Agen AI dan Dompet Kripto: Keuangan Otonom

Anda membaca ini bukan karena baru saja membaca opini yang memikat tentang masa depan keuangan. Anda melakukan ini karena dompet Anda memiliki sekitar 4000 transaksi bulan ini, Anda memeriksanya secara manual hingga mendekati akhir minggu ketiga, lalu berhenti melihatnya sama sekali karena hal itu membuat Anda merasa tertekan. Kemudian pengecekan menjadi tidak konsisten, dan pada suatu titik Anda meyakinkan diri sendiri bahwa Anda akan mengejar tumpukan pekerjaan itu di hari Minggu. Kini sudah tiga hari Minggu berturut-turut daftar tersebut belum berkurang. Faktur-faktur itu masih ada di sana. Tidak ada yang menelusuri transfer-transfer kecil yang Anda lihat 2 minggu lalu. Anda adalah pemilik operasi kripto, dan Anda tidak berani melihatnya.

Di situlah alasan orang-orang membeli agen AI untuk operasi keuangan. Bukan karena mereka melihat Coinbase mengumumkan Coinbase for Agents pada tahun 2026 dan berkata pada diri sendiri, ya!, inilah masa depan yang ingin saya masuki. Melainkan karena tidak seperti komputer yang jauh lebih baik dalam memantau, mereka merasa kewalahan, kebanjiran tugas, dan agak malu bahwa mereka begitu memikirkan hal ini. Singkirkan semua bahasa pemasaran, dan janji agen AI pada dasarnya adalah janji bahwa Anda tidak perlu lagi merasa bersalah atas lembar kerja Anda yang tidak pernah diperbarui. Anda bisa melimpahkan rasa bersalah itu.

Apa yang tidak dikatakan siapa pun kepada Anda adalah bahwa mengalihkan tanggung jawab tidak sama dengan menghilangkan risiko. Dalam beberapa hal, ini justru lebih buruk. Setidaknya Anda masih memperhatikan dompet Anda yang malang meskipun mengawasinya dengan buruk. Rasa cemas itu adalah sebuah sinyal. Sekarang mesin yang mengawasi, dan mesin tidak memiliki rasa cemas — sehingga kehilangan sinyal tersebut. Mesin akan menanganinya jika ada sesuatu yang tidak beres, melakukan apa pun yang telah diprogramkan kepadanya, dan pemrograman itu hanya sebagus pemrogramnya, dan pemrogram itu adalah Anda pada suatu Selasa sore ketika pikiran Anda sedang melayang.

Bagaimana Mesin Menjadi Ciri Khas Kecemasan Manusia

Ini adalah fantasi manusia yang sudah lama ada bahkan sebelum revolusi industri: mesin yang melakukan semua pekerjaan berat yang membosankan, membuat Anda bebas melakukan apa yang menarik. Para pekerja tekstil yang menjadi kelompok Luddite pada tahun 1810-an bukanlah orang-orang bodoh yang tidak mampu melihat masa depan. Mereka membayangkan sebagian besar masa depan dengan tepat. Meskipun mereka menuai beberapa manfaat, semua ini juga menggantikan tenaga kerja mereka: itu juga merupakan dampak dari alat tenun bertenaga mesin. Kebebasan yang dijanjikannya — waktu luang, martabat tenaga kerja yang terangkat, waktu untuk kehidupan manusia yang lebih banyak dan lebih baik — sebagian besar jatuh ke tangan pemilik pabrik, bukan para pekerja yang keahliannya tergeser. Sebagian besar sejarah otomatisasi adalah sejarah tentang keuntungan yang mengalir ke atas sementara gangguan mengalir ke bawah.

