: membenahi kekurangan tanpa disuruh ulang
- Hasil Akhir Optimal: memberikan jawaban yang benar-benar siap dipakai Proses ini yang membedakan AI Agent dari chatbot biasa yang langsung memberi jawaban pertama tanpa pernah mengecek ulang kualitasnya sendiri.
Contoh pemakaian nyata
Agent yang menyusun laporan pengeluaran bulanan otomatis mencocokkan total di laporan dengan total di data mentah sebelum dikirim ke owner. Kalau ada selisih angka, agent memperbaikinya dulu, bukan langsung mengirim laporan yang belum tentu benar.
Cara membangun langkah demi langkah
- Siapkan data mentah pengeluaran, file Excel/CSV, atau hubungkan Google Drive lewat Connectors kalau datanya ada di Google Sheets.
- Upload atau arahkan Claude ke data itu.
- Tulis instruksi validasi secara eksplisit di dalam prompt. Bagian inilah yang memicu proses Check & Result, bukan sekadar minta "buatkan laporan".
Prompt yang bisa langsung dipakai
Susun laporan pengeluaran bulan ini dari data terlampir. Sebelum kasih hasil akhir, cek ulang apakah total di laporan sama dengan total di data mentah, dan apakah semua pengeluaran sudah masuk kategori yang benar. Kalau ada yang meleset, perbaiki dulu, baru kasih versi finalnya.
Biar rutin (opsional): kalau ini kerjaan bulanan, instruksi validasi ini bisa dipindah ke Project instructions supaya tidak perlu ditulis ulang setiap kali. <callout icon="⭐">
Key takeaway: Agent yang bagus tidak hanya menjawab, tapi juga memastikan jawabannya benar-benar yang terbaik. </callout>
5. Agentic RAG
RAG biasa hanya mencari. Agentic RAG bisa memutuskan.
RAG (Retrieval-Augmented Generation) membantu AI mengambil informasi dari sumber eksternal sebelum menjawab. Agentic RAG menambahkan satu lapisan lagi: kemampuan mengambil keputusan, bukan cuma mencari dan langsung menjawab. RAG biasa bekerja dengan alur sederhana: cari dokumen, lalu jawab. Agentic RAG bekerja lebih jauh dari itu, dengan alur:
- Terima pertanyaan
- Tentukan apa yang perlu dicari
- Ambil informasinya (retrieve)
- Validasi apakah informasi sudah cukup
- Kalau belum cukup, cari lagi
- Baru kemudian menjawab Bedanya, agent ini terus bertanya ke dirinya sendiri di setiap langkah: apa yang perlu saya cari, apakah informasinya sudah cukup, dan apakah saya perlu mencari lagi. Itu sebabnya Agentic RAG jauh lebih bisa diandalkan untuk pertanyaan yang jawabannya tidak cukup dari satu dokumen saja.
Contoh pemakaian nyata
Saat riset kompetitor, agent tidak berhenti setelah membuka satu artikel lalu langsung menjawab. Kalau data harga kompetitor yang ditemukan masih belum lengkap, agent otomatis mencari sumber tambahan sampai jawabannya benar-benar solid, baru disampaikan ke kamu.
Cara membangun langkah demi langkah
- Aktifkan web search di chat.
- Tulis prompt yang secara eksplisit meminta Claude memvalidasi kecukupan informasi dan mencari lagi kalau belum cukup, bukan sekadar "cari info soal X".
Prompt yang bisa langsung dipakai
Riset harga jasa [layanan] dari 5 kompetitor di [kota]. Kalau informasi harga di satu sumber tidak lengkap, cari sumber tambahan sampai datanya cukup meyakinkan, baru rangkum perbandingan harganya dalam bentuk tabel. <callout icon="⭐">
Key takeaway: Agentic RAG adalah gabungan dari pencarian, penalaran, dan pengambilan keputusan. </callout>
6. Agent Memory
Tanpa memory, setiap percakapan terasa seperti mulai dari nol.
Agent Memory memungkinkan AI menyimpan dan menggunakan kembali informasi dari interaksi sebelumnya. Ada dua bentuk utama: short-term memory dan long-term memory. Short-term memory adalah konteks yang sedang dipakai dalam satu tugas atau percakapan, mirip ingatan kerja yang hilang begitu sesi selesai. Long-term memory adalah informasi yang disimpan untuk dipakai kembali di masa depan, bahkan setelah percakapan lama berakhir. Memory inilah yang membuat AI Agent tidak hanya tahu apa yang sedang terjadi sekarang, tapi juga bisa mengingat apa yang pernah terjadi sebelumnya, sehingga kamu tidak perlu mengulang instruksi yang sama setiap kali membuka sesi baru.
Contoh pemakaian nyata
Kamu pernah bilang ke Claude "saya selalu ingin laporan dibuat dalam format tabel." Berkat long-term memory, preferensi itu tetap diingat dan dipakai lagi di pekerjaan berikutnya, bahkan di sesi chat yang benar-benar baru, tanpa kamu perlu menjelaskan ulang dari awal.
Cara membangun langkah demi langkah
- Buka Settings, pastikan opsi memory (Search and reference past chats / Generate memory from chat history) aktif.
- Di percakapan biasa, sampaikan preferensi secara eksplisit sekali saja.
- Di sesi chat yang benar-benar baru, minta hal yang sama tanpa mengulang instruksi formatnya. Claude akan otomatis menerapkan preferensi yang sudah tersimpan.
Prompt sesi pertama
Selalu buatkan laporan dalam format tabel ya, mulai sekarang.
Prompt di sesi baru berikutnya (tanpa mengulang instruksi)
Buatkan laporan pengeluaran bulan ini. Hasilnya otomatis keluar dalam format tabel tanpa diminta ulang, karena preferensinya sudah tersimpan di memory. <callout icon="⭐">
Key takeaway: Memory membuat AI Agent tidak hanya tahu apa yang sedang terjadi, tapi juga bisa mengingat apa yang pernah terjadi. </callout>
Penutup: Sekarang kamu sudah tahu fondasinya
AI Agent bukan sekadar "chatbot yang lebih pintar." Di baliknya ada fondasi yang saling terhubung satu sama lain:
- MCP → Koneksi. Menghubungkan AI Agent dengan dunia luar, data dan tools di luar percakapan.
- Agent Loop → Aksi Berulang. AI bekerja dalam siklus, bukan berhenti setelah satu jawaban.
- Tools & Data → Sumber Daya. Bahan bakar yang menentukan seberapa relevan dan akurat hasil kerja AI.
- Check & Result → Validasi dan Perbaikan. AI mengecek hasilnya sendiri sebelum diserahkan ke kamu.
- Agentic RAG → Pencarian dan Keputusan. Tidak hanya mencari informasi, tapi juga memutuskan langkah selanjutnya.
- Memory → Konteks dan Ingatan. Menyimpan dan memakai kembali pengalaman dari interaksi sebelumnya. Dan ini baru permulaannya. Semakin kamu paham fondasi ini, semakin gampang menilai AI Agent mana yang benar dirancang untuk membantu bisnismu, dan mana yang cuma ikut tren tanpa fondasi yang jelas.