Saat Eksekusi Agen AI Melampaui Jam Kerja: Merancang Sistem Review untuk Agen 18 Jam

Anda mulai melakukan refactor pada pukul empat sore dan menutup laptop pada pukul enam. Keesokan paginya, proses eksekusi sudah selesai, masih berjalan, atau justru berhenti pada pukul 21.40 untuk mengajukan pertanyaan yang tidak ada siapa pun di sana untuk menjawabnya. Tiga situasi yang sangat berbeda, dan dari luar semuanya terlihat sama persis sepanjang malam.

Anthropic menyatakan bahwa Claude Opus 5.5 dapat terus fokus menjalankan tugas selama 18 jam atau lebih. Pahami hal itu secara harfiah. Proses yang dimulai di akhir jam kerja belum tentu selesai saat hari kerja berikutnya dimulai. Model tersebut telah mengambil keputusan selama sebelas jam tanpa Anda, dan satu-satunya penghalang antara dirinya dan keputusan yang buruk hanyalah apa pun yang Anda tuliskan sebelum Anda pulang.

Proses yang selesai dalam jam kerja bisa diawasi secara langsung. Proses yang berjalan melampaui jam kerja harus ditinjau kembali keesokan harinya. Keduanya adalah sistem yang berbeda, dan sebagian besar tim masih menjalankan sistem yang pertama.

TL;DR

Proses agen yang berjalan lama adalah proses yang terus berlanjut setelah tidak ada lagi orang yang mengawasi, sehingga setiap keputusan yang tidak dapat diambilnya harus menunggu sebagai status yang tercatat, bukan sekadar prompt di terminal yang tidak dibaca siapa pun. Tiga hal harus terpenuhi agar hal tersebut aman: kondisi berhenti yang diterapkan sendiri oleh agen tanpa Anda, status menunggu manusia yang terlihat jelas perbedaannya dari status sedang bekerja maupun gagal, dan sebuah kotak masuk yang dibuka oleh satu orang penanggung jawab di pagi hari. Agen bertugas meriset, mengeksekusi, menguji, dan melapor. Manusia menentukan arah, memberikan wewenang, dan menerima hasilnya. Sharkly mengelola ketiganya di dalam Task.

Apa yang berubah pada 22 September 2026

Dua laboratorium AI meluncurkan pembaruan di hari yang sama, dan keduanya bersama-sama mengubah durasi sekaligus biaya sebuah eksekusi.

Anthropic menyatakan bahwa biaya menjalankan Opus 5.5 40% lebih murah daripada Opus 5, menghasilkan output sekitar 30% lebih cepat, memiliki output maksimum 128k, dan dapat terus fokus mengerjakan tugas selama 18 jam atau lebih. OpenAI menyatakan bahwa Sol dan Luna masing-masing 50% lebih murah daripada harga promosi GPT-5.6; kata “promosi” adalah istilah OpenAI sendiri, jadi perbandingan tersebut mengacu pada harga diskon, bukan harga resmi. OpenAI juga melaporkan diskon 90% untuk pembacaan input cache pada GPT-6 dan menyatakan bahwa mengubah tingkat penalaran (reasoning effort) atau ketersediaan alat tidak lagi membatalkan cache, yang justru sangat penting bagi proses yang berjalan sepanjang malam.

Jadi, suatu proses kini bisa berjalan lama sekaligus berbiaya murah. Namun, jam kerja kita tidak bertambah panjang untuk mengimbanginya, begitu pula kapasitas siapa pun untuk membaca dan memeriksa hasilnya.

Pola peninjauan kini terbalik

Saat mengawasi proses yang sedang berjalan, Anda bertindak sebagai penangan error. Anda melihatnya membuka file yang salah lalu langsung menginterupsinya. Koreksi tersebut tidak pernah tercatat di log mana pun, karena memang tidak pernah perlu dicatat.

Sepanjang malam, semua itu tidak ada. Setiap koreksi yang biasanya Anda lakukan kini hanya bisa berupa aturan yang sudah dimiliki agen atau sebuah penghentian proses. Tidak ada opsi ketiga. Agen yang berjalan lama bukanlah agen tanpa pengawasan yang selesai begitu saja. Agen ini adalah agen yang akan menemui keputusan yang harus Anda ambil selagi Anda tidur. Rancanglah sistem untuk mengantisipasi penghentian, bukan hanya penyelesaian.

Anthropic juga melaporkan 85% lebih sedikit upaya pelanggaran batasan instruksi yang berhasil pada Opus 5.5. Peluang yang lebih rendah bukanlah kondisi berhenti. Model yang lebih sulit dialihkan dari instruksinya tetap membutuhkan tempat untuk menaruh pertanyaan pada pukul 2 dini hari.

