Otomasi low-code Anda rusak karena terlalu pintar untuk kebaikannya sendiri. Logika if-done yang kaku adalah hukuman mati saat Anda menghadapi konsistensi data dunia nyata yang berantakan dan membuat sistem Anda mogok setiap hari. Asumsi bahwa data itu bersih adalah dosa asal dari desain low-code. Kita membangun seluruh dunia kita di atas model if-done, tetapi model itu membutuhkan kepastian mutlak untuk berfungsi. Data dunianya tetap tidak pasti. Ada kesan ketik, ada konteks yang hilang. Ini adalah aliran kacau dari kesan manusia. Ketika sistem deterministik menemui variasi 1%, ia tidak melentur dan pastinya tidak beradaptasi. Sistem itu hanya akan rusak. Ini menciptakan jebakan kerapuhan, di mana otomatisasi Anda hanya sekuat titik data terbersihan. Dalam skala perusahaan, itu adalah standar yang sangat rendah untuk kesuksesan. Namun masalahnya bukan pada datanya, melainkan model yang kita gunakan untuk proses.

Kemati demi slow. Logika deterministik adalah peninggalan era data terstruktur. Itu berhasil ketika semuanya ada di tabel SQL dan ketika kita memaksa manusia untuk masuk ke dalam kotak yang telah ditentukan. Tapi dunia itu sudah hilang. Saat ini, 80% data perusahaan tidak terstruktur, yang berarti data tersebut ada di email, obrolan. Dan rekaman suara. Alur power automate tradisional memperlakukan Apple dan 4 PPL 3 sebagai dua alam semesta yang berbeda. Bagi sistem binar, keduanya adalah string yang sama sekali tidak berhubungan. Kita telah mencapai titik di mana piaya pembersihan data manual kini melebihi nilai dari otomatisasi itu sendiri. Jika Anda harus menghabiskan dua jam memperbaiki CSV hanya agar alur dapat berjalan selama lima detik, Anda sebenarnya belum mengotomatisasi. Anda hanya memindahkan beban kerja. AI bukan sekadar fitur baru yang mengilap yang kita tempelkan di sisi power platform.

Ia adalah perubahan berdasar dari pencocokan persis ke kesamaan. Model lama bertanya, apakah ini A? Model bertanya, seberapa mirip ini dengan A? Pikirkan bagaimana Anda menafigasi kotak masukan. Anda tidak menjalankan regex di kepala Anda untuk menemukan faktor. Anda mencari pola. Anda mencari konteks. Anda mengenali bahwa INV202 dan nomor faktor 202 adalah hal yang sama meskipun karakternya tidak cocok. Sistem liter mistik tidak bisa melakukan itu. Mereka butuh terhadap maksud. Mereka hanya melihat sintaksis. Dan seiring langkah kita menuju 2026, sintaksis menjadi kurang penting daripada semantik. Kita melihat redakan besar dalam volume data dari sensor IoT, aliran real time, dan ringkasan yang dihasilkan LLM. Jika Anda mencoba mengelola volume tersebut dengan pencabang IF dan yang dikodekan secara kaku logikan, cara kaku logikan DAG, Anda akan berakhir dengan alur yang memiliki 50 kondisi bersarang.

Dan semuanya akan tetap rusak saat vendor mengubah tanda tangan email mereka. Model jika maka mengasumsikan dunia sempurna di mana input akan selalu sesuai dengan skema. Namun kenyataan yang justru sebaliknya. Data adalah variabelnya. Logika seharusnya menjadi konstantar, namun logika kita terlalu kaku untuk bertahan saat bersentuhan dengan real itu. Kita telah membangun rumah kaca di dunia yang terus menerus hujan es, lalu kita heran mengapa lantai dipenuhi pecahan kaca. Pergeseran ke desain probabilistik berarti membangun dengan karet, bukan kaca. Ini tentang menciptakan sistem yang dapat meredam dampak kesalahan ketik tanpa hancur. Kita beralih dari gagasan bahwa sistem harus 100% benar atau 100% salah, karena di dunia nyata tidak ada yang 100%, tidak ada yang 100%. Kita telah membohongi diri sendiri tentang kualitas data kita selama puluhan. Kita membangun ruangan bersih untuk logika kita, lalu bersikap terkejut saat data kotor dari tim penjualan menyebabkan kegagalan sistem.

