Empat agen AI yang dikoordinasikan melalui sistem baru bernama AgentRadio berhasil menyelesaikan tugas pemahaman kode enterprise dengan akurasi hampir dua kali lipat dibandingkan empat agen yang bekerja terpisah. Hasil eksperimen ini bahkan mengungguli performa agen tunggal yang didukung model Claude Opus 4.8 yang lebih canggih, menegaskan bahwa arsitektur kolaborasi yang tepat mampu mengalahkan sekadar skala model dan komputasi mentah.
Penelitian yang dipublikasikan oleh tim dari Coral AI Labs bersama universitas-universitas mitra menguji sistem mereka pada benchmark SWE-Atlas QnA — rangkaian pertanyaan natural language berhorizon panjang yang harus dijawab dengan mengeksplorasi dan mengeksekusi kode di repositori produksi nyata. Sebuah instance Claude Code tunggal pada Opus 4.6 hanya menyelesaikan 32,3 persen tugas, sedangkan peningkatan ke Opus 4.8 menaikkan angka itu ke 57,2 persen. Namun ketika empat agen Claude Code dilengkapi AgentRadio, akurasi melonjak mendekati dua kali lipat dibandingkan empat agen yang beroperasi independen.
Latar belakang masalah ini terletak pada kompleksitas basis kode modern yang terus membengkok. Agen berbasis LLM semakin handal menangani tugas jangka panjang yang melibatkan banyak interaksi alat dan lingkungan, namun pemahaman basis kode merepresentasikan tantangan ekstrem. Agen harus membangun perangkat lunak, mengeksekusinya, melacak jalur eksekusi lintas berkas, dan mensintesis bukti dalam periode yang lama. Dalam kondisi ini, sistem agen tunggal biasanya gagal karena apa yang disebut peneliti sebagai "masalah cakupan".
Seperti yang diungkapkan Xinxing Ren, Caelum Forder, dan Peter Carroll — penulis bersama makalah AgentRadio — kepada VentureBeat, agen tunggal mengikuti satu jalur serial melalui repositori. Seiring konteks membesar, rencana awal menjadi sulit direvisi dan temuan akhir tidak selalu tersebar. Model biasanya mampu mengeksekusi langkah individu, tetapi bagian sulitnya adalah menjaga setiap kewajiban, ketergantungan, dan bukti kontradiktif tetap aktif sepanjang investigasi yang panjang.
Solusi alami adalah mendistribusikan beban kerja ke beberapa agen, masing-masing dengan konteks lebih kecil dan bersih. Pendekatan multi-agen memang memberikan peningkatan performa substansial ketika tugas dapat terurai dengan bersih — artinya bisa diselesaikan terpisah dan digabung di akhir. Namun pemahaman basis kode jarang bersifat terurai-bersih. Subtugas saling bergantung sangat tinggi. Berkas konfigurasi kritis atau bug yang ditemukan satu agen bisa menulis ulang atau mengarahkan ulang seluruh jalur eksplorasi agen lain. Karena ketergantungan ini, agen harus berkoordinasi, bernegosiasi, dan berbagi temuan menengah secara real-time.
Sayangnya, komunikasi asinkron multi-agen masih langka. Peneliti mengidentifikasi tiga pola cacat pada sistem multi-agen yang ada: paralel tapi terisolasi (agen beroperasi simultan tanpa komunikasi), paralel tapi sinkron-putaran (agen bisa berkomunikasi hanya di batas putaran ketat, memaksa berhenti dan menunggu), serta asinkronitas dalam bentuk berdekatan (fitur asinkron terbatas seperti pengiriman tugas top-down, tanpa saluran lateral peer-to-peer atau memori bersama yang memerlukan agen menghentikan kerja untuk membaca pembaruan).
Hambatan utama, menurut makalah ini, adalah bahwa "agen yang sedang bekerja tidak bisa juga mendengarkan". Belum ada sistem yang memberikan kesadaran pasif pada agen yang bekerja bersamaan melalui saluran bahasa alami lateral. AgentRadio dirancang untuk melarutkan saling-eksklusif ini. Ia menyematkan tiga primitif: create_thread untuk membuka percakapan, send_message untuk menambahkan pesan tanpa memblokir pengirim, dan wait_for_mention yang memblokir proses hingga pesan yang menyebut pemanggil tiba — mengirimkan pesan lengkap dengan snapshot semua thread agar agen langsung memiliki konteks penuh.
Trio ini menciptakan kondisi "kesadaran pasif" di mana agen melanjutkan tugas utama sambil meneruskan pesan dan memperbarui pengetahuan di latar belakang. Kode AgentRadio tersedia di GitHub di bawah lisensi Apache 2.0, dirancang ringan dan tidak memerlukan modifikasi langsung pada harness agen seperti Claude Code atau Codex.
Bagi praktisi AI di Indonesia, temuan ini membuka peluang signifikan. Ekosistem startup dan perusahaan teknologi lokal — dari Gojek, Tokopedia, hingga Traveloka — mengelola basis kode skala besar dengan tim engineering yang terbatas. Kemampuan mengotomatisasi pemahaman dan perbaikan kode legacy melalui tim agen yang berkolaborasi real-time dapat mempercepat siklus pengembangan dan mengurangi beban kognitif insinyur. Beberapa komunitas pengembang Indonesia sudah mulai bereksperimen dengan framework multi-agen seperti AutoGen dan CrewAI, namun AgentRadio menawarkan lapisan komunikasi yang lebih fundamental dan agnostik terhadap model.
Di sisi lain, tantangan adoptasi tetap ada. Kebutuhan akan infrastruktur GPU yang andal, latensi jaringan untuk koordinasi real-time, serta keamanan data kode properti menjadi pertimbangan kritis bagi perusahaan Indonesia yang mematuhi regulasi PDP. Kolaborasi antara akademisi lokal — seperti program riset AI di UI, ITB, dan Binus — dengan industri bisa mempercepat penyesuaian teknologi ini ke konteks basis kode dan regulasi domestik.
Ke depan, peneliti berharap AgentRadio menjadi fondasi untuk sistem multi-agen yang lebih canggih, termasuk integrasi dengan memory graph persisten dan perencanaan hierarkis. Jika paradigma "koordinasi mengalahkan skala" ini terbukti konsisten, industri mungkin bergeser dari balapan model terbesar menuju arsitektur tim agen yang efisien — tren yang layak dipantau dekat oleh CTO dan VP Engineering di seluruh Nusantara.