Agentic Decision Engine Bedrock: Cara Bayer Otomasi Riset Pertanian

Kenapa Bayer Butuh Agentic Decision Engine?

Di Bayer Crop Science, para pemulia tanaman, analis, peneliti, data scientist, dan data engineer menjalankan ratusan konfigurasi model machine learning buat berbagai jenis tanaman dan wilayah. Supaya eksekusinya rapi, mereka memakai sistem orkestrasi bernama CDE. Sistem ini menyimpan riwayat eksekusi dan kontrol operasional dengan ketat.

Masalahnya, begitu sistem makin besar, bottleneck alias hambatan utama berpindah dari yang tadinya menjalankan analisis jadi memahami hasil analisis. Kalau ada alur kerja yang gagal, pengguna harus memeriksa dokumentasi, API, log CloudWatch, dan dashboard terpisah. Mereka harus tahu persis sistem mana yang sedang bermasalah.

Bayer akhirnya merancang ADE buat menghilangkan kerumitan itu. Pengguna cukup mengetik pertanyaan santai lewat antarmuka web, lalu sistem multi-agent di belakang layar bakal mencari tahu akar masalahnya secara mandiri.

Bedah Arsitektur ADE di Amazon Bedrock AgentCore

Arsitektur ADE dibagi rapi ke dalam empat lapisan utama: antarmuka pengguna (user experience), orkestrasi agen, agen spesialis (specialist agents), serta tumpukan tool dan sumber data.

Pengguna mengakses ADE lewat aplikasi web React yang dilindungi proksi identitas Microsoft Entra ID. Setelah lolos autentikasi, permintaan masuk ke runtime Amazon Bedrock AgentCore. Di lapisan ini, Bayer menjalankan orkestrasi berbasis LangGraph secara langsung karena runtime AgentCore bersifat netral terhadap kerangka kerja (framework-agnostic).

LangGraph dipilih karena punya kontrol alur berbasis grafik yang jelas serta mendukung penyimpanan status (checkpointing). Pintu masuk utamanya dipegang oleh Supervisor Agent yang bertugas mengklasifikasikan pertanyaan dan memilih agen spesialis yang tepat. Kalau butuh pembahasan lebih dalam soal desain sistem agen skala besar, kamu juga bisa baca ulasan kami tentang /developer/multi-agent-ai-produksi-arsitektur-aws.

Data pendukungnya dikelola terpisah sesuai fungsinya masing-masing:

• Amazon DynamoDB: Menyimpan status checkpoint LangGraph agar alur kerja multi-langkah bisa dilanjutkan kapan aja.
• Amazon Aurora PostgreSQL: Menyimpan riwayat percakapan sesi, masukan (feedback) pengguna, dan data analitik.
• Amazon ElastiCache: Menyimpan cache jawaban agen lengkap dengan masa kedaluwarsa (time to live atau TTL).
• Amazon S3, Titan Text Embeddings V2, dan OpenSearch Serverless: Fondasi sistem RAG (Retrieval Augmented Generation) untuk mencari dokumen konseptual.
• AgentCore Gateway: Menghubungkan API backend ke agen memakai standar Model Context Protocol (MCP).

Cara Kerja Alur Pertanyaan dan 22 Agen Spesialis

Di lingkungan produksi, ADE mengoperasikan 22 agen spesialis. Masing-masing agen punya cakupan tugas dan sumber data sendiri. Misalnya, Domain Expert Agent bertugas menjawab pertanyaan teori lewat RAG, Operational Agent mengambil data status alur kerja live dari CDE, dan Visualization Agent bertugas menggambar grafik.

Bayer juga menerapkan pola Models as Skill. Pola ini mengubah kode dan dokumentasi model menjadi definisi keahlian di registri terpusat. Hasilnya, agen bisa menjawab pertanyaan teknis langsung berdasarkan kode implementasi aslinya, bukan sekadar tebak-tebakan model bahasa umum.

Contoh alur kerjanya begini:

1. Peneliti bertanya: "Kenapa alur kerja phenotyping saya gagal kemarin?"
2. Supervisor Agent mengidentifikasi niat pengguna, lalu meneruskan tiket itu ke Troubleshooting Agent.
3. Troubleshooting Agent membaca telemetri di Amazon CloudWatch dan memeriksa status alur kerja di API CDE melalui AgentCore Gateway.
4. Agen mendeteksi titik error dan menyusun laporan ringkas lewat Supervisor Agent.

