Dari Prompt ke Workflow: Cara Ubah Pekerjaan Manual Jadi AI Workflow (Studi Kasus Kualifikasi Lead B2B + Template)

Kebanyakan konten AI Agent berhenti di diagram konsep: kotak dan panah tanpa penjelasan bagaimana itu benar-benar dibangun. Tutorial ini mengambil pendekatan berbeda: satu use case nyata, kualifikasi lead B2B, dipecah jadi tahapan yang bisa langsung diterjemahkan jadi workflow yang berjalan, mulai dari lead masuk sampai draft outreach yang siap direview manusia. <callout icon="ℹ️" color="gray_bg"> Contoh di bawah adalah realistic implementation pattern yang memang bisa dibangun dengan tool yang tersedia sekarang, bukan klaim bahwa workflow ini sudah dijalankan persis seperti ini pada perusahaan tertentu. </callout> <callout icon="🧠" color="blue_bg"> OpenAI mendefinisikan workflow sebagai rangkaian langkah untuk mencapai sebuah tujuan, dan agent menjadi relevan ketika model ikut mengelola eksekusi workflow serta memilih tools yang diperlukan. Anthropic membedakan workflow yang jalurnya sudah ditentukan lebih dulu dengan agent yang lebih dinamis dalam menentukan langkahnya sendiri. </callout> <table_of_contents/>

Use Case: Kualifikasi Lead B2B

Use case yang dipakai adalah mencari dan mengkualifikasi calon customer B2B. Bayangkan sebuah perusahaan menjual produk atau jasa B2B dan ingin mencari perusahaan potensial untuk dihubungi oleh tim sales. Cara manual biasanya berjalan seperti ini: nama perusahaan dicari di Google, website dibuka, bisnisnya dipelajari, lokasi dicek, kesesuaian dengan target market dinilai, informasi kontak dikumpulkan, beberapa halaman dibaca, kesimpulan potensial atau tidak diambil, pendekatan personal ditulis, data dimasukkan ke spreadsheet atau CRM, sales melakukan review, baru kemudian prospek dihubungi. Pekerjaan ini cocok dijadikan contoh karena terdiri dari beberapa langkah yang jelas, tetapi masih membutuhkan judgment manusia sebelum tindakan eksternal dilakukan. OpenAI menyarankan human intervention terutama untuk tindakan yang sensitif, tidak bisa dibatalkan, atau berdampak keluar dari sistem.

Target Workflow yang Dibangun

Berikut bentuk akhir workflow yang akan dibangun di tutorial ini.

flowchart TD
    A[Lead Masuk] --> B[Validasi Data]
    B --> C[Riset Perusahaan]
    C --> D[Ekstrak Informasi]
    D --> E[AI Analysis]
    E --> F[Lead Scoring]
    F --> G{"Qualified?"}
    G -->|Ya| H[Generate Outreach Draft]
    G -->|Tidak| I["Simpan / Skip"]
    H --> J[Human Review]
    J --> K{"Approve?"}
    K -->|Approve| L["Kirim Email + Update CRM"]
    K -->|Edit| M[Human Edit]
    M --> J
    K -->|Reject| N["Status: Rejected + Reason"]
    L --> O[Log Hasil]
    N --> O
    I --> O

Perhatikan bahwa belum semuanya diserahkan ke AI. Justru desain yang baik menentukan mana deterministic automation, mana AI reasoning, dan mana human decision.

Contoh Konkret dan Stack yang Dipakai

Misalkan yang dijual adalah jasa AI automation untuk perusahaan, dengan target ideal berupa perusahaan Indonesia yang punya aktivitas administrasi, customer service, sales, reporting, document processing, atau workflow repetitif yang cukup besar. Lead yang masuk misalnya PT ABC Manufacturing. Daripada sales menghabiskan waktu riset dari nol, workflow melakukan preparation work lebih dulu. Berikut salah satu stack yang bisa dipakai.

n8n secara resmi memang didesain untuk menghubungkan aplikasi dan API serta mendukung AI workflow, dengan opsi deployment lewat cloud maupun self-hosted.

12 Langkah Membangun Workflow

1. Definisikan INPUT Lebih Dulu

Jangan mulai dari pertanyaan "Agent apa yang mau dibuat?". Mulai dari pertanyaan "apa yang masuk ke proses ini?".

Bisa dimulai sesederhana Google Sheets. Setiap baris baru berarti ada pekerjaan baru yang harus diproses.

2. Tentukan OUTPUT

Bagian ini sering terlewat. Jangan memberi instruksi umum seperti "research company ini" ke AI, tapi tentukan lebih dulu struktur hasilnya, supaya output bisa langsung dipakai oleh sistem berikutnya, bukan sekadar paragraf panjang.

