Microsoft Copilot Studio: Panduan Membangun Agen AI untuk Perusahaan

Bulan lalu, saya menyaksikan seorang manajer support menghabiskan tiga jam memperbarui pustaka intent chatbot. Ada yang mulai bertanya "di mana barang saya?" alih-alih "status pesanan," dan bot terus mengatakan tidak mengerti.

Itu dunia lama chatbot perusahaan. Anda mengantisipasi pertanyaan, menulis respons, dan berharap pengguna mengikuti skenario. Nyatanya tidak pernah begitu.

Microsoft Copilot Studio menawarkan pendekatan berbeda. Anda menjelaskan apa yang ingin ditangani agen Anda, mengarahkannya ke dokumen dan sistem perusahaan Anda, lalu AI mencari cara untuk merespons. Anda tidak lagi perlu bergantung terutama pada pustaka intent besar yang dikelola manual atau decision tree rapuh untuk sebagian besar use case.

Beberapa bulan terakhir saya membangun agen di platform ini, dan terus terang? Kurva belajarnya mengejutkan. Bukan karena sulit. Justru karena lebih cepat dari perkiraan. Seseorang tanpa latar belakang coding bisa memiliki agen yang berfungsi untuk menjawab pertanyaan dari dokumen SharePoint dalam waktu sekitar satu jam.

Dalam tutorial ini, saya akan menunjukkan apa itu Copilot Studio, cara menavigasinya, dan cara membangun agen selangkah demi selangkah.

Jika Anda ingin pengenalan langsung ke ekosistem Copilot yang lebih luas, saya sarankan mengikuti kursus Introduction to Microsoft Copilot kami.

Apa itu Microsoft Copilot Studio?

Anda mungkin pernah mendengar tentang Power Virtual Agents. Microsoft mengubah namanya menjadi Copilot Studio, memperluas kemampuannya, dan kini menjadi pusat strategi pembangunan agen mereka. Platform ini terhubung ke Power Automate, Power Apps, Dataverse, dan pengalaman Microsoft 365 Copilot.

Berikut gagasan dasar cara kerja Microsoft Copilot Studio:

1. Anda memberi tahu sistem apa yang Anda ingin agen Anda lakukan. 
2. Arahkan ke sumber data Anda (situs SharePoint, dokumen yang diunggah, tabel Dataverse, sistem eksternal melalui konektor). 
3. Agen belajar menjawab pertanyaan menggunakan informasi tersebut.

Asisten HR yang memahami kebijakan benefit Anda? Bisa dibuat. Bagaimana dengan bot helpdesk TI yang memecahkan masalah umum sebelum melakukan eskalasi? Itu juga bisa. Agen layanan pelanggan yang menarik informasi pesanan dari Salesforce? Tentu.

Pertanyaan alami berikutnya: Mengapa ini berbeda dari chatbot yang membuat semua orang frustrasi lima tahun lalu?

Sistem lama mengharuskan Anda memprediksi setiap kemungkinan pertanyaan. Menulis intent spesifik untuk masing-masing. Jika melewatkan satu frasa, bot akan kembali ke "Saya tidak mengerti." 

Copilot Studio menggunakan AI generatif untuk menalar tentang apa yang mungkin diinginkan pengguna. LLM menghasilkan respons yang didasarkan pada sumber pengetahuan perusahaan Anda alih-alih mengambil jawaban yang sudah ditulis sebelumnya.

Platform ini terhubung ke ekosistem Microsoft:

• Microsoft 365 Copilot: Agen dapat memperluas pengalaman Copilot dasar dengan keterampilan kustom dan data perusahaan.
• Power Platform: Konektor, flow, dan Dataverse terintegrasi langsung
• Azure AI: Bawa model Anda sendiri dari Azure AI Foundry atau gunakan Azure AI Search untuk skenario RAG kustom
• Microsoft Graph: Akses data organisasi dengan izin yang semestinya

Akses dan Harga Microsoft Copilot Studio

Sebelum membangun apa pun, Anda memerlukan akses. Microsoft menawarkan beberapa jalur tergantung situasi Anda.