Proses investigasi error yang dulunya butuh waktu lebih dari 1 jam—karena harus ubek-ubek log dan menunggu antrean tim engineer—kini beres dalam waktu di bawah 10 menit.

5 Keputusan Desain Penting Bayer Menuju Fase Produksi

Saat membangun sistem multi-agent skala enterprise, tim Bayer bekerja sama dengan tim AWS Unified Operations—termasuk Technical Account Manager (TAM) dan Domain Specialist Engineer (DSE) AI generatif. Mereka merumuskan lima keputusan desain krusial:

1. Pisahkan Status Orkestrasi dari Runtime

Sesi di AgentCore emang mengisolasi data percakapan secara aman, tapi itu bukan tempat penyimpanan permanen buat alur kerja panjang. Tim Bayer menulis status checkpoint LangGraph ke Amazon DynamoDB. Kalau terjadi proses scale-out container atau restart mendadak, alur kerja agen tetap bisa dilanjutkan tanpa kehilangan konteks.

2. Pisahkan Batas Identitas Korporat dan Layanan

Bayer memakai Microsoft Entra ID untuk identitas karyawan, sementara otorisasi antar-layanan internal memakai mekanisme bawaan AWS Identity and Access Management (IAM). Token pengguna dari Entra ID nggak dipaksakan tembus ke seluruh layanan backend. Ada AWS Lambda yang bertindak sebagai request interceptor buat memvalidasi hak akses sebelum diteruskan ke AgentCore Gateway.

3. Pemilihan Model AI adalah Kontrak Antarmuka

Saat proses pengembangan, tim sempat menguji versi model AI terbaru yang punya mode penalaran (reasoning). Namun ternyata, kombinasi pemanggilan tool (tool use) dan luaran terstruktur (structured output) pada model tersebut belum cocok dengan kode agen yang udah dibangun. Bayer memilih tetap memakai model sebelumnya. Pelajarannya: model AI baru yang lebih pintar belum tentu bisa langsung menggantikan model lama tanpa merusak integrasi API.

4. Batasi Katalog Tool Biar Prompt Nggak Boncos

CDE mengelola lebih dari 500 konfigurasi model. Kalau setiap API dibuatkan server MCP sendiri, biaya perawatannya bakal bikin pusing. Bayer mendaftarkan spesifikasi OpenAPI langsung ke AgentCore Gateway, yang otomatis mengubah operasi REST menjadi tool MCP. Selain itu, daftar tool dibatasi sesuai agen spesialisnya. Kalau semua tool dijejalkan ke satu agen, kuota token prompt bakal habis cuma buat membaca deskripsi tool.

5. Naikkan Kemampuan Kompleks dari Tool Menjadi Agen

Fitur visualisasi data awalnya cuma berupa tool biasa. Tapi lama-lama, fitur ini butuh logika penanganan error, pengambilan data mandiri, sampai keputusan kapan harus bikin grafik baru atau membuka dashboard lama. Bayer akhirnya menaikkan status fitur ini menjadi Visualization Agent tersendiri. Agen ini menjalankan matplotlib dan Plotly di dalam AgentCore Code Interpreter yang terisolasi, atau memanggil dashboard Amazon QuickSight dan Power BI yang udah ada.

Observabilitas dan Cara Bayer Pangkas Biaya Token

Menjalankan arsitektur supervisor multi-agent punya tantangan tersendiri: respons HTTP bisa berstatus sukses (kode 200), padahal jawaban agen di dalamnya sebenarnya salah atau timeout. Bayer menyebut ini pemisahan antara keberhasilan transportasi (transport success) dan keberhasilan tugas (task success).

Tim menambahkan metrik khusus di CloudWatch untuk memantau kegagalan struktur output, error pemanggilan tool, dan batas kuota (throttling). Dengan begitu, mereka tahu persis agen mana yang gagal menuntaskan tugasnya.

Dari sisi finansial, memantau tagihan Bedrock di tingkat akun AWS aja nggak cukup buat mengetahui unit ekonomi per percakapan. Bayer menggabungkan tiga metode pelacakan biaya:

1. Application Inference Profiles: Mengelompokkan tagihan pemakaian model AI per aplikasi.
2. Metadata Request & Logging: Mencatat konsumsi token per agen dan per fitur secara rinci.
3. IAM Principal Attribution: Melacak pemakaian biaya berdasarkan identitas pemanggil.

