Agentic Workflow adalah pola desain aplikasi AI di mana sebuah AI Agent menjalankan serangkaian langkah—merencanakan, mengeksekusi tindakan, mengevaluasi hasil, dan mengulang proses jika diperlukan—untuk menyelesaikan tugas yang kompleks secara mandiri, alih-alih hanya menghasilkan satu respons tunggal terhadap satu permintaan.
Berbeda dengan pola interaksi AI konvensional yang bersifat satu arah (pengguna bertanya, model menjawab), agentic workflow bersifat iteratif dan bertujuan (goal-oriented). Agen AI dapat memecah tugas besar menjadi sub-tugas yang lebih kecil, menentukan urutan eksekusi yang tepat, memanggil berbagai alat eksternal di sepanjang prosesnya, dan menyesuaikan rencana jika langkah sebelumnya tidak berjalan sesuai harapan.
Beberapa pola agentic workflow yang umum digunakan antara lain: prompt chaining (memecah tugas menjadi rangkaian langkah linear), routing (mengarahkan permintaan ke jalur pemrosesan yang berbeda tergantung jenisnya), parallelization (menjalankan beberapa sub-tugas secara bersamaan), orchestrator-worker (satu agen utama mendelegasikan tugas ke beberapa agen pekerja), dan evaluator-optimizer (satu agen menghasilkan output, agen lain mengevaluasi dan memberi umpan balik untuk perbaikan).
Contoh nyata agentic workflow termasuk agen riset yang secara mandiri mencari informasi dari berbagai sumber, menyusun ringkasan, lalu memverifikasi silang temuannya sebelum menyajikan laporan akhir; atau agen coding yang menulis kode, menjalankan pengujian, mendeteksi kegagalan, dan memperbaiki kode secara berulang hingga pengujian berhasil tanpa intervensi manusia di setiap langkah.
Merancang agentic workflow yang andal membutuhkan pertimbangan cermat soal kapan agen boleh bertindak secara otonom penuh dan kapan perlu melibatkan manusia untuk konfirmasi (human-in-the-loop), terutama untuk tindakan berisiko tinggi seperti transaksi keuangan atau pengiriman komunikasi resmi.