Uji coba gratis

Jika Anda memiliki akun kerja atau sekolah, buka halaman Copilot Studio dan daftar dengan akun tersebut. Saat ini uji coba menyediakan sejumlah Copilot Credits terbatas untuk bereksperimen, yang umumnya cukup untuk membangun agen dan menjalankan pengujian, namun jumlah dan ketentuannya dapat berubah seiring waktu dan per tenant.

Jika Anda hanya memiliki akun Microsoft pribadi, akses Copilot Studio bisa agak terkunci karena uji coba dirancang untuk identitas kerja/sekolah. Solusi praktisnya adalah membuat tenant “sandbox” sementara dengan uji coba Microsoft 365 Business Standard.

• Buka halaman Microsoft 365 Business Standard.
• Klik Try for free.
• Mulai dengan email pribadi Anda, lalu saat penyiapan, buat domain baru.
• Ini akan menghasilkan ID admin kerja/sekolah baru untuk tenant tersebut.

Gunakan email admin baru itu untuk masuk di halaman Copilot Studio dan aktifkan uji coba Copilot Studio.

Paket berbayar

Harga standar adalah $200/bulan untuk 25.000 Copilot Credits, meskipun harga regional dan diskon dapat berlaku. Kredit tersebut akan terpakai berdasarkan apa yang dilakukan agen Anda:

• Menjawab pertanyaan menghabiskan kredit
• Memanggil sistem eksternal menggunakan kredit
• Flow multi-langkah yang kompleks menggunakan lebih banyak kredit daripada tanya jawab sederhana

Jika Anda memerlukan volume lebih besar atau penggunaan yang lebih fleksibel, Anda dapat mengaktifkan penagihan Azure pay-as-you-go untuk Copilot Credits, yang menagih per kredit yang digunakan dan menghindari komitmen kapasitas paket tetap tambahan. Ini pilihan bagus untuk beban kerja tak terduga atau lonjakan musiman.

Tingkat akses

Jenis akun yang berbeda mendapatkan kapabilitas berbeda:

Satu hal yang perlu dicatat: jika organisasi Anda sudah memiliki lisensi Power Platform, Anda mungkin sudah mendapatkan akses Copilot Studio secara bundling. Periksa dengan admin TI Anda sebelum membeli terpisah.

Apa itu Agen LLM?

Kata "agen" kini sering digunakan, dan orang mengartikannya berbeda-beda tergantung konteks. Perlu diluruskan sebelum kita lanjut.

Agen melampaui sekadar menjawab pertanyaan. Agen dapat merencanakan langkah, menalar masalah, dan mengambil tindakan. Agen terdiri dari otak model bahasa besar (LLM), memori, alat eksternal yang dapat dipanggil, dan kemampuan perencanaan.

Ketika seseorang bertanya, "Bagaimana status pengiriman untuk tiga pesanan terakhir saya?" agen harus mencari tahu: 

1. Siapa pengguna ini? 
2. Pesanan apa yang baru-baru ini mereka lakukan? 
3. Saring menjadi tiga terakhir.
4. Periksa status pengiriman masing-masing.
5. Format menjadi respons. 

Itu memerlukan perencanaan. Pertanyaan kompleks diuraikan. Agen mengidentifikasi sub-tugas, mengurutkannya, dan mengeksekusi tiap langkah. Tanpa perencanaan, Anda hanya mendapatkan tanya jawab satu putaran.

Berikut perbedaan agen dari chatbot tradisional:

Model bahasa memroses permintaan pengguna, menentukan informasi atau tindakan yang dibutuhkan, memutuskan alat mana yang harus dipanggil, dan menyintesis respons. Namun agen menggabungkan beberapa komponen yang bekerja bersama.

Agen melacak konteks selama percakapan. Memori jangka pendek menyimpan apa yang telah dibahas dalam sesi saat ini. Beberapa implementasi mendukung memori jangka panjang untuk preferensi pengguna lintas sesi. Tanpa memori, setiap pesan akan dimulai dari awal.

