PT Elnusa Petrofin · 29 September – 1 Oktober 2026

Workforce Human + AIDalam pengembangan perangkat lunak

Mini workshop enablement — menyusun cara kerja manusia dan agent, lalu menjalankan satu rantai tugas sampai kembali ke manusia.

Profil fasilitator

Faisal Rahman

Head of IT Pantau.com · Transformasi digital & AI enterprise

Mau, Lakukan, Doa

Transformasi & AI

11+ tahunMemimpin modernisasi skala enterprise — Telekomunikasi, Pemerintahan, Korporasi, Media.
Human + AI workforceSDLC end-to-end dengan agen; tim IT lean, kapasitas setara ~15 FTE.
ERP terintegrasiHRIS, produktivitas, legal, sales, akuntansi — plus ekosistem ~60 skill engineering assist AI.
Intelligence platformDeteksi isu & narasi real-time (Sentinel) — dampak bisnis ~Rp800 juta.

Relevansi skala besar

Pemerintah & complianceE-Renggar (4.000+ pengguna, 2 kementerian); IGRS infrastruktur ICT nasional.
TelkomselStrategic acquisition, growth, traffic & revenue — LOOP.CO.ID, Dunia Games. Automation, data science, data visualization.
AI enablementComputer vision survey harvest sawit, OCR KK/KTP, face recognition, object detection — industri agro & finance.

Outline · 3 hari

Enam sesi — satu garis kerja

Dokumen dulu, skill, agen mandiri, lalu orkestrasi.

HARI 1 · 29 SEP

Sesi 1 · Konsep

Evolusi & risiko AI agentic
Tangga Basic Chat → Agentic → Workforce

Sesi 2 · Platform

Business Requirement
Architecture
Tech Stack
Design

HARI 2 · 30 SEP

Sesi 3–4 · Pengembangan modul

Planning
Development
Testing
Audit
Reporting

HARI 3 · 1 OKT

Sesi 5

Mengembangkan orkestrasi
Mengembangkan skill development

Sesi 6

Presentasi dari masing-masing group
Pengumuman pemenang
Closing

01

Hari 1 · Sesi 1 · Materi

Konsep AI, agentic, dan kerja tim manusia–AI

Predictive vs agentic · autonomy ladder · five-stage cycle · team coordination when agents work from documents.

180 menit

Tim operasi Elnusa Petrofin — **Operasi lapangan** Instruksi jelas, pemilik keputusan jelas — pola yang sama dipakai saat bekerja dengan AI.

01 · Context

Evolusi AI — Dari Predictive ke Agentic AI

Dari mesin yang mengikuti aturan → belajar dari data → menghasilkan konten → menggunakan tools → bertindak dan berkolaborasi untuk mencapai tujuan.

1956

Symbolic AIRules & logic
IF kondisi A → lakukan B

1980–90s

Expert Systems Knowledge base + rules untuk rekomendasi

1990–2000s

Machine Learning Belajar pola dari data untuk prediction

2010–2016

Deep Learning Belajar representasi dan pola kompleks

2017

Transformer Attention menjadi fondasi modern LLM

2020

Large Language ModelGPT-3 dan general-purpose few-shot learning

2022

Generative AIMenghasilkan text, image, audio, dan code

2023–2024

AI AgentsLLM mulai menggunakan tools dan APIs

2024–2026

Agentic AIGoal + reasoning + tools + memory + feedback + action

2026+

Masa Depan AIHuman-agent teams + multi-agent + multimodal + embodied AI

1956 adalah tonggak pembentukan bidang AI. 2026+ merupakan arah perkembangan—bukan prediksi yang pasti—dengan manusia tetap memegang judgment, governance, dan accountability.

AI evolved from following rules, to learning patterns, to generating content, and now toward systems that can reason, use tools, and act to achieve goals.

02 · Industry Adoption

Industri mulai menggunakan Agentic AI

Peringkat sektor dari survei Feb–Mar 2025 — basis: organisasi yang sudah menjajaki Gen AI, sektor publik tidak dihitung. Angka ini menunjukkan urutan sektor, bukan tingkat adopsi seluruh industri.

Peringkat sektor (10 teratas) — organisasi yang sudah mengimplementasikan AI agent / multi-agent system · Capgemini, Feb–Mar 2025 · N = 1.527

High-techSoftware engineering · IT operations 45%
Industrial manufacturingProduction scheduling · quality triage 28%
Consumer productsDemand planning · product operations 25%
Energy & utilitiesGrid monitoring · field-service coordination 21%
Pharma & healthcareKnowledge workflows · patient administration 19%
RetailInventory actions · customer support 18%
BankingKYC investigation · fraud case support 18%
AutomotiveEngineering workflow · diagnostics 16%
InsuranceClaims handling · underwriting support 14%
Aerospace & defenseMaintenance planning · supply-chain workflow 9%

Bar chart: 10 sektor teratas dari 12 di laporan (Media & Telecommunications tidak ditampilkan). Peringatan sumber: Capgemini menyatakan angka survei Feb–Mar 2025 berpotensi terlalu tinggi karena responden mencampur AI agent dengan asisten Gen AI (Copilot, ChatGPT). Donut memakai survei ulang yang diverifikasi. Dua angka biru–merah: McKinsey, State of AI 2025 (N=1.993). Contoh workflow ilustratif; implemented ≠ enterprise-scale.

03 · Reality Check

Adopsi ≠ kesiapan

Organisasi memasang agent jauh lebih cepat daripada membenahi cara kerjanya. Yang tertinggal bukan kemampuan model, melainkan dokumen acuan, pembagian peran, gerbang persetujuan, dan jejak audit.

