- Ada empat tahap: tentukan tugas dan batas agent, siapkan sumber pengetahuan, rakit di platform no-code, lalu uji sebelum dipakai.
- Banyak yang disebut AI agent sebenarnya chatbot berbasis dokumen. Kalau kebutuhanmu hanya menjawab pertanyaan berulang, chatbot sudah cukup dan lebih stabil.
- Tiga bahan harus siap sebelum platform dibuka: tugas dan batas agent, sumber pengetahuan yang rapi, dan daftar tindakan.
- “Gratis” dan “tanpa coding” sering tidak bisa didapat bersamaan. No-code paling cocok untuk tugas internal dan otomasi kecil.
Cara membuat AI agent tanpa coding dilakukan dengan menentukan tugas dan batas agent, menyiapkan sumber pengetahuannya, merakitnya di platform no-code, lalu mengujinya sebelum disambungkan ke pengguna. Urutan itu terdengar sederhana, dan memang bisa kamu jalankan tanpa menulis satu baris kode pun.
Banyak orang sudah mencoba tutorial untuk mempersingkat waktu. Agent-nya jadi, lalu begitu dipakai orang lain jawabannya ngawur atau berhenti di tengah percakapan. Membuat agent yang jalan memang bisa selesai dalam lima menit. Namun, agent yang bisa dipercaya pengguna butuh persiapan sebelumnya dan pengujian sesudahnya.
Apa yang Sebenarnya Kamu Buat Saat Membuat AI Agent Tanpa Coding
Banyak yang disebut AI agent di platform no-code sebenarnya chatbot berbasis dokumen. Keduanya dibuat dengan cara berbeda dan dipakai untuk kebutuhan berbeda. Mengenali mana yang sedang kamu bangun menghemat banyak waktu. Istilah “AI agent” sekarang menempel di hampir semua produk.
Akibatnya, pemula sering mengikuti tutorial untuk membuat agent, padahal yang mereka butuhkan hanya chatbot sederhana. Atau sebaliknya, mereka berharap chatbot bisa mengerjakan tugas di sistem lain. Bagian ini memetakan tiga tingkatan supaya kamu tahu posisimu.
Tiga Tingkatan: Chatbot, Workflow, dan Agent
Perbedaan paling jelas datang dari cara Anthropic mendefinisikannya dalam panduan teknis Building Effective Agents. Menurut publikasi tersebut, workflow adalah sistem tempat LLM dan tools diatur lewat jalur yang sudah ditentukan sebelumnya. Agent adalah sistem tempat LLM menentukan sendiri prosesnya dan pemakaian tools-nya.
Banyak produk yang dilabeli agent sebenarnya berada di dua baris pertama. Gartner bahkan punya istilah untuk praktik ini, yaitu agent washing: vendor melabeli ulang asisten AI, RPA, atau chatbot sebagai agentic tanpa kemampuan agentic yang berarti. Menurut perkiraan Gartner, hanya sekitar 130 dari ribuan vendor agentic AI yang benar-benar menawarkan kemampuan itu.
Lalu, apakah sistem harus memanggil data atau mengerjakan sesuatu di sistem lain? Kalau jawabannya tidak, kamu butuh chatbot.
- Butuh chatbot kalau yang diminta hanya menjawab pertanyaan berulang dari dokumen. Chatbot jauh lebih stabil karena ruang geraknya sempit.
- Butuh workflow kalau langkah-langkahnya sudah pasti dan hanya satu bagian yang perlu kecerdasan model, misalnya meringkas atau mengklasifikasi.
- Butuh agent kalau sistem harus memilih langkah sendiri dan memanggil data atau tindakan di sistem lain.
Kalau kamu ingin memahami lebih dalam, baca artikel tentang perbedaan automation dan AI agent.
Tiga Bahan yang Disiapkan Sebelum Membuka Platform
Kualitas AI agent ditentukan oleh bahan yang disiapkan sebelum platform dibuka, bukan oleh platform yang dipilih. Ada tiga bahan, yaitu tugas dan batas agent, sumber pengetahuan, dan daftar tindakan. Bagian ini dilewati hampir semua tutorial lima menit.
Bahan 1: Tugas dan Batas Agent
Tulis satu kalimat tugas utama, lalu daftar hal yang tidak boleh dijawab atau dikerjakan agent. Satu kalimat tugas membuat agent punya fokus. Tanpanya, agent mencoba membantu apa saja, dan di titik itu jawabannya mulai mengarang.