Di sinilah agen menjadi benar-benar berguna. Alat memungkinkan mereka berinteraksi dengan sistem eksternal. Di Copilot Studio, alat mencakup 

• Konektor Power Platform dengan ratusan API
• Power Automate flow untuk otomasi multi-langkah yang kompleks)
• Endpoint HTTP kustom
• Server Model Context Protocol (MCP)

Agen tanpa alat pada dasarnya hanyalah antarmuka pencarian yang canggih.

Untuk pembahasan lebih dalam tentang cara kerja agen LLM secara konseptual, lihat kursus Introduction to AI Agents kami.

Menavigasi Microsoft Copilot Studio

Copilot Studio mengatur semuanya ke dalam empat tahap: Create, Customize, Deploy, dan Manage. Saya akan jelaskan tiap tahap beserta contoh spesifik apa yang akan Anda lihat dan lakukan.

Create: Membangun agen pertama Anda

Saat Anda masuk ke Copilot Studio, ada dua jalur untuk membuat agen.

1. Pendekatan percakapan: Jelaskan yang Anda inginkan dengan bahasa biasa. Ketik sesuatu seperti "Saya ingin agen yang membantu karyawan menemukan informasi tentang kebijakan benefit kami," dan sistem akan menghasilkan struktur awal untuk Anda.
2. Pendekatan konfigurasi: Lebih hands-on. Anda menetapkan nama, deskripsi, instruksi, dan sumber pengetahuan langsung dari awal.

Bagaimanapun, Anda akan berakhir di kanvas desain. Antarmuka grafis menampilkan alur percakapan sebagai node yang terhubung. Pemicu mengarah ke pertanyaan. Kondisi bercabang berdasarkan input pengguna. Pesan menyampaikan respons. Aksi memanggil sistem eksternal.

Langkah 1: Mulai agen baru

1. Dari beranda, klik Create di navigasi kiri.
2. Pilih "Describe your agent" atau "Configure manually."
3. Berikan nama dan deskripsi untuk agen Anda.

Langkah 2: Atur konfigurasi

Sekarang mari kita ilustrasikan cara membuat asisten HR sederhana, dengan mendefinisikan nama, deskripsi, dan instruksi utamanya, serta LLM yang harus digunakan—ini adalah bidang pertama yang perlu dikonfigurasi di agen kita.

Kita akan memberinya deskripsi berikut:

You are an HR assistant for Contoso. You help employees find information about benefits, PTO, policies, and company procedures. Keep responses clear and practical, and ask a quick follow-up question only when needed. If you're not sure or the request involves a sensitive/employee-specific case, say so and suggest contacting HR directly at hr@contoso.com

Tentu saja, agen kita memerlukan seperangkat instruksi:

Role: Act as Contoso's HR assistant for employees. Provide accurate, easy-to-follow answers about benefits, PTO, leave, payroll-related HR topics (high level), workplace policies, and internal procedures.
Tone: Friendly, professional, concise. Use plain language. Avoid legalese and long lectures.

How to respond:
Start with the direct answer (1-3 sentences), then add steps, links/where to find it, or bullets if helpful.
If a policy depends on location, union status, job level, or country, ask one targeted question (e.g., "Which country are you employed in?").
When explaining a process, include the exact "what to do next" (who to contact, what form/system, what information to include).

Boundaries & escalation:
If you don't know, say you don't know. Do not guess or invent policy details.
For employee-specific requests (eligibility decisions, disciplinary issues, compensation changes, accommodations, grievances, investigations), redirect to HR: hr@contoso.com
For emergencies or immediate safety concerns, advise contacting local emergency services and then notifying HR.

Privacy & confidentiality:
Don't request unnecessary personal data. If identity verification is required, direct the employee to the official HR channel/system.
Don't provide guidance that would help someone bypass internal controls (e.g., "how to access someone else's PTO balance").

Consistency:
Use Contoso terminology (PTO, leave of absence, employee handbook, HR portal, manager approval).
Prefer current policy sources if available; if sources conflict, flag it and route to HR.