Yang diakui organisasi · Capgemini, Mei–Jun 2025

28%merasa siap secara keterampilan untuk mengelola dan menerapkan AI agent
69%tetap menahan keahlian manusia di alur operasi, untuk jaga-jaga kalau agent gagal menyelesaikan tugas
75%menilai manfaat pengawasan manusia atas pekerjaan agent lebih besar daripada biayanya
46%sudah punya kebijakan tata kelola AI — dan 47% di antaranya mengakui karyawan jarang mematuhinya

Kesiapan cara kerja — yang sudah benar-benar dikerjakan · N = 974

Merestrukturisasi alur kerja agar agent terintegrasi 18%
Membentuk peran atau tim baru untuk mengelola kolaborasi manusia–AI 18%
Mengidentifikasi tugas sensitif yang tidak boleh diserahkan ke agent 16%
Memperbarui peran dan tanggung jawab agar mencakup kerja bersama agent 14%
Memasukkan kinerja agent ke dalam KPI atau proses audit 14%
Mengubah ritual kerja — standup atau sprint planning bersama AI 10%

67%mengakui perlu merestrukturisasi cara kerja agar kolaborasi manusia–AI berjalan

59%memperkirakan struktur organisasi bergeser dari piramida klasik dalam 3–5 tahun

Sumber: Capgemini, Harnessing the Value of AI 2025 — Generative AI executive survey, Mei–Jun 2025. Kolom kiri N = 1.020 organisasi yang minimal menjajaki Gen AI, kecuali angka 47% (N = 473 yang sudah punya kebijakan tata kelola). Kolom kanan N = 974 organisasi yang memakai atau berencana memakai agent. Panjang bar diskalakan terhadap nilai tertinggi 18%, bukan terhadap 100%.

Yang menghambat bukan kemampuan model — melainkan cara kerja yang belum disiapkan.

04 · Challenges

Dari Kelemahan AI ke Risiko Agentic AI

Kelemahan model tetap ada. Ketika AI memperoleh tools, identity, memory, dan izin bertindak, kesalahan jawaban dapat berubah menjadi tindakan nyata.

TANTANGAN AI / LLM

Wrong answer dan keterbatasan model

Hallucination / confabulation — jawaban salah tetapi meyakinkan.
Bias & data quality — hasil mengikuti keterbatasan data dan evaluasi.
Context & grounding — konteks tidak lengkap atau sumber tidak terverifikasi.
Privacy — data sensitif dapat masuk ke prompt, log, atau model.
Explainability — alasan hasil sulit diaudit secara konsisten.
Cost & latency — kualitas, kecepatan, dan biaya harus diseimbangkan.

TANTANGAN KHUSUS AGENTIC AI

Wrong action dan attack surface baru

Goal hijacking & prompt injection — tujuan agent dialihkan oleh input berbahaya.
Tool misuse / excessive agency — agent memakai tool atau aksi di luar kebutuhan.
Identity & privilege abuse — permission terlalu luas atau kredensial disalahgunakan.
Memory poisoning — konteks tersimpan dimanipulasi dan memengaruhi aksi berikutnya.
Reliability & cascading failures — satu kegagalan menyebar sepanjang workflow.
Governance & accountability — pemilik keputusan, insiden, dan recovery tidak jelas.

Risiko ini terukur, bukan teori — tingkat keberhasilan pembajakan agent · NIST CAISI + UK AISI, uji AgentDojo

Serangan baseline terkuat11%
Rata-rata 5 injection task — 1 percobaan57%
5 task yang sama — 25 percobaan80%
Serangan adaptif hasil red team81%

Diuji pada model yang saat itu justru paling tahan terhadap hijacking — jadi ini gambaran kasus terbaik, bukan terburuk.

Daftar risiko: NIST AI 600-1 — Generative AI Profile · OWASP Top 10 for Agentic Applications 2026. Angka pembajakan: NIST CAISI, Strengthening AI Agent Hijacking Evaluations, Jan 2025 — framework AgentDojo (ETH Zurich), red teaming bersama UK AI Security Institute; “serangan adaptif” dikembangkan di environment Workspace lalu tetap berhasil di tiga environment lain. Angka kepercayaan: Capgemini, Generative AI executive survey, Mei–Jun 2025 — 71% dan 46% dari N = 1.020 organisasi yang minimal menjajaki Gen AI; 65% dan 62% dari N = 567, yaitu hanya organisasi yang tidak percaya atau netral — bukan seluruh responden.

Hallucination → wrong reasoning → wrong tool or parameter → wrong action

05 · Human + Agent

Mengapa Memilih AI Agent untuk Pekerjaan Tertentu?

Bukan karena manusia tidak penting, tetapi karena agent unggul pada pekerjaan digital, repetitif, terukur, dan bervolume tinggi—sementara manusia memegang judgment dan tanggung jawab.

PRODUCTIVITY

Memperbesar kapasitas

Lebih banyak pekerjaan dapat diselesaikan dengan sumber daya yang sama.

AVAILABILITY

Berjalan 24/7

Workflow digital tidak harus menunggu jam kerja atau ketersediaan kolega.

SPEED

Eksekusi lebih cepat

Search, read, compare, analyze, dan act dilakukan dalam satu alur.

SCALE

Menangani volume paralel

Kapasitas digital dapat bertambah tanpa pertumbuhan headcount yang selalu linear.

WORKFLOW

Bukan hanya satu task

Agent dapat menjalankan rangkaian langkah, memakai tools, lalu memperbarui sistem.

KNOWLEDGE

Knowledge multiplier

Praktik pekerja berpengalaman dapat dibagikan dan diterapkan lebih konsisten.

