Bahasa Indonesia
Cara Membangun AI Agent dengan Make
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
Make (dahulu Integromat) adalah platform otomasi alur kerja visual dengan lebih dari 3.000 integrasi aplikasi, dan menambahkan kapabilitas AI Agents khusus di atas mesin scenario yang sudah ada. Alih-alih mengikuti scenario linear yang tetap, agent Make menerima sebuah tugas, bernalar atasnya dengan LLM yang terhubung, dan memutuskan tools mana dari yang Anda lampirkan untuk dipanggil, dalam urutan apa, untuk menyelesaikan pekerjaan. Anda membangunnya dengan merakit empat bagian: brain (LLM), instructions (system prompt yang berfungsi seperti deskripsi pekerjaan), tools (modul, scenario, atau koneksi MCP yang boleh digunakannya), dan memory (konteks yang dibawanya antar langkah).
Panduan ini membahas mengapa Make cocok untuk tim pembangun agent tertentu, apa sebenarnya penyusun modul AI Agents-nya, langkah pembangunan lengkap, studi kasus pelanggan nyata dengan angka nyata, biaya dan batasan, serta kapan memilih Make dibanding alternatif.
Mengapa Tim Membangun Agent di Make
Kekuatan inti Make sudah ada sebelum fitur AI Agents-nya: ia terhubung ke lebih banyak aplikasi SaaS, langsung dari kotaknya, dibanding sebagian besar platform pesaing. Keluasan itulah yang menjadikannya fondasi yang kuat untuk agent, karena agent hanya sebermanfaat sistem yang benar-benar dapat dijangkaunya.
Katalog integrasinya yang terluas di kategorinya. Make mencantumkan 3.000+ integrasi aplikasi, dikelola langsung oleh tim Make untuk alat SaaS yang paling umum, ditambah modul HTTP generik untuk apa pun yang tidak memiliki konektor siap pakai. Untuk agent yang perlu menyentuh lima atau enam sistem bisnis berbeda dalam satu eksekusi, katalog itu menghilangkan sebagian besar pekerjaan perpipaan.
Lapisan AI Agents berada di atas, bukan menggantikan, mesin scenario Make. Anda dapat mengubah scenario yang sudah ada menjadi tool yang dapat dipanggil agent tanpa mendefinisikan ulang input dan outputnya secara manual. Artinya tim yang sudah mengotomatisasi sebuah proses di Make tidak memulai dari awal saat menambahkan agent, mereka membungkus apa yang sudah dibangun, mendekati bentuk yang dijelaskan dalam pola workflow copilot: AI membantu di dalam proses yang sudah ada, bukan menggantikannya sepenuhnya.
Ia dibuat untuk tim bisnis, bukan hanya engineer. Kanvas visual, pustaka modul, dan rute penanganan error Make dirancang agar dapat dikonfigurasi oleh orang ops atau RevOps, bukan eksklusif oleh developer, itulah sebabnya ia sering menjadi alat pembangun agent pertama yang dipilih tim non-teknis.
Make kini bagian dari Celonis, perusahaan process intelligence, yang telah menjalankan alur kerjanya sendiri melalui fitur AI Agents Make, bukti bahwa platform ini dipakai untuk otomasi produksi nyata, bukan sekadar demo.
Komponen Penyusun Modul AI Agents Make
| Komponen | Fungsinya | Cara mengonfigurasinya |
|---|---|---|
| Brain | LLM yang menjalankan penalaran dan pemilihan tool | Penyedia AI bawaan Make di semua paket, atau koneksi penyedia AI kustom (OpenAI, Anthropic, Google, dan lainnya) di paket berbayar |
| Instructions | System prompt yang mendefinisikan peran dan batasan agent | Ditulis seperti deskripsi pekerjaan: apa yang menjadi tanggung jawabnya, apa yang tidak boleh dilakukannya |
| Tools | Apa yang dapat dipanggil agent untuk menyelesaikan pekerjaan | Modul (action aplikasi individual), scenario penuh, atau tool MCP eksternal |
| Memory | Konteks yang dibawa agent antar langkah | Dikonfigurasi per agent; menentukan apa yang diingatnya dalam dan antar eksekusi |
Pergeseran praktis dari scenario Make biasa adalah kendali. Scenario menjalankan urutan tetap yang sama setiap kali. AI agent memutuskan, di setiap langkah, tool mana yang cocok dengan situasi saat ini, lebih dekat dengan loop bernalar, bertindak, mengamati yang dibahas di cara AI agent bernalar daripada diagram alur. Saat Anda menyiapkan sebuah modul sebagai tool, Make otomatis membuat scenario untuknya di balik layar, sehingga Anda tidak mendefinisikan input dan output secara manual seperti saat menghubungkan API mentah.
