Bagi para pengembang, asumsi dasar selama ini adalah satu insinyur, satu agen — model seperti Claude Code dan alat serupa. Namun, di acara VB Transform 2026, James Zou, profesor asosiasi ilmu data biomedis di Universitas Stanford, menyatakan bahwa asumsi tersebut akan segera berubah: batasan baru bukanlah satu agen yang lebih canggih, melainkan puluhan ribu agen yang berkolaborasi.
Yang paling penting bagi pengembang dan pembangun produk dari presentasi Zou adalah cara mengatur sistem-sistem masif ini. Penelitian yang dilakukan oleh timnya memberikan cetak biru praktis untuk menghubungkan basis data lama dengan lapisan orkestrasai AI serta merancang lingkungan yang memungkinkan ribuan agen berkolaborasi.
Meniru organisasi — biotek virtual
Proyek Zou dimulai sebagai “Laboratorium Virtual” yang terdiri dari lima hingga delapan agen yang disusun untuk mencerminkan laboratorium fisiknya di Stanford. Pengaturan ini termasuk seorang profesor AI yang bertindak sebagai peneliti utama dan mahasiswa AI dengan spesialisasi berbeda yang mengadakan pertemuan kelompok secara rutin.
“Kami juga membuat replika Stanford untuk agen-agen ini, sebuah sekolah agen, di mana mereka bisa bersekolah dan melakukan penyesuaian yang diawasi untuk meningkatkan keahlian mereka di bidang masing-masing,” jelas Zou.
Laboratorium virtual ini berhasil merancang protein nanobody baru untuk varian COVID terbaru.
“Yang sangat menarik bagi kami adalah bahwa protein nanobody yang dirancang oleh AI ini ternyata lebih efektif dibandingkan dengan nanobody yang dirancang manusia dalam hal kemampuan mengikat virus yang berbeda,” ungkap Zou.
Setelah validasi di laboratorium basah ini, tim mereka memperluas ambisi. Mereka beralih dari meniru satu tim penelitian menjadi memodelkan struktur perusahaan besar.
Sistem yang dihasilkan, yang dinamakan Virtual Biotech, terdiri dari puluhan ribu agen AI spesialis yang diawasi oleh seorang agen Chief Scientific Officer (CSO). Sistem ini beroperasi melalui divisi-divisi perusahaan yang berbeda, seperti penemuan target, desain molekul, dan uji klinis.
“Bekerja dengan agen CSO adalah divisi-divisi yang mencerminkan divisi yang ada di perusahaan biotek atau farmasi manusia,” jelas Zou — satu fokus pada identifikasi target obat, satu lagi pada desain molekul, dan yang ketiga pada keselamatan serta uji klinis. Agen individu lebih lanjut mengkhususkan diri dalam divisi tersebut.
Keunggulan multi-agen
Seiring dengan kemampuan model dasar yang semakin berkembang, pengembang dihadapkan pada dilema arsitektural inti: Mengapa mendistribusikan beban kerja ke puluhan ribu agen spesialis alih-alih mengarahkan semua sumber daya komputasi ke dalam satu model yang omniscient?
Tim Zou melakukan perbandingan langsung antara tim multi-agen dengan satu agen yang diberi tantangan ilmiah yang sama. Ekosistem multi-agen menciptakan gesekan dan interaksi yang menghasilkan solusi yang lebih baik dan lebih tahan terhadap kesalahan yang menumpuk.
“Di laboratorium virtual ilmiah ini, para agen sebenarnya terlibat dalam debat dan perbedaan pendapat. Mereka harus meyakinkan ilmuwan AI lainnya mengenai ide-ide mereka, dan semua itu menghasilkan pemikiran yang jauh lebih kreatif dan kuat dibandingkan jika satu model mencoba menyelesaikan masalah sendiri dari awal,” kata Zou.
Bottleneck orkestrasi
Ketika skalanya mencapai puluhan ribu agen, orkestrasi menjadi bottleneck utama. Sistem ini memerlukan lapisan konteks yang terpadu agar agen dapat menyintesis pengetahuan dari berbagai alat, dataset, dan catatan sejarah.
