Multi-Agent Systems: Cara AI Agent Bekerja Bersama

Multi-agent system adalah susunan di mana dua atau lebih AI agent, masing-masing dengan peran yang lebih sempit, mengerjakan bagian-bagian dari satu pekerjaan dan saling meneruskan konteks, alih-alih satu agent mencoba mengerjakan semuanya. Sebuah orchestrator, atau rantai serah terima yang terdefinisi, menentukan agent mana yang bertindak berikutnya, membawa maju apa yang dipelajari agent sebelumnya, dan menggabungkan hasilnya menjadi satu keluaran. Bisnis memilih multi-agent system ketika pekerjaan memiliki fase yang benar-benar berbeda dan membutuhkan alat, aturan, atau konteks yang berbeda, bukan sekadar karena lebih banyak agent terdengar lebih canggih.

Single Agent vs Multi-Agent: Di Mana Garis Pemisahnya

Sebagian besar tugas yang terasa membutuhkan banyak agent sebenarnya adalah satu agent dengan lebih banyak alat. Satu agent yang dapat menelusuri web, membaca CRM, dan mengirim email mampu menangani variasi yang mengejutkan banyaknya sendirian, karena modelnya bernalar atas semuanya dalam satu konteks bersama.

Panduan praktis OpenAI untuk membangun agent lugas soal ini: mulailah dengan satu agent dan tambahkan alat secara bertahap, lalu pecah menjadi beberapa agent hanya ketika instruksi, alat, dan logika keputusan agent tunggal itu terlalu kusut untuk diuji dan dipelihara dengan andal. Kerangka dalam panduan itu sendiri menyebutkan bahwa satu agent dapat melangkah cukup jauh dengan menambahkan alat secara bertahap dan menjaga kompleksitas tetap terkendali, sebelum Anda terpaksa mengorkestrasi agent-agent terpisah.

Taksonomi yang menarik garis ini secara lebih mendalam dibahas di jenis-jenis AI agent, termasuk posisi desain single-agent dan multi-agent relatif satu sama lain. Siklus yang dijalankan setiap agent, baik bekerja sendirian maupun sebagai bagian dari sistem yang lebih besar, sama dengan yang dijelaskan di cara kerja AI agent.

Dua Cara Mengoordinasikan Beberapa Agent

Begitu sebuah pekerjaan benar-benar membutuhkan lebih dari satu agent, ada dua cara umum untuk menghubungkannya:

OpenAI menggambarkan bentuk orchestrator-worker sebagai agents-as-tools: agent manajer yang memutuskan spesialis mana yang dipanggil dan merangkai keluarannya. Panduan Building Effective Agents dari Anthropic, yang disusun dari penerapan di produksi, mendokumentasikan bentuk orchestrator-workers yang sama sebagai salah satu dari segelintir pola yang mencakup sebagian besar sistem agentic nyata, bersama pola yang lebih sederhana seperti routing dan prompt chaining yang sering kali sudah cukup dengan sendirinya. Peer handoff melewati koordinator pusat sepenuhnya: setiap agent tahu apa yang harus dilakukan dengan bagiannya dan meneruskan hasil terstruktur ketika selesai, lebih mirip estafet daripada hub.

Contoh Kerja: Menilai Lead hingga Panggilan Terjadwal

Berikut rantai peer handoff yang dibangun dari tiga agent spesialis, masing-masing memegang satu fase dari pekerjaan yang sama.

1. AI Lead Scoring Agent membaca lead masuk yang baru, memeriksanya terhadap kriteria ICP dan sinyal perilaku, lalu mengeluarkan skor kecocokan beserta alasan di baliknya.
2. AI Lead Routing Agent mengambil skor itu dan menugaskan lead ke antrean atau rep yang tepat, berdasarkan aturan wilayah, lini produk, atau ukuran deal.
3. AI Follow-Up Agent mengambil alih lead yang sudah dirutekan dan menjalankan kadens outreach, memanfaatkan konteks penilaian agar pesan pertama mencerminkan alasan lead ini penting, bukan terbaca seperti template generik.

