DECISION BRIEF 02 · OPERATING MODEL · DIRILIS 16 AGUSTUS 2026

Organisasi Multiagent: Apa yang Perlu Diotomatisasi dan Tetap Akuntabel

Sebuah decision brief mengenai posisi agent, batas execution rights, escalation gate, dan pihak yang tetap accountable atas hasil akhirnya.

Keputusan utama

Jangan menyalin org chart menjadi agent swarm. Susun agent mengikuti workflow yang terukur, pisahkan machine execution rights dari human accountability, dan tetapkan satu accountable owner untuk setiap outcome yang konsekuensial.

Unit desain yang saya rekomendasikan adalah workflow cell: satu orchestrator, sejumlah kecil specialist agents, batas tool dan data yang jelas, stopping conditions, evidence trail, serta satu human owner. Multiagent hanya layak digunakan ketika parallel specialization menghasilkan value yang terbukti lebih tinggi daripada single agent atau deterministic workflow yang lebih sederhana.

Tingkat keyakinan saya medium-high. Technical evidence mendukung orchestration untuk pekerjaan yang dapat dipecah dan dijalankan paralel, sementara governance evidence konsisten menuntut kejelasan peran dan oversight. Yang tetap kontekstual adalah economic threshold: coordination cost, latency, dan control burden bisa menghapus seluruh performance gain.

Apa yang ditunjukkan public evidence

Multiagent system bisa memberi peningkatan nyata ketika pekerjaan bersifat luas, dapat diparalelkan, dan menggunakan banyak tools. Dalam internal research evaluation, Anthropic melaporkan arsitektur orchestrator-worker mereka mengungguli konfigurasi single agent sebesar 90,2% pada breadth-first research tasks. Namun laporan yang sama juga menyebut multiagent system menggunakan sekitar 15 kali token dibanding chat biasa dan kurang cocok ketika pekerjaan membutuhkan shared context yang besar atau memiliki banyak dependency. Ini adalah vendor evidence, bukan hukum universal, tetapi trade-off-nya sangat relevan.

Microsoft memberi arahan yang sejalan: mulai dari single agent, bangun baseline, lalu tambahkan agent hanya jika pengujian menemukan keterbatasan yang tidak dapat diselesaikan melalui desain sederhana. Semakin banyak agent berarti semakin besar kebutuhan protocol design, synchronization, monitoring, security, latency, dan biaya.

Untuk governance, arahnya lebih tegas. NIST AI Risk Management Framework meminta roles yang terdokumentasi, accountability structure, konfigurasi manusia dan AI yang jelas, ongoing monitoring, serta tanggung jawab executive leadership atas deployment risk. OpenAI Agents SDK juga mendefinisikan tracing sebagai rekaman model generation, tool call, handoff, dan guardrail. Artinya, observability adalah bagian dari operating model, bukan debugging feature yang baru ditambahkan belakangan.

Pisahkan empat jenis hak

Tiga opsi operating model

A. Personal copilots

Cocok untuk: riset individual, drafting, dan productivity. Kelebihan: cepat diadopsi dengan accountability yang familiar. Batasan: knowledge terfragmentasi, kontrol tidak konsisten, dan cross-functional leverage terbatas.

B. Agent teams yang meniru fungsi

Cocok untuk: pekerjaan departemental yang stabil dengan tools serta data berbeda. Kelebihan: specialization lebih jelas. Batasan: berisiko menyalin silo organisasi ke dalam software dan mengoptimalkan local output, bukan end-to-end outcome.

C. Workflow cells dengan accountable owner: rekomendasi

Cocok untuk: workflow konsekuensial yang melintasi fungsi tetapi masih dapat dibatasi dan dievaluasi. Kelebihan: agent disusun mengikuti outcome dan evidence flow, bukan hierarchy. Trade-off: membutuhkan decision rights, instrumentation, serta process owner yang berwenang melakukan intervensi.

Desain yang direkomendasikan: accountable workflow cell

1. One outcome: definisikan customer atau business result, bukan sekadar daftar tugas agent.
2. One accountable owner: orang yang memiliki decision threshold, exceptions, dan post-run learning.
3. One orchestrator: bertanggung jawab atas decomposition, routing, stopping, dan synthesis, bukan memiliki unlimited authority.
4. Few specialists: agent baru ditambahkan hanya ketika specialization atau parallelization memberi measurable gain.
5. Explicit execution envelope: tools, data, spending limit, external actions, confidence threshold, dan escalation trigger yang diizinkan.
6. Decision ledger: simpan source, recommendation, approval, execution, dan outcome agar organisasi dapat memeriksa serta belajar.

Smallest credible 90-day test

Pilih satu cross-functional workflow yang reversible, misalnya mengubah market signals menjadi opportunity brief yang decision-ready. Bandingkan tiga konfigurasi: current human workflow, single agent, dan workflow cell.

• Performance: cycle time, evidence coverage, factual error, rework, dan decision usefulness.
• Economics: model dan tool cost, human review time, latency, serta exception cost.
• Control: unauthorized actions, missed escalations, trace completeness, dan recovery time.
• Decision gate: multiagent hanya dipertahankan jika menghasilkan material net gain setelah coordination dan control cost dihitung.

Evidence ledger

• Anthropic: How we built our multi-agent research system. Orchestrator-worker architecture, internal performance evidence, cost, dan task-fit limitation.
• Anthropic: Building Effective AI Agents. Ground truth, stopping conditions, guardrails, testing, dan meaningful human oversight.
• Microsoft: Choosing single-agent or multi-agent systems. Baseline-first architecture guidance dan coordination trade-off.
• NIST: AI Risk Management Framework Core. Governance, roles, accountability, konfigurasi manusia dan AI, monitoring, dan executive responsibility.
• OpenAI Agents SDK: Tracing. Observability untuk model generation, tool call, handoff, dan guardrail.

---

Disclosure. Ini adalah independent counterfactual analysis berdasarkan sumber publik. Tulisan ini tidak menyiratkan akses terhadap informasi internal perusahaan, hubungan klien, endorsement, atau kepastian di luar evidence yang dirujuk. Kapabilitas teknis dan institutional guidance dapat berubah setelah tanggal publikasi.