Decision Inbox: Saat Banyak AI Agent Nanya, Kamu yang Jadi Bottleneck

Begitu bot kamu lebih dari tiga, ada momen yang pasti datang.
HP bunyi. Sales bot nanya, "Lead ini mau di-follow up pakai template A atau B?" Dua menit kemudian ops bot nanya, "Disk VPS 85%, boleh hapus log lama?" Lalu writer bot: "Judulnya mau yang mana?" Finance bot nyusul: "Transaksi ini masuk kategori apa?"
Masing-masing pertanyaannya kecil. Tapi totalnya bikin kamu jadi router manusia: buka chat satu, scroll konteks, jawab, pindah chat lain, lupa tadi sudah jawab apa.
Menurut saya ini jebakan yang jarang dibahas di dunia agentic AI. Kita sibuk bikin agent makin pintar, tapi lupa bahwa bottleneck-nya pindah ke orang yang harus ngambil keputusan.

Banyak bot, satu kepala
Saya suka konsep yang muncul di salah satu template Grok Bot bernama Triageo. Deskripsinya singkat: "A decision inbox for people who run several bots. Your bots send it their questions, and it shows you one simple A/B/C card at a time and passes your exact answer back." (Triageo by Richard, masuk daftar 10 bot pilihan oleh @cu30rry_).
Saya belum bongkar isi template-nya, jadi yang saya bahas di sini polanya, bukan klaim fitur detailnya. Polanya sederhana tapi tepat sasaran:
- Semua pertanyaan dari banyak bot masuk ke satu tempat.
- Kamu lihat satu kartu dalam satu waktu.
- Pilihannya sudah dibentuk jadi A/B/C, bukan pertanyaan terbuka.
- Jawaban kamu dikirim balik persis ke bot yang bertanya.
Kedengarannya remeh. Tapi coba bandingkan dengan kondisi default: tiap bot nanya di thread-nya sendiri, dengan format masing-masing, di jam yang random.
Lesson: makin banyak agent, makin penting desain cara mereka bertanya ke kamu.
Kenapa interupsi itu mahal
Ada data yang bikin saya makin yakin soal ini. Gloria Mark, profesor informatika di UC Irvine, sudah meneliti perhatian pekerja di depan layar sejak 2004. Di podcast APA Speaking of Psychology dia cerita: tahun 2004 rata-rata orang bertahan sekitar 2,5 menit di satu layar sebelum pindah. Sekitar 2012 turun ke 75 detik. Dalam lima-enam tahun terakhir penelitiannya, rata-ratanya sekitar 47 detik, dengan median 40 detik.

Artikel UC Irvine ICS tentang bukunya juga menyebut butuh waktu hingga sekitar 25 menit untuk kembali fokus ke sebuah project setelah terinterupsi.
Angka itu soal manusia secara umum, bukan khusus soal AI agent. Tapi implikasinya jelas buat saya: kalau kita menambah lima bot yang masing-masing bisa nge-ping kapan saja, kita sedang menambah sumber interupsi. Bukan mengurangi kerja.
Ini sama dengan prinsip yang pernah saya tulis di Alarm yang Benar Itu Langka: sistem yang sehat nggak cerewet. Pertanyaan dari agent juga semacam alarm. Kalau semuanya bunyi, yang penting ikut tenggelam.
Pola decision inbox: pause, queue, decide, resume
Kabar baiknya, framework agent modern sebenarnya sudah menyediakan "kabel"-nya. Tinggal kita rakit jadi inbox.

1. Pause. Di LangGraph, kamu panggil interrupt() di dalam node. Menurut dokumentasi Interrupts, state graph disimpan lewat checkpointer, lalu eksekusi menunggu tanpa batas waktu sampai di-resume dengan Command(resume=...). Di OpenAI Agents SDK, tool yang ditandai needs_approval akan memunculkan interruptions, dan run bisa diserialisasi jadi RunState untuk dilanjutkan nanti.