Matinya datermisme adalah matinya kebohongan tersebut. Ini adalah pengakuan bahwa kita tidak bisa mengontrol input, jadi kita harus memodernisasi pemrosesannya. Kita memasuki era perusahaan aproximatif di mana kita menerima bahwa pendekatannya cukup baik justru lebih baik daripada tepat namun salah. Karena sistem yang mampu memproses kecocokan 90% jauh, lebih berharga daripada sistem yang menolak segalanya kecuali kecocokan 100%. Ini bukan sekadar perubahan teknis, mainkan perubahan psikologis. Anda harus merasa nyaman dengan gagasan bahwa sistem Anda mungkin hanya cukup yakin tentang suatu data. Anda harus belajar mendesain untuk keraguan, karena keraguan adalah satu-satunya cara jujur untuk menangan informasi yang tidak terlalu. Pergeseran ini mengharuskan kita beralih dari pemicu binar ke sesuatu yang jauh lebih bernuansa, yaitu skor keyakinan, arsitektur ketidakpastian. Jika kita menerima bahwa era logika binar telah berakhir, kita harus menggantinya dengan kerangka kerja baru.

Saya menyebutnya model orkestra simpon. Dalam arsitektur TI tradisional, setiap orang adalah solois yang memainkan partitur kaku. Dan jika satu orang melewatkan satu nada, seluruh pertunjukan berhenti. Namun dalam arsitektur probabilistik, kita memiliki konduktor deterministik yang mengelola musisi probabilistik. Konduktor itu adalah alur power automaton. Ia menyediakan struktur, mengatur tempo, dan mendefinisikan batasannya. Para musisinya adalah model AI. Mereka berbakat, namun ekspresif. Dan tidak selalu mencapai frekuensi yang sama persis setiap kali mereka bermain. Tugas konduktor bukanlah memaksa para musisi menjadi robot. Tugasnya adalah mendengarkan mereka dan memutuskan apakah suara yang mereka hasilkan cukup baik untuk dilanjutkan. Hal ini membawa kita ke pilar utama desain modern, yaitu skor keyakinan. Skor keyakinan adalah nilai dari 0 sampai 1 yang mengukur keraguan. Ini adalah cara model untuk mengatakan saya rasa ini cocok dan inilah seberapa besar saya yakin akan hal itu.

Di masa lalu kita memiliki jalur yang sudah ditentukan secara kali. Jika subjek email berisi kata faktur, maka simpan lampirannya. Di dunia baru kita menggunakan perutuan berbasis keyakinan. Kita membuat keraguan internal model menjadi terlihat oleh sistem. Kita tidak lagi memperlakukan AI sebagai kotak hitam, melainkan sebagai saksi dengan tingkat kredibilitas tertentu. Beginilah cara Anda benar-benar membangunnya di bawah platform. Saat Anda menggunakan e-builder atau Azure AI, Anda tidak hanya mendapatkan data yang diekstraksi. Anda mendapatkan lapisan metadata yang mengungkapkan probabilitas untuk setiap bidang. Jika model mengekstraksi jumlah total 1.500, Dallas Model juga memberitahu Anda bahwa ia 95% yakin dengan angka tersebut. Sebagai arsitek, Anda sekarang memiliki tiga zona tindakan yang berbeda. Pertama, zona hijau. Keyakinan adalah 0,90 atau lebih tinggi. Risiko kesalahan rendah biar kesalahan dapat dikelola.

Dan hasilnya adalah Anda melakukan otomatisasi sistem berjalan tanpa campur tangan manusia. Kedua, zona kuning. Keyakinan berada di antara 0,60 dan 0,89. Model cukup yakin tetapi tidak sepenuhnya pasti. Mungkin dokumennya agak kabur atau mungkin tulisan tangannya berantakan. Di zona ini Anda memberikan tanda. Sistem merutekan data ke peninjauh manusia untuk pemeriksaan cepat. Ketiga, zona merah. Keyakinan di bawah 0,60. Model sedang menebak-nebak. Di zona ini Anda menolak atau melakukan eskalasi. Anda tidak membiarkan data tersebut mendekati basi data produksi. Ini adalah lapisan manajemen risiko yang transparan. Ini memungkinkan Anda meskalakan otomatisasi sambil menjaga ketukungan. Pikirkan tentang implikasi yang bagi tata kelola. Dalam sistem deterministik kesalahan tidak disadari. Sebuah alur berjalan mengambil angka yang salah karena kesalahan ketik dan menulis angka salah itu ke ERP Anda.