Data telemetri menunjukkan bahwa Visualization Agent dan Operational Agent adalah pemakan token terbanyak karena sering memanggil tool MCP berulang kali. Berangkat dari temuan itu, Bayer menerapkan prompt caching pada instruksi tetap dan definisi tool. Langkah ini sukses memangkas biaya input token sebesar 20 sampai 30 persen.

Pelajaran Operasional dan Dampak untuk Bisnis di Indonesia

Saat ini, lebih dari 100 peneliti dan staf di Bayer Crop Science aktif memakai ADE. Integrasi API lewat AgentCore Gateway sukses memangkas beban kerja integrasi per API hingga lebih dari 99 persen dibandingkan membuat server khusus satu per satu.

Keberhasilan ini didukung oleh evaluasi Well-Architected Generative AI dan Critical Workload Review bersama AWS Unified Operations sebelum peluncuran resmi. Tim menyelesaikan 35 kendala teknis, memperbaiki celah keamanan container di Amazon ECR, serta menghubungkan sistem alarm ke AWS Incident Detection and Response yang siap merespons insiden dalam waktu 5 menit.

Langkah berikutnya, Bayer sedang mengeksplorasi interoperabilitas agen lintas lingkungan (hybrid cloud agent interoperability) agar agen AI di berbagai platform bisa saling berkomunikasi secara otomatis.

Buat perusahaan di Indonesia—baik di sektor perkebunan, manufaktur, perbankan, maupun logistik—pola arsitektur Bayer ini ngasih gambaran nyata. AI agent di tingkat enterprise bukan cuma soal memilih model LLM yang pintar merangkai kata. Kunci keberhasilannya ada pada isolasi keamanan data, batasan hak akses sesuai regulasi perlindungan data pribadi (UU PDP), pencatatan biaya token yang transparan, serta integrasi sistematis ke basis data operasional yang sudah ada.

Cara Mencoba Pola Agen Cerdas di Proyek Kamu

Kalau tim kamu tertarik membangun alur kerja multi-agent serupa, ada beberapa langkah praktis yang bisa kamu tiru dari pengalaman Bayer:

1. Identifikasi Pertanyaan yang Berulang: Cari tahu tugas operasional internal apa yang paling sering menghabiskan waktu tim teknis (misalnya pengecekan log error atau status transaksi).
2. Bagi Peran Agen Berdasarkan Domain: Buat satu Supervisor Agent sebagai pengarah alur, lalu pasangkan agen spesialis yang memegang hak akses data terbatas.
3. Gunakan Format Standar untuk Tool: Ubah dokumentasi API REST kamu menjadi spesifikasi OpenAPI agar bisa dipanggil agen secara otomatis tanpa coding ulang.
4. Pantau Pengeluaran Token Sejak Hari Pertama: Terapkan prompt caching untuk instruksi sistem yang jarang berubah agar saldo token kamu nggak cepat habis.

Berikut contoh instruksi sederhana (system prompt) bergaya supervisor agent yang bisa kamu jadikan titik awal percobaan:

Kamu adalah Supervisor Agent untuk sistem operasional internal. Tugas utamamu adalah menganalisis pertanyaan pengguna dan meneruskannya ke agen spesialis yang tepat. Aturan rute:1. Jika pengguna menanyakan status server, log error, atau kegagalan sistem, arahkan ke: Troubleshooting_Agent.2. Jika pengguna meminta ringkasan data penjualan atau pembuatan grafik metrik, arahkan ke: Visualization_Agent.3. Jika pertanyaan bersifat penjelasan konsep bisnis umum, arahkan ke: Knowledge_Agent. Jangan pernah menjawab masalah teknis secara langsung jika belum menerima data dari agen spesialis terkait. Kembalikan respons dalam format JSON dengan kunci: "target_agent", "user_intent", dan "parameters".

Buat kamu yang ingin bereksperimen menghubungkan berbagai model AI seperti Claude, GPT, atau DeepSeek ke dalam sistem multi-agent kamu tanpa ribet kelola banyak langganan kartu kredit luar negeri, kamu bisa mencoba Classai Router. Lewat satu API key yang kompatibel dengan format SDK standar, kamu bisa langsung menguji model cerdas seperti Claude Sonnet 4.6 (Rp2.700 per 1M input token) atau DeepSeek V4.1 Flash (Rp1.155 per 1M input token) dengan pembayaran mudah memakai QRIS.

Selain itu, kalau tim bisnis kamu ingin mempelajari strategi penerapan otomasi kerja cerdas dari level pemula sampai mahir, kamu juga bisa melihat katalog pembelajaran di Kelas AI untuk Bisnis & UMKM.