Artinya agent nggak perlu nungguin kamu sambil megang chat. Dia parkir pertanyaan, simpan state, selesai.
2. Queue. Semua pertanyaan yang di-park masuk ke satu antrean. Di sini inbox bekerja: buang duplikat, urutkan berdasarkan risiko dan deadline, gabungkan pertanyaan yang mirip.
3. Decide. Kamu lihat satu kartu. Isinya: siapa yang nanya, konteks singkat, opsi A/B/C, dan kapan harus diputuskan.
4. Resume. Jawaban dikirim balik ke run yang tepat. LangGraph mensyaratkan thread_id yang sama saat resume, dan untuk interrupt paralel kamu memetakan tiap interrupt ID ke jawabannya. Jadi jawaban "B" untuk sales bot nggak nyasar ke finance bot.
Contoh payload kartu yang saya pakai sebagai standar:
{
"from": "support-bot",
"question": "Customer minta full refund untuk order bulan lalu.",
"options": {
"A": "Approve full refund",
"B": "Tawarkan partial refund sesuai policy",
"C": "Eskalasi ke tim"
},
"default_if_no_answer": "C",
"risk": "money",
"needed_by": "today 17:00",
"context_link": "your-ticket-system/TICKET_ID"
}
LangGraph bahkan punya response_schema di interrupt() (butuh langgraph>=1.2.12) supaya jawaban divalidasi dengan schema. Cocok untuk memastikan jawabannya memang salah satu dari A, B, atau C.
Aturan main supaya inbox nggak jadi tempat sampah
Inbox tanpa aturan cuma memindahkan kekacauan ke satu layar. Ini aturan yang menurut saya wajib.
1. Agent wajib datang dengan opsi, bukan pertanyaan terbuka
"Gimana menurut bos?" itu bukan pertanyaan, itu delegasi balik. Agent harus menyiapkan 2โ3 opsi plus rekomendasinya. Kalau dia nggak bisa merumuskan opsi, berarti risetnya belum selesai.
2. Tentukan apa yang boleh diputuskan sendiri
Nggak semua hal perlu masuk inbox. Kategorikan dulu:
Ini sejalan dengan prinsip "draft only" yang saya bahas di AI Employee Jam 5 Pagi dan AI Sales Team 13 Agent: agent boleh kerja keras, tapi aksi yang nggak bisa ditarik balik harus lewat manusia.
3. Batch, jangan streaming
Saya lebih suka buka inbox 2โ3 kali sehari daripada di-ping tiap ada pertanyaan. Kecuali satu kategori: yang deadline-nya hari ini dan risikonya tinggi. Itu boleh dorong notifikasi.
4. Hati-hati dengan "always approve"
OpenAI Agents SDK punya opsi always_approve=True yang membuat keputusan "sticky" untuk panggilan tool berikutnya. Praktis, tapi dokumentasinya sendiri memberi peringatan: untuk ShellTool dan ApplyPatchTool, keputusan sticky dicocokkan dengan tipe dan nama tool, bukan agent pemiliknya. Setelah handoff, approval itu bisa berlaku ke agent lain yang izinnya beda.
Jadi untuk kartu yang menyangkut shell, file, atau uang, saya pakai keputusan per-call. Klik "A" berarti approve kartu ini, bukan semua yang mirip ke depannya.
5. Approval bukan jaminan "jalan sekali"
Ini detail yang sering kelewat. Dokumentasi Agents SDK menyebut bahwa approval mengizinkan tool berjalan, tapi tidak menjamin exactly-once. Kalau proses mati setelah aksi eksternal jalan tapi sebelum state disimpan, resume dari snapshot lama bisa mengeksekusi ulang. Solusinya: pakai idempotency key per aksi. LangGraph juga mengingatkan hal serupa: node di-restart dari awal saat resume, jadi side effect sebelum interrupt() harus idempotent.
Bayangkan refund yang tereksekusi dua kali karena kamu klik "A" lalu server restart. Itu bukan masalah AI, itu masalah engineering.