Alasan karyawan memakai AI, bukan rekan kerja · Microsoft WTI 2025 · N = 31.000

Tersedia 24/742%
Cepat & kualitas konsisten30%
Ide baru tanpa batas28%
Kapasitas tak terbatas23%

Kenaikan produktivitas per masa kerja — makin baru, makin besar · NBER, 5.179 agen

Masa kerja < 1 bulan+46%
Pemula / skill rendah+34%
Rata-rata seluruh agen+14%
Masa kerja > 1 tahun±0%

Kiri: Microsoft & LinkedIn, Work Trend Index 2025 (Edelman Data x Intelligence, 31.000 pekerja di 31 negara) — pertanyaan “mengapa memakai AI alih-alih rekan kerja”; alasan terendah justru menghindari penilaian manusia (17%). Tengah & kanan: Brynjolfsson, Li & Raymond, Generative AI at Work, NBER WP 31161 (rev. Nov 2023) — 5.179 agen customer support, AI assistance berbasis chat, bukan agent otonom; produktivitas = issues resolved per hour. Pada agen paling berpengalaman efeknya nol, dan sebagian ukuran kualitas justru turun sedikit.

Agent: speed, availability, scale, consistency · Human: judgment, creativity, empathy, accountability

Tiga tingkat

Basic Chat → Agentic → Workforce AI

Tiga tingkat implementasi AI yang dipakai sepanjang kelas — naik bertahap, tidak melompat.

01 · BASIC CHAT

AI lewat prompt

Hanya dengan prompt — AI menjawab, manusia yang mengerjakan.

02 · AGENTIC

AI menuntaskan satu tugas

Baca → pahami → eksekusi → evaluasi → laporkan.

03 · WORKFORCE

AI dalam tim kerja

Menjadi bagian tim kerja bersama manusia — berbagi peran dan serah terima.

Pembanding — tangga otonomi Level 0–5 · Capgemini, Harnessing the Value of AI 2025

L0No agent involvement
L1AI-assisted (automation first)
L2AI-augmented decision-making
L3AI-integrated (process-centric AI)
L4Independent operation (multi-agent AI teams)
L5Fully autonomous (self-evolving systems)

Di luar kelasbelum memakai agent

Basic ChatL1

AgenticL2–L3 · fokus tiga hari ini

WorkforceL4–L5 · arah, bukan target kelas

Level 0–5 mengikuti penamaan Capgemini. Ekspektasi responden: 15% proses per fungsi bisnis mencapai Level 3+ dalam 12 bulan dan 20% dalam tiga tahun, sementara baru 6% keputusan harian diperkirakan diambil agent dalam 12 bulan. Sumber: Capgemini, Generative AI executive survey Mei–Jun 2025 (N = 1.020) dan AI agents research Jul 2025 (N = 1.500); proyeksi tiga tahun dari N = 845 organisasi yang dihubungi ulang.

06 · Future Workforce

Masa Depan Workforce: Manusia + Agentic AI

Tim masa depan bukan manusia melawan AI, tetapi manusia yang mengarahkan sekumpulan agent untuk memperbesar kapasitas—dengan tanggung jawab akhir tetap pada manusia.

HUMAN LEADERSHIP

Menentukan arah dan batas

Goal dan prioritas
Judgment serta kreativitas
Empati dan relasi
Approval berisiko tinggi
Accountability

AGENT EXECUTION

Menjalankan pekerjaan digital

Search dan synthesis
Analisis volume besar
Eksekusi task repetitif
Tool dan API orchestration
Monitoring 24/7

SHARED OPERATING MODEL

Bekerja sebagai satu tim

Delegation yang jelas
Human-agent ratio
Shared context dan memory
Escalation path
Audit dan continuous learning

Human sets intentGoal & policy

Agent plansTasks & tools

Agent executesDigital work

Human governsReview & exception

Team learnsFeedback & improve

Kesiapan “agent boss” — pemimpin sudah jauh di depan karyawan · Microsoft WTI 2025 · N = 31.000

PemimpinKaryawan

Familiar dengan konsep agent 67% 40%
Rutin memakai AI untuk bekerja 69% 45%
Memperkirakan akan mengelola agent 36% 21%
Hemat ≥ 1 jam per hari berkat AI 29% 20%

Pemimpin unggul di ketujuh indikator — jarak terlebar pada familiaritas (27 pp) dan pemakaian rutin (24 pp), persis yang ditutup pelatihan ini. Selain itu 78% pemimpin mempertimbangkan merekrut peran khusus AI dalam 12–18 bulan.

Sumber: Microsoft & LinkedIn, Work Trend Index 2025 — Edelman Data x Intelligence, 31.000 pekerja purnawaktu di 31 negara; konsep human-agent teams, human-agent ratio, dan agent boss berasal dari laporan yang sama. Kesenjangan diukur lewat tujuh indikator “agent boss mindset” — empat ditampilkan di sini; yang tidak ditampilkan antara lain memakai AI sebagai teman berpikir (54% vs 41%). Peran khusus AI yang paling dipertimbangkan: AI agent specialist (32%) dan AI workforce manager (28%). Lingkup kerja lima tahun dan rencana perekrutan berasal dari dua pertanyaan survei yang berbeda, jadi tidak dapat dijumlahkan.

Target operating model: automate tasks, augment people, redesign workflows—and scale accountability with capability.

07 · Anatomi Agent

Agent itu seperti satu manusia utuh

LLM hanyalah otaknya. Harness adalah seluruh tubuh tempat otak itu dipasang — indra, tangan, ingatan, saraf, dan rem — sehingga agent bisa bekerja, bukan sekadar bicara.

1 · Otak = LLM

Menalar & memutuskan

Memilih langkah berikutnya dari konteks yang diterima. Tanpa tubuh, otak hanya bisa menjawab — tidak bisa bertindak.
2 · Pancaindra = input & konteks

Menangkap informasi

Prompt, dokumen, gambar, suara, dan hasil kerja tool masuk sebagai konteks. Prompt adalah perintah yang didengar, bukan indranya.
3 · Tangan = tools

Bertindak nyata

Baca/tulis file, terminal, browser, API. Hasilnya kembali ke pancaindra sebagai observasi.
4 · Ingatan = memory

Ingat antarsesi

Riwayat kerja, file aturan (rules, AGENTS.md), dan catatan yang dibaca ulang setiap sesi.
5 · Saraf = loop kerja

Pikir → aksi → lihat hasil

Harness mengulang siklus ini sampai tugas selesai atau batas langkah tercapai.
6 · Rem = izin & batas

Tahu kapan berhenti

Folder dan perintah yang boleh disentuh, serta kapan wajib minta persetujuan manusia.