Banyak tim perusahaan berusaha menyelesaikan integrasi data dengan membungkus database yang ada dengan MCP. Namun, sistem lama tidak bersahabat dengan agen. Misalnya, memasukkan PDF makalah penelitian ke dalam jendela konteks agen sangat tidak efisien, dan model teks standar kesulitan dalam menginterpretasi gambar dan tabel yang kompleks, mengarah pada kesalahan informasi.
“Meskipun Anda membungkus MCP di sekitar database dan API yang ada, itu tidak menyelesaikan masalah mendasar: antarmuka dan API tersebut tidak cocok untuk agen,” tegas Zou. Dia menambahkan bahwa database yang ada dirancang untuk diakses oleh manusia atau algoritma sebelum AI.
Untuk mengatasi ini, tim Zou menciptakan Paperclip. Platform ini mengandalkan kekuatan inti dari LLM modern: kemampuannya untuk menulis kode dan menavigasi sistem file. Alih-alih memaksa agen untuk mengajukan pertanyaan ke API yang rapuh dan spesifik terhadap database, Paperclip mendigitalkan data tak terstruktur dan memetakan database yang berbeda ke dalam sistem file virtual yang ramah AI.
Struktur ini memungkinkan agen untuk mengakses pengetahuan dari jutaan makalah dengan menggunakan operasi sistem file standar.
“Ini pada dasarnya menunjukkan bahwa kita bisa mendapatkan akurasi yang jauh lebih baik jika menggunakan Paperclip, dan kita bisa mengurangi waktu serta biaya lebih dari satu orde dibandingkan jika menggunakan agen tanpa infrastruktur ilmiah yang ramah AI ini,” kata Zou.
Validasi dunia nyata
Untuk menguji hasil praktis dari arsitektur ini, Virtual Biotech meluncurkan 37.000 “agen uji klinis” untuk mensintesis data percobaan yang terfragmentasi. Para agen ini mengidentifikasi fitur sel tunggal yang memprediksi keberhasilan uji coba — target obat yang didukung oleh fitur-fitur ini memiliki kemungkinan sekitar 50% lebih besar untuk mencapai pasar dibandingkan obat sebanding tanpa fitur tersebut.
Sistem kemudian secara mandiri merancang conjugate antibody-drug (ADC) yang menargetkan protein CD276 untuk kanker paru-paru. Para agen menyelesaikan desain ini secara mandiri, hanya mengandalkan data yang diterbitkan sebelum Januari 2025.
Beberapa bulan kemudian, Zou menyebutkan bahwa perusahaan farmasi Merck secara independen mengembangkan dan memvalidasi desain terapeutik yang sama — yang kemudian menerima penunjukan terobosan dari FDA. Dia menggambarkan ini sebagai “validasi eksternal pihak ketiga terhadap desain terapeutik yang dihasilkan oleh agen biotek virtual.”
Merancang ekosistem, bukan alur kerja
Seiring dengan berkembangnya sistem multi-agen, pemimpin harus memikirkan kembali bagaimana mereka mengelola tenaga kerja digital ini. Zou mendorong untuk berpindah dari merancang alur kerja yang kaku menjadi menciptakan lingkungan yang terbuka. Alur kerja menentukan langkah-langkah tepat yang harus diambil agen, serupa dengan mengelola karyawan junior. Lingkungan memberikan infrastruktur, batasan, dan insentif untuk agen berkolaborasi pada masalah terbuka.
“Dalam alur kerja, kita mencoba memberi tahu agen apa yang harus dilakukan dan bagaimana menjalankan tugas mereka. Namun dalam lingkungan, kita menyediakan infrastruktur, insentif, dan batasan, tetapi kita biarkan terbuka untuk mendorong agen berkolaborasi,” kata Zou.
Optimasi dalam skala besar berarti merancang lingkungan daripada melakukan penyesuaian pada model individu. Sementara agen tunggal dapat meningkatkan kinerjanya melalui pembelajaran penguatan atau penyesuaian yang diawasi di sekolah agen, kesuksesan sistem multi-agen yang besar bergantung pada penyesuaian parameter yang mengatur kolaborasi mereka.
“Di sisi multi-agen, kita tidak lagi melakukan penyesuaian dan mengubah model individu, tetapi kita mengoptimalkan lingkungan,” jelas Zou. “Lingkungan itu sendiri adalah objek yang kita optimalkan untuk meningkatkan kinerja agen.”