Anda baru mengetahuinya di akhir kuartu. Dalam sistem probabilistik kesalahan miliki tanda. Sistem tahu bahwa ia kesulitan dan ia memberitahu Anda, Hey, saya memproses ini tapi kekirian saya hanya 62%. Itu adalah sinyal yang sangat kuat. Ini memungkinkan Anda seberkeraguan. Anda dapat melihat dengan tepat di mana model Anda ke. Anda dapat melihat vendor mana yang mengirim dokumen yang tidak dapat dibaca AI dan melihat langkah proses mana yang secara konsisten mencapai zona kuning. Anda tidak hanya membuat alur, Anda sedang membangun lingkaran kecerdasan. Dan disinilah Azure AI dan AI Builder benar-benar unggul. Mereka menampilkan skor ini pada tingkat granular, sehingga Anda bisa melihat tingkat keyakinan untuk tabel, sel, atau maksud tertentu. Anda bahkan bisa menggunakan PowerFX untuk membatas dinamik. Mungkin untuk laporan pengeluaran senilai 50, tingkat keyakinan 0,70 sudah cukup. Tetapi untuk pesanan pembelian senilai 50 ribu lalas, Anda menginginkan 0,98.

Anda akhirnya menyelaraskan logika teknis dengan risiko bisnis Anda. Kita selama ini memperlakukan setiap titik data seolah-olah memiliki bobot yang sama pada itu. Desain probabilistik memungkinkan Anda memperlakukan keputusan berisiko tinggi secara berbeda dengan keputusan berisiko rendah bahkan dalam alur yang sempurna. Anda tidak lagi membangun untuk dunia yang sempurna. Anda membangun untuk dunia di mana Anda tahu persis berapa banyak ketidakpastian yang bisa Anda toleransi. Dan setelah Anda menguasai skor tersebut, Anda bisa mulai melihat logika yang menjebatkan di celah tersebut. Mencocokkan fuzzy dan logika semantik. Namun bagaimana sebenarnya kita menangani data yang berada di tengah-tengah ketidakpastian itu? Kita mulai dengan mengakui bahwa pencocokan fuzzy itu gagal. Itu gagal karena tidak memiliki konteks. Dalam mode lama, jika nama vendor berbeda satu titik saja, pencarian akan gagal.

Pencarian tidak peduli dengan maksud Anda. Ia hanya peduli pada nilai ASCII. Disinilah pencocokan fuzzy berperan. Ini adalah teknik yang mengidentifikasi dan menghubungkan catatan yang tidak identik dengan menghitung skor kemiripan dan bertindak sebagai jembatan antara IBM dan IBM. Dan dampaknya bukan sekadar teoretis. Penelitian menunjukkan bahwa menerapkan pencocokan fuzzy dapat meningkat kecocokan Anda hingga kecocokan Anda hingga 20. Itu 24% dari data Anda yang sebelumnya akan ditolak atau dikirim ke manusia untuk diperbaiki secara manual. Dalam lingkungan bervolume tinggi, itu mewakil ribuan jam waktu yang bisa dihemat. Namun Anda harus memahami mekanismi. Ada dua cara utama untuk memikirkan hal ini. Pertama, logika berbasis karakter. Ini sering disebut jarak Levenstein. Ini menghitung jumlah suntingan yang diperlukan untuk mengubah satu string danya. Ini sempurna untuk selangkut. Jika seseorang menulis manage alih-alih manajemen, sistem melihat huruf E dan A yang hilang.

Sistem menghitung jaraknya dan melihat keduanya hampir identik. Kedua, kita memiliki logika semantik. Disinilah hal yang menjadi menarik. Logika semantik tidak peduli dengan ejaan. Logika ini peduli dengan makna. Jika satu sistem mengatakan customer dan yang lain mengatakan klien, pencocokan. Berbasis karakter akan selalu gagal. Tetapi model semantik tahu bahwa yang sama. Ini adalah pergeseran dari mencocokkan karakter ke mencocokkan konsep. Saat Anda menggabungkan skor keyakinan dengan pencocokan samar, fuzzy matching, Anda menciptakan sistem yang mampu menafigasi realitas data bisnis yang berantai. Anda tidak lagi dibatasi oleh aturan kaku yang rusak saat manusia melakukan kesalahan ketik. Anda membangun sistem yang memahami nuansa. Dan begitulah cara Anda beralih dari otomatisasi sederhana. Menuju kecerdasan digital sejati. Membangun alur kerja yang dapat mengoreksi diri sendiri. Bahkan dengan pencocokan samar terbaik di dunia, kita harus menghadapi kenyataan bahwa AI masih bisa berhalusnya.

