Aku Bangun Tim AI Empat Agent di Laptop Bekas 2016, Nyala 24/7 Kayak Server

Ada orang yang aku follow posting screenshot AI agency-nya, dan aku merhatiin lama banget sampai aku sendiri heran kenapa. Tujuh puluh dua agent. Sembilan departemen. Ada chief strategist di paling atas, orchestrator di bawahnya, dan tiap agent nempel ke model tertentu. Yang bikin, akun bernama @lucaxyzz, bilang dia ngabisin sekitar 100 juta token dalam sehari. Itu beneran impresif. Tapi buat aku, itu kayak showroom mobil mewah, padahal yang aku butuh cuma sedan yang masuk akal.

Soalnya aku ini SEO. Yang aku punya cuma laptop bekas tahun 2016 dan setumpuk kerjaan berulang yang udah males aku kerjain manual. Jadi aku ambil jalan yang kebalikan dari screenshot itu. Aku bikin empat agent. Di laptop lama itu. Sengaja. Dan laptopnya nggak pernah tidur. Laptop ini jalan 24/7 kayak server yang selalu nyala, jadi keempat agent-ku tetap hidup dan aku bisa hubungin salah satu dari mereka kapan aja, dari mana aja, dari device apa aja, langsung lewat Lark. Ini cerita soal apa aja yang beneran dibutuhin buat itu, termasuk bagian-bagian yang sempat rusak.

Postingan yang jadi titik awal

Versi maksimalis itu menggoda karena keliatan kayak kapabilitas. Makin banyak agent, makin banyak departemen, makin banyak token, makin banyak semuanya. Instingku malah ke arah sebaliknya, dan bukan soal aku nggak sanggup bikin versi segede itu. Aku milih ramping karena sebagian besar dari 72 seat itu bakal nganggur buat kerjaanku. Aku nggak punya departemen desain. Aku nggak punya sembilan jenis kerjaan yang antre. Org chart segede itu, buat satu operator, kebanyakan cuma jadi scaffolding ngelilingin ruangan kosong.

Jadi pertanyaan yang aku ajukan bukan "gimana caranya bikin versi yang bikin orang kagum", tapi "tim paling kecil apa yang beneran bisa ngerjain kerjaanku". Jawaban jujurnya ternyata empat, dan ongkos jujurnya ternyata lebih ke soal disiplin daripada soal hardware. Kredit ke yang berhak dapet: postingan @lucaxyzz yang naruh ide ini di depan aku. Aku cuma bawa ke arah yang lebih kecil.

Aku SEO, dan kerjaanku baru aja berubah

Biar aku jelasin posisi aku dengan tepat, karena ini penting buat semua yang aku ceritain berikutnya. Aku spesialis SEO dan AEO/GEO yang juga bangun sendiri website-nya. Aku nggak pindah profesi buat bisa bangun ini. Aku belajar bagian membangunnya karena kerjaanku emang butuh itu, dan aku tetap di posisi yang sama dari dulu.

Ini alasan kenapa punya tim AI agent beneran masuk akal buat orang kayak aku sekarang, dan alasannya bukan yang biasanya orang kira. Selama bertahun-tahun, bagian tersulit dari kerjaan apa pun itu eksekusinya. Ngerjain audit, nulis draft, ngirim perubahan. Hambatan itu sekarang sebagian besar udah hilang. Agent ngerjain hal yang berulang itu lebih cepet dari aku, dan dia nggak bakal bosen pas masuk halaman ke-40 dari audit sebuah situs.

Yang tersisa buat aku itu verifikasi. Kerjaanku bergeser dari ngerjain jadi ngecek: tau pertanyaan mana yang harus ditanyain dari awal, nolak jawaban yang kedengeran yakin tapi salah, dan nilai apakah hasilnya beneran cocok sama konteks tempat dia bakal dipake. Daniel Cheung nulis satu tulisan berjudul "Why AI Rewards Critical Thinking and Imagination" yang ngomongin ini lebih bagus dari yang bisa aku omongin, dan aku minjem kerangka pikirnya, bukan ngaku itu ide aku. Versi singkatnya: waktu eksekusi jadi murah, keunggulan manusia pindah ke penilaian. Tim agent jadi worth dipunya justru karena aku yang nentuin arah dan ngecek hasilnya, dan mereka yang ngerjain bagian berulangnya. Ambil verifikasinya, dan yang tersisa cuma cara cepet buat salah dengan penuh percaya diri dalam skala besar.

