Apa Itu Multi-Agent System? Manfaat, Arsitektur, dan Contoh Penerapannya

AI kini tidak hanya digunakan untuk menjawab pertanyaan atau menghasilkan konten. Dengan AI agent, sistem dapat memahami tujuan, menggunakan tools, mengakses data, dan menjalankan serangkaian tindakan secara lebih mandiri. 

Namun, satu agent tidak selalu ideal untuk menangani proses yang kompleks. Ketika sebuah workflow membutuhkan beberapa keahlian, sumber data, atau tahapan keputusan, pekerjaan dapat dibagi ke beberapa agent yang memiliki fungsi berbeda. 

Pendekatan inilah yang disebut Multi-Agent System (MAS). Alih-alih mengandalkan satu agent untuk melakukan semuanya, MAS memungkinkan beberapa agent bekerja sama melalui mekanisme koordinasi tertentu. Setiap agent dapat menangani tugas spesifik, sementara sistem mengatur bagaimana tugas tersebut dijalankan dan bagaimana hasilnya digabungkan. 

Yang perlu diperhatikan, multi-agent bukan berarti semakin banyak agent semakin baik. Kompleksitas tambahan seperti latency, biaya, security, dan observability harus sebanding dengan nilai bisnis yang dihasilkan. 

Apa Itu Multi-Agent System?

Multi-Agent System adalah sistem yang terdiri dari beberapa agent yang dapat bekerja secara relatif otonom, berinteraksi dalam suatu environment, dan berkoordinasi untuk mencapai tujuan tertentu. 

Dalam konsep MAS secara umum, terdapat tiga elemen fundamental yaitu agents, environment, dan interaction mechanisms. Agent melakukan pengambilan keputusan, environment menjadi ruang tempat agent beroperasi, sedangkan interaction mechanisms memungkinkan agent berkomunikasi dan berkoordinasi. 

Sementara itu, dalam implementasi AI modern berbasis LLM, agent biasanya memiliki model sebagai kemampuan reasoning, instruksi atau tujuan, tools, data atau knowledge yang relevan, serta mekanisme untuk mempertahankan context dan state. 

Sebagai contoh, perusahaan dapat membangun customer service MAS yang terdiri dari: 

• Triage Agent untuk mengidentifikasi jenis pertanyaan 

• Knowledge Agent untuk mencari informasi 

• Technical Agent untuk menangani masalah teknis 

• Billing Agent untuk memeriksa tagihan 

• Response Agent untuk menyusun jawaban akhir 

Dengan pembagian ini, setiap agent dapat fokus pada domain tertentu tanpa harus memiliki seluruh context dan tools yang digunakan oleh agent lainnya. 

Single-Agent System vs. Multi-Agent System: Apa Bedanya?

Single-agent system menggunakan satu agent untuk memahami permintaan, menentukan langkah, menggunakan tools, dan menghasilkan output. Pendekatan ini cukup untuk banyak kebutuhan seperti chatbot internal, document summarization, knowledge retrieval, atau workflow dengan beberapa tools. 

Multi-Agent System lebih relevan ketika satu agent mulai memiliki terlalu banyak tanggung jawab atau ketika workflow membutuhkan beberapa spesialisasi. 

Beberapa indikatornya: 

• membutuhkan expertise dari beberapa domain 

• memiliki context yang berbeda untuk setiap tahap 

• menggunakan banyak tools 

• membutuhkan beberapa pekerjaan berjalan paralel 

• membutuhkan handoff atau delegation 

• membutuhkan access control yang berbeda pada setiap tahap 

Secara sederhana: 

Karena itu, MAS sebaiknya digunakan ketika pembagian tugas memberikan keuntungan yang jelas, bukan hanya karena teknologinya tersedia. Pertimbangkan single agent terlebih dahulu ketika satu agent dengan tools dan context yang tepat sudah dapat menyelesaikan pekerjaan. 

Bagaimana Cara Kerja Multi-Agent System?

Multi-Agent System bekerja dengan membagi tujuan menjadi beberapa tugas, mendistribusikannya ke agent yang relevan, lalu menggabungkan dan memvalidasi hasilnya. Namun, workflow sederhananya dapat digambarkan sebagai: 

Misalnya perusahaan ingin membandingkan tiga proposal vendor berdasarkan harga, keamanan, SLA, dan compliance. 