Setiap serah terima meneruskan catatan terstruktur, bukan tumpukan teks bebas: skor, alasan, dan keputusan perutean. Itulah yang membuat rantai ini berfungsi. Jika Lead Scoring Agent menghasilkan paragraf tak terstruktur sementara Routing Agent mengharapkan kolom tertentu, serah terima akan gagal tanpa suara atau Routing Agent harus menebak. Cetak biru AI SDR Agent menunjukkan bentuk serupa untuk outbound, bukan inbound, di mana riset, penyusunan urutan, dan pencatatan CRM terjadi dalam satu peran yang lebih luas alih-alih tiga agent terpisah, alternatif yang masuk akal ketika fase-fasenya cukup sederhana untuk tetap berada dalam lingkup satu agent.

Contoh Kedua: Dari Triase Tiket hingga Eskalasi

Pekerjaan dukungan menunjukkan pola yang sama dengan dua agent, bukan tiga. AI Support Triage Agent membaca setiap tiket masuk, mengklasifikasikannya, dan menyelesaikan kasus sederhana secara langsung atau menandai apa pun yang berkeparahan tinggi atau sensitif terhadap SLA. Tiket yang ditandai diserahkan ke AI Escalation Manager Agent, yang memantau hitungan mundur SLA, merutekan ke tim manusia yang tepat, dan menjaga semua pihak tetap terinformasi saat waktu menipis.

Kedua agent tidak perlu berbagi setiap detail tentang cara kerja internal masing-masing. Triage Agent tidak perlu tahu bagaimana kebijakan SLA dikonfigurasi, dan Escalation Manager tidak perlu tahu bagaimana tiket diklasifikasikan. Mereka hanya perlu sepakat tentang apa yang diserahkan: tiket, klasifikasinya, dan tingkat urgensinya. Itulah prinsip desain di balik setiap batas multi-agent yang berfungsi, dan prinsip yang sama dibahas di cara AI agent menggunakan alat untuk skema alat satu agent, hanya diterapkan satu tingkat lebih tinggi, antar-agent, bukan antara agent dan sebuah fungsi.

Mengapa Orkestrasi adalah Bagian yang Sulit

Memutuskan untuk membagi pekerjaan ke beberapa agent adalah keputusan yang mudah. Membuat koordinasinya andal adalah pekerjaan sebenarnya: mengatur urutan agent mana berjalan kapan, menangani kegagalan satu agent tanpa merusak seluruh rantai, dan merutekan kasus tepi yang tidak sesuai jalur yang diharapkan. Lapisan koordinasi itu punya nama, dan dibahas mendalam di apa itu orkestrasi AI, termasuk pola sekuensial, paralel, kondisional, dan hibrida yang dapat diikuti orkestrasi.

Minat pada lapisan ini tumbuh pesat. Gartner melaporkan lonjakan 1.445% pada pertanyaan klien tentang multi-agent system antara Q1 2024 dan Q2 2025. Angka ini perlu dibaca sesuai yang sebenarnya diukur: volume pertanyaan ke analis, sinyal rasa ingin tahu dan evaluasi, bukan bukti bahwa sebagian besar pertanyaan itu berujung pada sistem produksi yang berjalan. Kesenjangan antara "bertanya tentangnya" dan "menjalankannya dengan andal" persis di situlah desain orkestrasi berada.

Dari Beberapa Agent ke Satu Agent Tingkat Peran

Multi-agent system dan agent tunggal dengan banyak kapabilitas tidak selalu merupakan hal yang berbeda: kadang multi-agent system adalah wujud agent tingkat peran tunggal ketika dibuka isinya. AI Sales Operator atau AI Support Agent yang "memegang" seluruh fungsi sering kali merupakan beberapa pola terkoordinasi yang bekerja bersama, bukan satu model monolitik yang mengerjakan semuanya.

Stacking Patterns to Build AI Agents membahas hal ini secara rinci, termasuk mode kegagalan persis yang muncul di sambungan antarpola, yaitu risiko tingkat sambungan yang sama yang muncul antar-agent terpisah dalam multi-agent system: format data yang tidak cocok, latensi yang bertambah, dan kesalahan yang mengalir ke hilir tanpa ada yang menangkapnya.