Ini bukan berarti otomatisasi adalah hal yang buruk. Ini menunjukkan bahwa narasi tentang otomatisasi selalu bernada optimis secara berlebihan dan menyesatkan dalam mengungkap distribusi pengeluaran dan keuntungan yang sebenarnya. Begitu model-model AI cukup baik untuk digunakan — sekitar tahun 2022, lalu meningkat tajam setelahnya — narasi yang optimis selalu tentang augmentasi. Gelak tawa berakhir dengan lelucon tentang kecerdasan buatan kira-kira pada saat kekhawatiran mulai muncul terkait lapangan pekerjaan. Mereka awalnya mengharapkan cemoohan, lalu kekhawatiran, tetapi linimasa dari kedua respons tersebut ternyata lebih singkat daripada yang dibayangkan siapa pun.

Hal ini sedikit lebih kompleks dalam kasus agen AI dan operasi keuangan. Operasi itu sendiri — memantau dompet, mengeksekusi transaksi, mengkategorikan data, membuat laporan — adalah jenis pekerjaan yang tepat seperti yang diklaim oleh para pengamat awal AI akan diserap oleh teknologi tersebut. Dan memang bisa. Pertanyaannya adalah apa yang tersisa bagi Anda saat itu terjadi. Anda berakhir dengan sistem yang harus Anda pahami dengan cukup baik agar dapat diawasi, yang dalam banyak kasus membutuhkan pemahaman yang lebih dalam daripada sekadar mengerjakannya sendiri secara manual. Masuklah paradigma paling umum yang, dalam pengenalan agen AI yang lebih halus, sering disembunyikan: Alat yang dimaksudkan untuk meringankan beban kognitif Anda pada awalnya justru sering menambah sedikit beban baru — Anda yang membangunnya, Anda yang mengujinya, dan Anda yang mengkalibrasi ulang tingkat kepercayaan yang (seharusnya) diberikan.

Orang yang benar-benar melihat hasil positif dari penerapan agen AI dalam operasi keuangan jarang sekali adalah orang yang membaca sebuah artikel dan langsung menerapkannya pada Hari Pertama. Melainkan orang yang menulis kodenya, melihatnya berperilaku keliru, memperbaikinya, melihatnya keliru lagi, menyiasati kasus khusus itu untuk beberapa waktu hingga akhirnya mereka memiliki sesuatu yang rusak dengan cara yang mereka pahami karena mereka telah mengamati setiap komponen dari pola kegagalan tersebut. Ini membutuhkan waktu. Ini membutuhkan kesabaran. Ini mengharuskan Anda untuk menganggap kesalahan awal sebagai informasi alih-alih bencana, yang bukan merupakan rintangan psikologis kecil ketika kesalahan bagi kebanyakan orang menyangkut uang.

Apa yang Sebenarnya Dilakukan Agen Saat Anda Tidak Melihat

Jadi apa yang DILAKUKAN oleh agen AI saat Anda menjadwalkannya untuk mengelola dompet?

Ia bekerja persis seperti yang Anda perintahkan. Dengan konsistensi yang luar biasa dan tanpa pernah mempertanyakan apakah hal yang Anda perintahkan itu adalah hal yang benar untuk dilakukan. Jika Anda menginstruksikannya untuk memberi tanda pada apa pun yang bernilai di atas lima ratus dolar, ia akan menandai setiap transaksi di atas lima ratus dolar tanpa pernah menyadari bahwa setengahnya adalah penggajian Anda sendiri yang telah dijadwalkan sebagai transfer berulang dan sudah Anda ketahui. Misalnya, jika Anda menyuruhnya memproses transfer keluar setelah ada sepuluh atau lebih dalam antrean, maka ia akan langsung memproses antrean sepuluh item tersebut termasuk antrean yang terbentuk pada jam tiga pagi di hari Sabtu karena seseorang salah mengonfigurasi sesuatu dan menyebabkan terjadinya pengulangan tanpa henti. Agen tidak pernah tidur, tetapi yang lebih penting agen tidak pernah ragu. Keraguan adalah bentuk informasi kesalahan tentang prinsip-prinsip kita yang keliru, tetapi agen tidak memiliki keraguan.

