Claude Tag Jadi Agen Analitik Data di Slack, dan Ini 5 Praktik Terbaiknya

Bayangkan setiap orang di kantor Anda bisa bertanya soal data, tanpa harus tahu SQL. Yang mengganggu bukanlah modelnya, melainkan keputusan desain di sekitarnya: data apa yang boleh dipegang, bagaimana caranya tetap akurat, dan kapan ia sebaiknya diam. Pertanyaan terakhir ini paling sulit.

Anthropic membeberkan cara mereka memakai Claude Tag sebagai agen analitik data di Slack. Ini bukan sekadar chatbot yang menjawab pertanyaan, melainkan agen yang membaca seluruh konteks channel, memutuskan sendiri kapan harus turun tangan, dan berintegrasi dengan warehouse data mereka. Meta pesannya jelas: deploy agen data yang benar jauh lebih banyak tentang arsitektur dan kebijakan daripada soal akurasi model.

Dari Satu Pesan ke Seluruh Channel

Sebelumnya Claude hanya melihat satu pesan pada satu waktu saat memutuskan apakah ia perlu merespons. Ia membuat keputusan berdasarkan apa yang ada di depannya, tanpa konteks di sekitarnya. Sekarang ia memakai konteks dari seluruh channel, plus memori dan instruksi yang Anda berikan, untuk menentukan kapan ia berkontribusi.

Hasilnya, Claude sekitar 30% lebih baik dalam memutuskan kapan harus merespons dan kapan tidak. Bedanya terlihat saat dua orang mengejar bug yang sama dari arah berbeda: satu punya teori, yang lain punya bukti. Dibaca terpisah, tidak ada yang meminta bantuan. Dibaca bersamaan, ada pekerjaan yang jelas menunggu. Claude kini bisa menangkap pola semacam ini dan mulai menyelidiki tanpa di-mention.

Konteks tambahan ini tidak menambah biaya. Walaupun memegang lebih banyak konteks menaikkan pemakaian Claude Tag, konteks ekstra itu tidak dihitung ke batas usage atau pengeluaran pada semua paket. Claude kini bisa memilih salah satu dari empat langkah: menjawab langsung, memulai pekerjaan lebih dalam di thread, meneruskan ke pekerjaan yang sudah berjalan, atau diam saja.

Agen Analitik Lebih dari Sekadar Tahu Database

Dari sisi data, bagian paling menarik justru di luar model. Pendekatan awal Anthropic adalah membuat knowledge skill, yang mengajarkan Claude tabel mana yang dipakai dan bagaimana layer semantik disusun. Ternyata itu menghasilkan angka yang benar, tapi berhenti di situ, belum menjadi insight yang berguna.

Kebanyakan pertanyaan data bersifat terbuka: apa yang mendorong penurunan ini, atau bisakah Anda perkirakan posisi akhir bulan. Menjawabnya butuh tahu tidak hanya di mana datanya, tapi bagaimana seorang analis bekerja dengan data. Karena itu selain knowledge skill, mereka memasang skill analitik tambahan, termasuk forecasting, cohort dan retention analysis, funnel analysis, charting, dan analytical writing.

Skill file hanyalah markdown di disk, dan Claude Tag membaca ulang setiap percakapan. Ini arsitektur yang ingin ditekankan Anthropic: perlakukan skill sebagai served content yang diperbarui terus, bukan sesuatu yang dikirim sekali lalu dilupakan. Data model bisa berubah beberapa kali sehari, kolom berganti nama, definisi metrik dikoreksi. Jika Claude membaca salinan skill dari minggu lalu, ia memberi jawaban minggu lalu yang salah dengan penuh percaya diri.

Lalu mereka menyambungkan Claude ke internal knowledge index. Jawaban atas pertanyaan seperti kenapa sign-up turun sering tidak ada di data model, melainkan tersebar di thread Slack, incident tracker, release notes, dan dokumen. Saat agen melihat metrik bergerak, ia bisa mencari konteks yang terjadi bersamaan: ada insiden payment-service pagi itu, atau fitur flag yang baru dibalik.

Lima Praktik Terbaik yang Bisa Ditiru

Dari pengalaman ini, Anthropic menyimpulkan lima praktik deploy agen analitik yang bisa diterapkan tim lain. Urutan ini penting dan sebagian sulit diulur ke belakang.

• Permissions first. Putuskan apa yang boleh dibaca service account sebelum menulis satu baris kode agen. Lebih mudah melebarkan akses nanti daripada menariknya kembali.
• Distribution second. Pilih mounted-repo atau skills, dan verifikasi freshness end to end: ubah satu file skill, pastikan Claude menangkapnya dalam SLA Anda.
• Telemetry dari hari pertama. Anda tidak akan bisa menginstrumentasi ulang percakapan berbulan lalu. Catat structured event sejak pertanyaan pertama.
• Knowledge index saat bisa. Warehouse menjawab apa; dokumen internal dan incident feed menjawab mengapa. Sambungkan keduanya begitu jalur data stabil.
• Analytics skills terakhir. Buat dulu data-access skill, lalu biarkan pertanyaan nyata menunjukkan skill analitik mana yang benar-benar dibutuhkan.

Permission dan Observability Jadi Penentu

Claude Tag mengakses warehouse sebagai service account, bukan sebagai manusia yang bertanya. Ini desain yang benar, karena Anda tidak ingin setiap pengguna Slack punya kredensial database langsung. Konsekuensinya, siapa pun yang bisa menyebut bot memiliki akses data yang sama dengan bot. Tidak ada keamanan per-baris.

Anthropic menanganinya dengan membatasi service account hanya ke data yang dikelola. Ia tidak bisa membaca event stream mentah, staging schema, atau sandbox pribadi. PII diklasifikasi per kolom, dan service account tidak punya clearance atasnya, jadi kolom sensitif tidak terlihat oleh agen. Setiap channel tempat Claude ditambahkan diperlakukan sebagai pemberian akses, dan tim data yang memegang daftar channel.

Setiap query juga diberi label yang mencatat surface, percakapan, dan pengguna yang bertanya. Ini tidak menegakkan apa pun saat query berjalan, tapi menyediakan cost attribution dan audit trail. Mereka juga mencatat structured event untuk setiap pertanyaan: skill file mana yang dimuat dan versinya, apakah pengguna memberi reaksi, dan peringatan kualitas data yang terbuka. Dua tampilan keluar dari telemetri ini: adoption dan correctness.

Pola ini penting bagi siapa pun yang membangun agen data: deploy agen analitik bukan soal prompt yang lebih pintar, melainkan layer semantik, permission yang ketat, dan observability. Di satu channel data mereka, selama sebulan terakhir Claude Tag menjawab lebih dari 75% pertanyaan yang masuk, biasanya dalam satu atau dua menit, bahkan tanpa dipanggil.

Status: Rilis, sudah tersedia untuk pelanggan Claude Teams dan Enterprise.

Referensi