Di Mana Multi-Agent System Gagal

Menambah agent menambah permukaan koordinasi, dan permukaan koordinasi adalah tempat segalanya bisa salah.

Latensi bertambah. Setiap agent tambahan dalam rantai menambah waktu pemrosesannya sendiri, dan rantai lima agent yang setiap langkahnya memakan beberapa detik bisa membuat pengguna menunggu jauh lebih lama daripada satu agent dengan lebih banyak alat.

Serah terima gagal tanpa suara. Jika format keluaran Agent A menyimpang, sekecil apa pun, dari yang diharapkan Agent B, Agent B belum tentu menghasilkan error. Ia bisa melanjutkan dengan input yang parsial atau salah dibaca dan menghasilkan hasil yang salah dengan penuh percaya diri.

Kesalahan menyebar melintasi batas agent. Klasifikasi yang salah dari agent pertama dalam rantai menjadi input yang dioptimalkan oleh setiap agent di hilirnya. Pada saat manusia menyadarinya, beberapa agent sudah bertindak berdasarkan informasi yang buruk, bukan hanya satu. Autonomous Agent pattern membahas risiko akumulasi yang sama di dalam siklus satu agent; multi-agent system membawa risiko yang identik, hanya tersebar melintasi batas agent alih-alih iterasi siklus.

Tata kelola menjadi lebih sulit dilihat. Setiap agent bisa saja tertata dengan baik secara individual dan tetap meninggalkan celah pada serah terima: siapa yang menyetujui data yang berpindah dari satu agent ke agent berikutnya, dan siapa yang bertanggung jawab ketika sistem gabungan itu membuat kesalahan. Gartner memprediksi bahwa lebih dari 40% proyek agentic AI akan dibatalkan pada akhir 2027, dengan alasan biaya yang membengkak, nilai bisnis yang tidak jelas, dan kontrol risiko yang tidak memadai, dan proyek multi-agent menanggung lebih banyak risiko persis seperti itu dibanding proyek single-agent karena ada lebih banyak permukaan yang harus ditata kelola.

Kapan Menggunakan Multi-Agent vs Satu Agent dengan Lebih Banyak Alat

Pilihan awal yang jujur: coba dulu satu agent dengan perangkat alat yang lingkupnya jelas. Beralihlah ke beberapa agent ketika bukti menunjukkan Anda memerlukannya, bukan karena arsitektur multi-agent terdengar lebih canggih di slide.

Key Facts

• Multi-agent system membagi satu pekerjaan ke agent-agent spesialis yang menyerahkan konteks terstruktur, dikoordinasikan oleh orchestrator pusat atau melalui rantai peer handoff yang terdefinisi.
• Panduan OpenAI sendiri menyarankan memulai dengan satu agent dan baru membagi ke beberapa agent ketika lingkup satu agent menjadi terlalu kusut untuk dipelihara.
• Gartner mencatat lonjakan 1.445% pada pertanyaan tentang multi-agent system, sebuah sinyal permintaan, bukan bukti keberhasilan penerapan pada skala itu.
• Titik kegagalan paling umum berada pada serah terima antar-agent: format data yang tidak cocok, latensi yang bertambah, dan kesalahan yang menyebar tanpa suara ke hilir.
• Gartner memproyeksikan lebih dari 40% proyek agentic AI akan dibatalkan pada 2027 karena biaya, nilai yang tidak jelas, atau kontrol risiko yang lemah, risiko yang bertambah dengan setiap agent yang ditambahkan ke rantai.

Langkah Selanjutnya

Multi-agent system dibangun dari dua bahan yang sama yang dibahas di bagian lain perpustakaan ini: agent yang memanggil alat dengan baik, dibahas di cara AI agent menggunakan alat, dan agent yang bernalar jernih tentang apa yang harus dilakukan berikutnya, dibahas di cara AI agent bernalar. Jika Anda siap menentukan lingkup proyek multi-agent pertama Anda, cara membangun AI agent memandu prosesnya, dan rangkuman support tools serta panduan AI customer service terbaik adalah titik awal yang berguna jika rantai dari triase hingga eskalasi seperti di atas adalah pekerjaan yang sedang Anda rancang.