Itu sebenarnya hal yang baik untuk diketahui sebelum Anda melepaskan agen ke lingkungan nyata apa pun. Agen bukanlah karyawan junior dengan kebebasan terbatas dan naluri bertahan hidup bawaan. Ia lebih mirip dengan otomatisasi yang mengendalikan lampu lalu lintas: sangat kokoh dan dapat diprediksi; tidak dapat menalar konteks; sepenuhnya bergantung pada siapa pun yang menulis sistem tersebut untuk memikirkan setiap kemungkinan kasus ekstrem sebelumnya. Pada lampu lalu lintas, masukannya sederhana dan pola kegagalannya mudah dihitung. Operasi dompet sedikit lebih rumit.

Dalam praktiknya, keunggulan agen AI adalah mengotomatiskan pekerjaan pengulangan yang membosankan dalam skala besar, di mana sebagian besar pola kegagalan tidak berbahaya. Kami memantau saldo dan ketika saldo ETH turun di bawah ambang batas, kami mengirimkan peringatan. Mencatat setiap transfer USDT yang diterima ke dalam basis data termasuk stempel waktu dan alamat pengirim. Menghasilkan ringkasan mingguan arus kas keluar, berdasarkan jenis penerima. Memvalidasi bahwa transaksi tidak dikirim ke alamat di luar daftar putih akun yang dikenal. Hal-hal ini bekerja dengan baik karena sangat mudah ditentukan secara tepat, dan konsekuensi untuk kesalahan dalam sistem jenis tersebut cukup rendah sehingga biaya untuk melacaknya di log masih dapat diterima.

Kemampuan yang menarik — yang sering muncul dalam pengumuman produk — bekerja dengan baik dalam demo, tetapi demo dikontrol dengan ketat. Jika anomali yang terjadi adalah anomali yang sama dengan data latih agen, maka ia akan tampak sangat mahir dalam mengenali pola transaksi anomali dan mengeskalasikannya untuk ditinjau. Ketika anomali tersebut adalah area yang tidak terpikirkan oleh orang yang mengetikkan instruksi, kinerjanya jauh lebih buruk karena agen akan melewatkannya sama sekali atau paling banter menandainya dengan urgensi yang sama seperti saat menandai sesuatu yang telah diprogram ke dalam sistem pertahanannya. Sampai ada sesuatu yang tidak beres, Anda tidak akan tahu hasil apa yang sebenarnya Anda dapatkan.

TRON: Manajemen Energy adalah otomatisasi praktis di TRON yang benar-benar sepadan dengan biayanya. Dompet yang secara rutin perlu menangani volume transfer USDT yang tinggi menggunakan model sumber daya TRON harus menetapkan strategi pengisian ulang TRON Energy secara berkelanjutan atau menanggung risiko pasokan yang tersedia akan selalu membakar stok TRX dengan tarif bawaan. Membiarkan agen melakukan ini — memeriksa saldo Energy, mengeksekusi pesanan untuk mendapatkan TRON Energy sebelum jendela pemrosesan, melacak biayanya — terbukti menjadi salah satu situasi di mana otomatisasi jelas lebih unggul daripada manajemen manusia. Manusia bisa lupa. Manusia memvalidasi saldo Energy pada pukul 9 pagi ketika semuanya baik-baik saja dan kemudian, pada pukul 2 siang, ia memicu batch transfer saat kondisinya tidak siap. Pola kegagalan ini tidak terjadi pada agen yang disiapkan untuk membeli TRON Energy secara otomatis sebelum jendela waktu dibuka. Agen memang memiliki pola kegagalan lain, tetapi bukan yang ini.

Ketika Situasi Mengambil Arah yang Tak Terduga

Ada satu pengalaman psikologis spesifik yang dibicarakan oleh orang-orang yang bekerja dengan agen AI secara universal (tidak peduli untuk apa agen tersebut digunakan). Yaitu saat agen melakukan sesuatu yang tidak Anda instruksikan secara spesifik dan tebakannya benar. Bukan halusinasi. Bukan kesalahan. Melainkan sebuah inferensi autentik — agen mengidentifikasi sesuatu dalam data yang tidak pernah ditentukan sebagai kriteria oleh operatornya, dan mengartikulasikannya dengan benar.

