Apa itu siklus proses pengembangan agen (ADLC)?

Kekuatan dan perkembangan pesat agen AI—sistem perangkat lunak yang menggunakan model bahasa besar (LLM) sebagai mesin keputusan untuk merencanakan dan melaksanakan tugas secara mandiri yang diperlukan untuk mencapai tujuan yang ditentukan—telah memacu transformasi cepat alur kerja perusahaan. Kecepatan transformasi itu telah melampaui kemampuan banyak organisasi untuk mengadaptasi struktur TI tradisional yang mencerminkan tuntutan unik integrasi AI agen, menghasilkan ekosistem yang terpisah. ADLC menerapkan spesifikasi umum dan praktik bersama untuk memfasilitasi sistem agen yang andal di berbagai alat, platform, vendor, dan lingkungan perusahaan.

Banyak proses TI standar saat ini yang berkembang dalam konteks pengembangan perangkat lunak tradisional dan disesuaikan dengan asumsi sistem yang statis dan deterministik. Proses ini sering kali tidak sesuai dengan sifat dinamis dan probabilistik LLM yang mendorong perilaku agen: Mereka disebut "agen AI" karena secara harfiah memiliki agensi untuk menentukan cara melaksanakan tugas. Norma dan spesifikasi bersama yang mempertimbangkan pergeseran ini dapat secara signifikan mengurangi risiko terkait dan mempercepat adopsi AI agen yang bertanggung jawab.

 Agar AI agen menskalakan secara berkelanjutan dan efektif, agen AI harus berintegrasi sesuai ekspektasi di berbagai model, platform, vendor, dan ekosistem industri. Saat ini, hampir setiap platform untuk membangun agen AI memiliki formatnya sendiri untuk penentuan agen, skema pemanggilan alat dan fungsi, model manajemen memori dan status, rangkaian pengujian, protokol penerapan, dan sistem versi. Pemisahan ini menghambat interoperabilitas, meningkatkan biaya peralihan dan vendor lock-in, yang menurut riset merupakan masalah utama—setelah keamanan—bagi para pemimpin bisnis dan teknis yang mengatasi ekosistem vendor agen AI.¹ Dari sudut operasi, pemisahan tersebut juga mengurangi potensi keterampilan yang dapat ditransfer dan alur kerja.

Meskipun norma dan praktik standar dapat mengurangi inefisiensi ini, penting bagi organisasi untuk merangkul dan menegakkan protokol struktural yang sesuai dan tidak bertentangan dengan kecenderungan dan preferensi pengembang yang sudah ditetapkan. Oleh karena itu, ADLC bertujuan untuk mengubah praktik pengembang yang muncul menjadi pengalaman agen terbaik di kelasnya.

ADLC mengintegrasikan berbagai prinsip ini DevSecOps untuk memetakan pengembangan agen AI ke serangkaian fase yang saling berhubungan dan sebagian besar saling bergantung. Tujuan dan praktik setiap fase, serta hubungannya satu sama lain, akan digali pada bagian lain artikel ini. Perincian lengkap, saran, dan spesifikasi disediakan dalam panduan resmi IBM untuk ADLC.

Beberapa asumsi standar dan praktik terbaik dari siklus proses pengembangan perangkat lunak (SDLC) tradisional tidak cocok untuk membangun agen AI. Agar inisiatif agen AI perusahaan berhasil, organisasi harus memahami dan mempertimbangkan perbedaan mendasar antara perangkat lunak tradisional dan sistem agen. 

• Deterministik vs probabilistik: Perangkat lunak tradisional dilengkapi dengan instruksi deterministik yang eksplisit (dalam bentuk kode perintah) dalam mencapai tujuan akhir yang hanya tersirat; Agen AI mendapatkan tujuan akhir yang eksplisit dan batasan perilaku, kemudian ditugaskan untuk menggunakan alat, sumber data, dan penalaran otonom untuk menyimpulkan cara terbaik dalam mencapainya. Dalam sistem agen, memberikan input yang sama dua kali dapat menghasilkan dua output yang berbeda.

• Statis vs adaptif: Perangkat lunak tradisional memiliki fungsionalitas tetap, dengan perilaku yang hanya berubah jika kode yang mengatur perilaku itu diubah secara aktif. Perilaku agen dapat berkembang berdasarkan masukan dari lingkungannya.