Setelah mengisi bidang terkait, Anda akan memiliki hasil seperti berikut:

Jika Anda menggulir ke bawah, Anda akan menemukan bagian Suggested prompts. Di sana, Anda dapat menambahkan judul singkat dan teks prompt persis yang akan dikirim pengguna. Anggap ini sebagai contoh awal dari permintaan paling umum yang akan digunakan orang dengan agen.

Suggested prompts dapat terlihat seperti ini:

Title: Request PTO
Prompt: How do I request PTO in Contoso, and what are the approval steps?

Title: PTO vs Sick vs Leave of Absence
Prompt: What's the difference between PTO, sick leave, and a leave of absence at Contoso?

Title: Find the Employee Handbook
Prompt: Where can I find Contoso's employee handbook, code of conduct, and key HR policies?

Langkah 3: Uji agen

Panel pengujian berada di sisi kanan kanvas. Ajukan pertanyaan, lihat bagaimana agen merespons, perbarui instruksi Anda, ulangi. Setiap perubahan dapat diuji langsung.

Fitur yang berguna adalah search sources, yang menunjukkan dari mana model mengambil informasi untuk setiap jawaban. Saat ini, kita baru mengisi hal-hal dasar, jadi respons sepenuhnya mengandalkan pengetahuan umum model, bukan dokumen atau sistem yang Anda hubungkan. Anda juga dapat melihat penalaran yang digunakan model untuk jawabannya.

Triggers dan topik

Trigger menentukan bagaimana percakapan dimulai. Pengguna mungkin mengetik "Saya butuh bantuan TI," atau percakapan mungkin dimulai dari peristiwa sistem (unggahan file, pesan Teams di saluran tertentu, semacam itu).

Topik adalah blok bangunan perilaku agen. Anda dapat membuat topik secara manual dengan trigger dan alur tertentu, atau membiarkan AI mengorkestrasi secara dinamis.

Copilot Studio mendukung dua mode orkestrasi:

• Classic orchestration: Topik dijalankan berdasarkan pencocokan frasa trigger. Lebih dapat diprediksi dan lebih mudah di-debug. Namun Anda harus mengantisipasi cara pengguna merangkai kalimat.
• Generative orchestration (default untuk agen baru): AI secara dinamis memilih topik, alat, dan sumber pengetahuan berdasarkan konteks percakapan. Lebih fleksibel. Lebih baik menangani pertanyaan tak terduga.

Untuk skenario kepatuhan di mana langkah harus presisi (reset kata sandi, verifikasi keamanan), Anda mungkin ingin topik klasik dengan alur terdefinisi. Untuk tanya jawab umum atau tugas eksploratif, orkestrasi generatif lebih baik menangani ambiguitas.

Customize: Sumber pengetahuan dan aksi

Setelah membangun agen sederhana, mari kita beri pengetahuan dan alat.

Retrieval-augmented generation (RAG)

Secara default, agen hanya dapat mengandalkan pengetahuan umum bawaan model bahasa. Agar benar-benar berguna di dalam organisasi Anda, Anda perlu menghubungkannya ke sumber data Anda sendiri. Klik Knowledge di bilah navigasi atas, dan panel seperti di bawah akan terbuka:

Retrieval Augmented Generation (RAG) adalah istilah teknisnya. Alih-alih hanya mengandalkan data pelatihan, agen mengambil informasi relevan dari sumber Anda dan menggunakannya untuk menghasilkan respons yang berbasis bukti.

Cara termudah menambahkan pengetahuan adalah mengunggah file teks (PDF, CSV, dll.). Anda dapat drag and drop dokumen dari komputer, dan Copilot Studio akan mengindeksnya sebagai sumber konteks yang dapat dirujuk agen saat menjawab.

