Dari Konsep ke Implementasi: Bagaimana AISDK5 Membantu Kami Membangun CRM Berbasis AI

Jack dan Nikita memperkenalkan diri mereka sebagai pembuat Lightfield, sebuah CRM native AI yang dirancang untuk mengatasi masalah fundamental CRM tradisional. Mereka menjelaskan bahwa CRM konvensional dibangun puluhan tahun lalu dengan asumsi bahwa manusia akan melakukan entry data manual secara konsisten, sehingga CRM hanya menjadi alat pelaporan bagi VP penjualan daripada membantu proses penjualan. Lightfield hadir dengan visi untuk mengubah paradigma ini dengan sistem yang dapat mengingat konteks pelanggan, menangkap informasi secara cerdas dari berbagai sumber (email, Slack, meeting), dan benar-benar dapat bertindak atas nama pengguna. Mereka mulai menggunakan AI SDK V4 sejak Januari dan beradopsi V5 setelah diluncurkan sebagai alpha pada Juni, yang memungkinkan mereka membangun sistem produksi dengan AI agent yang memiliki akses read-write yang aman ke data pelanggan.

Jack mengilustrasikan masalah praktis dengan CRM tradisional melalui skenario nyata: saat tim penjualan berkembang dari beberapa pelanggan menjadi puluhan atau ratusan, informasi pelanggan tersebar di berbagai platform (Slack, email, Google Docs, rekaman Zoom yang tidak ditranskripsikan) tanpa satu sumber kebenaran yang terpercaya. Ketika seseorang mencoba mencari informasi spesifik tentang kekhawatiran pelanggan terhadap harga, mereka harus menelusuri berbagai platform dan sering menemukan bahwa spreadsheet CRM tidak pernah diperbarui. Lightfield mengusulkan tiga solusi utama: (1) capture otomatis percakapan, meeting, dan email yang terstruktur tanpa entry manual; (2) memori lossless dengan dukungan schema lists dan schema yang dapat disesuaikan tanpa perlu konsultan setup; dan (3) mengubah memori menjadi aksi melalui draft follow-up, surface insights, dan automation workflows. Sistem ini melampaui penggunaan tradisional CRM untuk sales dan berguna bagi siapa pun yang perlu mengingat dan bertindak berdasarkan konteks pelanggan, termasuk tim customer success yang mencari pola di seluruh percakapan support.

Jack menjelaskan arsitektur inti Lightfield yang membuat semuanya bekerja melalui tiga interface berbeda: UI untuk manusia, agents untuk natural language, dan workflow jobs untuk automation, semuanya berinteraksi melalui lapisan domain objects terpadu yang sama. Kunci dari desain ini adalah prinsip 'agent UI parity' di mana agent memiliki izin yang sama, logika bisnis yang sama, dan pola akses data yang sama seperti pengguna yang menjalankan agent, tanpa ada agent API terpisah dengan aturan berbeda atau akses terbatas. Mereka membawa penyimpanan bersama dari berbagai sistem (data terstruktur, object storage, indexed di berbagai platform pencarian) ke dalam satu lapisan unified yang menyediakan capability dan interface yang sama untuk semua interface. Keputusan desain ini merupakan pilihan produk dan arsitektur sejak hari pertama yang membuat membangun AI native dari awal mengalahkan menambahkan agents ke sistem legacy, karena agents di Lightfield bertindak atas nama pengguna dengan izin yang sama melalui lapisan data yang sama yang powers UI. Mereka memilih AISDK karena membutuhkan primitives yang tidak memaksa mereka ke arsitektur berbeda untuk agents versus users, dan constraint ini mempengaruhi seluruh technology stack mereka.

Jack menekankan bahwa dalam membangun produk AI di 2025, tidak ada yang memiliki playbook lengkap, sehingga mereka mengoptimalkan untuk learning speed daripada perfection di awal. Mereka menerapkan prinsip ini secara nyata dengan Lightfield di mana ketika tim engineering perlu memahami customer issue, mereka bisa langsung bertanya kepada agent daripada navigate melalui CRM, karena natural language adalah interface yang benar-benar mereka inginkan. AISDK memberikan fleksibilitas untuk iterate tanpa menulis ulang semuanya, namun kunci adalah mindset fokus pada membangun fitur dan memecahkan masalah nyata daripada melawan frameworks atau over-engineering abstractions. Mereka mengutip Sandy Metz: 'Duplikasi jauh lebih murah daripada abstraksi yang salah', yang sangat relevan dengan membangun produk AI hari ini karena software dapat dibangun sangat cepat, bahkan lebih cepat dari setahun lalu, dan memiliki abstraksi yang salah bisa menjadi lebih costly daripada melihat beberapa duplikasi kode. Praktis, mereka mulai develop AISDK di Januari tahun ini, adopted untuk mendukung model switching dan menggunakan primitives stream text, yang memungkinkan mereka ship early tasks untuk agents spesifik dalam minggu.