• Digerakkan oleh kode vs digerakkan oleh hasil: Sifat deterministik dan linier dari perangkat lunak tradisional memungkinkan pengembang untuk memprediksi keberhasilan program dalam hal ukuran kualitas kode yang stabil dan (relatif) objektif. Sifat probabilistik AI agen berarti bahwa implementasi yang optimal dapat menghasilkan kinerja agen yang kurang optimal dan prompt yang berantakan dan buruk mungkin menghasilkan output yang akurat. Oleh karena itu, evaluasi sistem agen memerlukan pengukuran sistematis hasil bisnis dan perilaku agen dari waktu ke waktu.

Mungkin yang paling penting adalah bahwa sistem agen dan perangkat lunak tradisional memiliki mode kegagalan yang sangat berbeda.

Perangkat lunak tradisional gagal karena kesalahan logika atau kasus tidak lazim yang "mematahkan" instruksi kaku dari kode perangkat lunak. Kegagalan ini umumnya jelas: perangkat lunak macet atau menghasilkan output yang tidak masuk akal. Karena perangkat lunak tradisional bersifat deterministik, kegagalan apa pun dapat ditelusuri kembali ke cacat tertentu dalam kode (yang kemudian dapat Anda debug).

Sebaliknya, sistem agen biasanya gagal karena halusinasi atau masalah dengan penyelarasan. Agen AI beroperasi dengan menafsirkan tujuan secara probabilistik (diberikan melalui prompt sistem, batasan, dan konteks), tidak mengeksekusi logika berbasis aturan yang ketat dari perangkat lunak tradisional. Seorang agen mungkin seolah-olah “memecahkan” masalah dengan melanggar batasan atau dengan meyakinkan memberikan hasil yang salah. Kegagalan seperti itu lebih mudah dilewatkan: output yang masuk akal tetapi salah lebih sulit dikenali daripada kerusakan sistem. Mereka juga lebih sulit untuk dilacak: kegagalan keseluruhan alur kerja berbasis agen kompleks dengan banyak langkah yang mungkin berasal dari hasil yang salah dari panggilan alat probabilistik tunggal, dan kesalahan yang memicu kegagalan mungkin tidak direproduksi pada evaluasi selanjutnya.

Oleh karena itu, ADLC membangun observabilitas, penahanan, dan evaluasi berkelanjutan ke dalam setiap fase. Pengembangan berbasis agen harus secara efisien menyeimbangkan kebutuhan untuk pengujian menyeluruh dalam skenario dunia nyata dengan kebutuhan untuk menahan risiko dunia nyata.

Siklus proses pengembangan agen (ADLC) memetakan proses membangun, menerapkan, mengoptimalkan, dan mengelola agen AI ke dalam fase yang berbeda, beberapa di antaranya dipadukan untuk membentuk loop berulang.

• Rencana: Libatkan semua pemangku kepentingan yang relevan untuk menyelaraskan contoh penggunaan, tujuan, metrik keberhasilan, dan hasil bisnis yang ideal (untuk menginformasikan kerangka kerja evaluasi). Tetapkan dan dokumentasikan perilaku agen yang diinginkan dan prosedur operasi standar dalam bahasa alami.

• Pengodean & Pembuatan: Mengembangkan agen (yang meliputi, antara lain, pemilihan model, desain prompt, dan orkestrasi). Identifikasi layanan eksternal yang relevan—seperti alat, basis data, dan API—dan integrasikan ke dalam lapisan perusahaan menggunakan protokol konteks model (MCP). Menerapkan kontrol versi yang bijaksana, sandbox, dan pola gateway.

• Uji & Rilis: Jalankan evaluasi terstruktur terhadap tolok ukur yang telah ditetapkan, terapkan pemeriksaan kebijakan, lakukan pengujian keamanan dan latihan tim merah, serta sertifikasi bahwa agen berada dalam katalog yang diatur. Ulangi secara berulang Pengodean & Pembuatan dan Uji & Rilis dalam satu loop seperlunya.

• Penerapan: Setelah disertifikasi, pindahkan agen ke lingkungan produksi, terapkan dalam tahap berjenjang untuk mengelola risiko. Mengadopsi pola gateway untuk memungkinkan tata kelola dan penegakan kebijakan yang efektif. Memastikan tata kelola waktu proses melalui sandbox, pembuatan versi, strategi rollback, penegakan keamanan, dan perlambatan kinerja.