1. Orchestrator memecah permintaan menjadi beberapa tugas 

1. Document Agent mengekstrak informasi dari proposal 

1. Pricing Agent, Security Agent, dan Compliance Agent melakukan analisis masing-masing 

1. Jika tidak saling bergantung, ketiganya dapat bekerja secara paralel 

1. Evaluation Agent menggabungkan hasil dan memberikan rekomendasi 

1. Jika keputusan memiliki risiko tinggi, hasil dapat diteruskan kepada manusia untuk approval 

Orchestration dapat dilakukan melalui code-based workflow maupun keputusan yang dibuat oleh LLM. OpenAI Agents SDK, misalnya, mendukung kedua pendekatan tersebut. 

Komponen Utama dalam Multi-Agent System

1. Agent

Agent adalah unit yang melakukan reasoning dan tindakan untuk menyelesaikan tugas tertentu. 

Dalam implementasi berbasis LLM, agent dapat memiliki instruksi, model, tools, guardrails, dan kemampuan untuk berkomunikasi dengan agent lain. Setiap agent sebaiknya memiliki role dan boundary yang jelas. Misalnya, Billing Agent cukup memiliki akses ke billing system dan tidak perlu memiliki akses ke seluruh technical database perusahaan. 

2. Orchestrator

Orchestrator mengatur agent mana yang dijalankan, kapan dijalankan, dan bagaimana hasilnya diteruskan. Orchestration dapat menggunakan: 

• Router untuk memilih agent 

• Sequential workflow untuk proses berurutan 

• Parallel workflow untuk tugas independen 

• Manager untuk memanggil specialist agents 

• Handoff untuk menyerahkan kontrol kepada agent lain 

OpenAI Agents SDK, misalnya, menggunakan pola agents as tools ketika manager tetap memegang kontrol, dan handoffs ketika specialist mengambil alih percakapan. 

3. Memory dan State

State menunjukkan kondisi workflow saat ini, sedangkan memory menyimpan informasi yang perlu dipertahankan untuk interaksi atau proses berikutnya. Contohnya, workflow pengajuan pinjaman dapat menyimpan state bahwa identitas sudah diverifikasi, dokumen sudah diterima, dan credit assessment sedang berjalan. 

Untuk enterprise, memory harus dirancang dengan memperhatikan data retention, access control, dan jenis data yang boleh disimpan. Tidak semua informasi perlu diberikan atau disimpan oleh setiap agent. 

4. Communication Layer 

Communication layer memungkinkan agent bertukar informasi melalui mekanisme seperti API, shared state, events, atau message queues. Hal penting yang perlu diperhatikan bukan hanya bagaimana agent berkomunikasi, tetapi juga format data, authentication, authorization, error handling, dan informasi apa yang boleh diteruskan. 

Google Cloud menempatkan communication mechanisms sebagai elemen fundamental MAS karena agent membutuhkan mekanisme untuk berkoordinasi dan bertukar informasi. 

5. Tools dan Environment

Tools memungkinkan agent melakukan tindakan di luar kemampuan model, misalnya mengakses database, CRM, ERP, enterprise search, API, atau document repository. Sementara itu, environment adalah ruang tempat agent beroperasi dan berinteraksi dengan data, sistem, atau kondisi eksternal. 

Dalam enterprise environment, akses tools harus dibatasi berdasarkan prinsip least privilege. Agent yang hanya membutuhkan akses read-only tidak seharusnya memiliki permission untuk mengubah atau menghapus data. 

Apa Manfaat Multi-Agent System bagi Bisnis?

Multi-Agent System dapat membantu bisnis menangani workflow kompleks dengan membagi tugas ke beberapa agent yang memiliki spesialisasi berbeda. 

Spesialisasi: Agent dapat difokuskan pada domain tertentu sehingga instruksi, tools, dan context lebih relevan. 

Workflow Kompleks: Pekerjaan besar dapat dipecah menjadi beberapa tugas yang lebih mudah dikelola, misalnya vendor search → evaluation → security assessment → recommendation. 

Parallel Processing: Tugas independen dapat dijalankan secara bersamaan sehingga berpotensi mengurangi waktu penyelesaian. 

Modularitas: Agent dapat dikembangkan atau diperbarui secara terpisah tanpa harus mengubah seluruh workflow. 

Context Isolation: Setiap agent hanya menerima context yang relevan dengan tugasnya. Selain membantu efisiensi, pendekatan ini juga dapat mendukung pembatasan akses terhadap data tertentu. 

