Tutorial: Otomatisasi Bisnis dengan AI Workflow

Bisnis kecil kehilangan banyak jam untuk pekerjaan berulang: menyalin data, membalas email rutin, merapikan spreadsheet. Di 2026, semua itu bisa diserahkan ke AI workflow — pipeline yang memicu langkah otomatis dan memakai AI untuk mengambil keputusan. Tutorial ini menunjukkan cara membangunnya dari nol.

Untuk siapa tutorial ini?

• Tingkat: Pemula (sebagian kode opsional — ada juga jalur tanpa koding)
• Perkiraan waktu: 40–60 menit
• Hasil akhir: satu alur kerja yang mengklasifikasi lead masuk dan mengirim notifikasi otomatis

Istilah: Lead = calon pelanggan yang menunjukkan minat (misalnya mengisi formulir). Workflow = rangkaian langkah otomatis yang berjalan berurutan.

Prasyarat

Pilih salah satu jalur sesuai kenyamananmu:

• Jalur tanpa koding: cukup akun n8n atau Zapier. Tidak perlu instal apa pun.
• Jalur dengan koding: butuh Node.js 18+, sebuah proyek Next.js, dan paket AI SDK. Cek Node.js dengan node -v di Terminal. Jika belum ada, instal dari nodejs.org.

Untuk jalur koding, instal paket yang dibutuhkan:

npm install ai zod

Istilah: ai adalah AI SDK open-source untuk memanggil model AI. zod dipakai untuk mendefinisikan bentuk data yang kita inginkan.

Konsep dasar: Trigger → Aksi → AI

Setiap workflow punya tiga bagian. Pahami ini dulu sebelum menyentuh kode:

1. Trigger — peristiwa pemicu (email masuk, baris baru di form, jadwal harian).
2. Aksi — apa yang dilakukan (kirim balasan, simpan ke database, kirim notifikasi).
3. AI step — bagian cerdas: merangkum, mengklasifikasi, atau menulis teks.

Langkah 1: Petakan proses manual dulu (wajib, tanpa kode)

Sebelum menyentuh tools, tulis prosesnya di kertas. Ini langkah terpenting dan sering dilewati pemula.

Contoh kasus yang kita pakai sepanjang tutorial:

"Setiap lead dari formulir harus diklasifikasi panas/hangat/dingin, lalu yang panas langsung dikirim ke channel Slack tim sales."

Langkah 2: Siapkan kunci API AI

Agar bisa memanggil AI, kamu butuh akses ke model. Siapkan variabel lingkungan berikut di proyek kamu:

1. Buat file bernama .env.local di folder utama proyek.

2. Isi dengan kunci yang kamu punya, contoh:

   AI_GATEWAY_API_KEY=isi_kunci_kamu_di_sini

3. Simpan. Jangan pernah membagikan isi file ini ke publik.

Istilah: Environment variable (variabel lingkungan) adalah tempat menyimpan rahasia seperti kunci API agar tidak tertulis langsung di dalam kode.

Langkah 3: Tambahkan AI step (inti tutorial)

Buat file lib/klasifikasi-lead.ts dan tempel kode berikut. Setiap bagian sudah diberi komentar.

// lib/klasifikasi-lead.ts
import { generateObject } from 'ai'
import { z } from 'zod'
 
// Bentuk data yang KITA inginkan dari AI:
const schema = z.object({
  kategori: z.enum(['panas', 'hangat', 'dingin']),
  alasan: z.string(),
})
 
export async function klasifikasiLead(lead: Record<string, unknown>) {
  const { object } = await generateObject({
    model: 'openai/gpt-5-mini', // model AI yang dipakai
    schema,                      // paksa hasil mengikuti bentuk di atas
    prompt: `Klasifikasikan lead ini menjadi panas/hangat/dingin
    beserta alasan singkat: ${JSON.stringify(lead)}`,
  })
 
  return object // contoh hasil: { kategori: 'panas', alasan: '...' }
}

Mengapa generateObject dan bukan teks biasa? Karena ia memaksa AI mengembalikan data terstruktur sesuai schema, jadi hasilnya bisa langsung dipakai logika berikutnya tanpa perlu "menebak-nebak" isi jawaban.

Langkah 4: Sambungkan ke aksi

Sekarang gunakan hasil klasifikasi untuk memutuskan tindakan. Contoh sederhana:

import { klasifikasiLead } from '@/lib/klasifikasi-lead'
 
export async function prosesLeadSederhana(lead: Record<string, unknown>) {
  const hasil = await klasifikasiLead(lead)
 
  if (hasil.kategori === 'panas') {
    await kirimKeSlack(lead, hasil.alasan) // fungsi notifikasi milikmu
  }
 
  return hasil
}

Yang harus kamu lihat: saat fungsi ini dijalankan dengan data lead, ia mengembalikan objek { kategori, alasan }, dan lead "panas" memicu notifikasi.

Langkah 5: Jadikan tahan banting (durable)

Workflow nyata harus selamat dari error dan restart. Pola durable workflow memberi langkah yang tahan banting — otomatis di-retry dan bisa melanjutkan dari titik gagal, bukan mengulang dari awal.

'use workflow'
import { klasifikasiLead } from '@/lib/klasifikasi-lead'
 
export async function prosesLead(lead: Record<string, unknown>) {
  // step() menandai langkah yang bisa di-retry sendiri
  const klasifikasi = await step('klasifikasi', () => klasifikasiLead(lead))
 
  if (klasifikasi.kategori === 'panas') {
    await step('notifikasi', () => kirimKeSlack(lead, klasifikasi.alasan))
  }
}

Bungkus tiap aksi penting dalam step() agar bisa di-retry tanpa mengulang langkah yang sudah berhasil.

Langkah 6: Pantau dan ukur

Catat berapa item yang diproses dan waktu yang dihemat. Angka ini penting kalau kamu menawarkan jasa "automation setup" ke klien — misalnya "menghemat 8 jam/minggu".

Ide alur kerja untuk dijual

• Auto-balas dan triage email customer support.
• Rangkuman harian penjualan dari spreadsheet ke chat tim.
• Ekstraksi data dari invoice PDF ke database.

Troubleshooting

• Error "API key not set" → pastikan file .env.local ada di folder utama dan kamu sudah me-restart npm run dev.
• Hasil AI tidak sesuai bentuk → periksa schema. Semakin jelas prompt dan schema, semakin konsisten hasilnya.
• 'use workflow' tidak dikenali → fitur ini butuh Workflow SDK terpasang; untuk awal, cukup pakai jalur Langkah 4 yang sederhana.

Mulai dari satu proses yang paling memakan waktu, otomatiskan, ukur hasilnya, lalu kembangkan. Untuk men-deploy workflow di server sendiri, ikuti Panduan Deploy.