• Operasi: Terus amati dan optimalkan agen yang diterapkan, lacak metrik real-time (seperti akurasi, latensi, biaya, dan kepuasan pengguna) dan tetap waspada atas penyimpangan model atau regresi kinerja. Gunakan loop masukan balik ini untuk mengoptimalkan prompt, alat, model, dan kebijakan memori untuk kinerja dan keamanan, mengulangi loop Terapkan-Operasikan secara berulang seperlunya.

• Pemantauan: Setelah sistem divalidasi dan dioptimalkan sepenuhnya, terus pantau dan lakukan audit berkelanjutan untuk memastikan keadilan, transparansi, dan kepatuhan terhadap peraturan. Pertahankan katalog agen dan alat yang diatur dengan baik untuk memfasilitasi observabilitas dan keterulangan.

Dengan mengikuti semua fase ini dan prioritas yang dirancang untuk mereka tangani—masing-masing dibahas secara lebih terperinci di bagian berikut—organisasi dapat meningkatkan agen dengan aman dan percaya diri dengan menjaga mereka tetap dapat dipercaya, dapat diaudit, dan selaras dengan nilai bisnis.

Proses pengembangan agen dimulai dengan penyelarasan contoh penggunaan yang mengungkapkan semua pertimbangan perencanaan lainnya.

Hasil bisnis spesifik yang akan dicapai agen Anda akan menentukan indikator kinerja utama (KPI) dan metrik keberhasilan lainnya yang akan digunakan untuk mengevaluasi kinerja agen. Otomatisasi dukungan pelanggan dapat dievaluasi terutama dalam hal kepuasan pengguna akhir dan pengurangan biaya, sedangkan agen pengodean dapat dievaluasi untuk latensi dan kualitas kode. Memilih formulasi matematika spesifik untuk metrik ini sendiri adalah keputusan arsitektur yang penting, karena metode perhitungan yang berbeda dapat menghasilkan sinyal keberhasilan dan insentif operasional yang berbeda.

Hasil bisnis berbasis agen tertentu membutuhkan proses, tugas, dan subtugas spesifik untuk diotomatiskan oleh agen, dan agen AI perlu memiliki akses ke alat, kumpulan data, basis pengetahuan, dan API tertentu untuk melakukan kebanyakan tugas tersebut. Menyusun (dan mendapatkan) daftar semua sumber daya yang diperlukan sebelum fase pengodean dan pembuatan sangat penting pada proses pengembangan yang efisien dan efektif.

Karena itulah, keputusan terpenting yang harus dibuat dalam fase perencanaan adalah apakah Anda memang harus membangun agen AI.

IBM merekomendasikan untuk mencari solusi paling sederhana yang dapat memenuhi kebutuhan bisnis spesifik Anda. Jika suatu masalah dapat diselesaikan dengan otomatisasi tradisional, sistem pencarian, atau pembuatan prompt yang cermat, AI berbasis agen mungkin akan menimbulkan komplikasi yang tidak perlu. Sebagai contoh, sistem untuk mengotomatiskan respons terhadap email pelanggan akan membutuhkan agen AI, tetapi sistem untuk mengklasifikasikan email hanya membutuhkan LLM dan prompt yang dirancang dengan baik.

Dengan asumsi bahwa peningkatan kinerja pada AI agen yang dapat memberikan solusi lebih sederhana untuk contoh penggunaan Anda menjamin peningkatan biaya dan latensi terkait, implementasi AI agen yang ideal dalam skenario perusahaan biasanya memerlukan:

• Cakupan produk yang ditentukan dengan baik. Prioritaskan masalah bisnis spesifik yang membutuhkan penilaian atau penalaran dalam banyak langkah yang tidak dapat dicapai secara memadai dengan otomatisasi berbasis aturan yang luas. Masalah yang membutuhkan penilaian kontekstual, penalaran dengan banyak langkah, dan pengambilan keputusan yang kompleks dalam skala besar adalah kandidat ideal untuk AI agen.

• Metrik keberhasilan yang jelas. AI Agen berhasil dalam skenario di mana kesuksesan dapat dinilai secara objektif dan kuantitatif, dan standar dapat ditegakkan. Ini tidak hanya memberikan alasan kuat yang dibutuhkan dari sudut pandang bisnis, tetapi tujuan pengoptimalan yang diperlukan dari sudut pandang operasional.

