Amazon Bedrock AgentCore IDP: Otomasi Dokumen yang Belajar Sendiri

Masalah Klasik Otomasi Dokumen: Kenapa Template Kaku Bikin Tekor?

Sistem IDP lawas yang mengandalkan aturan kaku (rule-based) punya tiga kendala utama yang sering bikin pusing tim IT perusahaan:

1. Kekakuan Template: Tiap ada format berkas baru dari supplier, tim engineer harus bikin konfigurasi manual. Pergeseran letak kolom atau tabel sedikit saja langsung bikin ekstraksi gagal total.
2. Nggak Ada Proses Belajar: Kalau sistem bikin kesalahan ekstraksi, eror yang sama bakal terus berulang di dokumen berikutnya. Sistem lama sama sekali nggak menyimpan memori perbaikan dari koreksi sebelumnya.
3. Beban Skala Operasional: Makin banyak rekanan bisnis atau vendor, makin berlipat ganda tenaga yang dibutuhkan buat merawat template. Buat perusahaan yang menerima dokumen dari ratusan sumber berbeda, biaya perawatannya jadi mahal banget.

Pendekatan agen cerdas di Bedrock AgentCore mengubah pola kerja ini. Alih-alih pakai template statis, barisan agen AI menganalisis dokumen secara dinamis, menyusun instruksi ekstraksi sendiri, mencocokkan hasil ke basis data, dan belajar dari kesalahan validasi secara otomatis.

Mengenal Amazon Bedrock AgentCore IDP: Arsitektur 8 Agen Kolaboratif

Dalam solusi ini, proses bisnis dijalankan oleh delapan agen AI khusus yang saling berkolaborasi lewat alur kerja berbasis graf (graph-based workflow). Agen-agen ini dibangun memakai Strands Agents, sebuah SDK open source untuk perancangan agen AI, dan diorkestrasi langsung oleh runtime Bedrock AgentCore.

Kedelapan agen tersebut dibagi ke dalam tiga tahapan kerja utama:

• Identification Workflow: Melibatkan agen Analyzer yang mengekstrak teks mentah memakai Amazon Textract serta mengidentifikasi pengirim dan tipe dokumen. Setelah itu, agen Matcher mencari kemiripan berkas dengan dokumen terdahulu lewat pencarian vektor di Amazon S3 Vectors.
• Training Workflow (Format Baru): Kalau berkas belum pernah dikenali, agen Instructions menyusun prompt ekstraksi berdasarkan skema JSON. Agen Extractor menjalankan tugas ekstraksi ke format terstruktur, lalu agen Validator mengecek kecocokan data terhadap skema dan aturan bisnis di Amazon Aurora DSQL. Kalau validasi gagal, agen Instructions Fixer turun tangan membedah masalah dan memoles prompt. Setelah lolos, agen Save Instructions menyimpan prompt baru tersebut ke dalam vector store.
• Automation Workflow (Format Dikenal): Kalau berkas cocok dengan format lama, agen Extractor langsung menerapkan instruksi yang tersimpan tanpa perlu merumuskan prompt baru. Bila terjadi anomali saat validasi, agen Troubleshooter memperbaiki data hasil ekstraksi secara langsung tanpa mengacak-acak instruksi dasar.

Sistem orkestrasi ini mirip dengan konsep kerja multi-agent modular yang pernah dibahas di artikel presentasi AI Bedrock AgentCore otomatis, di mana tugas berat dipecah menjadi peran-peran kecil yang fokus.

Cara Kerja Alur IDP: Dari File Masuk Sampai Data Bersih Masuk Database

Infrastruktur di balik sistem IDP otonom ini mengombinasikan berbagai layanan serverless AWS yang saling terhubung secara aman tanpa perlu mengelola server virtual manual.

Alur pemrosesan data berjalan dengan langkah-langkah berikut:

1. Dokumen bisnis masuk lewat lampiran Amazon Simple Email Service (SES) atau diunggah langsung ke bucket Amazon S3.
2. Amazon EventBridge menangkap berkas baru dan memicu fungsi AWS Lambda untuk mencatat ID pekerjaan di Amazon DynamoDB, lalu memanggil AgentCore runtime.
3. AgentCore runtime menjalankan graf orkestrasi Strands Agents untuk mengelola siklus hidup ekstraksi berkas.
4. Agen mengakses sumber daya AWS memakai kredensial machine-to-machine yang dikelola aman oleh AgentCore Identity dan Amazon Cognito.
5. Berbagai fungsi Lambda validator diubah menjadi perkakas agen (agent tools) lewat antarmuka Model Context Protocol (MCP) pada AgentCore Gateway.
6. Teks dibaca via Amazon Textract, diindeks di S3 Vectors, dan divalidasi ke aturan bisnis yang tersimpan di Amazon Aurora DSQL.
7. Pengguna bisa memantau status antrean pekerjaan dan memeriksa analisis eror lewat antarmuka web interaktif berbasis React yang berjalan di Amazon ECS dan CloudFront.
8. Seluruh metrik performa agen terpantau secara transparan melalui AgentCore Observability dan Amazon CloudWatch.