Fleksibilitas itu juga alasan mengapa blok penyusun Peran dan Aturan lebih penting di sini dibanding di scenario tetap. Alur kerja yang kaku tidak dapat menyimpang dari skrip karena tidak ada skrip untuk disimpangi. Agent dengan system prompt yang samar bisa.
Langkah Pembangunan
- Definisikan pekerjaan agent di instructions. Perlakukan ini seperti blok Peran dan Aturan: satu kalimat untuk apa yang menjadi tanggung jawabnya, daftar singkat aturan tetap untuk apa yang tidak boleh dilakukannya.
- Hubungkan brain. Gunakan penyedia AI bawaan Make untuk memulai, atau hubungkan akun OpenAI, Anthropic, atau Google Anda sendiri di paket berbayar jika Anda membutuhkan model tertentu atau ingin penggunaan ditagihkan langsung ke akun Anda.
- Bangun tools agent. Tambahkan modul Make yang sudah ada sebagai tools secara langsung, atau bungkus scenario yang sudah Anda bangun agar agent dapat memanggilnya sebagai satu unit. Setiap tool membutuhkan deskripsi yang jelas dan spesifik; agent memilih tools berdasarkan apa yang Anda katakan tentang fungsi tool itu, bukan apa yang sebenarnya dilakukannya di balik layar.
- Siapkan memory. Tentukan apa yang perlu diingat agent dalam satu eksekusi dibanding lintas eksekusi terpisah, dan konfigurasikan sesuai itu. Jangan beri memori persisten lebih banyak daripada yang dibutuhkan pekerjaan.
- Tambahkan checkpoint human-in-the-loop untuk hal yang berdampak. Arahkan setiap keluaran yang harus ditinjau, persetujuan, pembayaran, komunikasi eksternal, ke langkah manusia sebelum tayang, alih-alih membiarkan agent bertindak tanpa pengawasan pada langkah paling berisiko.
- Uji dengan input historis yang nyata, bukan yang dikarang, dan amati tools mana yang dipilih agent sebelum menyalakan trigger yang hidup.
- Nyalakan trigger dan pantau eksekusi awal dengan ketat, perketat instructions di mana pun ia memilih tool yang salah atau melewatkan kasus yang Anda harapkan dapat ditangkapnya.
Urutan pembangunan bergerak dari cakupan dan pilihan model melalui tools, memory, checkpoint manusia, dan pengujian historis.
Contoh Nyata: Cara Celonis Membangun Agent Audit Pengeluaran di Make
Alih-alih hipotetis, berikut contoh produksi yang terdokumentasi. Celonis perlu mengaudit laporan pengeluaran karyawan tanpa manusia yang meninjau setiap laporan satu per satu, jadi timnya membangun agent human-in-the-loop di Make:
- Karyawan mengajukan laporan pengeluaran di Workday, yang memicu webhook ke Make.
- Make membuat item terstruktur di monday.com sehingga tim punya tampilan terpusat atas setiap laporan yang sedang berjalan.
- Agent menjalankan pemeriksaan kebijakan awal: jumlah, tanggal, batas pengeluaran, aturan kategori.
- Apa pun yang membutuhkan penilaian lebih dalam dikirim ke Vertex AI (Gemini) milik Google untuk membaca kuitansi dan mengevaluasinya terhadap kebijakan perusahaan.