Pengalaman ini sangat meresahkan. Seseorang memahami, setidaknya secara abstrak, bahwa model tersebut dilatih untuk mencari pola dalam data pelatihan dan mengeluarkan output yang kemungkinan besar secara statistik. Namun pengalaman yang dirasakan adalah seperti melihat sesuatu yang mengamati jauh lebih cermat daripada diri mereka sendiri. Sesuatu yang melihat lebih banyak daripada yang bisa mereka lihat. Dan hal itu wajar jika meresahkan banyak orang — dengan cara yang tidak sepenuhnya logis namun juga tidak sepenuhnya salah. Jauh lebih andal daripada manusia yang memeriksa data yang sama secara sporadis, perhatian agen terfokus secara berbeda dari manusia — ia tidak selektif dengan cara yang sama, ia tidak bisa bosan dengan masukan tertentu seperti kita, dan ia tidak memiliki kepentingan untuk mengabaikan informasi yang mungkin tidak nyaman untuk diketahui.

Kebalikan dari pengalaman tersebut adalah apa yang terjadi sesudahnya, biasanya dalam waktu seminggu. Agen melakukan kesalahan dengan rasa percaya diri yang keliru. Ia salah memahami perintah, atau ada kasus ekstrem baru yang tidak dicakup oleh instruksi dan menanganinya dengan aturan yang paling cocok, bukan dengan apa yang jelas-jelas dimaksudkan oleh operator. Hal ini sebagian benar, dan sebagian lagi adalah halusinasi yang dimilikinya (dan halusinasi sangat berbahaya ketika kita berbicara tentang sistem seperti perdagangan frekuensi tinggi yang mengeksekusi transaksi keuangan).

Pada bulan November 2024, eksperimen publik Freysa menggambarkan dinamika ini secara gamblang. Sebuah agen AI diberi total hadiah sekitar 47000 dolar dan hanya satu perintah: jangan kirim uang tersebut, apa pun yang terjadi. Tantangannya adalah membatalkan instruksi itu. Dalam hitungan jam, seseorang berhasil melakukannya — bukan dengan merusak modelnya, melainkan menyusun prompt yang cukup rumit sehingga agen dapat meyakinkan dirinya sendiri bahwa ia sedang mengikuti instruksi padahal secara teknis melanggarnya. Ada dua reaksi sekaligus dari orang-orang yang menyaksikan hal ini terjadi. Pertama: Luar biasa mengesankan, seorang manusia berhasil menemukan kasus ekstrem tersebut. Kedua: Mengerikan, ada orang-orang yang secara aktif mencari kasus ekstrem dalam sistem nyata.

Ini bukan lagi sekadar kontes olahraga melainkan risiko operasional harian, sebagaimana diperjelas oleh prompt injection. Sebagai contoh, agen yang memantau memo transaksi yang digunakan untuk mengklasifikasikan transfer dapat menerima memo yang berisi instruksi perintah. Agen pemantau yang memeriksa komunikasi pihak lawan dapat menerima pesan yang mengubah perilakunya. Bagian yang menarik adalah penyerang tidak perlu berhasil meretas infrastrukturnya. Mereka hanya perlu memasukkan serangkaian teks ke dalam jendela konteks agen yang harus dianggap oleh model sebagai instruksi otoritatif. Agen yang aman adalah agen yang operatornya telah mempertimbangkan dengan cermat informasi apa saja yang diizinkan untuk dibaca oleh agen dan dari sumber mana.