Tubuh sama, otak bisa diganti

Di Cursor, model dapat dipilih tanpa mengganti alat kerjanya — kualitas agent ditentukan otak dan tubuhnya.

Harness · engineeringCursor · Claude Code · Codex · OpenCode · Amp

Harness · umumOpenClaw · Hermes Agent

Otak · LLMGPT · Claude · Gemini · model open-weight

Definisi agent: NIST AI 100-2 E2025, Adversarial Machine Learning, §3.5 — sistem perangkat lunak yang berulang kali mem-prompt model, memproses keluarannya (misalnya memanggil fungsi), lalu mengembalikan hasilnya ke model; dapat dilengkapi tools, memori, dan perencanaan. Loop pikir–aksi–observasi: Yao dkk., ReAct, ICLR 2023. “Augmented LLM” = LLM + retrieval, tools, memory; agent = “LLMs using tools based on environmental feedback in a loop”: Anthropic, Building effective agents, Des 2024. Istilah harness adalah istilah praktisi, bukan istilah baku di ketiga sumber tersebut.

Agent = otak (LLM) + tubuh (harness). Manusia tetap atasannya — memberi tugas, memasang batas, dan menyetujui hasil.

08 · Flow agentic

Satu tugas: terima → rencana → kerja → evaluasi → lapor

Kerangka lima tahap untuk satu pekerjaan agentic — dipraktikkan di sesi berikutnya setelah dokumen acuan siap. Tahap 3–4 sering berulang sampai kriteria selesai terpenuhi.

1Menerima tugas

2Rencana

3Kerja

4Evaluasi

5Laporan

1 · Menerima tugas

Perintah & batas jelas
- Satu kalimat tujuan + folder/modul yang boleh disentuh
- Dokumen wajib (@ file, PRD, kartu task)
- Kriteria “selesai” ditulis sebelum agent jalan
2 · Merencanakan

Tugas + langkahnya
- Pecah jadi langkah kecil yang bisa diuji
- Pilih tools/skill per langkah
- Rencana singkat — manusia boleh setujui dulu
3 · Melakukan pekerjaan

Eksekusi dalam batas
- Baca → kerjakan satu scope → panggil tool
- Hasil tool = observasi untuk langkah berikutnya
- Tidak menebak keputusan yang belum ditulis
4 · Evaluasi

Cek terhadap kriteria
- Bandingskan hasil dengan “ground truth” (tes, log, file)
- Lolos → lanjut; gagal → perbaiki atau ulang rencana
- Batas langkah & eskalasi ke manusia jika macet
5 · Laporan

Serah terima bukti
- Ringkas: apa dilakukan, apa diubah, hasil uji
- Update status di dokumen phase / kartu
- Commit bila perlu · berhenti · tidak lanjut task lain

Poin 1 + 2 Goals dan Referensi

Poin 3 – 5 Instruksi / skill agar tertib melakukan ReAct

Dasar konsep: Yao dkk., ReAct (ICLR 2023) — jejak thought–action–observation, rencana disesuaikan dari observasi. Anthropic, Building effective agents (Des 2024) — setelah tugas jelas, agent merencana dan beroperasi; tiap langkah butuh ground truth dari lingkungan (hasil tool, eksekusi kode); pola evaluator–optimizer untuk evaluasi berulang; stopping conditions untuk berhenti. NIST AI 100-2 E2025 §3.5 — agent mengulang prompt → proses output → umpan balik ke model. Pola plan-and-execute (rencana di awal, re-plan jika gagal): ringkasan praktisi Atlan 2025 (mengacu ReWOO, Xu dkk. 2023). Contoh laporan terstruktur di akhir subtask: Aime multi-agent framework (arXiv:2507.11988, Jul 2025) — bukan sumber wajib kelas.

Flow kelas = 5 tahap linear untuk satu kartu pekerjaan · di dalam tahap 3–4 agent boleh putar siklus sampai evaluasi lulus.

09 · Workforce · Pola koordinasi

Tim manusia sejalan karena empat hal — itu juga yang dipakai AI

Tim besar tidak saling paham karena sering mengobrol, tetapi karena ada metodologi, papan tugas, pembagian peran, dan dokumen yang sama. Empat hal itu yang kita adopsi supaya manusia dan agent paham yang dimaksud dan yang dijalankan.

Manusia ↔ Agent

Todo · arahan⇄Report · bukti

Manusia memberi tujuan, batas, dan persetujuan; agent membalas dengan hasil + bukti.

Agent ↔ Agent

Trigger aksi⇄Report · status

Satu selesai → menyerahkan tugas berikutnya lewat kartu & file, bukan saling menebak.

Manusia ↔ Manusia

Keputusan⇄Prioritas

Sepakat dulu soal prioritas, scope, dan risiko — hasilnya ditulis, jadi acuan agent.

1 · Metodologi

Cara kerja disepakati: ritual, tahapan, dan definisi “selesai”.

Untuk AI: rules & skill — metodologi yang dibaca agent sebelum bekerja.

2 · Task management

Satu papan, satu kartu, status dan pemilik terlihat semua orang.

Untuk AI: agent mengambil kartu dan memperbarui status di tempat yang sama.

3 · Pembagian kerja

Peran dan batas wewenang jelas — siapa memutuskan, siapa mengerjakan.

Untuk AI: satu agent satu peran, dengan batas folder, tool, dan izin.

