Bagaimana Saya Membangun Agen Keputusan AI di ClickUp untuk Mendukung Keputusan Kampanye yang Lebih Cerdas

Saya telah menggunakan banyak alur kerja dan otomatisasi tradisional di ClickUp. Mereka sangat berguna untuk memindahkan tugas dari A ke B, memperbarui status, atau menugaskan pemilik. Namun, pada suatu saat, saya menyadari sesuatu yang penting: tidak satupun dari otomatisasi tersebut benar-benar memikirkan kampanye saya.

Saya membutuhkan sistem yang dapat menggabungkan eksekusi dengan kecerdasan. Dan saya menemukan jawabannya dalam agen pengambilan keputusan AI, yang saya sebut Asset Library Manager.

Dalam postingan ini, saya akan memandu Anda melalui proses pembuatan agen pengambilan keputusan AI ini di dalam ClickUp (menggunakan ClickUp Super Agents ) dan mengapa hal ini penting bagi bisnis saya.

Tentang Saya: Seorang Konsultan ClickUp yang Terverifikasi dan Manajer Proses Bisnis

Sebagai Konsultan ClickUp Bersertifikat dan Manajer Proses Bisnis dengan pengalaman lebih dari 5 tahun, saya telah membantu agensi dan startup untuk berkembang melalui sistem terstruktur dan pelaksanaan yang efektif. Saya telah membangun dan mengelola kerangka kerja operasional untuk lebih dari 40 perusahaan, memimpin manajemen perubahan untuk lebih dari 115 tim, serta mendorong pertumbuhan operasional hingga 16,4 kali lipat sambil meningkatkan kecepatan dan konsistensi pengiriman di lingkungan multi-klien.

Mengapa Otomatisasi Sederhana Tidak Cukup untuk Kampanye Saya

Aset-aset saya tersebar di berbagai lokasi, tugas-tugas kampanye berada di daftar yang berbeda-beda, dan saya masih yang memutuskan ke mana setiap aset harus dikirim selanjutnya. Setiap kampanye, wilayah, atau saluran baru berarti lebih banyak keputusan manual—dan lebih banyak peluang terjadinya duplikasi, peluang yang terlewatkan, atau celah visibilitas.

Saat itulah saya mengajukan pertanyaan yang berbeda:

Bagaimana jika saya berhenti membuat alur kerja dan mulai membangun sistem cerdas di ClickUp—sistem yang dapat mengambil keputusan atas nama saya?

🦾 Baru mengenal ClickUp Super Agents?

ClickUp Super Agents adalah agen berbasis AI yang beroperasi di dalam ruang kerja Anda untuk menganalisis tugas, data, dan aktivitas Anda—serta mengambil tindakan berdasarkan konteks tersebut. Anda dapat memberikan peran spesifik kepada mereka (seperti memprioritaskan pekerjaan, memperbarui status proyek, atau mengalihkan aset), dan mereka beroperasi berdasarkan informasi ruang kerja secara real-time.

Apa yang membedakan mereka?

Tidak seperti otomatisasi dasar, Super Agents tidak hanya mengikuti aturan. Mereka:

• Memahami konteks di seluruh tugas, dokumen, dan komentar
• Ambil keputusan (bukan sekadar memicu tindakan)
• Sesuaikan dengan perkembangan alur kerja Anda

Jangan memandang mereka sebagai otomatisasi “jika-ini-maka-itu”—tetapi lebih sebagai rekan tim AI yang terintegrasi dalam sistem Anda.

Perubahan Pola Pikir: Dari Alur Kerja ke Sistem Cerdas

Sebelum saya membuat agen AI di ClickUp, saya mundur sejenak dan mendefinisikan sistemnya.

Bukan otomatisasinya. Sistemnya.

Bagi saya, hal itu dapat diringkas menjadi tiga pertanyaan:

Saya ingin agen pengambilan keputusan AI saya mengambil alih beban mental dalam mengambil keputusan kampanye.

Untuk Manajer Perpustakaan Aset saya, begini tampilannya.

1. Tujuan: Masalah apa yang ingin diselesaikan oleh agen pengambilan keputusan AI ini?

Saya ingin satu tempat di mana semua aset kampanye—video, gambar, teks—terdapat di sana:

Dengan kata lain, saya ingin agen saya yang mengelola keputusan distribusi aset di dalam ClickUp agar tidak ada yang terlewat.