Dari satu bot jadi satu agency penuh

Semua ini nggak pernah direncanain. Rencana awalnya kecil dan biasa aja: aku punya bot asisten pribadi yang jalan di Claude Agent SDK, dan aku cuma mau nambah satu pintu lagi ke bot itu, cara buat ngobrol sama otak yang sama dari Lark, bukan cuma dari satu aplikasi chat aja. Itu doang scope-nya. Nambah satu pintu.

Terus aku duduk buat satu sesi diskusi desain yang panjang buat mikirin pintu itu, dan scope-nya diam-diam meledak. Belasan giliran obrolan kemudian, "nambah satu pintu" udah jadi "bangun satu agency penuh". Di sepanjang jalan itu aku ngecek tiga hal ke dokumentasi resmi, bukan ke asumsiku sendiri: bahwa SDK-nya bisa jalanin beberapa agent yang beneran terpisah sebagai session independen, bahwa Lark punya native handoff beneran di mana satu bot bisa mention dan bangunin bot lain, dan bahwa aku bisa nyimpen file lewat Drive API platform itu sendiri. Tiga fakta itu yang ngubah lamunan jadi rencana.

Bagian yang paling aku banggain justru apa yang sesi itu TIDAK hasilin: satu desain matang yang udah ditulis, dan nol baris kode. Nggak ada yang dibangun. Aku pasang gate buat diri sendiri: nggak ada yang jalan sampai aku daftarin app-nya dan bilang go secara eksplisit. Nahan diri di tahap desain itu murah, dan nahan diri setelah kamu udah nulis 2.000 baris kode itu mahal, jadi aku bayar versi yang murah.

Angka yang bikin aku yakin: 77

Hal pertama yang beneran jalan itu kecil banget, hampir konyol. Lewat koneksi WebSocket ke Lark, aku kirim "ping" dan langsung dapet "pong" balik di percobaan pertama, lengkap sama success code-nya. Harusnya itu nggak bikin perasaan apa-apa, tapi ternyata iya, soalnya itu artinya seluruh transport layer-nya nyata: autentikasinya, koneksi live-nya, nerima event, ngirim balasan, nggak ada yang palsu.

Momen yang beneran nempel itu "77". Aku naruh satu angka rahasia di file-based brain, terus nanya ke agent pertama yang live, di dalam satu thread Lark, "berapa angka rahasiaku?" Dia jawab "77". Dia udah baca otakku dan jawab aku secara live. Nggak lama setelah itu aku liat dua bot saling lempar kerjaan secara terbuka, satu ngirim pesan pake mention tag beneran dan yang satunya bangun, nerima itu sebagai pesan dari bot lain, dan bales di grup yang sama. Itu bukti yang jadi tumpuan seluruh ide ini, agent beneran ngobrol satu sama lain, hidup, di satu thread yang bisa aku liat sendiri, bukan sekadar diagram di atas kertas.

Roster yang aku dapetin, bukan yang aku mampu

Aku sebenarnya bisa aja langsung bikin sepuluh agent sore itu juga. Tapi aku maksa diri sendiri buat earn tiap satu, berdasar kerjaan nyata. Aku liat scope dari satu project klien SEO beneran, dan itu kebagi jadi tiga craft yang jelas beda: kerjaan search dan audit, kerjaan konten, dan engineering buat ngirim hasilnya. Fan-out itu yang jadi bukti aku butuh tiga head, bukan satu, dan bukan sepuluh.

Jadi timnya berempat. Larry yang orchestrate: dia satu-satunya front door, dia terima request, pecah jadi task, terus handoff ke spesialis yang tepat. Dia nggak ngerjain craft work dan dia bukan otak SEO-nya. Di bawahnya ada tiga head of craft: Alison ngerjain SEO, Satya ngerjain konten, Durov bangun app dan code-nya terus ship. Itu seluruh roster-nya.

Daftar yang lebih ngungkapin justru yang aku tolak rekrut. Nggak ada agent paid ads, nggak ada agent social media, nggak ada head of design terpisah, nggak ada analyst berdiri sendiri. Semuanya kerjaan yang beneran ada, cuma buat beban kerjaku yang sebenarnya, mereka nyaris nggak ada kerjaan. Aturan yang aku pasang itu "earn each agent": satu seat cuma ada kalau ada kerjaan nyata dan berulang yang nungguin. Seat kosong cuma jadi overhead yang tetep harus kamu urus.