Begitulah cara teknologi ini bekerja saat ini. Data saat ini menunjukkan bahwa model tercanggih sekalipun memiliki tingkat halusinasi antara 15 hingga 20 persen. Jika Anda membangun sistem untuk bisnis, Anda tidak bisa mengabaikan tingkat kegagalan 1 dari 5 dan Anda tentu tidak bisa sekadar menggunakan rekayasa perintah untuk mengatasi. Anda harus menerima bahwa mencapai tingkat halusinasi 0 persen bukanlah sebuah trik sulap. Itu adalah pilihan arsitektural yang disengaja. Di sinilah kita melampaui otomatisasi sederhana dan mulai membangun alur kerja tangguh yang dapat mengoreksi diri. Kita melakukannya dengan menggunakan struktur yang saya sebut pola validasi jarudan. Ini bertindak sebagai pengaman yang mencegah imajinasi kreatif AI mengacaukan data aktual Anda. Ada satu aturan mendasar bagi arsitek modern. Jangan berambiarkan model bahasa besar matematika. LLM adalah mesin untuk penalaran lunak yang membuatnya hebat dalam memahami maksud atau menemukan detail spesifik dalam tumpukan teks yang berantakan.

Namun mereka secara statistik tidak dapat diandalkan dalam hal aritmatika dasar. Jika Anda meminta AI untuk mengambil 3 item dari faktor dan menghitung totalnya, Anda pada dasarnya meminta sistem untuk gagal. Dalam desain yang dapat mengoreksi diri, Anda menggunakan LLM untuk bagian penalaran lunak, seperti menarik data dari PDF yang berantak. Setelah Anda mendapatkan angka-angka tersebut, Anda memasukkannya ke sistem deterministik untuk menangani batasan yang kaku. Alur power automate atau mesin aturan dasar Anda seharusnya menjadi pihak yang melakukan penjumlahan. Pihak tersebutlah yang seharusnya memerisa pajak atau memverifikasi konversi metode. Jika LLM mengklaim totalnya adalah 500 dolar, tetapi perhitungan Anda menunjukkan seharusnya 480 sistem telah mendeteksi halusinasi secara waktu nyata. Alih-alih macet, sistem memicu jalur pemulihan. Sistem mungkin mencoba perintah yang berbeda atau mungkin menandai kesalahan tersebut agar diperiksa oleh manusia.

Inilah perbedaan antara alur yang rusak dan alur yang benar-benar memperbaiki dirinya sendiri. Kita melihat perubahan yang sama terjadi dalam otomatisasi proses robotik. RPA tradisional sangat rapuh karena bergantung pada koordinat yang tepat di layar. Jika sebuah tombol bergeser 3 piksel saja ke kiri, seluruh bot akan gagal. RPA mampu memperbaiki diri mengubah hal tersebut dengan menggunakan visi perubahan. Bot tersebut tidak lagi mencari koordinat piksel tertentu. Sebaliknya, ia mencari tombol yang terlihat seperti ikon simpan di bagian atas halaman. Saat antar muka berubah, bot menggunakan konteks untuk beradaptasi secara langsung. Ia mengenali tata letak baru, memperbarui logikanya sendiri, dan menyelesaikan tugas. Ini menciptakan siklus tangguh di mana sistem melihat potensi kegagalan dan membangun solusi sebelum pengguna menyadari ada masalah. Pergeseran ini mengalihkan fokus kita di tingkat keberhasilan ke tingkat pemulihan.

Kita berhenti mencoba membuat AI sempurna, yang memang mustahil, dan kita mulai membuat sistem yang kokoh. Ini tentang membangun lapisan pemeriksaan dan keseimbangan ke dalam setiap transaksi. Anda harus memperlakukan AI seperti pekerja magang cepat yang mudah teralihkan perhatian. Anda membiarkan mereka melakukan tugas berat membaca ribuan email, tetapi jangan pernah biarkan mereka melanda tangan di cek tanpa auditor senior yang meverifikasi tanda tangannya. Dalam kasus ini, kode deterministik Anda adalah auditor tersebut. Dengan memisahkan pemikiran dari perhitungan, Anda membangun sistem yang menangani kekacauan bahasa manusia sambil tetap menjaga ketepatan jam tangan Swiss. Beginilah cara Anda memindahkan AI dari tahap pengujian ke inti bisnis Anda. Anda tidak mempercaya modelnya, Anda mempercaya arsitektur yang Anda bangun di sekitarnya. Anda menciptakan jaring pengaman yang begitu kuat, sehingga kesalahan sesekali dari model bahkan tidak dihitung sebagai erat.