2. Kemampuan sistem: Apakah konfigurasi saya mendukung pengambilan keputusan berbasis AI?

Kekuatan agen pengambilan keputusan AI bergantung pada sistem tempatnya beroperasi. Itulah mengapa masuk akal untuk membangunnya di tempat di mana tugas, dokumen, hubungan, dan data kampanye Anda semuanya terintegrasi. Ketika agen dapat melihat gambaran lengkap (aset, lokasi, status, riwayat) dalam satu ruang kerja digital yang terhubung, keputusannya didasarkan pada kenyataan, bukan tebakan.

Bagi saya, Ruang Kerja AI Terintegrasi ClickUp adalah tempatnya.

Dengan ClickUp, alih-alih menggabungkan berbagai alat AI terpisah yang masing-masing hanya melihat sebagian kecil dari operasi Anda, Anda mendapatkan satu lapisan cerdas yang berada di atas semua yang sebenarnya dilakukan tim Anda. Hasilnya adalah rekomendasi yang lebih cerdas, tanpa perlu berpindah konteks, dan keputusan yang kualitasnya terus meningkat seiring waktu karena memori agen dan ruang kerja Anda berkembang bersama.

Saya merancang pengaturan ClickUp saya agar Manajer Perpustakaan Aset dapat:

Jika Daftar, Bidang Kustom, dan hubungan antar-elemen saya tidak kokoh, agen tersebut akan macet atau menimbulkan kekacauan. Oleh karena itu, saya memperlakukan desain sistem sebagai bagian dari agen itu sendiri.

3. Peran agen: Operator, bukan sekadar kurir

Akhirnya, saya mendefinisikan peran agen tersebut.

Sebagian besar sistem dirancang seperti ini: Jika X terjadi → lakukan Y

Itulah yang kami sebut otomatisasi sederhana.

Yang saya inginkan adalah sesuatu yang berbeda. Agen pengambilan keputusan berbasis AI yang dapat mengevaluasi konteks dan menggunakannya untuk mengambil keputusan persis seperti yang dilakukan manusia.

Manajer Perpustakaan Aset saya bertanggung jawab atas:

Setelah ketiga hal tersebut jelas, segalanya menjadi lebih mudah. Saya tidak lagi sekadar membangun otomatisasi yang cerdas. Saya sedang membangun apa yang saya sebut Beyond Super Agent—sebuah agen yang memahami tujuan, beroperasi di dalam sistem yang mumpuni, dan memiliki peran yang jelas.

Bagaimana Saya Menyusun Prompt agar Agen Keputusan AI Menjadi Andal: 5 Pilar Prompt Saya

Setelah sistem siap, saya beralih ke bagian yang biasanya langsung dilompati oleh kebanyakan orang: prompt.

Namun, alih-alih menulis satu instruksi panjang, saya membaginya menjadi lima komponen yang jelas. Hal itu membuat agen pengambilan keputusan AI lebih mudah dikendalikan, diuji, dan disempurnakan.

Inilah pilar-pilar perintah AI yang menentukan kualitas keputusan yang dibuat oleh agen saya:

1. Definisi peran: Siapa yang diwakili oleh agen ini?

Saya tidak hanya memberi tahu agen apa yang harus dilakukan—saya memberi tahu agen bagaimana seharusnya bertindak.

📌 Untuk Manajer Perpustakaan Aset, saya meminta agen tersebut untuk bertindak sebagai:

“Pemilik agensi berpengalaman dan arsitek operasional yang mengelola banyak klien.”

Satu kalimat itu mengubah segalanya. Kini, ketika agen tersebut merespons, ia melakukannya dari sudut pandang seseorang yang:

2. Konteks dan ruang lingkup: Di lingkungan apa agen ini beroperasi?

Selanjutnya, saya mendefinisikan konteks dan ruang lingkup sejelas mungkin:

Ini memberi tahu agen di mana letak dinding ruangan, sehingga agen tersebut tidak masuk ke bagian yang salah dari ruang kerja saya.

3. Logika pengambilan keputusan: Kapan dan bagaimana seharusnya sistem ini mengambil keputusan?

Kemudian saya menjelaskan logika pengambilan keputusan. Alih-alih memberi tahu agen apa yang harus dilakukan, saya mendefinisikan bagaimana agen tersebut seharusnya berpikir.

Saya jelaskan:

Dengan begitu, agen tersebut tidak hanya berhenti pada tahap menghasilkan ide. Ia tahu kapan harus bertindak dan seperti apa keputusan yang baik itu.