4 · Dokumentasi

PRD, SOP, dan catatan keputusan jadi acuan bersama, bukan ingatan.

Untuk AI: dokumen yang sama menjadi konteks yang dibaca agent.

Pemicu mulai kerja — berlaku untuk manusia maupun agent

1 · SchedulerWaktu yang ditentukan: cron, jadwal harian, “setiap Senin 08:00”.

2 · InstruksiAda kiriman dari agent lain atau manusia: todo baru, approval, kartu pindah stage.

Literatur koordinasi tim: Okhuysen & Bechky, Coordination in Organizations: An Integrative Perspective, Academy of Management Annals 3(1), 2009 — lima mekanisme (aturan & rencana, artefak, peran, rutinitas, kedekatan) menghasilkan tiga syarat: accountability, predictability, common understanding. Clark & Brennan, Grounding in Communication, 1991 — pemahaman bersama dibangun bertahap; biaya ditanggung kedua pihak (least collaborative effort). Scrum Guide 2020 — tiap artefak punya komitmen (Product Goal, Sprint Goal, Definition of Done) agar transparan. DORA, Accelerate State of DevOps 2023 — mutu dokumentasi internal (andal, mudah ditemukan, terkini, relevan) memperkuat dampak praktik teknis, mis. trunk-based development 12,8× dan reliability practices 1,4×. Jembatan ke AI: Anthropic, Building effective agents 2024 — investasikan usaha pada agent-computer interface sebesar pada antarmuka manusia; deskripsi tool ditulis “seperti docstring untuk junior developer”.

Yang membuat tim paham satu sama lain bukan obrolan, melainkan artefak bersama — dan agent membaca artefak yang sama.

10 · Evolusi software development

Perubahan cara membangun perangkat lunak di era AI

Yang berubah bukan hanya cara menghasilkan kode, tetapi satuan kerjanya — dari menulis baris kode menjadi mengelola hasil lewat tim manusia + agent.

01 · CODER

Manusia menulis kodenya

Kebutuhan → desain → kode
Editor dan compiler sebagai alat
Manusia mengerjakan setiap langkah
Kecepatan dibatasi jumlah orang
Satuan nilai: kode

Tetap dibutuhkan: tanpa paham isinya, meninjau hasil jadi menebak.

02 · VIBE CODING

Manusia prompt, AI membuat

Maksud disampaikan lewat prompt
AI membuat dan merevisi kode
Cepat untuk eksplorasi dan purwarupa
Mutu bergantung pada yang meninjau
Satuan nilai: output

Paling banyak dipakai hari ini — cepat, tetapi sulit ditelusuri ulang.

03 · AGENTIC DEVELOPMENT

Agent menjalankan alur kerja

Spesifikasi → rencana → kode → tes
Agent memakai repo dan tools
Manusia memasang batas dan gerbang
Butuh dokumen dan aturan yang jelas
Satuan nilai: alur kerja

Inilah yang kita latih di Sesi 2–5: agent bekerja dari dokumen dan aturan.

04 · AGENTIC WORKFORCE

Manusia memimpin tim agent

Agent PM, dev, QA, security, ops
Koordinasi lintas siklus hidup
Manusia memimpin dan bertanggung jawab
Butuh papan tugas dan jejak audit
Satuan nilai: hasil

Arah jangka panjang, bukan target tiga hari ini.

Kerangka ini adalah sintesis paparan, bukan maturity model baku, dan istilah “vibe coding” bersifat informal — berasal dari Andrej Karpathy (2025). Rujukan konsep lain: AWS Agentic AI Lens (definisi agentic), IBM What is Agentic AI?, Microsoft Work Trend Index 2025 (tim manusia–agent). Empat tahap ini tidak harus dilalui berurutan oleh setiap tim, dan tahap sebelumnya tidak hilang: vibe coding tetap berguna untuk eksplorasi.

Peran manusia bergeser: menulis setiap langkah → mengarahkan maksud → mengawasi alur kerja → memimpin hasil.

11 · Application workforce

Contoh nyata: pengetahuan tim dikunci menjadi skill

Operasi internal fasilitator, ditampilkan sebagai gambaran — bukan target kelas. Pengetahuan PM, tech lead, QA, release, dan security ditulis jadi dokumen dan skill; hasil eksekusi serta audit kembali memperbaiki alur kerjanya.

Berjalan

17

Development

1 convert + 1 audit + 3 track + 12 skill per domain.

Skill domain mengikuti fitur yang dikembangkan; jumlahnya berubah saat produk tumbuh.

Berjalan

13

Maintenance

1 analis akar masalah + 12 agent perbaikan per domain.

Cakupan: triase, diagnosis, perbaikan, verifikasi. Hingga 4 berjalan paralel.

Sebagian

3

Release

Cek commit bersih · gerbang sebelum push · kendali rilis.

Baru 1 skill aktif; 2 kemampuan lain masih dijalankan orkestrator rilis.

Bertahap

16

Security

Pindai otomatis, telaah konteks, uji, uji ulang, bukti, triase.

Dipanggil sesuai jalur dan tingkat risiko, tidak semuanya sekaligus.

Remote

2

E2E test

Smoke API dan uji alur, dijalankan di worker terpisah.

Belum menjadi workforce tersendiri; menumpang worker cloud.

PM & tech leadMaksud · standar · keputusan

Dokumen & skillPengetahuan jadi kontrak

AgentMengerjakan bagiannya

Tes & auditBukti dan umpan balik

Perbaiki alurAturan · skill · kontrol

Angka di atas adalah inventaris skill pada sistem internal MUMTAAZ.ID per September 2026, dipakai sebagai contoh bentuk — bukan tolok ukur industri dan bukan yang dibangun di kelas ini. Repo, skill, dan runbook internal tidak dibagikan (lihat batas mengajar, outline §3). Di kelas, bentuk yang sama diperkecil menjadi: satu repo lab per meja, lima skill, dan satu papan.