Studi Kasus Nyata: Dari Eror Format SKU Sampai Otomatis Ngebut

Biar kebayang cara sistem ini belajar, mari lihat pengujian nyata yang dilakukan AWS memakai purchase order dari toko fiktif Two Wheel Store. PO pertama yang diunggah belum ada di memori sistem, sehingga masuk ke alur training.

Teks mentah yang dibaca oleh Amazon Textract menunjukkan pesanan barang dengan kode SB-004 (Folding Classic) dan AC-021 (Advanced Computer). Agen Extractor mengubahnya jadi format JSON terstruktur berikut:

{
  "po_number": "PO-2026-0102-2584",
  "retailer_name": "Two Wheel Store",
  "order_date": "2026-01-02T00:00:00Z",
  "line_items": [
    {
      "sku": "AC-021",
      "product_name": "Advanced Computer",
      "quantity": 1,
      "unit_price": 75.61,
      "line_total": 75.61
    },
    {
      "sku": "SB-004",
      "product_name": "Folding Classic",
      "quantity": 8,
      "unit_price": 1204.29,
      "line_total": 9634.32
    }
  ],
  "order_total": 14931.54
}

Saat agen Validator mengecek data ini ke aturan bisnis di Aurora DSQL, validasi langsung gagal dengan pesan eror:

validation_status: INVALID
error: 'SB-004' does not match '^AB-[A-Z]{2}-\d{3}$'

Penyebabnya sepele tapi fatal: sistem internal perusahaan mewajibkan format SKU berawalan AB-, sedangkan vendor menulisnya tanpa awalan tersebut. Di sistem lama, proses ini bakal macet total dan butuh intervensi programmer.

Di sistem ini, agen Instructions Fixer langsung menganalisis eror dan menambahkan aturan transformasi SKU ke dalam prompt ekstraksi: tambahkan prefix AB- untuk setiap kode vendor. Pada percobaan kedua, tujuh item barang berhasil lolos validasi, dan instruksi baru ini disimpan permanen ke S3 Vectors. Total waktu proses dokumen baru ini butuh 3 menit 49 detik.

Pas dokumen kedua dari Two Wheel Store diunggah beberapa waktu kemudian, agen Matcher menemukan instruksi tersimpan dengan skor keyakinan 3.946 (melewati ambang batas 3.7). Dokumen langsung masuk alur automation. Aturan prefix SKU langsung aktif otomatis (EL-002 otomatis jadi AB-EL-002). Hasilnya, dokumen kedua selesai divalidasi cuma dalam waktu 1 menit 30 detik tanpa campur tangan manusia sama sekali.

Panduan Praktis Deploy Arsitektur Ini di Akun AWS Kamu

Kamu bisa mencoba arsitektur ini langsung di lingkungan AWS pribadi atau perusahaan. Seluruh kodenya sudah disiapkan AWS lewat repositori sampel publik.

Persyaratan Sistem

• Akun AWS dengan akses model Amazon Nova dan Anthropic Claude aktif di Amazon Bedrock.
• Akses ke Amazon Bedrock AgentCore (Runtime, Gateway, Identity), S3 Vectors, dan Amazon Aurora DSQL di region yang didukung.
• AWS CDK v2, Docker yang sedang aktif, Python versi 3.11 ke atas, dan Node.js 18 ke atas.
• Izin IAM untuk membuat S3, Lambda, DynamoDB, Cognito, ECR, dan ECS.

Langkah-Langkah Deployment

1. Kloning repositori resmi dan siapkan virtual environment Python:

git clone https://github.com/aws-samples/agenticidp-guidance.git
cd agenticidp-guidance

uv venv
source .venv/bin/activate
uv pip install -r requirements.txt

cd ui/orchestrator
npm install
cd ../..

