Tentang Sesi Ini
Ringkasan & metadata
Sesi ini menghadirkan "Bella" — asisten agentic AI internal yang dibangun Telkomsel, operator telekomunikasi terbesar di Indonesia, untuk membantu tim engineering-nya membangun perangkat lunak sesuai best practice. Bella bukan sekadar chatbot yang menjawab pertanyaan; ia adalah agen yang memahami standar dan konteks perusahaan, lalu bertindak untuk membantu proses pengembangan — mulai dari menjawab "bagaimana standar kami untuk hal X?", meninjau kode terhadap pedoman, hingga menyarankan pola arsitektur yang sudah disetujui.
Pertanyaan yang dijawab sesi ini bukan "model mana yang paling pintar", melainkan: "bagaimana menjaga kualitas dan konsistensi rekayasa ketika sebuah organisasi punya ratusan engineer, puluhan tim, dan standar yang tersebar di banyak dokumen?" Bella adalah jawaban Telkomsel atas pertanyaan itu — sebuah agen yang menyerap pengetahuan internal perusahaan dan menjadikannya bantuan yang selalu tersedia bagi setiap engineer.
Kenapa penting untuk Anda? Jika organisasi Anda kesulitan menjaga standar tetap seragam ketika tim bertumbuh cepat — onboarding lama, kualitas naik-turun, pengetahuan menumpuk di segelintir senior — sesi ini menunjukkan pola konkret untuk mengubah standar menjadi asisten yang hidup.
Telkomsel adalah operator seluler terbesar di Indonesia. Per akhir September 2025 ia melayani sekitar 157,6 juta pelanggan (pangsa pasar ~45,7%), didukung lebih dari 271.000 base transceiver station yang menjalankan jaringan 2G hingga 5G — skala yang menjelaskan mengapa menjaga konsistensi rekayasa lintas ratusan engineer menjadi tantangan nyata. Telkomsel adalah pengguna aktif AWS: contoh yang sudah dipublikasikan adalah CELYNA, sistem analisis insiden berbasis Amazon Bedrock dan model Amazon Nova Pro yang memangkas identifikasi akar masalah dari lebih dari 1 jam menjadi 1 menit atau kurang (hingga 83% resolusi lebih cepat). "Bella" dipresentasikan pada sesi MAM204 AWS Summit Jakarta 2026, namun detail internalnya belum dipublikasikan luas di kanal publik AWS/Telkomsel per penulisan ini.
Sumber: AWS — "Telkomsel Case Study" (aws.amazon.com/solutions/case-studies/telkomsel-case-study); data pelanggan & pangsa pasar Semester I / September 2025 (Selular.ID, Databoks Katadata). Angka bersifat perkiraan pada tanggal tersebut. Detail "Bella" di luar yang dipublikasikan bersifat ilustratif.
Masalahnya & Bagaimana Bella Bekerja
Masalah best practice di skala besar
Di organisasi engineering besar seperti Telkomsel, menjaga best practice adalah tantangan nyata. Ada banyak tim dan repositori yang bergerak paralel. Standar arsitektur, konvensi coding, dan aturan keamanan tersebar di banyak dokumen — wiki, PDF, halaman Confluence, pesan chat lama — sehingga sulit ditemukan saat dibutuhkan. Engineer baru butuh waktu lama untuk onboarding karena harus mempelajari konteks yang tidak tertulis rapi. Akibatnya, kualitas jadi tak konsisten: keputusan yang benar di satu tim bisa terlupakan di tim lain, dan pengetahuan kritis menumpuk di kepala segelintir senior yang selalu sibuk.
Inilah celah yang diisi Bella. Alih-alih berharap setiap engineer membaca semua dokumen, standar itu diubah menjadi agen yang bisa ditanya dan bertindak.