Daftar larangan mengisi sisi sebaliknya, yaitu hal-hal yang harus ditolak walaupun pengguna memintanya dengan sopan. Gunakan format berikut:
Tugas utama (satu kalimat): [contoh: menjawab pertanyaan pelanggan tentang stok, harga, dan cara pemesanan produk kami]
Boleh dijawab:
- [stok dan ketersediaan ukuran]
- [harga dan cara pembayaran]
- [cara memesan]
Tidak boleh dijawab atau dikerjakan:
- [menjanjikan diskon atau potongan harga]
- [memperkirakan waktu pengiriman]
- [membahas pesanan yang tidak ada di dokumen]
Kalau tidak tahu: [teruskan ke tim, minta nama dan nomor yang bisa dihubungi]
Bahan 2: Sumber Pengetahuan
Kumpulkan FAQ, katalog, daftar harga, atau SOP dalam bentuk yang rapi dan tidak saling bertentangan. Agent akan mewariskan kerancuan dokumen aslinya, jadi dokumen yang masih simpang siur harus dibereskan dulu.
SearchUnify memberi patokan yang berguna, meski bukan standar baku industri: bila kurang dari 70 persen data yang dibutuhkan agent bersih, formatnya konsisten, dan bisa diakses, keandalannya akan terbatas secara struktural.
Periksa dokumenmu dengan daftar ini sebelum diunggah:
- Setiap fakta (harga, jam buka, syarat) hanya punya satu versi yang berlaku.
- Dokumen lama atau kedaluwarsa sudah dihapus atau ditandai jelas.
- Istilah yang sama dipakai konsisten. Contohnya, “paket Pro” tidak kadang ditulis “paket Premium”.
- Tabel dan daftar ditulis sebagai teks yang bisa dibaca, bukan sebagai gambar.
- Ada tanggal pembaruan di tiap dokumen.
Bahan 3: Daftar Tindakan
Tulis apa saja yang perlu dikerjakan agent selain memberikan jawaban. Kalau daftar ini kosong, yang kamu butuhkan sebenarnya chatbot, bukan agent, dan itu kabar baik karena jauh lebih sederhana.
Tambahkan satu kolom: apakah tindakan tersebut perlu persetujuan manusia. Tindakan yang mengubah data lebih berisiko daripada tindakan yang hanya membaca.
Langkah Membuat AI Agent Tanpa Coding
Agent dirakit dalam enam langkah: menulis peran, memilih platform, memasukkan sumber pengetahuan, menyambungkan memori dan tools, mengujinya, lalu menyambungkannya ke saluran komunikasi. Urutan ini sengaja menaruh saluran komunikasi di akhir, setelah pengujian selesai.
Langkah 1: Tulis Peran dan Instruksinya
Di sinilah kegagalan paling sering terjadi. Instruksi yang terlalu pendek memberi model ruang untuk menafsirkan sendiri, dan tafsirannya jarang sesuai maumu. Prinsipnya sama dengan membuat prompt AI yang jelas dan spesifik. Bandingkan dua contoh berikut.
Instruksi yang jelek:
Kamu adalah CS yang ramah.
Instruksi yang baik:
Identitas: Kamu adalah asisten layanan pelanggan [Nama Toko], toko online [jenis produk].
Lingkup: Kamu boleh menjelaskan stok, harga, ukuran, dan cara pemesanan, hanya berdasarkan dokumen yang diberikan.
Yang harus ditolak: Jangan menjanjikan diskon, jangan memperkirakan waktu pengiriman, dan jangan membahas pesanan yang tidak ada di dokumen. Untuk permintaan ini jawab: “[kalimat penolakan yang sopan]”.
Nada: Bahasa Indonesia santai dan sopan, sapaan “kak”, maksimal [empat] kalimat per jawaban.
Kalau tidak tahu: Jangan menebak. Jawab “[Saya belum punya informasi itu. Saya teruskan ke tim kami ya, kak.]” lalu minta nama dan nomor yang bisa dihubungi.
Tulis apa yang harus dilakukan agent saat tidak tahu. Tanpa instruksi itu, model akan mengarang jawaban yang terdengar masuk akal.
Langkah 2: Pilih Platform Sesuai Kebutuhan
Platform no-code untuk agent bisa dikelompokkan ke tiga jenis. Pilihlah berdasarkan daftar tindakan dari bagian sebelumnya, bukan berdasarkan merek yang sedang ramai dibicarakan.
Langkah 3: Masukkan Sumber Pengetahuan
Unggah dokumen yang sudah dirapikan, lalu sambungkan ke agent di dashboard platform. Mulailah dengan sedikit dokumen yang paling penting. Menelusuri dokumen mana yang membuat jawaban kacau jauh lebih sulit bila semuanya diunggah sekaligus.