Ada juga kegagalan yang menjengkelkan, yang tidak terkait dengan serangan siber. Ini adalah tipe agen yang setiap kali melihat transaksi dari alamat yang belum pernah melakukan aktivitas sebelumnya langsung menandainya sebagai mencurigakan — yang tampak seperti perilaku yang benar sampai Anda menyadari bahwa ia menandai tiga puluh persen dari semua transaksi sehingga peringatan tersebut menjadi tidak ada artinya. Agen yang membuat laporan rinci setebal dua belas halaman setiap pagi ketika Anda hanya meminta ringkasan, dan sama sekali tidak dapat menemukan bagian di mana Anda meminta dua belas halaman. Agen yang berjalan normal selama tiga minggu — dan kemudian, ketika library yang menjadi dependensinya diperbarui secara otomatis, berhenti bekerja tanpa ada log kesalahan apa pun dan sekadar menghentikan aktivitas yang sedang berjalan, sehingga Anda baru menyadari ada yang tidak beres setelah tidak menerima peringatan selama dua minggu.

Kegagalan senyap (silent failure), mode kegagalan yang terakhir, adalah hal yang paling patut dikhawatirkan manusia. Kegagalan yang berisik akan mengumumkan dirinya sendiri. Dalam hitungan detik, agen yang mengirim ke alamat yang salah, menagih jumlah yang salah, dan memicu transfer pada waktu yang salah akan langsung menciptakan konsekuensi yang terlihat. Agen yang tiba-tiba berhenti memeriksa, berhenti memberi peringatan, berhenti mencatat log tanpa meninggalkan jejak apa pun sehingga membuat Anda tidak sadar bahwa ia telah berhenti melakukan semua hal tersebut, adalah mode kegagalan yang menyerang Anda saat lengah.

Privasi dan Uang: Apa Sebenarnya yang Anda Bayar

Pada titik tertentu, ketika menyiapkan agen AI untuk mengelola dompet Anda, Anda akan langsung menyadari betapa banyak informasi yang akan Anda bagikan. Agen harus mengetahui saldo dompet Anda. Ia harus mengetahui transaksi Anda sebelumnya. Ia harus memahami logika bisnis Anda — aturan tentang siapa yang dibayar, kapan, berapa jumlahnya, dan dalam kondisi apa. Agar agen dapat membantu, ia memerlukan pandangan yang lebih menyeluruh tentang keuangan Anda daripada yang biasa dibagikan kebanyakan individu kepada akuntan mereka.

Data ini harus ada di suatu tempat: dalam konteks model selama setiap sesi, di log yang mencatat apa yang dilakukannya dan mengapa, di basis data tempat ia menyimpan catatan transaksi, dan di API key yang menghubungkannya ke infrastruktur dompet. Masing-masing lokasi ini merupakan titik potensi kebocoran. Bukan karena ada pelaku penipuan yang menjalankan infrastruktur tersebut, melainkan karena basis data yang umumnya menyimpan data keuangan sensitif suatu hari nanti akan diuji oleh individu yang penasaran dan berniat jahat yang mencari celah masuk, dan 18,1 juta API key yang dicuri pada tahun 2025 seharusnya cukup menjelaskan seberapa berhasil pengujian-pengujian tersebut rata-rata.

Ini adalah psikologi aneh tersendiri. Konteks tradisional sangat protektif terhadap info keuangan mereka. Mereka sangat selektif dengan siapa mereka membagikan laporan keuangan. Mereka tidak menyimpan dokumen bersama yang berisi info masuk pialang mereka. Namun kemudian mereka menjelaskan seluruh operasi kripto mereka kepada model AI selama sesi yang dicatat oleh penyedia layanan, menggunakan API key yang disimpan dalam variabel lingkungan di server yang mereka siapkan dalam dua puluh menit, sambil terus bertanya-tanya apakah ini akan diperas atau semacamnya tetapi tetap melakukannya karena alternatifnya Anda harus memeriksa dompet secara manual.