Setelah mengunggah PDF, jika kita menjalankan ulang pengujian yang sama seperti sebelumnya, jawaban model kini menyertakan PDF yang dirujuk di search sources, seperti terlihat pada tampilan search sources:

SharePoint biasanya kemenangan tercepat karena di sanalah sebagian besar organisasi menyimpan materi “sumber kebenaran”: kebijakan HR, prosedur internal, template, dokumen onboarding, dan FAQ. Dengan menghubungkan situs SharePoint, Anda memberi tahu agen ke mana harus mencari saat membutuhkan jawaban otoritatif, alih-alih mengandalkan pengetahuan umum model. 

Untuk menambahkan situs SharePoint baru, cukup klik lagi Add knowledge

1. Pilih SharePoint.
2. Masukkan URL situs.
3. Pilih pustaka dokumen atau folder tertentu.

Selain semua sumber yang disebutkan, Copilot Studio mendukung beberapa jenis sumber pengetahuan lain:

• Situs web publik: URL yang dapat dicari agen (memerlukan verifikasi kepemilikan)
• Tabel Dataverse: Query data Power Platform secara langsung
• Konektor Power Platform: Akses Salesforce, ServiceNow, Zendesk, SAP, dan ratusan sistem lainnya
• Azure AI Search: Bawa indeks vektor Anda sendiri untuk skenario RAG kustom

Saat pengguna mengajukan pertanyaan, agen mencari di seluruh sumber pengetahuan yang dikonfigurasi, mengambil potongan yang relevan, dan menggunakannya sebagai konteks untuk menghasilkan jawaban. Agen secara otomatis menambahkan sitasi agar pengguna dapat melihat dokumen asal jawabannya.

Catatan praktis: kualitas pengetahuan sangat penting. Jika situs SharePoint Anda memiliki kebijakan usang dan informasi yang saling bertentangan, agen Anda akan mengambil dan menyajikan kekacauan itu. RAG memperkuat apa pun yang ada di sumber data Anda, baik atau buruk. Rapikan basis pengetahuan Anda sebelum menghubungkannya.

Untuk inspirasi lebih lanjut tentang penggunaan RAG dengan berbagai jenis berkas, lihat tutorial kami tentang Multimodal RAG.

Menambahkan alat

Sumber pengetahuan memungkinkan agen mengambil informasi. Alat memungkinkan agen benar-benar melakukan sesuatu—ini perbedaan besar.

Dengan alat, agen Anda dapat:

• Membuat tiket di Jira saat seseorang melaporkan masalah
• Mencari data pelanggan di Salesforce
• Mengirim notifikasi email
• Memperbarui record Dataverse
• Memicu Power Automate flow yang melakukan sesuatu yang kompleks

Untuk menambahkan alat baru, Anda dapat dengan mudah mengikuti langkah-langkah ini:

Langkah 1: Tambahkan konektor bawaan

1. Buka Tools di pengaturan agen Anda.
2. Klik Add tool.
3. Jelajahi atau cari pustaka konektor (lebih dari 1.400 tersedia).
4. Pilih konektor dan lakukan autentikasi.

Langkah 2: Buat Power Automate flow

Untuk logika multi-langkah (mencari data di satu sistem, mentransformasikannya, memperbarui sistem lain, mengirim notifikasi), bangun flow di Power Automate dan panggil dari agen Anda.

1. Di panel Actions, klik Add tool > Power Automate.
2. Buat flow baru atau pilih yang sudah ada.
3. Tentukan parameter input yang akan diteruskan agen ke flow.
4. Tentukan output yang akan dikembalikan flow.

Langkah 3: Uji aksi

Kembali ke panel uji, ajukan pertanyaan yang seharusnya memicu aksi. Verifikasi bahwa aksi berjalan benar dan mengembalikan hasil yang diharapkan.

Deploy: Menerbitkan ke kanal

Setelah agen Anda berfungsi dalam pengujian, terbitkan agar pengguna dapat mengaksesnya.

Langkah 1: Terbitkan agen Anda

Klik Publish di kanan atas, lalu pilih Publish lagi pada pesan konfirmasi Publish this agent. Jika operasi berhasil, Anda akan melihat banner hijau di bagian atas halaman.