2. Jalankan perintah deploy otomatis:

uv run deploy.py --admin-email [email protected]

Perintah ini bakal membangun enam stack AWS CloudFormation sekaligus (Core, Gateway, Aurora, Agent, UI Orchestrator, dan Modern UI). Proses instalasi biasanya memakan waktu antara 15 sampai 20 menit. Setelah selesai, kamu bakal menerima email berisi tautan antarmuka web CloudFront lengkap dengan kredensial masuk sementara.

Kalau kamu mau mencoba eksperimen ekstraksi dokumen dengan berbagai model bahasa di luar AWS Bedrock, kamu juga bisa memanfaatkan layanan perutean model AI. Lewat Classai Router, kamu bisa mengakses model kelas atas seperti Claude Sonnet 4.6 (Rp2.700 per 1 juta token input) atau DeepSeek V4.1 Flash (Rp1.155 per 1 juta token input) cukup dengan satu API key yang kompatibel dengan format SDK standar.

Membangun Skema JSON dan Tool Validasi Sendiri

Contoh bawaan AWS memakai data tiruan industri sepeda. Buat kebutuhan operasional bisnismu sendiri, kamu tinggal mengganti skema dokumen dan fungsi Lambda validasinya.

Berikut contoh rancangan prompt dasar untuk agen ekstraksi yang bisa kamu jadikan acuan:

Kamu adalah agen ekstraktor dokumen bisnis presisi tinggi. Tugasmu adalah membaca teks mentah hasil OCR dan memetakannya secara ketat ke dalam format JSON berikut:{  "nomor_invoice": string,  "nama_vendor": string,  "tanggal_terbit": "YYYY-MM-DD",  "daftar_barang": [    {      "sku": string,      "nama_item": string,      "jumlah": number,      "harga_satuan": number,      "total_harga": number    }  ],  "total_pembayaran": number} Aturan penting: Jangan mengasumsikan angka yang tidak tertulis. Jika format kode barang tidak memiliki prefix standar perusahaan, catat di kolom catatan untuk diperiksa validator.

Fungsi validator Lambda di AgentCore Gateway bertugas memvalidasi hasil ekstraksi terhadap database internal. Misalnya mengecek apakah nomor registrasi supplier terdaftar di sistem akuntansi, atau memastikan total penjumlahan tiap baris pesanan benar-benar klop dengan nilai total akhir.

Estimasi Biaya dan Perbandingan Skema Pemrosesan

Karena arsitekturnya sepenuhnya serverless dan on-demand, kamu nggak perlu membayar biaya server menganggur (idle cost). Biaya utama hanya dihitung berdasarkan volume dokumen yang diproses.

Estimasi berdasarkan beban kerja 10 dokumen latihan dan 1.000 dokumen proses per bulan di region US East (N. Virginia).

Pilihan model AI yang ditugaskan ke tiap agen bisa disetel terpusat di berkas konfigurasi agents/orchestratorgraph/utils/config.py. Kamu bisa menugaskan model yang lebih murah untuk tugas pemilahan sederhana dan menyimpan model penalaran yang lebih kuat untuk perbaikan instruksi.

Dampak Buat Tim Developer dan Bisnis di Indonesia

Buat ekosistem bisnis di Indonesia, kehadiran arsitektur IDP yang fleksibel ini punya manfaat praktis yang langsung terasa:

• Menangani Variasi Faktur Pajak dan Invoice UMKM: Bisnis di Indonesia kerap berurusan dengan ribuan mitra pemasok yang punya format kuitansi dan invoice berbeda-beda. Sistem agen yang bisa beradaptasi mandiri menghilangkan keharusan menyewa tim data entry khusus hanya untuk merapikan berkas tagihan.
• Kepatuhan Privasi Data: Dengan menjalankan seluruh infrastruktur di lingkungan cloud privat AWS milik sendiri, kontrol terhadap data finansial dan identitas pelanggan tetap terjaga penuh. Hal ini mempermudah perusahaan mematuhi regulasi perlindungan privasi data pribadi tanpa harus mengirim dokumen sensitif ke layanan pihak ketiga yang tidak tersertifikasi.
• Efisiensi Anggaran Operasional: Biaya operasional pemrosesan dokumen yang dipatok kisaran puluhan dolar untuk ribuan berkas jauh lebih terjangkau dibandingkan membeli lisensi perangkat lunak IDP proprietary tradisional yang mematok biaya lisensi tahunan yang mahal.

Bagi kamu yang ingin memperdalam keterampilan merancang arsitektur sistem otomatisasi cerdas seperti ini, kamu bisa mengikuti panduan mendalam di kelas AI untuk Developer yang mengulas berbagai teknik integrasi kecerdasan buatan ke aplikasi produksi modern.