Hal itu hanya menjadi bagian lain dari siklus koreksi mandiri. Ini terdengar hebat di laboratorium, tetapi dalam produksi hambatan terbesar bukanlah AI, melainkan realitas manusia dalam kendali. Ini terdengar hebat di laboratorium, tetapi dalam produksi hambatan terbesar bukanlah AI, melainkan manusia. Kita biasanya berbicara tentang otomatisasi seolah-olah itu adalah pilihan sederhana antara manusia atau mesin, tetapi pergeseran probabilitas memaksa kita ke jalan tengah yang rumit. Tolok ukur industri menunjukkan kebenaran yang cukup menyadarkan. Sekitar 50 persen alur kerja AI masih memerlukan ahli untuk meninjauannya sebelum selesai. Inilah alasan utama kita melihat krisis dari uji coba keproduksi. Jika Anda melihat angkanya, 8 persen Cicoba AI gagal dalam setahun. Mereka gagal bukan karena teknologinya rusak. Mereka gagal karena orang yang merancangnya mencoba mengotomatiskan 100 persen tugas terlalu cepat.

Mereka membangun sistem yang berfungsi pada data uji bersih, tetapi logikanya patah saat terkena gesekan departemen yang nyata. Ketika Anda mengabaikan elemen manusia, Anda menciptakan beban verifikasi. Jika AI Anda menghemat 10 menit entry data, tetapi menambah 50 menit untuk meniksa pekerjaan karena tim tidak mempercayainya, Anda sebenarnya kehilangan produktivitas. Anda telah membangun beban, bukan aset. Desain yang sukses di tahun 2020 akan memperlakukan pekerjaan verifikasi sebagai fitur utama. Mereka tidak melihat tinjauan manusia sebagai kegagal sistem. Sebaliknya, mereka melihatnya sebagai bagian yang diperlukan dari arsitek. Mereka memasukkan biaya tinjauan tersebut ke dalam laba atas investasi sejak hari pertama. Rahasia agar ini berhasil adalah logika tinjauan bertingkat. Beginilah cara Anda meningkatkan skala tanpa kehilangan akal sehat. Transaksi dengan tingkat kepercayaan tinggi terjadi sederim.

Jika model 98 persenakin dan perhitungannya tepat, sistem akan langsung memprosesnya. Namun, kasus dengan tingkat kepercayaan rendah seperti zona kuning yang kita bicarakan akan memicu eskalasi. Ini mengubah peran manusia sepenuhnya. Kita beralih dari entry data menuju audit data. Dalam model lama, manusia adalah mesinnya karena mereka melakukan semua pengetikan dan pengeklikan. Dalam model baru, manusia adalah pengendali. Mereka menangani pengecualian dan memberikan nuansa yang tidak dapat dipahami sepenuhnya oleh model probabilistik. Pikirkan bagaimana perasaan timakan hal ini. Ketika orang tahu mereka hanya perlu melihat 5 persen kasus yang benar-benar sulit, mereka tetap jauh lebih terlibat. Mereka tidak lagi bosan dengan rutinitas. Mereka tertantang oleh kompleksitas kasus yang sulit. Namun, Anda harus membangun antarmuka yang tepat agar ini berhasil. Anda tidak bisa hanya mengirim email yang mengatakan ada sesuatu yang salah.

Anda perlu menunjukkan perbandingan berdamping. Tunjukkan kepada orang tersebut dokumen sumbernya. Tunjukkan apa yang diekstrak AI dan sorot di kolom tepat di mana skor kepercayaan turun. Jika Anda ingin berkembang, Anda harus berhenti bersikap seolah tinjauan manusia berarti otomatisasi Anda lemah. Sebenarnya justru sebaliknya. Manusia yang terintegrasi dengan baik adalah apa yang membuat sistem probabilistik cukup kuat untuk bertahan di dunia nyata. Nah, ini adalah lapisan terakhir dari arsitektur koreksi mandiri Anda. Masa depan agen. Kita sedang melihat cakrawala baru yang disebut perusahaan agen. Ini adalah titik akhir logis untuk semua yang telah kita bahas hari ini. Kita bergerak ke dunia di mana agen bukan lagi sekadar skrip sederhana atau alur dasar karena mereka menjadi pekerja digital kelas 1. Power Platform berubah tepat di depan mata kita. Platform ini beralih dari pembuat aplikasi standar menjadi pusat orkestrasi penuh.