3. Pisahkan DATA FACT dengan AI INTERPRETATION

Ini bagian yang paling penting. Misalkan website perusahaan menyebutkan "Memiliki 12 cabang". Informasi itu disimpan sebagai fact dengan source-nya.

FACT: 12 branches
SOURCE: companywebsite.com/about

Baru setelah itu AI boleh membuat inference.

INFERENCE: Multiple branches may indicate distributed operational workflows.

Tetapi inference tidak boleh diubah jadi fakta, seperti "Perusahaan ini pasti punya masalah koordinasi". Itu belum diketahui. Struktur output sebaiknya memisahkan FACTS, INFERENCES, dan UNKNOWN. Guardrail sesederhana ini berguna untuk mencegah AI mengarang masalah bisnis yang belum terbukti.

4. Bangun RESEARCH Stage

Workflow mengambil informasi yang sudah tersedia secara publik dan relevan.

flowchart LR
    A[Website] --> B[About]
    B --> C["Products / Services"]
    C --> D[Locations]
    D --> E["News / Careers / Public Info"]

Information extraction kemudian mengambil hanya field yang dibutuhkan. Jangan biarkan AI browsing tanpa tujuan seperti "cari semua tentang perusahaan ini". Lebih baik minta AI mencari bisnis utama, industri, lokasi, indikasi skala, proses bisnis yang terlihat, channel customer service, public contact information, dan evidence URL. Batasan ini membuat workflow lebih murah, terukur, dan mudah dievaluasi.

5. Baru Masukkan AI ANALYSIS

Setelah data research terkumpul, barulah LLM menerima data tersebut untuk dianalisis. Berikut contoh instruction yang dipakai.

You are assisting a B2B sales research team.

Analyze the supplied company information.

Your job is NOT to invent company problems.

Separate:
1. Verified facts
2. Reasonable hypotheses
3. Information still unknown

Determine whether the company appears relevant for
AI workflow automation services.

Evaluate these dimensions:
- repetitive information workflows
- document processing
- customer interaction
- sales operations
- reporting
- multi-location operations
- internal knowledge retrieval

Return structured output.

Never claim a business problem unless evidence supports it.

Perhatikan bahwa AI tidak diminta "yakinkan saya perusahaan ini butuh AI", karena instruksi seperti itu menciptakan confirmation bias.

6. Tambahkan LEAD SCORING

Di sinilah workflow menjadi lebih berguna. Scoring dibuat berdasarkan rule yang sudah ditentukan lebih dulu, bukan diciptakan ulang oleh AI setiap kali.

Total bobot 100, dengan pembagian band skor sebagai berikut.

AI hanya mengklasifikasikan evidence terhadap rule yang sudah ada, bukan menciptakan scoring criteria baru setiap kali. Ini membuat hasil lebih repeatable.

7. Tambahkan ROUTING

Anthropic mendokumentasikan routing sebagai pola ketika input diklasifikasikan lalu diarahkan ke proses yang berbeda.

Jadi bukan semua lead diproses dengan cara yang sama.

8. AI Membuat DRAFT, Bukan Langsung Mengirim

Misalkan sebuah lead mendapat skor 84, AI kemudian membuat draft berikut. <callout icon="✉️" color="gray_bg"> Subject: Ide peningkatan workflow di PT ABC Pak/Bu ..., saya melihat PT ABC memiliki ... (didasarkan pada fakta publik). Kami sedang membantu perusahaan memetakan workflow yang berpotensi dibantu AI. Jika relevan, mungkin kita bisa berdiskusi singkat. </callout> Status pesan ini masih DRAFT, bukan SEND.

9. Tambahkan HUMAN-IN-THE-LOOP

Workflow berhenti di titik ini. Sales menerima ringkasan berisi company, score, facts, hypotheses, alasan kenapa lead ini relevan, dan draft message, lalu memilih Approve, Edit, atau Reject. Barulah manusia menentukan tindakan berikutnya. Model seperti ini sesuai dengan prinsip agent design dari OpenAI, yaitu tindakan berisiko atau yang berdampak keluar dari sistem sebaiknya punya mekanisme human intervention. n8n sendiri sekarang mendukung human review untuk AI tool calls, dan node seperti Gmail atau Slack bisa dipakai sebagai channel approval sebelum workflow dilanjutkan.

10. APPROVE, Baru ACTION

Reason di baris Reject berharga, karena dari situ bisa terlihat pola kenapa AI memilih lead yang sebenarnya kurang bagus.