• Kompleksitas yang dapat dikelola. Sifat probabilistik AI agen berarti bahwa sistem berbasis banyak agen memerlukan risiko struktural di mana kegagalan satu langkah mungkin memiliki konsekuensi yang luas. Manfaat teoretis dari sistem agen harus jelas lebih besar daripada kompleksitas operasional.

Analisis menyeluruh terhadap penerapan AI agen di perusahaan telah menghasilkan pola spesifik yang menghadirkan nilai yang konsisten dan risiko yang dapat dikelola: proses yang padat dokumen, dukungan pelanggan (atau layanan pelanggan), dan pekerjaan pengetahuan yang dapat didokumentasikan. Ini adalah tempat yang ideal untuk memulai.

Setelah semua pemangku kepentingan yang relevan menyetujui tujuan, persyaratan, kendala, dan kriteria pengukuran, tim memasuki proses membangun agen AI yang sebenarnya: menerapkan prompt, strategi memori, logika orkestrasi, dan kerangka kerja evaluasi.

Agen harus diintegrasikan dengan sistem perusahaan, API, serta alat eksternal dan basis pengetahuan. Integrasi ini harus dirancang dengan mempertimbangkan keamanan dan telemetri. Titik observabilitas—potongan kode yang secara otomatis menangkap data operasional dan pengukuran seketika—harus disuntikkan pada titik-titik alur kerja utama untuk merekam transkrip agen, termasuk jejak penalaran agen, pemanggilan alat, dan output.

Pada setiap tahap pengembangan, tim harus menerapkan kebijakan kontrol versi yang ketat untuk varian agen individu dan (jika relevan) logika orkestrasi yang mengoordinasikan pekerjaan mereka dalam sistem berbasis banyak agen.

Memilih LLM mana yang akan memberi daya pada agen AI Anda adalah salah satu keputusan arsitektur terpenting yang harus dibuat. Menggunakan satu model untuk setiap tugas dan peran jarang merupakan pengaturan optimal dalam hal kinerja—dan bahkan ketika itu terjadi, peningkatan kinerja bertahap tersebut memiliki konsekuensi dalam hal efisiensi biaya, latensi, atau keduanya.

Pengembang harus mengambil dari portofolio model yang berbeda: model penalaran canggih untuk perencanaan yang kompleks, model khusus domain (diperoleh langsung dari penyedia model atau melalui upaya penyempurnaan organisasi Anda sendiri) untuk tugas-tugas khusus jika sesuai, model yang lebih kecil untuk meminimalkan biaya dan latensi untuk tugas volume tinggi yang lebih sederhana.

Semua integrasi—baik Anda mengintegrasikan data perusahaan, aplikasi pihak ketiga, atau sistem eksternal—dapat diperlakukan sebagai integrasi alat yang diaktifkan oleh server MCP. Idealnya, platform rekayasa agen pilihan Anda memungkinkan Anda untuk menyesuaikan perilaku MCP dengan kebutuhan contoh penggunaan spesifik Anda. Gunakan pola MCP Gateway untuk mengamankan dan mengatur semua koneksi tersebut melalui sistem backend Anda.

Jika memungkinkan, prioritaskan keterulangan dan standar terbuka, seperti MCP untuk alat dan sumber daya, OpenTelemetry untuk observabilitas, dan skema yang dapat digunakan kembali untuk prompt. Anda juga harus mengadopsi pola yang konsisten untuk penyimpanan dan pengambilan, akses alat, dan delegasi tugas.

Untuk sistem perusahaan yang akan terpapar risiko dunia nyata, keamanan AI agen harus langsung dijalin ke dalam setiap langkah pengembangan menggunakan prinsip aman sejak desain, ketimbang dimodifikasi setelah risiko terjadi.

Setiap agen AI harus diberi tag identitas yang berbeda untuk memastikan bahwa setiap tindakan yang diambil oleh agen dapat dicatat, diaudit, dan dikaitkan dengan benar. Ini tidak hanya memungkinkan penelusuran kembali masalah keamanan ke sumbernya dengan andal, tetapi juga memfasilitasi kepatuhan terhadap kerangka kerja peraturan yang terus berkembang seiring dengan kesiapan adopsi AI agen.