Cara kerjanya sekarang

Bentuknya simpel buat diceritain, dan itu justru intinya. Satu operator manusia, satu orchestrator, tiga craft head. Aku nentuin arah, aku hadapin klien, aku validasi hasilnya. Larry yang rute. Alison, Satya, dan Durov yang ngerjain, dan waktu salah satu butuh kerjaan berat, dia bangunin sub-agent sementara di context yang fresh biar percakapan utamanya tetep ringan.

Mereka beneran agent yang terpisah, bukan satu bot pake empat kostum. Masing-masing punya identitas sendiri di Lark, session sendiri yang persisten, dan budget sendiri. Yang mereka bagi cuma pengetahuan: satu otak berisi file markdown biasa. Personality terpisah, session terpisah, satu memori bareng.

Ada dua pilihan yang bikin ini nyatu. Pertama, handoff terjadi secara terbuka, di dalam satu thread Lark. Waktu aku nanya ke Larry hal di luar lane-nya, dia mention head yang tepat di thread yang sama, head itu ngerjain dan bales, dan jawabannya balik ke aku di satu tempat. Kedua, file adalah source of truth dan selalu ada manusia di tiap cycle. Tiap loop antar-agent berhenti di aku, dan buat hal yang besar, satu head harus posting rencana dan nunggu approval-ku dulu sebelum satu hal pun dieksekusi. Di atas semuanya ada satu konstitusi tertulis yang aku pegang sendiri. Agent-agent itu bisa nyusun draft amandemen sebagai teks, tapi cuma aku yang bisa ubah dokumen aslinya, dan cuma aku yang bisa nambah agent baru.

Lihat tim ini kerja beneran

Ini satu kerjaan nyata, dari awal sampai selesai, dengan detail klien dihapus karena itu memang milik klien. Request-nya adalah beresin meta title dan meta description di seluruh situs. Alison yang ambil duluan. Dia audit tiap halaman sendiri, baca raw rendered HTML, bukan bayar crawler yang mahal, terus nyusun backlog temuan yang udah diprioritasin plus arah keyword-nya. Terus dia handoff ke Satya. Satya nulis ulang meta copy buat halaman-halaman prioritas dengan voice brand-nya sendiri, review-only, dan kirim ke aku. Aku baca dan aku approve.

Dari situ Durov yang implementasiin, mula-mula ke staging terus ke production, tanpa pernah buka page editor secara manual, terus verifikasi hasilnya live dengan baca raw HTML lagi. Semuanya lolos, konten halaman yang keliatan tetep sama persis byte-per-byte, nggak ada yang rusak. Alison yang closing item itu, live di production. Sepanjang relay itu, Larry nyatet tiap langkah lengkap sama tanggal dan orang yang bertanggung jawab. Yang perlu diperhatiin itu posisi aku di rantai itu: aku baca draft Satya dan mutusin bener atau nggak, sementara ngetik meta description-nya sendiri terjadi tanpa aku. Eksekusi jalan tanpa aku. Verifikasi enggak.

Yang beneran sempat rusak

Kalau aku cuma cerita bagian yang berhasil, aku cuma jualan screenshot yang sama kayak yang aku skeptis waktu liat. Jadi ini daftar jujurnya.

Dan di sinilah benang merah verifikasi itu balik lagi, karena ini pelajaran paling dalam dari seluruh project ini. Momen paling berbahaya bukan waktu satu agent gagal dengan berisik. Kegagalan yang berisik itu gampang. Momen berbahayanya itu waktu satu agent yakin tapi salah. Lebih dari sekali, satu agent nolak mentah-mentah ngerjain sesuatu yang sebenarnya dia sanggup, ngotot bilang dia nggak bisa baca file tertentu karena "nggak ada connector buat itu", padahal sebenernya bisa. Kalau aku percaya aja penolakan yang keliatan yakin itu, aku bakal bangun sesuatu di sekitar batasan yang sebenernya nggak ada. Kerjaanku di momen itu adalah nggak percaya begitu aja. Itu kerjaan yang sekarang: tau kapan mesinnya salah, lebih dari sekadar ngerjain tugasnya. Kalau kamu mau versi teknis pendampingnya, aku nulis soal engineering konten biar kebaca bener sama answer engine di "Cara Jadi Jawaban AI: Rekayasa SEO untuk AI Overviews", dan disiplin yang sama berlaku: percaya sinyal mentahnya, verifikasi klaim yang keliatan yakin.