6. Default kalau kamu diam
Setiap kartu harus punya default_if_no_answer. Dan defaultnya harus yang paling aman, biasanya "tunda" atau "eskalasi". Jangan sampai agent menganggap diam sebagai "iya".
Kartu yang bagus itu seperti apa?
Dari pengalaman saya menjalankan beberapa bot, kartu keputusan yang enak dijawab punya ciri:
- Bisa dijawab dalam 10 detik. Kalau butuh baca 3 halaman, berarti agent belum merangkum.
- Ada rekomendasi agent. "Saya sarankan B karena..." membantu kamu cepat setuju atau menolak.
- Ada link ke konteks asli, bukan copy-paste semua data ke kartu.
- Jelas siapa yang bertanya. Ini juga membantu audit, seperti yang saya bahas di Tim AI Agent Juga Bisa Drift: kalau satu bot terlalu sering nanya, itu sinyal job description-nya kabur.
Satu ide tambahan yang menarik dari daftar yang sama adalah Panel ยท Tally, yang menjalankan dua model secara blind untuk brief yang sama, mengecek ulang sumber penentu, lalu memberi grade A sampai D, "because agreement is not truth." Saya suka mindset-nya: sebelum sebuah pertanyaan sampai ke kamu, agent bisa saling cek dulu, jadi yang naik ke inbox memang keputusan, bukan kebingungan.
Mulai dari yang kecil
Kamu nggak perlu langsung bikin dashboard. Versi paling sederhana:
- Bikin satu channel atau satu file khusus "decisions".
- Wajibkan semua bot menulis pertanyaan dengan format kartu di atas.
- Larang bot nanya di thread lain kecuali darurat.
- Seminggu sekali, lihat bot mana yang paling sering nanya, lalu perjelas instruksinya.
Setelah polanya terasa, baru pindah ke interrupt/approval native di framework yang kamu pakai.
Lesson: tujuan multi-agent bukan supaya kamu menjawab lebih banyak pertanyaan, tapi supaya kamu cuma menjawab yang memang butuh kepala manusia.
FAQ
Apa itu decision inbox untuk AI agent?
Satu antrean tempat semua agent mengirim pertanyaan yang butuh keputusan manusia. Kamu menjawab satu kartu dalam satu waktu, dan jawabannya diteruskan ke agent yang bertanya.
Apa bedanya dengan approval biasa?
Approval biasa biasanya per agent, di tempat masing-masing. Decision inbox menyatukan approval dari banyak agent, mengurutkannya berdasarkan risiko dan deadline, dan menstandarkan formatnya.
Framework apa yang sudah mendukung pola pause dan resume?
Contohnya LangGraph lewat interrupt() dan Command(resume=...), serta OpenAI Agents SDK lewat needs_approval, interruptions, dan RunState.
Keputusan apa yang sebaiknya tidak pernah di-auto-approve?
Yang tidak bisa ditarik balik: transfer uang, refund, posting publik, kirim pesan ke customer, dan hapus data.
Kalau owner tidak sempat menjawab, agent harus bagaimana?
Jalankan default paling aman yang sudah ditulis di kartu, biasanya menunda atau eskalasi, lalu catat di log. Diam tidak boleh dianggap persetujuan.
โ Artikel Sebelumnya
Terminal atau Desktop? Coding Agent Butuh Kokpit, Bukan Cuma Model
Artikel Selanjutnya โ
Reverse Any Video: AI Agent Bisa Bongkar Video, Tapi Siapa Pegang Remnya?
Baca Juga
Ada Pertanyaan? Yuk Ngobrol!
Butuh bantuan setup OpenClaw, konsultasi IT, atau mau diskusi project engineering? Book a call langsung โ gratis.
Book a Call โ Gratisvia Cal.com โข WITA (UTC+8)
Newsletter
Subscribe to Newsletter
Artikel baru, automation notes, dan engineering insight. Clean inbox, no spam.
Dengan subscribe, kamu setuju menerima update seperlunya.