Namun, manfaat tersebut tidak otomatis muncul hanya karena perusahaan menggunakan banyak agent. Desain workflow, model, tools, dan orchestration tetap menentukan hasil akhirnya. 

Tantangan dalam Menerapkan Multi-Agent System

Kompleksitas workflow meningkat seiring jumlah agent dan execution path. Sistem perlu menangani timeout, error, retry, fallback, dan kondisi ketika output antaragent tidak konsisten. 

Latency dan biaya juga dapat meningkat karena setiap agent dapat menghasilkan tambahan model calls dan tool calls. Karena itu, perusahaan perlu mengukur latency dan cost per workflow, bukan hanya biaya satu model call. 

Hallucination dan error propagation menjadi perhatian karena output yang salah dari satu agent dapat menjadi input bagi agent berikutnya. Grounding, structured output, validation, dan human review dapat digunakan untuk mengurangi risiko. 

Security dan access control harus diterapkan pada setiap agent dan tools yang digunakannya. Prinsip least privilege penting terutama ketika agent dapat melakukan tindakan langsung pada sistem perusahaan. 

Terakhir, observability juga menjadi faktor penting. Tim perlu dapat melihat agent mana yang dijalankan, tools yang dipanggil, execution path, latency, error, dan penggunaan model agar masalah dapat dilacak. 

Contoh Penerapan Multi-Agent System

Customer Service

Triage Agent dapat mengidentifikasi kebutuhan pelanggan lalu meneruskannya ke Billing, Technical Support, atau FAQ Agent. Pola handoff seperti ini memungkinkan setiap specialist menangani domain yang lebih terfokus. 

Software Development

Workflow dapat dibagi menjadi requirement analysis → coding → testing → security review → documentation. Agent dapat membantu setiap tahap, sementara developer tetap melakukan review dan approval sebelum perubahan masuk production. 

Financial Services

MAS dapat digunakan untuk mendukung fraud investigation, risk assessment, document analysis, dan compliance review. Karena melibatkan data sensitif dan keputusan berisiko tinggi, use case ini membutuhkan access control, audit trail, validation, dan human oversight. 

Supply Chain

Agent dapat membantu inventory monitoring, demand analysis, supplier evaluation, dan procurement planning. Misalnya, Inventory Agent mendeteksi kebutuhan restock, Supplier Agent mengevaluasi vendor, lalu Procurement Agent menyiapkan rekomendasi. 

Baca Juga: Agen AI dalam Supply Chain: Cara Cerdas Mengambil Keputusan Logistik Secara Real-Time 

Framework Populer untuk Membangun Multi-Agent System

Tidak ada satu framework yang paling cocok untuk semua organisasi. Pilihan sebaiknya disesuaikan dengan kompleksitas workflow, cloud ecosystem, skill tim, model provider, governance, dan kebutuhan production. 

LangGraph

Kelebihan: memberikan kontrol granular terhadap stateful dan long-running workflows serta cocok untuk branching, looping, persistence, dan human-in-the-loop. 

Kekurangan: membutuhkan kemampuan engineering yang lebih tinggi dan dapat terlalu kompleks untuk workflow sederhana. 

Use case: workflow agentic yang memiliki banyak state, conditional paths, atau membutuhkan kontrol execution yang ketat. 

Cocok untuk: enterprise dengan tim engineering kuat yang membutuhkan kontrol penuh atas orchestration dan state. LangGraph memang diposisikan sebagai low-level orchestration framework dan runtime. 

CrewAI

Kelebihan: menggunakan konsep role-based agents yang relatif mudah dipahami. Crews mendukung autonomous collaboration, sedangkan Flows memberikan kontrol terhadap execution path, state, dan conditional logic. 

Kekurangan: abstraction yang lebih tinggi dapat kurang fleksibel untuk architecture yang sangat custom. 

Use case: research, content generation, business analysis, dan workflow automation yang membutuhkan beberapa specialist agents. 

Cocok untuk: tim yang ingin membangun multi-agent workflow dengan cepat, termasuk organisasi yang membutuhkan kombinasi autonomous agents dan workflow terstruktur. 

Microsoft Agent Framework

Kelebihan: menyediakan agent, tools, memory/state management, telemetry, serta graph-based workflows dengan routing, checkpointing, dan human-in-the-loop. 

Kekurangan: lebih kompleks daripada SDK agent yang lightweight dan paling menarik ketika organisasi sudah menggunakan Microsoft ecosystem. 

