Ketika seseorang dalam sebuah tim mengoreksi agen AI — entah itu dalam bentuk prompt yang lebih baik, umpan balik yang lebih cermat, atau konteks yang lebih jelas — perbaikan itu akan lenyap begitu rekan kerja membuka alat yang sama. Koreksi tersebut tidak berpindah, dan orang berikutnya harus memulai dari awal.
Masalah ini semakin kompleks dalam alur kerja multi-agen, di mana tim mengharapkan agen-agen untuk berbagi konteks di antara pengguna dan tugas. Tanpa lapisan memori bersama, setiap anggota tim pada dasarnya melatih versi berbeda dari agen yang sama, dan versi-versi tersebut tidak pernah sinkron.
Kesenjangan ini terlihat dalam angka. Menurut penelitian Asana, 75% pekerja pengetahuan menggunakan AI dalam pekerjaan mereka, tetapi hanya 5% perusahaan yang melaporkan peningkatan produktivitas.
“Penyedia model semakin mahir dalam meningkatkan penyelesaian alasan dan siklus pengulangan, tapi mereka belum baik dalam membawa konteks kerja enterprise secara cara yang dapat dipahami oleh manusia untuk memori bersama,†ujar Arnab Bose, Chief Product Officer Asana, dalam pernyataan kepada VentureBeat.
Asana telah mengembangkan platform manajemen kerja yang berfokus pada konteks dan memori bersama. Platform tersebut memastikan jika ada anggota tim yang mengoreksi seorang agen, maka koreksi itu berlaku untuk semua anggota tim lainnya.
“Grafik konteks itu secara otomatis disediakan untuk agen yang beroperasi di dalam sistem Asana, sehingga tidak perlu setiap anggota tim menjadi ahli dalam rekayasa prompt atau rekayasa konteks,†kata Bose.
Bose menambahkan bahwa arsitektur memori bersama ini penting tidak hanya untuk produk Asana, tetapi juga sebagai keputusan desain yang harus diambil perusahaan untuk setiap sistem multi-agen.
Memori bersama juga menjadi krusial ketika perusahaan mulai beralih dari agen tunggal sederhana ke alur kerja multi-agen yang perlu berbagi konteks dan perilaku.
Memori untuk alur kerja multi-agen dan multi-platform
Model yang menggerakkan agen dirancang tanpa status, jadi memori menjadi lapisan khusus di luar jendela konteks. Sementara inovasi AI di bidang ini terus menuju kematangan, pertanyaan tentang apa yang disimpan, siapa yang mengendalikannya, dan bagaimana tetap konsisten ketika agen dan pengguna yang berbeda menulis ke instance yang sama masih sebagian besar belum terpecahkan.
Ini dapat dikelola untuk kasus penggunaan yang hanya melibatkan satu pengguna. Namun, dalam alur kerja agen enterprise, tujuannya adalah agar agen dapat bekerja dengan seluruh tim. Kebanyakan platform masih memiliki agen yang berfungsi untuk individu, yang menyebabkan pengulangan tugas dan versi realitas yang tidak konsisten serta kesalahan yang menyebar. Agen-agen tersebut juga bisa saling bertentangan.
Sriharsha Chintalapani, salah satu pendiri dan CTO Collate, mengatakan dalam email kepada VentureBeat bahwa kurangnya memori bersama adalah hambatan besar untuk alur kerja multi-agen, terutama terkait dengan konsistensi.
“Agen sangat sensitif terhadap kualitas prompt mereka,” ungkap Chintalapani. “Seseorang yang memiliki pemahaman yang kuat tentang tugas biasanya akan mendapatkan hasil yang lebih akurat dibandingkan dengan seseorang yang kurang berpengalaman. Sebagian besar itu karena mereka dapat membangun prompt yang lebih detail, tetapi juga karena mereka dapat memberikan umpan balik yang lebih baik kepada agen. Agen mengingat koreksi yang diterimanya dan menerapkan pengetahuan itu pada prompt berikutnya. Semakin akurat umpan baliknya, semakin baik performa agen untuk pengguna tersebut.”
Dia juga menambahkan bahwa organisasi seharusnya tidak memperlakukan memori bersama hanya sebagai masalah rekayasa prompt dan harus berpikir untuk membangun sistem yang mengulangi konteks di setiap percakapan.
Neej Gore, Chief Data Officer Zeta Global, mengatakan dalam email terpisah bahwa konteks bersama menjadi memori hidup yang “meningkatkan kecerdasan di seluruh enterprise.”
Peluang mungkin terletak pada pembangunan agen AI yang mengambil memori secara relasional, menarik konteks relevan berdasarkan apa yang diminta — pendekatan yang menurut Chintalapani hanya sedikit organisasi, di luar penyedia model terbesar, yang mampu membangun.
Agen personal versus tim
Agen AI sudah banyak tersedia di perusahaan; hanya saja banyak di antaranya berfungsi sebagai agen personal yang melakukan pekerjaan khusus untuk pengguna individual. Sebagian besar prompt dimulai dari satu orang, semua file diunggah oleh satu akun, dan bahkan untuk agen yang ada dalam sistem perusahaan yang lebih luas pun biasanya belajar dari preferensi pengguna individu.
Kebanyakan platform alur kerja AI enterprise menyadari bahwa memori itu penting, tetapi mendekatannya dari sudut pandang yang berbeda. Misalnya, Microsoft’s Copilot mengadopsi pendekatan individual-first dengan mempelajari peran pengguna di dalam organisasi, preferensi nada, dan pola kerja, yang kemudian disimpan sebagai memori personal untuk diterapkan di berbagai surface Microsoft 365.
Untuk tim teknik dan orkestra yang mengevaluasi platform agen, pertanyaan tentang memori bersama sekarang menjadi kriteria pengadaan — bukan hanya sekadar hal teknis. Sebuah agen yang hanya belajar untuk orang yang menggunakannya akan memerlukan perawatan individu yang berkelanjutan. Sedangkan agen yang terhubung dengan lapisan memori tim akan secara otomatis membangun pengetahuan institusi.