Laptop yang buat main game aja nggak kuat

Sekarang fakta yang paling aku suka, karena ini yang nggak bisa didebat siapa pun. Semua ini jalan di laptop budget dari 2016. Dua core. Sebelas gigabyte RAM, yang kepake mungkin cuma tujuh setelah sistem operasinya ambil jatah. Nggak ada GPU khusus, cuma graphics terintegrasi. Nggak bisa jalanin model AI modern secara lokal, bakal keteteran sama semua model quantized kecuali yang paling kecil, dan bakal ngos-ngosan main game jaman sekarang.

• 2 coredual-core CPU
• 11 GB RAM~7 GB kepake setelah OS
• Nggak ada GPU khususgraphics terintegrasi doang
• Laptop budget 2016nggak bisa main game modern
• Host yang selalu nyalamikirnya kejadian di cloud

Laptop ini tetep jalanin AI agency berisi empat agent. Itu bukan kontradiksi begitu kamu liat apa sebenernya agency ini. Kecerdasannya nggak lokal. Laptopnya cuma host yang selalu nyala, dan proses mikirnya kejadian lewat Agent SDK yang ngobrol ke model-model itu lewat subscription. Agency-nya itu orchestration plus file biasa plus satu subscription, bukan compute lokal. Laptop lamanya cuma perlu tetep nyala dan jagain koneksinya tetep kebuka, dan buat itu dia lebih dari cukup.

Ada juga alasan sederhana kenapa ini laptop kedua, bukan laptop utamaku. Mesin utamaku itu aset perusahaan, dan aku pegang aturan ketat bahwa data pribadi dan data venture-ku nggak boleh jadi file aktif di device perusahaan. Jadi seluruh agency ini hidup di mesin terpisah, pribadi, bekas. Sekadar batasan yang aku putusin buat dijaga.

Cerita soal biayanya juga sama bentuknya. Aku bangun ini biar nggak nambah pengeluaran sama sekali. Ini jalan di dalam subscription yang udah aku bayar, dan waktu usage-nya kena cap, sistemnya berhenti sampai reset, bukannya diam-diam nagih lebih. Infrastruktur di sekitarnya gratis atau self-hosted: layanan yang jagain semuanya tetep jalan, akses remote pribadi, koneksi yang biarin laptop di belakang router rumah tetep bisa dipake tanpa alamat publik, dan backup otomatis tiap jam ke repo pribadi. Semuanya markdown biasa, jadi nggak ada yang kekunci di satu tempat.

Kenapa yang ramping menang lawan yang gede

Screenshot yang jadi pemicu semua ini punya 72 agent dan seratus juta token sehari. Versiku punya empat agent dan satu laptop tua. Aku nggak mikir punyaku impresif kayak yang itu, dan itu justru poin yang mau aku tinggalin buat kamu.

Yang ramping ngalahin yang gede waktu kecerdasannya nggak lokal dan disiplinnya yang jadi desainnya. Waktu model-modelnya hidup di cloud, mesin lokalmu berhenti jadi batasan, dan batasan sebenernya jadi seberapa rapi kamu ngatur kerjaan dan seberapa jujur kamu jagain manusia tetep ada di dalam loop-nya. Rig yang lebih gede nggak bakal bikin empat agent-ku lebih bagus, dan agent yang lebih banyak nggak bakal bikin mereka pantas dapet seat-nya. Yang bikin ini jalan itu kesabaran nahan diri, file biasa, manusia di tiap cycle, dan satu konstitusi yang berdiri di atas semua agent itu.

Dan di bawah semuanya itu ada pergeseran yang terus aku balikin lagi. Dulu hambatannya eksekusi, dan sekarang eksekusi itu udah murah. Yang tersisa buat manusia bukan ngetik lebih cepet. Itu soal nanya pertanyaan yang lebih bagus, dan verifikasi jawabannya lebih keras, apalagi waktu jawabannya keliatan yakin.

Skip aja departemennya. Yang beneran kamu butuhin itu tau pertanyaan mana yang layak ditanyain, dan berani bilang ke mesin yang cepet dan penuh percaya diri itu bahwa dia salah.Itu, lebih dari sekadar laptopnya, adalah keseluruhan triknya.