Dalam model lama, Anda membangun aplikasi khusus untuk menyelesaikan masalah tertentu. Namun, dalam model agen, Anda membangun lingkungan di mana agen yang menyelesaikan masalah tersebut untuk Anda. Agen-agen ini tidak hanya mengikuti daftar langkah yang statis. Mereka mengamati lingkungan, mengevaluasi tingkat kepercayaan diri mereka, dan memutuskan alat mana yang benar-benar tepat untuk digunakan selain itu. Pada tahun 2026, tata kelolakan sangat berbeda dari kondisi 2 tahun lalu. Alat seperti Purview dan Sentinel mulai beralih menuju deteksi anomali probabilistik. Mereka tidak lagi sekadar mencari kata stand yang bocor. Sebaliknya, mereka mencari pola perilaku yang terlihat tidak wajar. Mereka menerapkan logika kemiripan yang sama seperti pada ekstraksi data untuk keamanan seluruh tenan Anda. Pergeseran dimersifat, orang yang terpaku pada logika kaku jika maka akan terjebak mengelola sistem yang rusak dan tim yang frustrasi.

Mereka akan terperangkap dalam siklus pemeliharaan konstan sambil mencoba menambal rumah kaca yang tidak dirancang untuk cuaca seperti ini. Ini, perusahaan berbasis agen dimulai dengan satu kesadaran. Kita tidak perlu mengendalikan setiap variable untuk mendapatkan hasil yang andal. Kita hanya perlu mengendalikan asitektur. Tugas kita adalah menentukan ambang batas dan meletapkan batasan agar agen dapat bekerja di dalamnya. Di dunia ini, logika bisnis Anda menjadi elastis. Logika ini meluas untuk menangani vendor baru atau format dokumen berbeda tanpa perlu pengembang menulis ulang satu baris kodepun. Inilah janji nyata dari Logot. Ini adalah kemampuan untuk bergerak secepat pikiran bukan secepat sintaksis. Namun untuk mencapainya, Anda harus mulai hari ini. Berhentilah membangun untuk dunia yang sempurna dan mulailah membangun untuk dunia yang berantakan tempat kita hidup besar. Anda harus meranggul keraguan.

Tantangan Implementasi Berikut adalah tugas Anda untuk Saya ingin Anda menemukan alur kerja dengan tingkat kegagalan tinggi. Jangan pilih yang paling rumit, tetapi temukan yang paling sering rusak karena data yang buruk. Tujuannya bukan untuk memperbaiki data. Anda tidak bisa mengendalikan apa yang diputuskan oleh pengguna atau vendor Anda untuk dikirimkan kepada Anda. Alih-alih melawan kenyataan itu, saya ingin Anda menambahkan ambang batas kepercayaan. Masuk ke AI Builder atau aksi LM Anda dan tampilkan skor probabilitas tersebut. Buat kondisi sederhana. Jika skor kepercayaan di bawah 85%, jangan biarkan alur kerja terhenti. Arahkan kasus spesifik tersebut ke folder tinjauan atau daftar sharepoint untuk pemeriksaan manual. Lihat apa yang terjadi pada tingkat keberhasilan. Anda akan melihat beban sistem berkurang begitu Anda berhenti berpura-pura bahwa setiap input akan sempurna. Jika perubahan pola pikir ini mengubah pendekatan Anda, ikuti saya, merkopi tersedili.

Saya terus membagikan pembahasan mendalam mengenai pola-pola arsitektur ini. Bagikan ini dengan tim Anda, terutama jika alur kerja Anda sering bermasalah. Kita harus berhenti membangun dengan kaca dan mulai membangun dengan tujuan. Itulah tekniknya dan itu memangkas waktu henti Anda hingga setengahnya setelah Anda mulai mempraktekannya. Jika Anda menginginkan versi lanjutan yang digunakan para profesional, tonton video ini selanjutnya. Perlangganan untuk tutorial lainnya. Berhentilah melawan realitas data Anda yang berantakan dan mulailah merancang untuk itu. Saat Anda menggunakan skor kepercayaan, Anda mengubah alur yang rapuh menjadi sistem tangguh yang benar-benar berfungsi. Inilah masalahnya. Model ini hanya berfungsi jika Anda membangunnya dengan benar. Jika Anda ingin melihat cara mengatur ini di Copilot Studio, tonton video berikutnya sekarang juga. Dan jika ini mengubah cara Anda berpikir tentang AI, ikuti saya di LinkedIn atau berlangganan Master New Model.