4. Masukan: Data apa yang diandalkan?

Setiap keputusan hanya sebagus data yang mendasarinya. Oleh karena itu, saya menghubungkan agen saya ke lapisan data yang dibutuhkannya:

Saya menjelaskannya secara eksplisit dalam prompt: ini adalah masukan yang harus Anda gunakan saat memutuskan langkah selanjutnya.

5. Hasil: Tindakan dan format apa yang saya harapkan?

Terakhir, saya mendefinisikan hasil keluaran:

Setelah kelima elemen ini terpenuhi—peran, konteks, logika keputusan, masukan, dan keluaran—solusi tersebut biasanya sangat sesuai dengan masalah nyata yang ingin saya selesaikan.

🎥 Berikut ini video penjelasan singkat jika Anda ingin mencoba membuat Super Agent Anda sendiri:

Bagaimana Agen Pengambilan Keputusan AI Saya, alias Pengelola Perpustakaan Aset, Sebenarnya Bekerja di Dalam ClickUp

Setelah fondasinya siap, saya mengintegrasikan agen tersebut ke dalam ruang kerja ClickUp saya sehingga dapat berfungsi dalam dua cara utama.

Opsi 1: Pemicu manual dari perpustakaan aset

Mode pertama ini sederhana dan langsung.

Hal ini saja sudah menghilangkan banyak pekerjaan pengalihan manual. Namun, kekuatan sesungguhnya terletak pada mode kedua.

Opsi 2: Pengambilan keputusan berdasarkan jadwal

Mode kedua inilah yang benar-benar menjadikan sistem ini “Beyond Super Agent.”

Di sini, agen tersebut menggunakan seluruh data dari perpustakaan aset untuk mengambil keputusan secara mandiri:

📌 Dari sana, agen tersebut dapat mengambil keputusan seperti:

“Untuk aset keunggulan strategis ini yang sudah dikirim ke Islamabad dan merupakan video pemulihan, mari kita kirim gambar pemulihan atau gambar mobilitas selanjutnya.”

Alih-alih saya harus terus-menerus memeriksa di mana aset telah ditayangkan dan apa yang harus dilakukan selanjutnya, agen ini menganalisis data dan mengambil keputusan.

Mengapa Saya Menggunakan ClickUp Chat untuk Berkolaborasi dengan Agen AI Saya

Di ClickUp, agen dapat beroperasi di seluruh ruang kerja Anda. Anda dapat memicu agen tersebut melalui Otomatisasi pada Daftar, Folder, dan Ruang (menanggapi perubahan status, tugas baru, pembaruan bidang), menugaskan agen tersebut langsung ke tugas, menyebutnya dengan @mention di komentar tugas dan Dokumen, atau berinteraksi dengan agen tersebut di ClickUp Chat melalui pesan langsung (DM) dan @mention.

Namun, Chat adalah tempat di mana saya menghabiskan sebagian besar waktu bersama agen saya, dan ada alasannya.

Di dalam obrolan Asset Library Manager saya, saya memiliki dua tujuan:

Fitur obrolan ini memberi saya antarmuka percakapan secara real-time, hampir seperti memiliki rekan kerja yang siap sedia. Saya dapat menggunakannya untuk:

Ini adalah perbedaan antara mengajukan permintaan dan melakukan percakapan bolak-balik.

Untuk agen seperti Asset Library Manager, di mana keputusan saling bergantung dan konteks sangat penting, dialog berulang seperti itulah yang membuat seluruh sistem berjalan dengan lancar.

Ketika agen tersebut mengamuk

Seiring waktu, saya menyadari hal yang lucu: jika perintah saya tidak jelas, agen tersebut akan sedikit “mengamuk.” Bukan karena sistemnya rusak—tetapi karena perintah saya tidak dirancang untuk memastikan keberhasilannya.

Itulah saat saya selalu kembali ke lima pilar prompt:

Setelah semua itu terimplementasi, diskusi menjadi sangat produktif.

Menguji ketahanan sistem dengan satu pesan sederhana

Salah satu momen favorit saya dengan agen ini adalah menjalankan uji beban penuh hanya dengan satu perintah obrolan.

📌 Saya memberi tahu agen tersebut:

“Saya ingin melakukan uji beban. Aktifkan pemicu otomatis dengan memilih lokasi acak dan buat tugas kampanye sesuai alur. Pastikan Anda tidak melewatkan bagian mana pun dari alur tersebut, dan tidak ada duplikasi dalam tugas. Tanyakan apa pun yang Anda butuhkan sebelum menjalankan uji coba.”