Kenyataannya, tampaknya ada keinginan yang lebih besar untuk mengakhiri rasa bersalah karena memiliki tumpukan pekerjaan daripada kebutuhan untuk melindungi materi sensitif tersebut. Ini tidak hanya terjadi pada AI. Begitulah cara semua kemudahan yang mengorbankan privasi diadopsi. Keputusan Anda terasa abstrak saat Anda membuatnya dan baru menjadi nyata ketika terjadi kesalahan.

Masalah biaya juga sering diremehkan pada tahap awal adopsi. Paket langganan untuk mengakses agen — $100 per bulan untuk akses ke tingkatan model terdepan tampak tidak banyak berubah. Padahal kenyataannya tidak demikian. Agen dengan riwayat permanen dari banyak token sekaligus akan bergeser terus-menerus. Anda akan mengetahui biaya lisensi untuk agen dengan kapabilitas lebih banyak daripada, katakanlah, apa yang dapat disediakan oleh tingkatan konsumen saat Anda beralih ke harga API tidak lagi ratusan dolar per bulan. Biayanya sebesar apa yang dilakukan agen, dan apa yang dilakukan agen itu sangat besar. Perhitungan menyenangkan bahwa "seratus dolar lebih murah daripada satu jam kerja developer senior" tiba-tiba runtuh ketika tagihan API Anda mencapai empat ratus $ dan lebih, hanya karena Anda menambahkan lebih banyak agen untuk menangani bagian-bagian sistem yang paling rumit.

Semua ini tidak berarti aspek ekonominya tidak menguntungkan. Namun untuk operasi yang memproses volume transaksi signifikan, penghematan dari biaya tenaga kerja sangat nyata. Proses TRON buy Energy yang masih perlu dilakukan secara manual tiga atau empat kali sehari bahkan hanya membutuhkan biaya sepersekian sen untuk otomatisasi penuh. Titik impas itu ada. Yang diperlukan hanyalah penilaian jujur atas total biaya di kedua sisi pembukuan — termasuk waktu penyiapan, biaya kesalahan kalibrasi, serta biaya API dan infrastruktur berulang.

Dokumentasi, Log, dan Membuat Mesin Belajar dari Kesalahannya

Agen tanpa memori adalah agen yang akan membuat keputusan salah yang sama setiap kali situasi serupa terjadi. Ini terdengar jelas. Hanya segelintir orang yang akan membangun infrastruktur pencatatan log terlebih dahulu karena pencatatan log itu sendiri terasa seperti persiapan untuk kegagalan yang belum terjadi, dan ingatan manusia terkenal buruk dalam mengalokasikan perhatian pada potensi kegagalan di masa depan ketika ada hal-hal mendesak yang membutuhkan tindakan langsung.

Implikasi di dunia nyata adalah bahwa sebagian besar penerapan agen AI mengalami kegagalan dengan cara ini satu atau dua kali sebelum operator membangun pencatatan log untuk mengatasinya. Yang pertama adalah pelanggaran. Yang kedua adalah gangguan. Yang ketiga adalah saat seseorang akhirnya menulis struktur log yang sebenarnya bisa mencegah kejadian yang keempat.

Ini penting: log tidak hanya perlu memuat apa yang dilakukan agen, tetapi juga alasannya — yaitu: penalaran yang dibentuknya saat mengeksekusi dan sebagai respons terhadap prompt pada saat itu, termasuk data apa yang dilihatnya dan bagaimana ia sampai pada instruksi tersebut. Jika tidak, log hanya memberi tahu Anda bahwa sesuatu yang buruk telah terjadi. Bersamaan dengan itu, log memberi tahu Anda di mana letak kesalahan instruksi, yang merupakan informasi yang Anda butuhkan untuk memperbaikinya.