11. Simpan LOG

Jangan hanya menyimpan hasil akhir. Simpan juga input, research result, AI output, score, decision, human decision, sampai final action. Kalau workflow salah, log ini membantu menentukan apakah masalahnya ada di research, kesimpulan AI, scoring rule, atau data input yang kurang. n8n sendiri menyediakan execution history sehingga workflow yang berhasil, gagal, berjalan, atau menunggu bisa diperiksa, dan proses yang gagal bisa di-retry.

12. Baru Lakukan EVALUATION

Jalankan dulu ke sekitar 50 lead, jangan langsung menghubungi semuanya secara otomatis. Bandingkan hasil AI dengan keputusan sales, misalnya AI menandai 30 lead qualified, sales approve 21, dan reject 9. Cari penyebab dari 9 kesalahan tersebut, apakah perusahaannya terlalu kecil, bukan target industry, tidak ada decision maker, data website sudah outdated, atau AI terlalu agresif melakukan inference. Update rule, lalu test ulang. Anthropic juga menekankan pentingnya evaluasi agent secara end-to-end, karena kegagalan bisa terjadi di tool call, context retrieval, intermediate steps, maupun final output, bukan hanya di jawaban terakhir.

Automation, AI Workflow, dan Agent: Apa Bedanya

flowchart LR
    A["New Google Sheet row"] --> B["Kirim email"]

Automation di atas tidak melibatkan reasoning sama sekali.

flowchart LR
    A[Input] --> B[AI Research]
    B --> C[AI Classification]
    C --> D[Rule]
    D --> E[AI Draft]
    E --> F[Human Approval]
    F --> G[Action]

AI Workflow di atas sesuai definisi Anthropic tentang workflow, yaitu LLM dan tools diorkestrasi lewat code path yang sudah ditetapkan.

flowchart TD
    A["Search company"] --> B{"Need more information?"}
    B -->|Ya| C["Open careers page / cari sumber lain"]
    C --> D["Compare information"]
    D --> E{"Enough evidence?"}
    E -->|Tidak| B
    E -->|Ya| F["Produce assessment"]

Sekarang instruksinya berubah jadi "research perusahaan ini dan tentukan sendiri informasi apa yang perlu dicari untuk menilai relevansi". OpenAI mendeskripsikan agent sebagai sistem yang menggunakan model untuk mengelola workflow execution dan secara dinamis memakai tools dalam guardrails yang sudah ditentukan. <callout icon="⚠️" color="yellow_bg"> Jangan langsung menjadikan semuanya Agent. Kalau prosesnya sesederhana form, summarize, classify, save, kemungkinan besar agent tidak dibutuhkan. Workflow biasa jauh lebih predictable. Anthropic merekomendasikan mulai dari solusi paling sederhana, karena agentic system menambah latency dan cost, dan baru layak dipakai ketika fleksibilitas itu memang memberi nilai. </callout> Urutan yang disarankan seperti berikut.

flowchart LR
    A["Manual Process"] --> B["Automation"]
    B --> C["AI Workflow"]
    C --> D["Agent"]

Bukan langsung lompat dari tren "AI Agent sedang viral" ke semua pekerjaan dibuat agent.

Template Universal untuk Pekerjaan Apa Pun

Ambil satu pekerjaan yang ada di kantor, lalu isi field berikut.

Setelah field di atas terisi, alurnya bisa divisualisasikan seperti berikut.

flowchart LR
    A[Trigger] --> B[Input]
    B --> C[Process]
    C --> D["AI / Rule"]
    D --> E[Decision]
    E --> F[Tool]
    F --> G["Human Review"]
    G --> H[Action]
    H --> I[Output]

Prompt tetap ada, tetapi sekarang prompt berada di dalam sesuatu yang lebih besar: data, context, instructions, tools, workflow, guardrails, evaluation, dan human, yang bersama-sama membentuk AI system yang bisa dipakai berulang. OpenAI menggambarkan pergeseran ini sebagai perpindahan dari penggunaan AI untuk one-off tasks menuju repeatable work dengan shared systems, handoffs, consistent outputs, dan constraints dunia nyata.

Versi Paling Sederhana untuk Mulai

Versi paling sederhana tidak butuh coding: Google Sheets ke n8n, diproses AI model, dicek lewat IF/score, dikirim ke Gmail untuk approval, lalu hasilnya disimpan kembali ke Google Sheets atau CRM. Setelah workflow ini stabil, bagian Research dan Analysis baru bisa ditingkatkan jadi agent yang diberi tools dan kebebasan terbatas untuk menentukan langkah risetnya sendiri. Urutan ini jauh lebih masuk akal dibanding langsung memulai dengan multi-agent yang kompleks.

Referensi

• OpenAI, A Practical Guide to Building Agents
• Anthropic, Building Effective Agents
• n8n, Human-in-the-loop for AI tool calls