1 skill = 1 agent spesialis — pada domain sempit cakupannya bisa mendekati satu peran manusia, bukan otomatis setara satu orang; kesetaraan nyata dinilai dari jam kerja, keluaran, mutu, dan kerja ulang.

13 · Portfolio evidence

Bukti delivery agentic yang terukur

Contoh portofolio fasilitator — audit GitHub terautentikasi pada cabang utama, cutoff 30 Agustus 2026. Ukuran produk, delivery, sinyal agent, dan estimasi tenaga dibaca terpisah; bukan target kelas Elnusa.

PANTAU360 · APR–AGU 2026

Enterprise ERP

208 MMEstimasi tenaga manusia

±5 bulan sejak repo kanonik (2 Apr)
373.759 LOC produksi · 58.297 tes
791 commit · 534 sinyal agent (broad)
33 skill · 3 identitas eksplisit
13 objek rilis / 7 event terkoordinasi
2 paket GHCR / 418 versi

BUMI SENTINEL · BERJALAN

Reputation intelligence

42,4 MMEstimasi tenaga manusia

±2,7 bulan sejak repo (9 Jun)
75.533 LOC produksi · 41.054 tes
493 commit · 364 sinyal agent
39 skill · 2 identitas eksplisit
0 release/tag/deployment
2 paket GHCR / 373 versi

AIACE + SHORTLIINK

Aplikasi lain

80 MM2,4 MMAIACE · Shortliink

Usia repo: AIACE ±2,5 bln · Shortliink ±4,8 bln
149.921 LOC produksi · 10.138 tes
40 commit · 35 sinyal agent
4 skill · 1 identitas eksplisit
0 release · Shortliink 1 tag
6 paket GHCR / 201 versi

599.213LOC produksi nonblank

1.324commit cabang utama

933sinyal agent eksplisit (broad)

70,5%proporsi sinyal agent

332,8 MMtotal estimasi man-month

MM memakai lantai agresif (rentang terkalibrasi ×80%): 260×80%, 53×80%, 100×80%, 3×80% — bukan actual effort atau benchmark industri. Komentar ikut dihitung LOC; “broad signal” bukan persentase kode AI atau jumlah agent aktif. Sumber: ELNUSA discovery deck · slide Portfolio Evidence (#5).

Manfaat agentic AI: delivery lebih cepat · eksekusi paralel · kapasitas lebih efisien · kualitas lebih konsisten · pengetahuan dipakai ulang · operasi berkelanjutan · manusia fokus keputusan, kreativitas, dan risiko.

14 · Application portfolio

Portofolio aplikasi: fungsi, modul, kompleksitas

Tiga kelompok produk dengan karakter berbeda — intelligence, ERP enterprise, serta AI/OSINT dan manajemen tautan. Metrik LOC/commit sengaja tidak diulang di sini; fokusnya apa yang dibangun.

BUMI SENTINEL

Reputation intelligence & response

Fungsi: memantau isu dan reputasi, mengubah sinyal media jadi insight, mendukung koordinasi respons dan laporan eksekutif.

Modul: Command Center, War Room, social listening, media/pers, counter-brief, laporan, tenant, RBAC, audit trail, pengaturan LIVE/LLM.

Kompleksitas: ingestion lintas sumber, analisis AI, pembaruan cepat, isolasi tenant, izin per fitur, jejak audit, quality gate untuk output reputasi.

PANTAU360

ERP enterprise multi-domain

Fungsi: menyatukan operasi dari administrasi inti hingga SDM, komersial, keuangan, dan legal dalam alur terkontrol.

Modul: IAM, role/permission, scope policy, employee, attendance, leave, loan, payroll, performance, CRM, invoice, legal, calendar, tasks, approval, audit, settings.

Kompleksitas: transaksi lintas domain, multi-tenancy, kebijakan akses berlapis, kernel approval, integrasi antarmodul, migrasi arsitektur sambil layanan tetap jalan.

APLIKASI LAINNYA

AIACE & Shortliink

Fungsi: AIACE mengolah data digital jadi intelligence dan konten berbantuan AI; Shortliink mengelola tautan pendek, redirect, dan analitik.

Modul: monitoring sosial, creators, trending, NIS/sentiment, visualisasi, OSINT, konten AI; link management, analytics, auth, admin.

Kompleksitas: API eksternal, scraping & background job, pipeline AI/media; redirect latensi rendah, integritas tracking, akses, pencegahan penyalahgunaan.

Ringkasan fungsi/modul dari dokumentasi produk, struktur aplikasi, rute API, dan laporan delivery internal MUMTAAZ.ID. Spektrum kompleksitas: reputation intelligence · transaksi & tata kelola enterprise · pipeline data AI/OSINT · layanan tautan sensitif trafik. Sumber: ELNUSA discovery · Application Portfolio (#6).

Spektrum portofolio: intelligence reputasi · transaksi & tata kelola enterprise · pipeline AI/OSINT · layanan tautan.

15 · Prepare · Sebelum Development PRD

Prepare pipeline: requirement → arsitektur → stack → design

Pahami platform apa dan kenapa, bagaimana sistem dan teknologi dikembangkan, dan bagaimana antarmuka dan tampilannya.