Tiga hal yang harus terpenuhi

1. Kondisi berhenti yang dapat diterapkan agen tanpa Anda

Ada dua bagian: batas tegas yang diberlakukan oleh platform, dan kondisi tertulis yang diterapkan sendiri oleh agen.

Batas tegas tersebut berupa konfigurasi. Agen Sharkly memiliki batas maksimum Task yang berjalan paralel dan batas waktu (timeout) per Task, yang diatur pada tingkat Agen alih-alih per proses eksekusi. Pasang timeout di atas durasi terlama yang Anda inginkan dan di bawah durasi terlama yang rela Anda bayar. Ini adalah pemutus sirkuit (circuit breaker), bukan jadwal kerja.

Kondisi tertulis adalah bagian yang kerap dilewatkan oleh tim. Agen yang tidak pernah berhenti bukanlah agen yang rajin, melainkan agen yang tidak diawasi.

Stop and wait for a human when:
- a change would touch a file outside the paths named in the Task;
- a check that passed at the start of the run still fails after two attempts;
- the Task description and the code disagree about intended behavior;
- you are about to run a command that writes outside the working directory.

When you stop, leave one comment: what you did, what you need, and the single
question that unblocks you. One question per stop.

Gunakan batas waktu yang panjang jika Task berupa perubahan dengan cakupan terbatasi dan dilengkapi pengujian yang dapat memberi tahu agen apakah tugas sudah selesai. Batasi hingga satu atau dua jam jika Task bersifat eksploratif, kriteria penerimaan masih berupa kalimat yang masih bisa diperdebatkan, atau jika proses tersebut dapat menyentuh hal-hal yang tidak Anda inginkan berubah tanpa ditinjau terlebih dahulu. Gerbang persetujuan (approval gates) menentukan titik di mana agen harus berhenti bahkan ketika ia merasa yakin.

2. Status menunggu yang berbeda dengan status bekerja

Di Sharkly, status siklus hidup Task dan status kerja Agen adalah pencatatan yang terpisah. Sebuah Task bisa berstatus In Progress sementara Agen berada pada status Working, Waiting for human reply, Waiting for human review, atau Error. Proses eksekusi di bawahnya memiliki statusnya sendiri: Queued, Dispatched, Waiting for local directory, Running, Completed, Failed, Canceled.

Hal tersebut terdengar seperti formalitas pencatatan belaka sampai Anda memiliki delapan proses yang berjalan semalaman. Tanpa pemisahan ini, papan tugas pada pukul 9 pagi akan menampilkan status In Progress baik untuk agen yang sedang aktif mengedit maupun untuk agen yang sudah berhenti sebelas jam lalu menunggu satu jawaban. Anda pun terpaksa membuka kedelapannya hanya untuk mencari tahu mana yang aktif dan mana yang tertahan.

Log eksekusi membuat alasan penghentian mudah dipahami keesokan paginya: mengapa suatu proses dimasukkan ke antrean, kapan dimulai dan berakhir, pemanggilan alat (tool calls) dan peristiwa Runtime, sumber pemicu, serta detail kegagalan atau pembatalan. Log inilah yang Anda baca tanpa perlu mengingat konteks pertanyaan Anda sebelumnya. Lihat status, log, dan sinyal kegagalan untuk mengetahui apa saja yang perlu dicatat jika Anda membangun sistem ini sendiri.

3. Kotak masuk yang dibuka oleh satu orang penanggung jawab

Status menunggu tanpa pemilik yang jelas akan menunggu selamanya. Proses yang berjalan semalaman gagal secara diam-diam dengan cara yang berbeda dari proses di siang hari, karena tidak ada seorang pun di sana yang menyadari keheningan tersebut.

Kotak Masuk (Inbox) Sharkly adalah antrean pribadi untuk aktivitas tugas, dan tab Primary menampung sinyal-sinyal yang membutuhkan tindakan manusia: menunggu balasan Anda, menunggu tinjauan Anda, pekerjaan yang gagal atau terblokir, penyebutan langsung (mentions), serta penugasan kepada Anda. Kegagalan eksekusi dan sinyal terblokir diteruskan langsung kepada orang yang ditugaskan, bukan ke seluruh pelanggan notifikasi, sehingga kegagalan eksekusi pada pukul 3 pagi tertuju ke satu orang tertentu, bukan ke semua orang—yang pada akhirnya sering kali berarti tidak ditangani siapa pun.

Dua Tampilan Tersimpan (saved Views) mempermudah tugas di pagi hari: tugas yang menunggu peninjauan, dan tugas yang ditugaskan ke Agen yang saat ini terblokir. Tentukan siapa orang yang bertugas membukanya. Sebuah “tim” tidak pernah secara kolektif membuka kotak masuk.