🌟 Inilah yang terjadi:

Dalam satu percakapan, dibutuhkan 15–30 tindakan, dan saya mendapatkan gambaran yang jelas tentang di mana sistem saya mungkin mengalami gangguan saat kami melakukan penskalaan.

Hasilnya? Saya menyadari bahwa pengaturan saya berjalan lancar hingga sekitar 50 lokasi, tetapi jika saya mencoba melompat ke 100+, sistem mungkin akan kewalahan. Wawasan itu tidak berasal dari dasbor; melainkan dari percakapan dengan agen saya.

Menggunakan agen sebagai mitra pelaporan

👉🏼 Saya juga menggunakan fitur obrolan untuk mengajukan pertanyaan sederhana namun efektif, seperti:

👉🏼 Agen tersebut merespons dengan daftar aset, ke mana aset-aset tersebut diarahkan, dan tautan kembali ke ClickUp. Kemudian saya tingkatkan fungsinya:

“Berikan ringkasan 24 jam dan rekomendasikan 10 lokasi teratas tempat aset-aset ini harus didistribusikan selanjutnya—dengan alasan yang jelas untuk setiap rekomendasi.”

Saat ini, agen tersebut menggunakan:

…untuk merekomendasikan tepat ke mana saya harus pergi selanjutnya—dan mengapa.

👉🏼 Jika saya ingin mendalami lebih lanjut, saya bisa mengajukan pertanyaan lanjutan seperti:

Agen ini menggunakan data dan logika yang sama untuk memberikan jawaban yang tepat sasaran.

Dari Satu Agen Keputusan AI Cerdas Menjadi Mesin Keputusan yang Dapat Diskalakan

Saat ini, Manajer Perpustakaan Aset saya telah menjadi lapisan pengambilan keputusan AI yang andal di atas ruang kerja ClickUp saya.

Sebelum ini, saya selalu:

Sekarang, agen pengambilan keputusan AI menangani proses ini.

Saya masih yang mengambil keputusan akhir jika diperlukan. Namun, saya tidak lagi harus memulai dari nol. Dan perubahan ini semakin umum terjadi.

Menurut laporan McKinsey & Company, perusahaan melihat dampak terukur terbesar dari AI di bidang-bidang seperti pemasaran, penjualan, dan strategi—di mana pengambilan keputusan memainkan peran sentral.

Langkah Selanjutnya: Cara Membuat Agen Keputusan AI Anda Sendiri di ClickUp

Jika Anda harus mengelola aset di berbagai lokasi, saluran, atau klien, Anda tidak perlu terus-menerus bergantung pada spreadsheet dan pengaliran manual.

Mulailah dengan bertanya:

Kemudian rancang agen pertama Anda berdasarkan jawaban-jawaban tersebut.

Terakhir, luangkan waktu untuk berinteraksi di obrolan—ajukan pertanyaan, lakukan uji beban, dan biarkan agen menunjukkan kepada Anda di mana sistem Anda perlu ditingkatkan.

Begitulah cara Anda melampaui otomatisasi dan mulai membangun sistem cerdas di ClickUp yang benar-benar bekerja untuk Anda.

Dari Eksperimen AI hingga Pengambilan Keputusan AI yang Sebenarnya

Jika Anda ingin mengotomatisasi pengambilan keputusan dengan AI, inilah saran terbaik saya:

Berhenti berpikir:

❌ “Bagaimana AI dapat membantu saya melakukan ini lebih cepat?”

Dan mulailah memikirkan:

✅ “Di mana AI harus mengambil keputusan untuk saya?”

Sebagian besar tim masih berada di fase awal. Mereka sedang bereksperimen. Menguji alat-alat. Mengotomatisasi tugas-tugas kecil.

Namun, manfaat sesungguhnya baru terasa ketika Anda mengintegrasikan agen pengambilan keputusan AI ke dalam sistem yang sudah dirancang untuk itu.

Itulah saatnya:

Itulah mengapa fitur ini berfungsi di dalam ClickUp.

Karena semuanya—tugas, data, dan konteks—terdapat di satu tempat, agen pengambilan keputusan AI Anda benar-benar dapat melihat apa yang sedang terjadi. Dan yang lebih penting lagi, agen tersebut dapat bertindak berdasarkan informasi tersebut.