- Make menjalankan pemeriksaan tambahan, seperti validasi mata uang, lalu mengarahkan hasilnya: laporan yang lolos maju otomatis di Workday, dan yang ditandai pindah ke antrean tinjauan di monday.com dengan respons bertemplat yang dapat dikirim tim kembali ke karyawan.
Hasilnya, menurut angka yang dipublikasikan Celonis sendiri: pengurangan biaya audit sebesar 99,7%, dari puluhan ribu dolar per tahun menjadi sekitar $150 per tahun untuk pengeluaran Vertex AI, memproses sekitar 1.000 dokumen per dolar, dengan akurasi mendekati 100% yang dicapai melalui context engineering yang cermat dan masa pengujian paralel 60 hingga 70 hari sebelum tim mempercayainya dengan volume penuh. Disiplin eksekusi paralel itu mencerminkan apa yang direkomendasikan cara membangun AI agent: uji terhadap kasus historis nyata sebelum agent diberi wewenang nyata, dan cetak biru AI Expense Approval Agent membahas aturan dan guardrails lengkap untuk fungsi yang sama jika Anda membangun sesuatu yang serupa dari template, bukan dari nol.
Biaya dan Batasan
Harga Make sendiri berjalan pada "operations", kira-kira satu operation per eksekusi modul dalam sebuah scenario, dihargai per tingkat paket. Fitur AI Agents tersedia di semua paket menggunakan penyedia AI milik Make, dengan koneksi penyedia kustom (bawa akun OpenAI atau Anthropic Anda sendiri) tersedia di tingkat berbayar. Opsi kedua itu penting pada volume tinggi: mengarahkan panggilan agent berfrekuensi tinggi lewat akun model Anda sendiri, bukan penyedia bawaan Make, sering menjadi cara yang lebih dapat diprediksi untuk mengelola pengeluaran seiring pertumbuhan penggunaan, layak dipahami sepenuhnya sebelum berkomitmen, sesuai total cost of ownership AI.
Batasan utamanya bukan model, melainkan kompleksitas scenario. Agent dengan banyak tools dan logika percabangan dapat mengubah kanvas Make menjadi sesuatu yang benar-benar sulit diaudit berbulan-bulan kemudian jika tidak ada yang mendokumentasikan mengapa setiap cabang ada. Bangun rute penanganan error secara sengaja, disiplin yang sama yang dibutuhkan alur kerja mana pun, dan perlakukan setiap koneksi tool sebagai pemberian izin: agent dengan akses tulis ke CRM dan sistem penagihan Anda dalam satu eksekusi memiliki radius dampak yang lebih luas jika instructions-nya salah, risiko tools yang izinnya berlebihan yang sama seperti yang dibahas di keamanan AI agent.
Kapan Memilih Make vs Alternatif
| Jika Anda menginginkan... | Pilih |
|---|---|
| Katalog aplikasi siap pakai terluas dan mesin scenario yang Anda perluas menjadi agent | Make |
| Self-hosting dan kendali penuh, dengan lebih banyak logika dirakit manual | n8n |
| Jalur tercepat ke agent pertama yang berfungsi tanpa membangun scenario sama sekali | Lindy |
| Kendali kode penuh langsung pada model OpenAI, tanpa kanvas visual | Responses API OpenAI |
Kekuatan jujur Make adalah keluasan integrasi yang dipadukan dengan kurva belajar yang landai bagi non-engineer. Batas jujurnya adalah bahwa lapisan AI Agents lebih baru daripada mesin alur kerja tempatnya berdiri, sehingga untuk tugas penalaran multi-langkah yang paling menuntut, sebagian tim masih memilih platform yang lebih condong ke kode begitu logika agent melampaui apa yang dapat diungkapkan kanvas visual dengan nyaman. Untuk sebagian besar agent operasional, alur persetujuan, agent entri data, agent pemeriksa kebijakan seperti yang dibangun Celonis, kombinasi keluasan dan kemudahan Make adalah alasan ia dipilih.