Setelah unggahan selesai, cek apakah platform sudah menandai dokumen berhasil diproses sebelum kamu mulai bertanya.
Langkah 4: Tambahkan Memori dan Tools Bila Perlu
Memori membuat agent mengingat percakapan sebelumnya. Tools membuat agent bisa mencatat atau mengambil data dari sistem lain, seperti spreadsheet atau kalender. Keduanya opsional. Tambahkan hanya yang kamu butuhkan, karena setiap tambahan membuka kemungkinan kegagalan baru.
Aktifkan satu tindakan dulu, uji sampai stabil, baru tambah yang berikutnya. Beri akses sesempit mungkin. Kalau agent hanya perlu menambah baris di satu spreadsheet, jangan beri akses ke seluruh akun.
Langkah 5: Uji dengan Empat Skenario Sulit
Sebelum agent bertemu siapa pun, jalankan empat skenario uji yang dibahas di bagian berikutnya. Kalau ada yang gagal, kembali ke Langkah 1, 3, atau 4, perbaiki, lalu ulangi pengujiannya.
Langkah 6: Sambungkan ke Saluran Komunikasi
Saluran komunikasi adalah tempat pengguna bertemu agent: WhatsApp, Telegram, atau widget di website. Jangan lakukan langkah ini sebelum agent lolos pengujian. Begitu agent tersambung, setiap kekeliruannya langsung dilihat orang sungguhan.
Contoh Hasil Akhir: Agent Layanan Pelanggan Toko Online
Agent toko online yang dirakit dengan enam langkah tadi sebenarnya chatbot berbasis dokumen dengan satu tindakan, yaitu mencatat permintaan ke spreadsheet. Untuk toko kecil, itu sudah cukup. Begini rupanya saat dipakai (nama produk dan pelanggan hanya ilustrasi):
Pengguna: Kak, kemeja linen navy masih ada ukuran L?
Agent: Masih ada, kak. Berdasarkan katalog terbaru, tersedia ukuran M, L, dan XL. Mau dibantu cara pesannya?
Pengguna: Kalau pesan sekarang, besok pasti sampai, kan?
Agent: Saya belum punya informasi untuk memastikan waktu pengiriman, kak. Saya teruskan ke tim kami ya. Boleh minta nama dan nomor yang bisa dihubungi?
Pengguna: Rina, 0812xxxxxxx.
Agent: Terima kasih, kak Rina. Pertanyaannya sudah saya catat, tim kami akan menghubungi lewat nomor tadi.
Cek spreadsheet setiap kali menguji, karena agent yang bilang “sudah saya catat” belum tentu benar-benar mencatat.
Cara Menguji AI Agent Sebelum Dipakai Orang Lain
Menguji agent berarti memberinya empat jenis pertanyaan sulit sebelum ditemukan oleh pengguna sungguhan: pertanyaan di luar knowledge base, jawaban yang tersebar di beberapa dokumen, percakapan panjang yang berbelok, dan permintaan yang masuk daftar larangan. Hasilnya menentukan siap atau tidaknya agent dilepas.
Membuat agent yang jalan di demo jauh lebih mudah daripada membuat agent yang bertahan saat dipakai orang sungguhan. Menurut Built In, demo biasanya memakai satu buku panduan produk yang bersih, sedangkan pemakaian sungguhan berarti ribuan dokumen yang tidak konsisten, riwayat obrolan, dan permintaan pengguna yang ambigu.
Ada juga masalah yang muncul dari matematika sederhana. SearchUnify mencatat bahwa galat kecil di tiap langkah akan menumpuk. Sebagai ilustrasi, dengan asumsi keandalan 95% di setiap langkah, alur sepuluh langkah hanya berhasil sekitar 60%, dan alur dua puluh langkah sekitar 36%. Semakin panjang rantai tindakan agent, semakin penting pengujiannya.
Karena itu, jalankan empat skenario berikut. Catat setiap jawaban, lalu ulangi tiap pertanyaan dua sampai tiga kali. Keluaran model bisa berbeda dari satu percobaan ke percobaan berikutnya, dan agent yang kadang benar belum bisa dikatakan andal.
- Pertanyaan di luar knowledge base. Ajukan pertanyaan yang jawabannya sengaja tidak ada di dokumenmu, misalnya “Apakah produk ini bisa dicicil dengan kartu kredit?” Lihat apakah agent mengaku tidak tahu atau mengarang. ChatRAG mencatat bahwa teknik RAG tidak menghapus halusinasi, tetapi mengubah bentuknya.