Jack mendemonstrasikan fitur 'Adaptive Context Building' di mana user bisa bertanya 'Apa selanjutnya untuk account ini?' dan 'Apa yang Jordan Lee sebutkan di call terakhir kami?' tanpa perlu menspesifikasi nama account atau meeting tertentu, karena sistem menggunakan AISDK untuk membangun konteks yang relevan secara intelligent. Mereka memanfaatkan API bernama Data Parts untuk menyediakan sinyal dari pengguna yang dikombinasikan dengan intelligent retrieval untuk mengidentifikasi apa yang benar-benar penting untuk pertanyaan tersebut. Di client, mereka bisa menggunakan entities berbeda dan menyediakan sinyal berbeda menggunakan API Data Parts, kemudian hydrate ini sepenuhnya di server untuk konteks yang kaya dan akurat. Fitur ini menunjukkan bagaimana AISDK V5 memungkinkan Lightfield untuk membangun capabilities yang sophisticated tanpa menulis ulang infrastructure yang ada. Adaptasi dari V4 ke alpha V5 terjadi dengan seamless, dan mereka memiliki joke internal bahwa mereka akan identify feature yang mereka butuh dari AISDK dan hari berikutnya mereka akan melihat tweet dari tim AISDK tentang feature tersebut, menunjukkan alignment sempurna antara kebutuhan mereka dan evolution framework.

Nikita menjelaskan contoh praktis bagaimana mereka inject files ke dalam thread chat menggunakan send message function dari useChat hook AISDK yang bekerja dengan provider apa pun out of the box, namun ini membawa concerns tentang scalability dan security. Mereka mengidentifikasi dua masalah utama: (1) bagaimana menghindari persist data langsung di database jika encoding files secara langsung, dan (2) bagaimana memastikan tidak accidentally expose private user data ke public saat menggunakan S3 URLs. Solusi mereka adalah client mengirim backend internal ID yang referencing uploaded file di dalam data store mereka sendiri, kemudian di backend mereka iterate melalui semua file parts dan replace internal identifiers dengan signed S3 URLs yang memiliki expiration time untuk prevent unauthorized access. Ini memungkinkan external LM providers untuk tetap view attached files namun dengan proteksi temporal yang kuat terhadap akses tidak sah. Pendekatan ini menunjukkan bagaimana Lightfield merancang setiap aspek sistem dengan mempertimbangkan security dan privacy, bahkan ketika mengintegrasikan dengan external AI providers.

Nikita menjelaskan konsep 'contextual tool collections' di mana setiap kali user berinteraksi dengan Lightfield's chat product, sistem secara dinamis mengkonstruksi tool set yang specific kepada user tersebut dengan dependencies yang diinject langsung ke dalam tools. Sebagai contoh, di tool data retrieval, mereka inject user's IDs langsung ke dalam tool itu sendiri sehingga LLM tidak pernah langsung issue queries ke database, tapi selalu melewati lapisan data terpadu yang sama yang user would access melalui rest dari interface CRM. Ini memperkuat design philosophy mereka tentang maintaining parity antara CRM's UI dan agent's capabilities, memastikan bahwa agent hanya bisa mengakses data yang permission-nya allow dan melalui akses control yang sama dengan pengguna manusia. Design ini bukan hanya tentang keamanan, tapi juga tentang consistency - agent dan user melihat dan dapat mengakses informasi yang sama, menciptakan satu source of truth. Pendekatan ini adalah implementasi praktis dari prinsip agent UI parity yang telah dijelaskan sebelumnya, diterjemahkan ke dalam kontrol akses konkret dan isolation tool.

Nikita mendemonstrasikan bagaimana Lightfield membangun fitur human-in-the-loop menggunakan AISDK's abstractions di mana ketika LLM issue tool call yang memerlukan confirmation, itu forward tool call ke front-end client yang akan render interface yang sama dengan UI biasa. Caranya bekerja adalah ketika user bisa create CRM entities seperti accounts, opportunities, dan contacts melalui modal interface di UI, mereka juga bisa melakukan hal yang sama melalui interface berbasis chat di mana LLM bisa issue tool call untuk create accounts dan akan render form dengan inputs yang sama. Schema describing ini menunjukkan alur lengkap: user's initial input adalah tool call, LLM suggest set dari input values (misalnya array dari items representing account names dan domains), setelah user edit values, output menjadi user's edited values bersama dengan field indicating apakah mereka approve item, dan setelah function executed, result diappend ke tool output sebelum dikirim ke LLM. Ini memberikan LLM dengan full visibility ke history dari interaction termasuk originally suggested values dan outputs, sehingga bisa appropriately suggest next steps. Design ini memastikan bahwa user tetap memiliki kontrol penuh dan transparansi pada setiap tindakan agent, earning trust melalui visibility dan control.

