Indah Tapi Tidak Berguna: Apa yang Diajarkan 30.000 Tahun Infografis kepada Kita Tentang Membangun Keterampilan Agen AI

TL;DR: AI membuatnya sepele untuk membangun agen yang memproses data. Masalahnya? Sebagian besar dari mereka hanyalah tumpukan data bising tanpa kesimpulan. Solusinya bukan lebih banyak data — tetapi merancang penilaian. Tiga pemeriksaan: arahan satu kalimat, hierarki operasional, dan tes penghapusan 50%.

Saya James, CEO dari Mercury Technology Solutions.

Dari kantor saya di Wanchai— Juli 2026.

Masalah Fluff Cantik

Saya telah mengamati bagaimana perusahaan membangun agen AIdan mendefinisikan "kemampuan" mereka. Dan itu mengingatkan saya persis pada kegilaan infographic dari satu dekade yang lalu.

Saat itu, pembuat konten menemukan bahwa mereka bisa mengompres laporan 2.000 kata menjadi grafik yang sangat menarik secara visual. Cantik. Dapat dibagikan. Dan sebagian besar tidak berguna — karena itu merangkum tanpa menyimpulkan.

Hari ini, pengembang melakukan hal yang sama dengan AI. Masukkan data besar dan koneksi API ke dalam prompt sistem, harapkan agen otonom yang brilian muncul. Kodenya elegan. Hasilnya sampah.

Saya melihatnya setiap hari. Agen mengolah spreadsheet data penjualan, menghasilkan tiga diagram lingkaran, dan berhenti. Daya pemrosesan yang sangat besar.Tanpa penilaian.

Ini terjadi karena kita salah memahami apa itu "Keterampilan Agen" sebenarnya. Untuk memperbaikinya, kita perlu melihat kembali bagaimana manusia telahmengatur informasiselama 30.000 tahun.

Evolusi Informasi: Dari Gua ke Kode

Mengatur data untuk mendorong keputusan bukanlah hal baru. Itu berkembang melalui empat fase yang berbeda:

1. Bertahan Hidup (30.000 SM)Lukisan gua bukanlah seni. Mereka adalah basis data prasejarah — mencatat letusan gunung berapi, daerah berburu, pola migrasi. Tujuannya sederhana: hidup atau mati.

2. Kerangka (1637)Descartes menemukan sistem koordinat. Sumbu X dan Y. Arsitektur dasar untuk memplot data abstrak. Dia memberi kita struktur untuk berpikir secara spasial tentang angka.

3. Kejelasan (1786)William Playfair menemukan diagram batang dan diagram lingkaran. Tujuannya bukan estetika. Itu untuk memaksa politisi yang tidak bisa membaca spreadsheet untuk memahami ekonomi sekilas.

4. Tindakan (1858)Florence Nightingale tidak hanya mencatat korban Perang Krimea. Dia merancang "Diagram Mawar" khusus untuk membuktikan bahwa kebersihan yang buruk membunuh lebih banyak tentara daripada peluru musuh.

Diagramnya bukanlah ringkasan.Ini adalah argumen yang dipersenjatai yang mengubah kebijakan medis militer.

**Standar:** Ketika Anda membangun sebuah agen AI, jangan bertujuan untuk ringkasan data. Tujuannya adalah untuk Diagram Mawar Nightingale. Keterampilan agen Anda bukanlah "memproses data" — tetapi **memberikan penilaian yang tegas.**

3 Pemeriksaan Penting untuk Agen AI Keterampilan

Di Mercury, kami menerapkan Mercury Muses AI — agen yang melakukan tugas di berbagai konten, operasi, dan penjualan. Sebelum agen mana pun diluncurkan, kami menjalankan keterampilannya melalui tiga pemeriksaan.

Jika Anda menulis prompt sistem atau membangun agen, tanyakan pada diri Anda:

Pemeriksaan 1: Apa Arahan Satu Kalimat?

Jika Anda tidak dapat merangkum tujuan akhir agen Anda dalam satu kalimat, agen Anda akan gagal.

Definisi keterampilan yang buruk:

"Analisis data penjualan bulan Mei dan Juni di delapan lini produk dan berikan ringkasan."

Definisi keterampilan yang baik:

"Identifikasi produk mana yang menyebabkan penurunan pendapatan bulan Juni dan rekomendasikan apakah harus meningkatkan pengeluaran iklan atau menghentikan produk tersebut."

Model AI sangat ingin menyenangkan. Jika Anda tidak memberikan posisi atau kesimpulan yang jelas untuk dicapai, mereka akan memuntahkan data kembali kepada Anda.Rancang kesimpulan terlebih dahulu.

Periksa 2: Apa Hierarki Operasional?

Ketika agen Anda melihat prompt dan data, apa yang diproses terlebih dahulu?

Dalam Kerangka F.I.N.D.S., 'I' berdiri untuk Struktur Informasi — merancang konten menjadi "bagian yang dapat dikutip" yang dapat diekstrak dan dianalisis oleh AI.

Jika agen Anda terganggu oleh latar belakang yang tidak relevan atau jendela konteks yang membengkak, hierarki kognitifnya akan rusak. Rancang prioritas instruksi sehingga AI tahu dengan tepat variabel mana yang paling penting.

Periksa 3: Uji Penghapusan 50%

Ini adalah tes yang paling menyakitkan dan paling efektif.

Lihat prompt sistem dan data agen Anda. Sekarang hapus setengahnya. Kasus tepi, instruksi yang redundan, konteks "yang baik untuk dimiliki" — semuanya.

Jika arahan inti agen bertahan, dan outputnya menjadi lebih cepat dan lebih jelas, maka 50% itu adalah kebisingan murni.

Di era AI, efisiensi token adalah segalanya.Nilai keterampilan agen tidak ditentukan oleh seberapa banyak data yang dapat diserapnya. Itu ditentukan oleh seberapa banyak kebisingan yang dapat diabaikannya.

AI Menyederhanakan Eksekusi, Bukan Penilaian

Ya, AI membuat pembangunan alat menjadi sangat mudah. Anda dapat menghasilkan agen yang berfungsi dalam hitungan menit. Tetapi karena hambatan untuk eksekusi telah lenyap, hambatan untuk *penilaian* sekarang sepenuhnya terbuka.

AI akan dengan setia melaksanakan apa pun yang Anda perintahkan. Tetapi jika Anda tidak tahu apa yang sebenarnya ingin Anda katakan, AI tidak dapat memutuskan untuk Anda.

Inilah sebabnya, ketika kami menerapkan solusi untuk klien, kami tidak memulai dengan data. Kami memulai dengan niat bisnis. Kami mendefinisikan keputusan tepat yang perlu diambil sistem — kemudian kami menyusun agen untuk menyampaikannya.

Hentikan membangun agen yang hanya membuat grafik yang indah.

Mulailah membangun agen yang membuat keputusan.

Mercury Technology Solutions: Percepat Digitalitas.