Sistem kecerdasan buatan yang melibatkan banyak agen (multi-agent) sering kali terlihat mulus dalam demonstrasi. Namun, ketika diterapkan untuk pekerjaan nyata, kekacauan mulai muncul. Informasi tersebar di berbagai sesi obrolan, log terminal, dan catatan basis data. Tim teknis kehilangan jejak konteks, alur kerja, hingga biaya komputasi yang dikeluarkan. Heym mencoba menjawab kebutuhan ini melalui konsep Papan Kanban Agentik.
Platform tersebut mengubah papan tugas konvensional menjadi unit eksekusi otomatis. Sebuah kartu tidak lagi sekadar mendeskripsikan pekerjaan yang harus diselesaikan manusia. Kartu tersebut kini merupakan wujud nyata dari pekerjaan itu sendiri yang dijalankan oleh rantai alur kerja AI.
Kendati demikian, banyak pengembang masih mengandalkan perintah teks (prompt) sederhana untuk menggerakkan agen AI. Pendekatan itu gagal ketika satu agen harus menyerahkan tugas ke agen lain. Pertanyaan krusial muncul: apa konteks yang diterima agen kedua? Di mana hasil dari langkah sebelumnya? Mengapa proses tiba-tiba berhenti? Tanpa jawaban terstruktur, sistem multi-agensi kehilangan kepercayaan pengguna.
Heym membangun papan Kanban di mana setiap kolom dapat berisi rantai alur kerja berurutan. Memindahkan kartu dari kolom "Backlog" ke "Planning" bukan lagi sekadar perubahan status, melainkan sebuah peristiwa eksekusi. Kolom perencanaan bisa menjalankan analisis permintaan, mengambil konteks relevan, hingga meminta klarifikasi kepada manusia. Setelahnya, kartu yang sama berpindah ke kolom "Development" membawa serta rencana dan jawaban manusia untuk memicu rantai alur kerja berbeda.
Keuntungan utama dari pendekatan ini adalah memori persisten. Sebuah kartu menyimpan permintaan asli, komentar manusia, lampiran file, hingga riwayat aktivitas dan hasil eksekusi. Pengembang tidak perlu menyalin informasi ke prompt baru setiap kali agen berganti. Hal ini sangat krusial untuk efisiensi biaya token, mengingat model AI berbayar seperti Codex menghitung pemrosesan berdasarkan volume data yang masuk.
Sementara itu, di Indonesia, adopsi AI generatif di kalangan perusahaan teknologi mulai bergeser dari chatbot tunggal ke sistem agen otonom. Startup lokal yang mengembangkan produk berbasis Large Language Models (LLM) sering terbentur masalah orkestrasi. Alat bantu seperti Heym menawarkan paradigma baru yang relevan bagi tim produk di Jakarta atau Bandung yang butuh transparansi. Tanpa visibilitas alur kerja, risiko kesalahan agen AI merusak sistem produksi akan semakin tinggi.
Sistem ini juga memungkinkan kolom berbeda menggunakan model, alat, dan alur kerja yang berbeda pula. Misalnya, alur kerja penelitian menggunakan model pencarian teknis, sementara alur kerja pengodean digerakkan oleh Codex. Transisi antar tahap dilakukan secara visual. Indikator warna pada kartu memberikan status waktu nyata: amber berdenyut berarti proses berjalan, amber statis menunggu input manusia, hijau sukses, dan merah gagal.
Desain visual tersebut membuat papan kerja berguna bagi anggota tim teknis maupun non-teknis. Seorang pengembang dapat memeriksa detail eksekusi, sementara rekan dari divisi produk atau operasi cukup memahami apakah suatu tugas sedang berjalan, terblokir, selesai, atau gagal. Pembatasan tampilan operasional dan detail teknis ini menjembatani kesenjangan komunikasi di dalam perusahaan.
Di sisi lain, pendiri Heym menekankan bahwa otonomi penuh tidak selalu menjadi tujuan akhir. "Beberapa keputusan membutuhkan konteks yang hanya bisa diberikan manusia, atau memerlukan persetujuan eksplisit karena berdampak pada sistem produksi," demikian prinsip yang dianut dalam desain alur kerja mereka. Titik henti sementara (pause) ini menyimpan status eksekusi hingga manusia memberikan jawaban di kolom komentar.
Alur kerja perencanaan dapat memperkaya permintaan dan mengajukan pertanyaan. Kartu akan tetap berada di kolom perencanaan sampai seseorang membalasnya. Balasan tersebut otomatis menjadi bagian dari konteks kartu dan melepaskannya ke tahap berikutnya. Jika rencana perlu revisi, tim dapat menjalankan putaran tanya jawab tambahan tanpa kehilangan diskusi sebelumnya.
Kemampuan untuk melacak kesalahan pada tingkat alur kerja, bukan sekadar jawaban akhir, menjadi fitur krusial. Setiap kartu terhubung ke sistem pelacakan yang mencatat input, output, panggilan alat, hingga estimasi biaya model per langkah. Pengguna dapat memahami di mana sistem gagal tanpa harus memutar ulang seluruh proses dari awal.
Ke depan, kebutuhan akan sistem agen AI yang dapat diaudit akan melonjak seiring regulasi kecerdasan buatan yang ketat di berbagai negara. Alat berbasis papan kerja visual seperti Heym berpotensi menjadi standar operasional bagi tim rekayasa perangkat lunak. Industri perangkat lunak di Tanah Air perlu mulai mengadopsi pola pikir ini agar sistem multi-agensi tidak berakhir menjadi "kotak hitam" yang tidak dapat dikendalikan.