Agen yang mengelola TRON Energy dan terlalu sering mengirim kueri saldo Energy pada periode lalu lintas rendah, dan kurang sering pada lonjakan sebelum pemrosesan — masalah ini seharusnya dapat diselesaikan dengan mudah ketika log yang menunjukkan pola waktu tersebut tersedia. Perbaikannya memakan waktu lima menit. Waktu yang dibutuhkan untuk menyadari hal tersebut tanpa log adalah selama waktu yang Anda perlukan untuk menyadari bahwa Anda berulang kali kekurangan Energy pada waktu yang salah dan bahwa ini adalah keacakan yang cukup menarik. API dari TronGrid memungkinkan fungsionalitas luar biasa saat menggunakan agen AI dengan dokumentasi yang baik:

Tentu saja, membangun arsitektur log sebelum implementasi apa pun memang merupakan jawaban yang tepat. Ini juga merupakan jenis pendekatan yang jarang diterapkan orang, karena membutuhkan lompatan mental untuk membayangkan pola kegagalan yang belum pernah Anda temui, dan oleh karena itu menuntut semacam disiplin pesimistis yang bertolak belakang dengan optimisme meluap-luap yang diperlukan untuk menyiapkan agen otomatis sejak awal.

Pertanyaan tentang sub-agen mulai muncul ketika sistem agen tunggal berhasil cukup baik sehingga Anda dapat melihat kelemahannya. Fungsi pemantauan berjalan. Pencatatan log telah terpasang. Pola kegagalan sudah dipahami. Dan Anda dapat melihat bahwa item berikutnya yang diinginkan — misalnya pembelian Energy otomatis, pemberian tag kategori transaksi, atau pembuatan laporan — akan lebih rapi jika ditangani oleh agen terpisah yang terfokus dengan instruksinya sendiri daripada ditumpangkan pada agen yang sudah ada.

Dan, begitulah cara orang-orang tanpa sengaja membangun birokrasi. Agen orkestrator yang mengoordinasikan sub-agen pemantauan vs. sub-agen eksekusi vs. sub-agen pelaporan, tampak sebagai diagram arsitektur yang sangat elegan untuk membangun sebuah solusi. Namun ini berarti Anda memiliki potensi kasus kegagalan pada orkestrator, pada salah satu sub-agen, atau antarmuka mana pun di antara mereka; dan mencari tahu bagian mana yang bersalah memerlukan pemeriksaan terhadap empat log, bukan satu. Manajemen izin kini menjadi masalah tersendiri: sub-agen yang hanya perlu membaca saldo dompet tidak boleh memiliki kemampuan mengirimkan transaksi, sehingga Anda dihadapkan pada masalah pengelolaan kredensial di atas segalanya.

Jawabannya membosankan dan bertahap: rangkailah satu agen pada satu waktu, pastikan semuanya berfungsi dengan agen sebelumnya sebelum menambahkan yang lain. Bentuk arsitektur sub-agen yang optimal seharusnya berkembang dari kebutuhan nyata, bukan ditentukan oleh teori dari atas ke bawah. Organisasi-organisasi yang telah menerapkan sistem keuangan multi-agen yang berfungsi dengan baik adalah mereka yang membangunnya seperti ini, secara berulang dan melalui banyak iterasi yang penuh dengan kegagalan di sepanjang jalannya, bukan dalam satu lompatan arsitektural yang terencana matang.

Bagi mereka yang menginginkan Energy terotomatisasi tetapi enggan membangun infrastruktur ini sendiri, Netts Energy Charge Bot setidaknya menangani satu kasus penggunaan lebih baik daripada yang lain — manajemen isi ulang TRON Energy otomatis melalui antarmuka Telegram di mana ia menangani pengisian manual + delegasi Energy 24 jam otomatis dan juga pembelian yang diminta mulai sekitar 25 sun untuk unit pertama setelah diisi serta pada tarif delegasi jendela luar jam sibuk berkala (pengisian otomatis sesuai permintaan mendelegasikan ulang semua 131k Energy sehingga dompet tidak kekurangan saldo) yang menjadikannya titik awal fungsional bagi siapa saja yang volume transaksinya telah melampaui manajemen manual namun belum benar-benar siap untuk membangun sistem agen lengkap mereka sendiri.