Ini membuat versi baru. Jika Anda mengedit agen nanti tetapi tidak menerbitkannya kembali, pengguna akan terus berinteraksi dengan versi lama.

Langkah 2: Konfigurasi kanal

Buka Channels di pengaturan. Copilot Studio mendukung penerapan satu klik ke banyak kanal secara bersamaan.

Microsoft Teams (paling umum untuk agen internal):

1. Klik Microsoft Teams
2. Alihkan toggle untuk mengaktifkan
3. Pilih apakah akan menambahkan sebagai aplikasi personal, saluran tim, atau keduanya
4. Ajukan untuk persetujuan admin jika disyaratkan oleh organisasi Anda

Pengguna kemudian dapat mengobrol dengan agen langsung di Teams. Single sign-on berfungsi otomatis karena pengguna sudah terautentikasi.

Situs web kustom:

1. Klik Custom website
2. Salin kode embed (cuplikan HTML)
3. Tambahkan ke HTML situs Anda

Ini cocok untuk skenario yang berhadapan dengan pelanggan di mana Anda menginginkan dukungan swalayana.

Kanal tambahan mencakup Microsoft 365 Copilot Chat dan permukaan Microsoft 365 lainnya, SharePoint, Power Pages, aplikasi kustom melalui Direct Line API, dan kanal pihak ketiga seperti Facebook Messenger atau Slack.

Perilaku autentikasi berbeda tergantung kanal. Pengguna Teams terautentikasi otomatis. Pengunjung web mungkin anonim, terautentikasi melalui penyedia identitas Anda, atau diminta masuk saat mengakses sumber daya yang dilindungi.

Beberapa tips penerapan:

• Uji di setiap kanal yang Anda rencanakan untuk digunakan. Pengalamannya sedikit bervariasi.
• Situs demo berguna untuk peninjauan stakeholder sebelum peluncuran lebih luas.
• Jangan lupa menerbitkan setelah perubahan penting. Edit yang belum dipublikasikan tidak sampai ke pengguna.

Manage: Analitik dan tata kelola

Menerapkan agen adalah awalnya saja. Copilot Studio menyediakan alat untuk memantau kinerja dan mengidentifikasi celah.

Analitik kinerja

Beberapa metrik yang sangat penting diukur: 

1. Resolution rate: Apakah pengguna mendapatkan jawaban atas pertanyaan mereka?
2. Skor CSAT: Seberapa puas pengguna dengan interaksi tersebut?
3. Abandon rate: Di mana pengguna menyerah?
4. Deflection: Berapa banyak tiket atau panggilan support yang dicegah agen?

Dasbor menampilkan topik mana yang bekerja baik dan mana yang bermasalah. Tingkat pengabaian tinggi pada topik tertentu? Itu sinyal untuk menyelidiki. Mungkin sumber pengetahuannya kurang informasi. Mungkin instruksinya perlu disempurnakan.

Analitik sumber pengetahuan

Lihat sumber mana yang digunakan dan seberapa sering. Dokumen yang tidak pernah diambil mungkin diindeks dengan buruk atau tidak relevan. Query yang terus gagal menemukan konten relevan memerlukan perhatian.

Transkrip percakapan

Tinjau interaksi nyata. Pengguna sungguhan mengajukan pertanyaan dengan cara yang tidak Anda antisipasi. Membaca transkrip mengungkap celah tersebut.

Kontrol tata kelola

Untuk organisasi yang menerapkan Copilot Studio dalam skala besar:

• Manajemen environment: Pisahkan environment dev, test, dan production.
• Kontrol akses: Siapa yang dapat mengedit agen, siapa yang dapat menerbitkan, siapa yang dapat melihat analitik.
• Data loss prevention (DLP): Kebijakan yang mencegah data sensitif mengalir ke konektor yang tidak sah.
• Kepatuhan: Integrasi dengan Microsoft Purview untuk audit dan tata kelola data.

Power Platform admin center menangani sebagian besar tata kelola. Jika Anda bertanggung jawab atas penerapan Copilot Studio di seluruh organisasi, itulah markas Anda.