- Jawaban yang tersebar di beberapa dokumen. Misalnya harga ada di daftar harga, sedangkan syarat promonya ada di dokumen lain. Lihat apakah agent menemukan keduanya dan menggabungkannya dengan benar.
- Percakapan panjang yang berbelok. Mulai dengan satu topik, ganti topik di tengah, lalu kembali ke topik awal. Lihat apakah agent masih ingat konteks awal.
- Permintaan yang masuk daftar larangan. Minta agent menjanjikan diskon, lalu coba dengan alasan yang terdengar wajar (“Teman saya dikasih diskon kemarin”). Lihat apakah agent tetap menolak sesuai instruksi.
Ketika jawaban salah, bedakan tiga kemungkinan penyebab, karena perbaikannya berbeda.
Pengaturan validasi di banyak platform bersifat opsional dan jarang aktif secara bawaan. Cari sendiri pengaturan pengaman itu, nyalakan, lalu cek ulang setiap kali platform diperbarui.
Pentingnya hal ini terlihat pada kasus chatbot Air Canada yang memberi informasi menyesatkan tentang tarif duka cita. Civil Resolution Tribunal British Columbia memutuskan maskapai bertanggung jawab dan wajib membayar ganti rugi kepada penumpang. Pelajarannya, jawaban agent bisa jatuh menjadi tanggung jawab pemilik usahanya.
Setelah agent lolos uji, tetapkan siapa yang memantau percakapan di minggu pertama dan kapan percakapan dialihkan ke manusia. Contoh pemicunya: pengguna meminta bicara dengan orang, agent menjawab “tidak tahu” dua kali berturut-turut, atau topiknya menyangkut uang, kesehatan, atau hukum.
Biaya Sebenarnya dan Kapan No-Code Tidak Cukup
Tanpa coding tidak sama dengan tanpa biaya. Platform menagih lewat tiga cara, yaitu per pesan, per eksekusi alur kerja, atau per pengguna, dan biaya model AI sering dihitung terpisah.
- Per pesan. Setiap balasan agent dihitung.
- Per eksekusi alur kerja. Setiap kali satu alur berjalan dari awal sampai akhir, dihitung satu kali.
- Per pengguna. Biaya mengikuti jumlah orang yang memakai platformnya.
Hitung dulu perkiraan jumlah percakapan per bulan sebelum memilih paket.
Ambil contoh n8n. n8n tidak punya paket cloud gratis. Yang gratis adalah Community Edition yang harus di-host sendiri. Menurut halaman harga resmi n8n (dicek November 2026), paket cloud Starter dimulai dari €20 per bulan dengan penagihan tahunan untuk 2.500 eksekusi per bulan, dengan percobaan gratis 14 hari.
Versi gratis itu gratis dari sisi lisensi, tetapi kamu tetap membayar server sendiri. Jadi “gratis” dan “tanpa coding” sering tidak bisa didapat bersamaan.
Selain soal biaya, ada tiga tanda yang menunjukkan kamu perlu lebih dari no-code:
- Agent menghadapi pelanggan langsung dan pendapatan bergantung padanya. Satu jam agent bermasalah berarti satu jam pesanan hilang.
- Jawaban butuh penelusuran data yang rumit dengan pengaman berlapis.
- Kesalahan agent menimbulkan konsekuensi hukum.
Gartner memperkirakan lebih dari 40 persen proyek agentic AI akan dibatalkan sampai akhir 2027, dengan alasan biaya yang membengkak, nilai bisnis yang tidak jelas, dan pengendalian risiko yang kurang memadai.
Meski begitu, no-code adalah cara terbaik untuk membuktikan ide dan menyelesaikan pekerjaan internal, dan nilainya besar. Kamu bisa menguji apakah sebuah proses layak diotomasi dalam hitungan hari, tanpa menunggu tim teknis.
Pendekatan ini juga dipakai dalam Practice-Led Learning by Belajarlagi, yaitu metode belajar yang menekankan hands-on activity dan praktik langsung, karena retensi pengetahuan rendah bila peserta hanya mendengar, sehingga setiap kelas dikombinasikan dengan tugas dan latihan nyata.
Bangun AI Agent, Efektif Tanpa Coding
Membuat AI agent adalah keterampilan yang hanya terbentuk lewat praktik. Hampir semua pelajarannya muncul saat agent diuji dan gagal, bukan saat dibaca. Menyusun instruksi yang jelas, merapikan dokumen, dan memilih skenario uji adalah kebiasaan yang bisa dilatih.

Kalau kamu ingin berlatih langsung membuat dan menguji agent dengan bimbingan, pelajari lewat Mini Bootcamp AI Agent & Automation dari Belajarlagi.