Apa itu Bella — dan bagaimana ia bekerja
Bella adalah agen berbasis model bahasa besar (LLM) yang berjalan di atas layanan AWS — inti nalar dan orkestrasinya memanfaatkan Amazon Bedrock beserta AgentCore, dan dapat dipadukan dengan Amazon Q Developer untuk konteks pengembangan. Kunci kecerdasannya bukan sekadar model, melainkan basis pengetahuan (knowledge base): Bella menyerap dokumentasi dan standar internal Telkomsel — pedoman arsitektur, konvensi kode, kebijakan keamanan, catatan keputusan — lalu menggunakannya lewat pola RAG (Retrieval-Augmented Generation). Artinya, setiap jawaban Bella berpijak pada dokumen resmi perusahaan, bukan tebakan umum.
Dengan fondasi itu, sebagai agen Bella bisa: menjawab pertanyaan seperti "bagaimana standar kami untuk penamaan API?"; meninjau kode terhadap pedoman internal dan menandai penyimpangan; menyarankan pola dan arsitektur yang sudah disetujui perusahaan; serta membantu review dan mempercepat onboarding engineer baru. Bedanya dengan chatbot biasa: Bella memahami konteks lalu mengambil langkah — memanggil alat, membaca repositori, memeriksa dokumen — bukan hanya membalas teks.
Layanan pendukung Bella
Berikut layanan dan kapabilitas yang menopang Bella, dengan fungsi ringkasnya:
Ketujuh elemen ini berpadu. Misalnya, saat seorang engineer membuka pull request, Bella dapat berjalan di AgentCore, memakai RAG untuk menarik pedoman coding yang relevan, dibantu Amazon Q Developer memahami perubahan kode, dengan Identity memastikan ia hanya mengakses repositori yang berhak, lalu menautkan komentarnya ke pipeline CI/CD — sementara Observability menyimpan jejak agar tiap saran bisa ditelusuri.
Analogi yang Mudah Dicerna
Ibarat mentor senior yang siaga 24/7
Ibaratnya, Bella adalah mentor senior yang selalu siaga 24 jam. Bayangkan setiap engineer — terutama yang baru atau masih junior — punya seorang rekan senior yang hafal seluruh standar dan sejarah keputusan perusahaan: kenapa arsitektur A dipilih, aturan keamanan mana yang wajib, pola mana yang sudah pernah gagal. Rekan senior seperti itu biasanya sangat sibuk dan hanya ada satu-dua orang. Dengan Bella, engineer bisa bertanya kapan saja tanpa harus mengganggu senior sungguhan, dan tetap mendapat jawaban yang berpijak pada standar resmi.
- Selalu ada — tak kenal jam kerja; junior yang lembur pun bisa bertanya pukul 2 pagi.
- Ingatan lengkap — hafal semua dokumen & keputusan lama, tak ada yang terlupa.
- Konsisten — memberi jawaban yang sama untuk pertanyaan yang sama, ke tim mana pun.
- Tak melelahkan siapa pun — senior sungguhan bebas fokus ke pekerjaan strategis.
- Sabar & tanpa sungkan — engineer baru tak canggung bertanya hal mendasar berulang kali.
High-Level Architecture & Alur
High-Level Architecture (HLA)
Secara garis besar, Bella bekerja seperti ini: engineer bertanya lewat antarmuka (IDE, chat, atau pull request), permintaan masuk ke AgentCore Runtime tempat Bella bernalar memakai model di Amazon Bedrock. Untuk menjawab akurat, Bella menarik potongan pengetahuan dari Knowledge Base (RAG) yang berisi standar internal Telkomsel, sesuai kebutuhan memakai Amazon Q Developer untuk konteks kode, dengan Identity menjaga izin akses — sementara Observability merekam setiap langkah untuk audit.
Alur kerja satu permintaan
Ketika seorang engineer bertanya "bagaimana standar kami untuk menangani rate limit API?", inilah yang terjadi di balik layar:
- Masuk & identitas. Pertanyaan masuk ke Runtime; Identity memastikan engineer berhak mengakses standar & repositori terkait.
- Bernalar. Bella (dengan model Bedrock) memahami maksud dan memutuskan perlu mencari pedoman internal yang relevan.