Use case: enterprise workflow yang membutuhkan multi-agent orchestration, long-running processes, dan integrasi dengan Microsoft/Azure environment. 

Cocok untuk: organisasi enterprise dengan Microsoft/Azure stack dan kebutuhan governance serta workflow yang terstruktur. 

Selain itu, Microsoft Agent Framework merupakan penerus langsung dari pendekatan AutoGen dan Semantic Kernel, sehingga untuk greenfield project Microsoft, framework ini lebih relevan untuk dievaluasi daripada memulai implementasi baru dengan AutoGen. 

Google Agent Development Kit (ADK)

Kelebihan: menyediakan framework untuk membangun agent, tools, orchestration, session/state management, serta lifecycle development yang terintegrasi dengan Google Cloud. Google juga menyediakan tooling untuk evaluation, deployment, dan observability. 

Kekurangan: manfaat integrasi paling besar bagi organisasi yang menggunakan Google Cloud; implementasi enterprise tetap membutuhkan desain security, governance, dan cost control. 

Use case: enterprise AI dan distributed multi-agent systems yang dibangun dalam Google Cloud environment. 

Cocok untuk: organisasi yang sudah menggunakan Google Cloud atau ingin menjadikannya bagian utama dari AI infrastructure. 

OpenAI Agents SDK

Kelebihan: lightweight dan memiliki primitive sederhana untuk agents, tools, handoffs, guardrails, serta built-in tracing. 

Kekurangan: tim tetap perlu merancang architecture, governance, integration, dan operational controls sesuai kebutuhan enterprise. 

Use case: agentic applications yang membutuhkan specialist agents, delegation, dan handoff. 

Cocok untuk: tim engineering yang ingin membangun agentic applications dengan cepat dan menggunakan ekosistem OpenAI. 

Bagaimana Cara Mengimplementasikan Multi-Agent System?

Implementasi sebaiknya dimulai dari business problem, bukan framework. 

1. Pilih use case yang tepat

Pastikan proses memang membutuhkan beberapa domain expertise, context, tools, atau workflow yang saling berkoordinasi. 

2. Petakan workflow

Tentukan mana yang membutuhkan agent dan mana yang cukup ditangani oleh deterministic code atau business rules. Jika sebuah fungsi dapat ditangani dengan code, tidak selalu perlu dijadikan AI agent. Microsoft juga secara eksplisit merekomendasikan pendekatan tersebut. 

3. Tentukan role dan boundary

Definisikan tanggung jawab, tools, data, output, dan permission untuk setiap agent. 

4. Pilih orchestration pattern

Gunakan router, sequential, parallel, manager, handoff, atau kombinasi sesuai workflow. 

5. Terapkan security dan governance

Gunakan least privilege, authentication, authorization, audit logging, data governance, dan human approval untuk tindakan berisiko. 

6. Bangun evaluation dan observability

Ukur akurasi, execution path, latency, model usage, cost, tool success rate, dan failure rate. 

7. Mulai dari pilot

Pilih satu workflow dengan business value yang jelas dan success metrics yang terukur sebelum memperluas jumlah agent dan integrasi. 

Baca Juga: Proyek AI Berhenti di Tahap Pilot? Ini Penyebab dan Cara Mengatasinya 

Membangun Multi-Agent System yang Tepat untuk Bisnis Bersama CTI Group

Multi-Agent System memungkinkan beberapa AI agent dengan spesialisasi berbeda bekerja sama untuk menyelesaikan workflow yang kompleks. Pendekatan ini dapat membantu perusahaan membagi pekerjaan, mengisolasi context, menjalankan task secara paralel, dan mengintegrasikan berbagai tools serta sumber data. 

Namun, MAS bukan selalu pilihan terbaik. Jika satu agent atau workflow biasa sudah cukup, menambahkan agent justru dapat meningkatkan kompleksitas dan biaya tanpa memberikan manfaat yang sepadan. 

Karena itu, implementasi MAS sebaiknya dimulai dari kebutuhan bisnis, kemudian dilanjutkan dengan desain agent, orchestration, data, security, dan observability yang sesuai. 

Ingin mengeksplorasi penerapan Multi-Agent System untuk bisnis Anda? Diskusikan kebutuhan dan workflow bisnis Anda bersama CTI Group untuk menemukan pendekatan enterprise AI yang tepat. 

Penulis: Wilsa Azmalia Putri 

Content Writer CTI Group