Tahap 1

01

Business Requirement

what / why

Tahap 2

02

Arsitektur

how sistem

Tahap 3

03

Stack BE / FE

how coding

Tahap 4

04

Design Guideline

how UI

Empat pondasi platformRequirement · arsitektur · stack · antarmuka

Tahap 1 · Business Requirement

Masalah bisnis & persona — siapa pemakai, pain point, outcome yang diharapkan
Capability user-facing — apa yang bisa dilakukan user, bukan sekadar daftar layar
In scope & out of scope tegas per modul latihan
Peta app/modul · route antarmuka · sentuhan backend · model data utama
Reuse fitur/modul yang sudah ada vs yang benar-benar baru
Permission, tenant, dan dependensi antar modul (Calendar, Task, Approval, …)

Tahap 2 · Arsitektur

Repository & boundary — web · api · devops/admin · shared libs & pola
Stack platform — FE/BE · database · storage · infrastruktur & DevOps
Deployment — local · dev · prod; di mana artefak & konfigurasi mendarat
CI/CD — strategi branch (mis. trunk-based) · workflow per repo · target deploy
Keamanan arsitektur — auth, boundary layanan, permukaan yang sensitif
Model data & konvensi — skema/ORM · penamaan · standard engineering & rilis

Tahap 3 · Stack BE / FE

Profil aplikasi — monolith/modular · multi-repo vs mono-repo sesuai lab
Framework inti — runtime, router, ORM/query, bundler/build FE & BE
Validasi & keamanan — schema input, authz hook, secret & env handling
Database & storage — driver, migrasi, file/object store yang dipakai
Modul & pola internal — layer service, DTO, error, logging yang konsisten
Testing · skeleton folder · variable env — struktur repo siap dikerjakan agent

Tahap 4 · Design Guideline

Design token — warna, tipografi, spacing, radius, shadow (EPN / brand meja)
Hierarki halaman — header, body, footer, density; satu ide utama per layar
Komponen reuse — button, field, table, card; kapan pakai variant apa
Pola form & tabel — validasi, loading, empty state, error & pesan bisnis
Responsif & aksesibilitas — kontras, fokus keyboard, label yang jelas
Anti-pattern — yang dilarang agar UI tidak pecah antar modul/agent

What/why di scope · how sistem & teknologi · how UI — empat tahap itu harus jelas sebelum satu baris PRD modul.

15 · Development pipeline · Overview

Alur development workspace: PRD sampai UAT manusia

Satu modul = rantai dokumen + sesi agent terpisah + uji manusia — tanpa push main dan rilis di kelas; push/release hanya gambaran di slide workflow berikutnya.

Dokumen

PRD

PRD_*.md

Dokumen

PHASE

PRD Phase

*_PHASES.md

Agent

DEV

Dev Task

berdasarkan PRD

Agent

TEST

Test

light verify

Gate

AUDIT

Audit

full suite

Manusia

UAT

Manual QA

UJI_MANUSIA_*.md

SpesifikasiPRD & pecahan fase

Eksekusi agentDev → test → audit

UAT manusiaKelas berhenti di sini

PRD & PRD Phase / Ticket

PRD_<MODUL>.md — satu modul: what/why, aturan, acceptance terukur
PRD_<MODUL>_PHASES.md — task/ticket ber-ID, urutan, gate antar langkah
Konteks modul — masalah, persona, outcome terukur (what/why)
Aturan bisnis & in/out scope — permission, dependensi, keputusan yang mengikat kode
Acceptance criteria observable — bisa diuji agent & manusia; bukan daftar layar saja

Proses development (Dev · Test)

Skill pengembangan — aturan coding agent: area kode, ikuti stack, hanya satu tugas modul per sesi
Tujuan sesi — selesaikan satu tiket dari phases dengan bukti: kode, catatan, uji ringan
Skill kanonik — baca dokumen acuan; jangan tebak keputusan; akhiri dengan log & status progres
Phases = kontrak — urutan tugas jelas, centang di dokumen; isi PRD tidak diubah
Satu sesi Cursor — satu chat satu peran (PRD / rencana / kode / audit terpisah); arahan + lampiran dokumen; giliran akun meja

Audit · 7 pemeriksaan

Clean branch — working tree bersih; perubahan hanya untuk tiket yang diaudit
Unit test — fungsi/komponen kecil lulus tes otomatis terisolasi
Integration test — modul, API, dan layanan terhubung sesuai kontrak
Lint test — standar kode & static analysis terpenuhi
Smoke test — alur utama aplikasi masih hidup setelah perubahan
Migration test — migrasi schema/database aman di lingkungan uji
Scheme drive test — struktur data mengikuti model & kontrak yang disepakati

Di workspace kelas, rantai development berhenti di UAT manusia — push, rilis, dan security workflow disebut sebagai gambaran operasi penuh.

15 · Workflow maintenance

Maintenance: bukti → akar masalah → perbaikan terkendali

Agent tidak langsung memperbaiki laporan mentah. Diagnosis dan rencana solusi harus lolos persetujuan manusia sebelum ada baris kode yang diubah.

Manusia

01

Laporkan bug

gejala · bukti

Agent

02

Analisis

repro · akar

Manusia

03

Setujui rencana

risiko OK

Agent

04

Pilih pelaksana

modul fitur

Agent

05

Perbaiki & uji

patch · tes

Manusia

06

Manual QA

uji manusia

Laporkan bugManusia + bukti

Agent analisaDiagnosis & persetujuan rencana

Bug fix & QAPerbaikan · verifikasi · manual QA

Laporkan bug

Gejala vs harapan — apa yang salah dan seharusnya bagaimana
Bukti — tangkapan layar, log, langkah reproduksi, data/akun uji
Konteks — modul, lingkungan, kapan mulai, apakah bisa diulang
Prioritas & dampak bisnis — siapa terdampak, seberapa urgent
Laporan tertulis — tiket/kartu jelas; bukan obrolan yang hilang

Agent analisa

Baca laporan & lampiran lengkap sebelum menyimpulkan
Reproduksi gejala — UI, API, data; jangan tebak tanpa bukti
Pisahkan izin, konfigurasi lingkungan, vs defect produk
Usulkan akar masalah, opsi perbaikan, dan risiko regresi
Manusia setujui rencana — belum ada kode sebelum disetujui

Agent bug fix & QA

Route ke pendekatan yang sesuai modul/fitur terdampak
Perbaikan minimal — patch terfokus, bukan rewrite modul
Uji regresi + catat bukti (perintah, hasil tes, commit)
Manusia tinjau bukti & sisa risiko sebelum menerima
Di kelas: gambaran alur — praktik bugfix bukan lab wajib 18 jam

Tidak ada perbaikan berdasarkan tebakan: bukti → diagnosis → persetujuan → perbaikan → verifikasi → persetujuan.