- Tarik pengetahuan. Lewat RAG, Bella mengambil potongan dokumen standar Telkomsel yang paling relevan.
- Periksa konteks kode. Bila menyangkut kode, Amazon Q Developer membantu memahami repositori yang sedang dikerjakan.
- Susun jawaban. Bella merangkai jawaban yang berpijak pada standar, lengkap dengan rujukan dokumennya.
- Rekam. Observability mencatat tiap langkah untuk audit & perbaikan kualitas jawaban.
Dari Konsep ke Bisnis Nyata
Contoh nyata (konteks Indonesia)
Agar tidak berhenti di teori, berikut tiga skenario penerapan yang khas di organisasi rekayasa Indonesia.
Menjaga konsistensi lintas ratusan engineer
Di Telkomsel sendiri, ratusan engineer tersebar di banyak tim membangun layanan digital secara paralel. Bella dipakai agar setiap tim mengikuti standar yang sama — konvensi API, pola keamanan, gaya arsitektur — tanpa harus menunggu review manual dari segelintir arsitek. Ketika ada pertanyaan atau pull request, Bella menarik pedoman resmi lewat RAG dan memberi jawaban yang seragam, sehingga delivery lebih cepat dan kualitas tetap terjaga di seluruh organisasi.
Dari berminggu-minggu jadi berhari-hari
Engineer baru biasanya butuh berminggu-minggu untuk memahami konteks internal: di mana dokumen standar, kenapa keputusan tertentu diambil, bagaimana pola yang disetujui. Dengan Bella sebagai mentor yang selalu siaga, mereka bisa bertanya langsung dan langsung dapat jawaban ber-rujukan — tanpa sungkan mengganggu senior. Waktu onboarding dipangkas dari berminggu-minggu menjadi berhari-hari, dan engineer baru cepat produktif dengan cara kerja yang benar sejak awal.
Rekayasa seragam lintas tim & anak perusahaan
Grup perusahaan besar kerap punya banyak tim dan anak perusahaan dengan praktik yang berbeda-beda. Bella menjadi sumber kebenaran tunggal untuk standar rekayasa: pedoman yang sama dapat diakses lewat satu agen, sehingga standardisasi lintas unit jadi mungkin. Dengan Identity mengatur akses dan Observability menyediakan jejak audit, tim tata kelola bisa memastikan setiap unit patuh pada standar tanpa memperlambat pengembangan.
Nilai bisnis & tata kelola. Bagi bisnis, Bella berarti konsistensi kualitas, kecepatan delivery, transfer pengetahuan yang lancar, serta mengurangi ketergantungan pada segelintir senior. Dari sisi tata kelola, penerapannya menjaga izin akses yang ketat, melindungi data internal agar tak bocor, dan menerapkan human-in-the-loop untuk keputusan penting — Bella menyarankan, manusia tetap memutuskan.
Ringkasan Visual (Geser)
Ringkasan visual
Enam kartu berikut merangkum inti sesi. Gunakan tombol atau tombol panah keyboard (← →) untuk berpindah.
Poin yang Bisa Dibawa Pulang
Poin yang bisa dibawa pulang
- Best practice bukan soal dokumen, tapi akses. Standar bernilai hanya jika mudah ditemukan & dipakai — Bella mengubahnya jadi asisten yang hidup.
- Agen > chatbot. Bella memahami konteks lalu bertindak (menjawab, meninjau kode, menyarankan pola), bukan sekadar membalas teks.
- RAG adalah kuncinya. Menyerap dokumen internal membuat jawaban berpijak pada standar resmi perusahaan, bukan tebakan umum.
- Dampak bisnis nyata. Konsistensi kualitas, delivery lebih cepat, onboarding dari minggu jadi hari, dan pengetahuan yang tak lagi tersandera di segelintir senior.
- Tata kelola sejak awal. Izin akses, perlindungan data internal, dan human-in-the-loop membuat Bella bisa dipercaya di organisasi besar.