Pemeriksaan di pagi hari

Urutan penanganan sangat penting, dan urutannya bukan seperti yang disajikan di papan tugas.

1. Tanggapi yang menunggu balasan terlebih dahulu (Waiting for human reply). Memberikan jawaban akan memulai kembali agen yang terhenti; meninjau belum memulai apa pun. Jika SH-312 telah menunggu sejak pukul 21.40, tindakan tercepat yang dapat Anda lakukan sepanjang hari adalah menjawab lewat komentar, yang akan mengantrekan proses lanjutan pada Task yang sama.
2. Periksa yang gagal dan terblokir di urutan kedua. Baca judul log eksekusi dan detail teknisnya sebelum mencoba ulang. Satu kode status HTTP hanyalah sebuah petunjuk, bukan diagnosis lengkap.
3. Periksa yang menunggu peninjauan di urutan ketiga. Inilah antrean yang sesungguhnya, dan antrean inilah yang kian menumpuk saat biaya eksekusi makin murah.
4. Evaluasi yang masih berjalan di urutan terakhir. Biarkan berlanjut atau batalkan. Proses yang dibatalkan tidak dapat dilanjutkan dari titik yang sama, tetapi Task dan riwayatnya tetap tersimpan, jadi batalkan saja tanpa ragu jika arahnya sudah salah. Bacalah lognya terlebih dahulu.

Apa yang tidak diselesaikan oleh pembaruan ini

Durasi eksekusi yang lebih lama tidak mengurangi beban peninjauan, melainkan justru memadatkannya. Proses berdurasi 18 jam menghasilkan satu luaran yang membawa keputusan sepanjang malam, dan manusia tetap harus membaca, menilai, serta menyetujuinya. Peneliti OpenAI sendiri menunjukkan ke mana arah tren ini: rata-rata (median) peneliti menghabiskan lebih dari $600 per hari untuk inferensi pada harga API dan persentil ke-90 melampaui $7.000 per hari, sementara jumlah orang yang tersedia untuk membaca hasilnya tidak bertambah. Kami telah melakukan perhitungannya saat OpenAI merilis data tersebut, dan tidak ada satu pun dari peluncuran baru ini yang mengubah angka penyebutnya.

Proses yang lebih murah dan lebih lama memberikan lebih banyak percobaan paralel, bukan mengurangi keputusan yang harus diambil. Peninjauan oleh manusia adalah hambatan utamanya (bottleneck), dan penurunan harga justru memperburuk situasi ini sebelum memperbaikinya. Otomatisasi harus berhenti saat pertimbangan tim diperlukan, dan ketika itu terjadi, sistem harus menyajikan hasil dengan konteks lengkap serta bukti yang dapat diperiksa.

FAQ

Berapa lama batas waktu (timeout) per Task yang ideal untuk model berdurasi 18 jam? Lebih lama dari durasi proses yang Anda inginkan, tetapi lebih singkat dari durasi proses yang akan Anda sesali biayanya. Mulailah dengan beberapa jam untuk pekerjaan biasa, lalu tingkatkan per Agen untuk Task yang memang benar-benar membutuhkan waktu semalaman. Batas waktu berfungsi menghentikan proses yang mengalami pengulangan tanpa henti (looping); bukan untuk menentukan berapa lama pekerjaan berkualitas diselesaikan.

Apa yang terjadi pada pertanyaan yang diajukan agen pada pukul 2 dini hari? Pertanyaan tersebut harus berubah menjadi status waiting-for-human-reply dan menjadi entri Kotak Masuk bagi orang yang ditugaskan, bukan sekadar sebaris teks pada scrollback buffer terminal. Jika pengaturan Anda saat ini berisiko melewatkannya, atasi celah tersebut sebelum Anda memperpanjang batas waktu apa pun.

Implikasinya bagi Anda

Tidak ada vendor yang menyediakan bagian paling krusial ini, karena yang terpenting adalah ke mana penghentian tersebut diarahkan dan siapa yang bertanggung jawab menanganinya di pagi hari. Masalah ini sama persis baik pada Claude Code, Codex, maupun platform lainnya, dan itulah sebabnya kepemilikan harus berada di tingkat tugas (task level), bukan di dalam sesi kerja satu vendor tertentu.

Jika Anda sudah menjalankan agen semalaman, cara mengujinya sederhana. Buka papan tugas Anda pada pukul 9 pagi dan periksa apakah sistem Anda dapat membedakan agen yang sedang berpikir aktif dari agen yang sudah menunggu sejak tadi malam. Jika tidak bisa, itulah hal pertama yang harus diperbaiki, dan di situlah Sharkly berperan: Task menampung tujuan, status eksekusi, kendala yang dihadapi, hasil pekerjaan, hingga keputusan manusia, mulai dari permintaan awal sampai rilis.