Key Facts
- Fitur AI Agents Make menumpuk brain (LLM), instructions, tools, dan memory di atas mesin scenario dengan 3.000+ integrasi, memungkinkan agent memilih tool mana yang dipanggil alih-alih mengikuti urutan tetap.
- Make adalah bagian dari Celonis, yang timnya sendiri menggunakan Make AI Agents untuk memangkas biaya audit laporan pengeluaran sebesar 99,7%, dari puluhan ribu dolar per tahun menjadi sekitar $150 per tahun untuk pengeluaran model.
- Anda dapat memakai penyedia AI bawaan Make di semua paket atau menghubungkan akun OpenAI, Anthropic, atau Google Anda sendiri di paket berbayar.
- Scenario Make yang sudah ada dapat langsung dibungkus sebagai tools agent, sehingga tim tidak membangun ulang apa yang sudah diotomatisasi.
- Risiko operasional utamanya adalah kompleksitas scenario dan izin tools yang berlebihan, bukan biaya model itu sendiri.
Pertanyaan yang Sering Diajukan tentang Membangun AI Agent dengan Make
Apa itu fitur AI Agents Make?
Ini adalah lapisan di atas mesin alur kerja (scenario) Make yang sudah ada, yang memungkinkan LLM bernalar atas sebuah tugas dan memutuskan tools terhubung mana, modul, scenario, atau koneksi MCP, yang dipanggil, alih-alih mengikuti satu urutan tetap setiap kali. Anda mengonfigurasinya dengan brain (LLM), instructions (system prompt), tools, dan memory.
Apakah saya harus sudah tahu cara memakai scenario builder Make?
Itu membantu, tetapi tidak sepenuhnya wajib. Kemampuan dasar tentang modul dan koneksi mempercepat penyiapan tools, karena tools agent dibangun dari blok penyusun yang sama dengan scenario biasa. Penyedia AI milik Make berarti Anda dapat menguji agent tanpa API key eksternal pada awalnya.
Bisakah saya memakai akun OpenAI atau Anthropic saya sendiri dengan Make?
Ya. Fitur AI Agents Make bekerja dengan penyedia AI bawaannya di semua paket, dan mendukung koneksi penyedia AI kustom, termasuk akun OpenAI, Anthropic, atau Google Anda sendiri, di paket berbayar, yang memberi Anda kendali langsung atas pilihan model dan penagihan.
Apa contoh nyata agent yang dibangun di Make?
Celonis membangun agent audit pengeluaran human-in-the-loop di Make yang memeriksa kepatuhan kebijakan secara otomatis dan hanya mengarahkan kasus yang benar-benar ambigu ke manusia, memangkas biaya audit sebesar 99,7% menurut studi kasus yang dipublikasikan perusahaan itu sendiri.
Apakah Make lebih baik dari n8n untuk membangun AI agent?
Tidak ada yang lebih baik secara universal. Make biasanya unggul dalam keluasan integrasi dan kemudahan penggunaan bagi tim non-teknis. n8n biasanya unggul bagi tim yang menginginkan self-hosting dan kendali penuh, dengan jalur keluar kode bawaan. Pilihan yang tepat bergantung pada apakah tim Anda ingin bergerak cepat pada pekerjaan SaaS-ke-SaaS atau memiliki infrastrukturnya sendiri dan menginginkan kendali lebih atas detailnya.
Langkah Selanjutnya
Make adalah pilihan terkuat ketika pekerjaan mencakup banyak alat SaaS dan tim Anda ingin mengonfigurasinya secara visual. Jika Anda lebih suka self-host dan mengendalikan lebih banyak logika secara manual, lihat cara membangun AI agent dengan n8n. Jika Anda menginginkan jalur tercepat ke agent pertama dengan hampir tanpa penyiapan, lihat cara membangun AI agent dengan Lindy. Rangkuman alat otomasi dan panduan alat otomasi no-code terbaik adalah tujuan berikutnya yang berguna untuk membandingkan Make dengan pemain lainnya sebelum Anda membangun.