Sandbox dan praktik penahanan lainnya sangat penting untuk membatasi risiko. Lingkungan eksekusi agen, akses jaringan, dan akses sistem file harus selalu beroperasi pada prinsip hak istimewa minimal. Setiap komponen sistem agen harus diberikan izin minimum yang diperlukan untuk mencapai tugas yang ditentukan.

Menguji prototipe agen untuk memastikan kesiapannya sebelum dirilis ke lingkungan produksi membutuhkan lebih dari sekadar pengujian unit dan analisis statis dari siklus proses desain perangkat lunak tradisional. Hal ini juga harus mencakup validasi perilaku yang ekstensif terhadap skenario dunia nyata atau simulasi dengan tingkat akurasi tinggi. Mengingat sifat probabilistik dari sistem agen, ukuran sampel dari skenario pengujian ini harus cukup besar dan beragam untuk memberikan keyakinan yang wajar bahwa semua potensi perilaku agen yang muncul telah diamati dan dievaluasi.

Agen AI harus diuji terhadap tolok ukur dan pemeriksaan kebijakan yang telah ditentukan, yang secara akurat mencerminkan dan menegakkan perilaku yang diinginkan. Ini mungkin memerlukan pengumpulan atau pembuatan kumpulan data kebenaran dasar yang menunjukkan lintasan yang harus diikuti agen untuk setiap jenis input dan situasi. Baik tinjauan LLM sebagai Peninjau dan dengan keterlibatan manusia harus digunakan untuk menyeimbangkan peningkatan yang dibuat oleh tinjauan LLM sebagai Peninjau, sementara kepercayaan diberikan oleh tinjauan yang melibatkan manusia.

Sebelum dan sesudah penerapan awal, alur integrasi berkelanjutan/pengiriman berkelanjutan (CI/CD) yang kuat sangat penting untuk menjalankan pengujian dan evaluasi pada skala yang diperlukan, menjalankan evaluasi secara otomatis, menguji kepercayaan alat, dan menegakkan batasan keselamatan. Selama pengujian, sistem integrasi berkelanjutan (CI) membantu memastikan bahwa logika penalaran agen tidak rusak ketika model dan prompt penyusunnya diperbarui. Bahkan menukarnya dengan versi model terbaru LLM yang sudah Anda gunakan dapat memiliki efek yang tidak terduga di lingkungan yang dinamis.

Evaluasi agen AI yang sedang berlangsung pada setiap fase setelah pembuatan ADLC sangat penting bagi keberhasilan sistem agen. Evaluasi offline selama pembuatan dan CI membantu mengukur perilaku agen dan hasil secara keseluruhan. Evaluasi dalam loop dipicu saat waktu proses untuk memandu tiap keputusan agen—misalnya, dalam aplikasi RAG agen, alur kerja Anda dapat menerapkan perhitungan skor relevansi konteks untuk menentukan apakah sumber yang diambil harus digunakan untuk menghasilkan output.

Kerangka kerja evaluasi agen Anda harus terdiri dari beberapa jenis metrik, termasuk:

• Metrik kualitas, seperti persentase keberhasilan tugas, akurasi, dan tingkat keberhasilan pemanggilan alat

• Metrik keamanan, seperti pelanggaran kebijakan atau tingkat kebocoran data sensitif

• Metrik operasi, seperti latensi, konsumsi token, dan biaya per tugas

• Metrik bisnis, seperti skor kepuasan atau biaya per hasil

Melakukan tim merah secara proaktif mengidentifikasi kerentanan serangan dan potensi kegagalan penyelarasan. Tindakan ini menyimulasikan kondisi yang tidak bersahabat, seperti serangan injeksi prompt dan upaya jailbreak, untuk menguji kendala keamanan dalam skenario yang mungkin terlewat oleh pengujian perilaku standar.

Setelah diuji, dioptimalkan, dan divalidasi secara menyeluruh, agen AI diterapkan dengan aman ke lingkungan perusahaan. Fase penerapan harus dipahami sebagai aktivasi berjenjang yang disengaja dan strategis, bukan sebagai tindakan tunggal yang mirip dengan menekan tombol “TERAPKAN” berwarna merah dan berukuran besar yang sangat populer. ADLC memastikan keamanan sistem saat waktu proses melalui tindakan sandbox, kontrol versi, strategi rollback, dan pengamanan. 