16 · Workflow release

Release: manusia mengotorisasi, agent menjalankan mekaniknya

Satu jalur terkendali menuju main dan remote — audit dulu, izin manusia, baru PR, push, dan validasi. Di kelas: gambaran alur; push ke produksi tidak dipraktikkan.

Agent

01

Cek commit

branch bersih

Audit

02

Audit

full suite

Manusia

03

Izinkan rilis

scope · waktu

Agent

04

Buka PR rilis

bukti audit

CI/CD

05

Push remote main

pipeline jalan

Manusia

06

Validasi

dampak · rollback

Siap kirimCommit · audit

OtorisasiIzinkan · PR rilis

DeployPush main · validasi

Cek commit & audit

Working tree bersih — commit yang ikut rilis sudah jelas
Scope rilis: mana yang kirim sekarang, mana yang ditunda
Audit penuh (lint, unit, integrasi, migrasi, smoke, …) lulus
Agent memperbaiki kegagalan audit sebelum minta izin
Tidak ada push tanpa bukti audit terbaru

Izinkan rilis & PR

Manusia konfirmasi isi, waktu, dan risiko rilis
Otorisasi tertulis — agent tidak memutuskan sendiri
Agent buka PR rilis + lampiran bukti audit & CI
Review PR: branch, diff, checklist release
Merge/gabung hanya setelah manusia setuju (atau prosedur tim)

Push main & validasi

Push ke remote main memicu pipeline CI/CD
Pantau build, tes, artefak (image/registry jika dipakai)
Manusia validasi dampak bisnis & operasional pasca-rilis
Insiden? putuskan rollback atau terima sisa risiko
Di kelas: alur dipelajari — push produksi di luar lab 18 jam

Agent boleh mengotomasi mekanik rilis; otorisasi, penerimaan risiko, dan keputusan rollback tetap milik manusia.

18 · Agentic Hub

Agentic Hub: satu ruang kontrol untuk banyak agent

Ketika agent lebih dari satu, yang dibutuhkan bukan chat lebih banyak — tapi tempat menjalankan, memantau, menerima kabar, dan turun tangan memperbaiki kode.

Menjalankan

Manage Cursor CLI

Menyalakan & menghentikan sesi agent, satu sesi satu peran

Memantau

Monitoring proses

Agent mana jalan, tugas apa, sudah sampai mana, berhenti kenapa

AGENTIC HUB

Ruang kontrol manusia

Mengabari

Telegram

Notifikasi selesai, gagal, atau butuh keputusan — tanpa menunggui layar

Turun tangan

Cursor · intervensi kode

Manusia membuka hasil kerja agent, mengoreksi, lalu melanjutkan alur

Kenapa perlu hub

Satu agent cukup dijalankan dari satu chat. Begitu agent dan tugas bertambah, manusia butuh satu layar untuk melihat semuanya.

Tidak perlu membuka banyak jendela dan menebak mana yang masih jalan
Pekerjaan yang macet ketahuan cepat, bukan setelah berjam-jam
Riwayat tugas tersimpan, bukan hilang bersama chat

Yang dikendalikan

Hub tidak menulis kode. Hub mengatur jalannya pekerjaan dan menjaga manusia tetap memegang keputusan.

Sesi mana yang dijalankan dan tugas mana yang diberikan
Proses sehat, macet, atau menunggu jawaban manusia
Kapan hasil kerja dikembalikan untuk ditinjau

Hub menjawab satu pertanyaan yang muncul begitu agent bertambah: siapa mengerjakan apa sekarang, dan kapan saya harus turun tangan.

Faisal Rahman

Transformasi & AI

Relevansi skala besar

Sesi 1 · Konsep

Sesi 2 · Platform

Sesi 3–4 · Pengembangan modul

Sesi 5

Sesi 6

Wrong answer dan keterbatasan model

Wrong action dan attack surface baru

Memperbesar kapasitas

Berjalan 24/7

Eksekusi lebih cepat

Menangani volume paralel

Bukan hanya satu task

Knowledge multiplier

AI lewat prompt

AI menuntaskan satu tugas

AI dalam tim kerja

Menentukan arah dan batas

Menjalankan pekerjaan digital

Bekerja sebagai satu tim

Menalar & memutuskan

Menangkap informasi

Bertindak nyata

Ingat antarsesi

Pikir → aksi → lihat hasil

Tahu kapan berhenti

Tubuh sama, otak bisa diganti

Perintah & batas jelas

Tugas + langkahnya

Eksekusi dalam batas

Cek terhadap kriteria

Serah terima bukti

Manusia menulis kodenya

Manusia prompt, AI membuat

Agent menjalankan alur kerja

Manusia memimpin tim agent

Development

Maintenance

Release

Security

E2E test

Enterprise ERP

Reputation intelligence

Aplikasi lain

Reputation intelligence & response

ERP enterprise multi-domain

AIACE & Shortliink

Tahap 1 · Business Requirement

Tahap 2 · Arsitektur

Tahap 3 · Stack BE / FE

Tahap 4 · Design Guideline

PRD & PRD Phase / Ticket

Proses development (Dev · Test)

Audit · 7 pemeriksaan

Laporkan bug

Agent analisa

Agent bug fix & QA

Cek commit & audit

Izinkan rilis & PR

Push main & validasi

Manage Cursor CLI

Monitoring proses

Telegram

Cursor · intervensi kode

Kenapa perlu hub

Yang dikendalikan