0
0
General Motors telah mengubah cara tim rekayasa kendaraan otonomnya bekerja dengan mengintegrasikan AI agents secara menyeluruh ke dalam alur kerja harian. Alih-alih hanya menambahkan alat bantu coding, perusahaan ini merancang ulang proses dari awal hingga akhir untuk mengatasi bottleneck yang selama ini menghabiskan sebagian besar waktu insinyur.
Menurut data internal GM, insinyur perangkat lunak di divisi otonom hanya menghabiskan 15 persen waktu mereka untuk menulis kode. Sisanya digunakan untuk menganalisis data kendaraan, melakukan triage masalah, menjalankan eksperimen, dan menguji perbaikan potensial. Dengan menerapkan AI agents yang terhubung langsung ke tools internal dan data dalam skala petabyte, GM berhasil melipatgandakan jumlah merged pull requests menjadi tiga kali lipat.
Pendekatan ini berbeda dari sekadar memberikan chatbot coding kepada setiap developer. GM membagi pekerjaan menjadi beberapa loop utama seperti pengujian di simulasi, pengujian di jalan raya, dan pemantauan pasca-peluncuran. Setiap loop kemudian dianalisis untuk menemukan bottleneck terpanjang yang kemudian diotomatisasi secara bertahap.
Salah satu penerapan paling efektif adalah penggunaan agents untuk menganalisis data telemetri dari kendaraan di jalan umum. Agents ini tidak hanya mengidentifikasi anomali, tetapi juga melakukan triage awal dan membuat issue yang siap ditindaklanjuti oleh insinyur manusia. Melalui koneksi MCP, agents dapat mengakses tools yang sama dengan yang digunakan WebViz tanpa harus melewati antarmuka grafis manual.
GM juga menerapkan kontrol akses yang ketat. Izin yang diberikan kepada agents disesuaikan dengan hak akses insinyur yang menggunakannya. Hal ini memastikan akuntabilitas tetap berada di tangan manusia, terutama pada titik-titik keputusan kritis yang berkaitan dengan keselamatan.
Selain itu, perusahaan menggunakan background agents untuk menjalankan eksperimen machine learning secara paralel. Insinyur hanya perlu mendefinisikan parameter eksperimen, sementara agents mengeksekusi dan mengumpulkan hasilnya. Langkah ini mempercepat siklus iterasi tanpa mengorbankan kualitas.
Peningkatan kecepatan rilis fitur baru disertai penurunan jumlah bug yang lolos ke tahap selanjutnya. GM juga menugaskan empat insinyur khusus untuk membantu tim lain mengadopsi platform agents ini secara efektif.
Dari perspektif industri otomotif yang sangat diatur, model ini menunjukkan bahwa integrasi AI agents dapat dilakukan tanpa mengabaikan persyaratan pengawasan manusia. Pendekatan ini juga memberikan wawasan bagi perusahaan lain yang ingin menerapkan agentic AI di lingkungan dengan standar keselamatan tinggi. Selain itu, keberhasilan GM menyoroti pentingnya merancang ulang seluruh proses bisnis sebelum menerapkan teknologi baru, bukan hanya menambahkan tools secara terpisah.