Peluncuran agen AI Anda harus dijalankan secara progresif untuk mengelola risiko. Pertimbangkan strategi peluncuran yang berbeda, seperti penerapan biru-hijau, bergulir, atau bertahap, untuk menentukan mana yang paling kondusif bagi pola lalu lintas penggunaan Anda.Di lingkungan perusahaan dunia nyata yang sesungguhnya, stabilitas harus tetap menjadi prioritas utama: memisahkan peluncuran Anda secara saksama menjadi beberapa tahap memungkinkan Anda untuk memverifikasi ketahanan sistem Anda terhadap pembaruan yang berarti.

Sandbox adalah praktik membatasi secara ketat jangkauan dan kemampuan agen dan alat mereka dengan menjalankannya di dalam lingkungan eksekusi terbatas yang memberlakukan akses dengan hak istimewa minimal ke API komputasi, penyimpanan, jaringan, dan sistem. Bahkan jika agen gagal atau berperilaku buruk, sandbox yang tepat akan meminimalkan jangkauan dan besarnya potensi masalah. Ini adalah praktik penting dalam skenario apa pun di mana penyalahgunaan alat oleh satu agen, pembuatan kode, atau transformasi data mungkin memiliki konsekuensi di seluruh basis kode, integritas data, pelanggan, atau agen Anda lainnya.

Strategi implementasi umum untuk sandbox meliputi:

• Virtualisasi ringan

• Profil keamanan kontainer

• Kontrol jaringan (biasanya melalui MCP Gateway)

• Kebijakan akses sistem file

• Penegakan kebijakan tingkat gateway

ADLC tidak berakhir setelah agen AI Anda berhasil diterapkan sepenuhnya. Seperti loop berulang yang dibentuk oleh fase Pengodean & Pembuatan dan fase Uji & Rilis, fase Terapkan dan Operasikan harus dipahami sebagai dua bagian dari loop masukan yang sedang berlangsung. Sementara tujuan akhir dari loop Buat/Uji awal adalah agar agen memenuhi ambang kinerja minimum apa pun yang diperlukan untuk mencapai hasil bisnis yang diinginkan, tujuan loop Terapkan/Operasikan adalah pengoptimalan.

Setelah penerapan, pengawasan operasional yang berkelanjutan diperlukan untuk memastikan bahwa kinerja agen Anda tetap andal, efektif, dan aman di lingkungan dunia nyata. Metrik real-time yang dikompilasi dan mudah diakses di dasbor pelaporan terpadu, harus dipantau secara aktif atas regresi penyimpangan atau kinerja. Setiap regresi penting, baik dalam hal efisiensi operasional atau masukan pengguna akhir, harus ditangani secara aktif. Setiap perubahan yang timbul sebagai solusi pada masalah yang muncul tersebut harus diuji secara menyeluruh dan diterapkan secara progresif.

Observabilitas ke seluruh tumpukan sangat penting bagi sistem berbasis agen yang tidak hanya mencapai kinerja, keamanan, dan keandalan yang optimal, tetapi juga mempertahankannya dari waktu ke waktu.

Setelah implementasi berbasis agen Anda sepenuhnya divalidasi dan dioptimalkan dalam produksi langsung, lakukan audit berkelanjutan untuk memeriksa keadilan, transparansi, risiko keamanan, dan kepatuhan terhadap peraturan di samping kinerja keseluruhan.

Standar industri dan persyaratan hukum terus berkembang, dan kegagalan untuk mengikuti perkembangan keduanya secara aktif dapat mengakibatkan konsekuensi peraturan, kerugian kompetitif, atau keduanya. Penyimpangan model adalah fenomena tak terelakkan yang paling baik ditangani dengan pendekatan proaktif. Kebutuhan bisnis berubah dan sistem berbasis agen yang ada untuk memenuhi kebutuhan tersebut perlu diubah.

Untuk kebutuhan saat ini dan masa depan, perusahaan harus menjalankan katalog agen dan alat yang ditata dengan jelas yang mencatat:

• Kepemilikan, untuk memfasilitasi akuntabilitas dan eskalasi masalah

• Versi, untuk praktik manajemen perubahan yang disiplin

• Postur risiko, untuk memberikan informasi dalam pengambilan keputusan

• Semua lingkungan yang relevan, untuk mempertahankan pengawasan operasional yang lengkap

• Dapat diaudit, untuk mempercepat pengumpulan bukti, evaluasi, persetujuan, dan praktik tim merah