Agentic workflows yang awalnya dieksplorasi secara intensif akhirnya harus menjadi proses yang membosankan dan terstruktur. Makalah Progressive Crystallization terbaru dari Focused Labs menjelaskan siklus hidup yang dijalani tim agen ketika mereka berulang kali menemukan kembali solusi yang sama. Tahap pertama bersifat eksploratif dan mahal, tetapi setelah solusi tersebut terbukti berulang, tim ingin mengintegrasikannya ke dalam workflow yang deterministik. Proses ini disebut sebagai “kristalisasi” dan bertujuan untuk menghilangkan kebutuhan akan loop agentik yang mahal.
Proses kristalisasi dimulai dengan eksplorasi menggunakan alat dan status. Ketika sebuah insiden muncul berulang kali, tim ingin membuat workflow yang mengimplementasikan jalur kerja tersebut. Namun, ketika workflow mulai menghadapi kasus-kasus tepi yang aneh, sistem harus kembali ke tahap eksplorasi. LangGraph, dengan primitive @entrypoint dan @task, menjadi jembatan yang ideal karena memungkinkan tim untuk mempertahankan kontrol alur Python sambil menambahkan memori dan checkpointing. Primitive ini memungkinkan fungsi-fungsi yang dapat dijalankan berulang kali tanpa perlu memanggil model di setiap langkah, sehingga mengurangi biaya inferensi secara signifikan.
Data nyata dari sistem operasi jaringan cloud menunjukkan betapa efektifnya pendekatan ini. Dalam waktu delapan bulan, eksekusi deterministik meningkat dari 0% menjadi 45%. Pada saat yang sama, biaya per insiden turun lebih dari 70%, sementara jumlah insiden melonjak dua kali lipat. Pengurangan biaya ini tidak hanya berasal dari penurunan jumlah token, tetapi juga dari fakta bahwa “pekerjaan yang terselesaikan berhenti menjadi pekerjaan agentik.” Konsep serupa juga muncul dalam Compiled AI, di mana LLM menghasilkan artefak sekali, artefak tersebut divalidasi, dan kemudian kode yang dihasilkan berjalan dengan nol token eksekusi. Peneliti melaporkan tingkat keberhasilan tugas 96% dengan nol token dan titik impas setelah 17 transaksi, serta pengurangan token 57x pada 1.000 transaksi.
Workflow yang dipromosikan memiliki kontrak yang berbeda pada jejak (trace). Jejak tersebut berfungsi sebagai kandidat spesifikasi yang harus lulus uji penerimaan. Langkah-langkah dalam workflow yang dipromosikan harus memiliki efek samping yang idempotent, seperti menggunakan kunci atau upsert, dan persetujuan manusia harus dikodekan sebagai status eksplisit, bukan sebagai obrolan biasa. Mode kegagalan juga harus memiliki jenis keluar yang terdefinisi dengan baik. Dengan demikian, workflow menjadi lebih dapat diprediksi dan lebih mudah dikelola.
Bagi tim enterprise, pola ini menciptakan siklus yang berulang: eksplorasi → kristalisasi → eksekusi deterministik → kembali ke eksplorasi ketika kasus-kasus baru muncul. LangGraph memudahkan siklus ini karena tim dapat menulis satu tugas untuk catatan basis data dan tugas lain untuk persetujuan, masing-masing dengan kunci idempotensi sendiri. Dengan cara ini, workflow dapat mempertahankan status runtime tanpa harus melakukan panggilan model yang rumit di setiap langkah.
Di Indonesia, adopsi workflow agentik semakin meningkat, terutama di penyedia layanan cloud lokal dan perusahaan telekomunikasi seperti Telkomsel, XL, dan Gojek. Mereka mulai menggunakan AI ops untuk mendeteksi gangguan, tetapi biaya inferensi yang tinggi membatasi skalabilitas. Penerapan konsep kristalisasi dapat membantu perusahaan-perusahaan ini mengurangi biaya operasional sambil meningkatkan keandalan layanan. Selain itu, startup teknologi di Indonesia dapat memanfaatkan open-source LangGraph untuk membangun agen yang hemat biaya tanpa perlu bergantung pada model LLM yang mahal di setiap langkah eksekusi.
Ke depan, tren menuju AI yang “dikompilasi” akan semakin mengukuhkan determinisme dalam proses otomatis. Perusahaan yang ingin tetap kompetitif harus berinvestasi dalam alat yang mendukung promosi workflow, pengujian otomatis, dan tata kelola yang jelas atas kontrak jejak. Bagi ekosistem teknologi Indonesia, ini berarti peluang untuk mengembangkan keahlian dalam kristalisasi workflow, melatih talenta dalam rekayasa AI yang hemat biaya, dan menciptakan produk turunan yang sesuai dengan kebutuhan lokal.
Seperti yang ditekankan oleh Focused Labs, “Agentic workflows seharusnya menjadi membosankan setelah tahap pertama.” Prinsip ini tidak hanya berlaku untuk perusahaan global, tetapi juga untuk perusahaan rintisan dan perusahaan lokal yang ingin memanfaatkan AI secara efisien dan bertanggung jawab.