Nikita menjelaskan design principle tentang enabling user untuk customize CRM untuk fit kebutuhan unik mereka, karena setiap business memiliki unique aspects dan unique sales processes. Di dalam Lightfield, user bisa construct custom data model untuk masing-masing CRM entities - contohnya jika Anda B2B business productivity tool yang menjual coding tool ke startups, Anda mungkin khusus tertarik track customer's tech stack, size dari engineering team, dan mutual investors. Sistem memungkinkan user untuk specify semua fields typed ini dan specify bagaimana agent harus menggunakan fields ini di processes-nya, termasuk provide additional instructions tentang meanings dari fields dan bagaimana itu harus gunakan fields ketika update mereka di berbagai background workflows. Cara ini bekerja di backend adalah sistem create tools di runtime berdasarkan company's particular configuration dengan schema yang derived dari database, dan ketika LLM suggest values, mereka validate types untuk ensure bahwa mereka match schema tersebut. Ini enable mereka untuk build tools yang really flexible dan highly reliable, dimana product dapat mold ke bagaimana customers struktur data mereka daripada sebaliknya.

Nikita mendeskripsikan fitur knowledge base yang dapat dikonfigurasi di mana user bisa provide LLM dengan additional context tentang business mereka termasuk informasi tentang company's products dan instructions untuk bagaimana LLM harus run background workflows seperti meeting prep. Sebelum setiap meeting, Lightfield akan prepare document yang list key attendees dengan additional information tentang mereka, list information tentang particular account yang akan ditemui, dan juga list key discussion points yang penting. Setelah meeting selesai, sistem suggest follow-up action items dan suggested field updates berdasarkan apa yang di-discuss, menciptakan alur continuous di mana sistem belajar dan adapt ke interaction history. Semua building blocks dasar ini combine untuk unlock powerful new capabilities - karena Lightfield punya full context dari semua sales interactions dan high degree dari customized knowledge, itu bisa collaborate dengan user untuk rapidly generate high-quality emails atas nama mereka. Sebagai contoh, setelah meeting, user bisa gunakan tool untuk access Google Calendar mereka untuk view availability, dan ketika draft email artifact generated, itu bisa appropriately suggest follow-up times berdasarkan discussions sebelumnya.

Nikita menjelaskan bahwa draft emails yang di-generate tetap gated behind user approval, sehingga user bisa confident bahwa LLM agent tidak akan pernah take action tanpa explicit approval mereka. Follow-up action items ini dan email drafts yang prepared untuk user dikirim notifications untuk help ensure bahwa user stay di atas setiap deal yang sedang mereka working on. Sistem notification ini penting untuk memastikan bahwa automation tidak menggantikan human judgment tapi sebaliknya augment human decision-making dengan memberikan suggestions yang timely dan relevant. Design ini consistent dengan prinsip human-in-the-loop yang telah dibangun di seluruh platform, di mana agent act sebagai collaborator yang provides intelligence dan suggestions, namun user tetap memiliki ultimate control dan responsibility untuk setiap action yang diambil dalam deal atau customer interaction.

Jack merangkum empat core principles yang mereka discover saat membangun Lightfield dengan AI SDK: (1) Agent UI secure parity - designed dari hari pertama di mana agents butuh full read-write access melalui lapisan data yang sama yang humans gunakan, dan jangan build agent API terpisah yang akan berakhir maintaining multiple systems; (2) Fast iteration daripada perfect abstraction - optimize untuk learning speed early, bukan perfection di depan, karena beberapa duplikasi kode genuinely lebih murah daripada wrong abstractions terutama ketika conventions sedang terbentuk; (3) Human di loop workflows users trust - orang perlu tetap di kontrol terutama untuk high-stakes interactions dengan full transparency dan full history yang earn trust; dan (4) Programmable systems oleh users dan agents - real customers butuh custom data models karena setiap business track things differently, dan baik users maupun agents bisa define new fields sehingga product dapat mold ke bagaimana customers struktur data mereka, bukan sebaliknya. Jack mengundang audience untuk share apa yang mereka building dan patterns yang mereka discovering, serta mengajak untuk visit lightfield.app untuk melihat principles ini dalam aksi.