Di banyak tim pengembang perangkat lunak, muncul anggapan tak tertulis bahwa penyusunan berkas SKILL.md untuk agen kecerdasan buatan harus dilakukan oleh programmer. Berkas tersebut biasanya bertengger di direktori .claude/skills/ atau ~/.openclaw/skills/ dengan metadata YAML di bagian awal, lalu dimasukkan ke repositori kode. Praktik ini terlihat wajar karena dokumen teknis memang berada di wilayah developer.
Namun, hasilnya sering mengecewakan. Orang yang benar-benar memahami alur kerja yang hendak diotomatisasi (misalnya manajer layanan pelanggan yang tahu cara riil memproses pengembalian dana, atau staf operasi yang hafal sepuluh langkah sebelum faktur terbit) jarang menyentuh YAML tersebut. Seorang developer lantas menulis skill berdasarkan deskripsi orang kedua, menghasilkan instruksi yang enak dibaca tetapi keliru saat kasus penting muncul.
Akar masalahnya ialah batas akses repositori dan keharusan menguasai YAML menjadi penghalang bagi ahli domain. Tim secara tidak sengaja menyaring justru orang yang pengetahuannya membuat skill bermutu. Mereka mengoptimalkan siapa yang bisa melakukan komit kode, bukan siapa yang benar-benar tahu proses bisnis.
Kondisi ini mirip dengan perdebatan lama soal dokumentasi dan kode. Kode tidak mampu menangkap niat atau intensi pengembang. Skill agen AI memilikinya dengan tingkat lebih tinggi: ia bukan kode, melainkan pengetahuan prosedural yang mencakup urutan tindakan, pertimbangan, dan pengecualian seperti 'jika pelanggan adalah klien enterprise, lakukan langkah berbeda'.
Pengetahuan semacam itu bersarang di kepala pekerja lapangan, bukan sekadar pemilik repositori. Ketika kontribusi diikat oleh kemampuan git dan sintaks YAML, kesenjangan antara niat dan implementasi melebar. Skill yang gagal memetakan kasus nyata akan membuat agen bertindak percaya diri namun salah arah.
Di Indonesia, gelombang adopsi agen AI mulai menyentuh startup fintech, platform e-commerce, hingga layanan publik digital. Banyak perusahaan lokal meniru pola Barat dengan menyerahkan seluruh penyusunan skill ke divisi teknologi. Padahal, proses refund di marketplace domestik atau verifikasi KYC bank memiliki kekhususan regulasi yang hanya dikuasai staf non-teknis.
Jika ahli alur kerja tetap terpinggirkan, otomasi yang lahir berisiko melanggar prosedur perlindungan konsumen atau sekadar memberikan jawaban generik. Sebaliknya, memisahkan penulisan substansi dari kerja plumbing (metadata dan alat sinkronisasi) memberi ruang bagi supervisor operasional mengoreksi langkah keliru tanpa belajar git. Developer pun tak perlu jadi ahli dukungan pelanggan.
Beberapa perusahaan teknologi Tanah Air sudah merintis alat kolaborasi no-code untuk tim lintas fungsi, meski belum setara dengan ekosistem Claude Code atau OpenClaw. Tantangannya ialah membudayakan tinjauan sebelum skill diterapkan ke seluruh agen, agar satu kesalahan edit tidak merusak layanan serentak.
Penulis asal Dev.to menegaskan bahwa keterampilan harus diperlakukan sebagai artefak yang mengubah perilaku produksi, bukan sekadar berkas konfigurasi. Ia mengajukan empat langkah dasar, antara lain menulis deskripsi pemicu dengan bahasa pengguna, bukan label internal; contohnya 'menangani refund, chargeback, dan pertanyaan di mana uang saya' lebih baik daripada 'Refund Processing v2'. Uji juga apakah agen memanggil skill dengan memasukkan prompt nyata, lalu versioning seperti kode karena edit buruk adalah bug produksi, serta wajibkan satu tahap ulasan sebelum rollout.
Prinsip kunci yang ia sampaikan ialah memisahkan peran pengarang dan peran plumbing. 'Authorship by the expert plus review before rollout' menjadi kalimat penentu yang meningkatkan mutu lebih efektif daripada sekadar menyetel prompt. Seseorang yang paham alur bisa mengubah skill dengan aman, asalkan ada persetujuan sebelum penyebaran.
Ke depan, pendekatan ini tidak memerlukan perangkat mahal. Tim dapat mulai dengan repositori git, segelintir prompt uji, dan aturan review sederhana. Solusi otomatis seperti Contexory yang diluncurkan di Product Hunt memang memudahkan penyelarasan ke OpenClaw dan Claude Code, tetapi inti perbaikan ada pada proses manusiawi.
Seiring agen AI makin mengakar di operasi bisnis Indonesia, kualitas skill akan bergantung pada seberapa lebar pintu bagi ahli domain berkontribusi. Perusahaan yang membiarkan supervisor dan researcher menulis substansi (sambil developer mengurus format) akan menghasilkan agen lebih andal dan selaras kebutuhan nyata.