Apa Itu Platform Intelijen Alur Kerja?
Intelijen alur kerja menghubungkan alat Anda yang tersebar ke dalam grafik pengetahuan. Pelajari apa artinya dan mengapa otomatisasi saja tidak cukup.
By Ellis Keane · 2026-03-20
Ketika kami pertama kali mulai membangun Sugarbug, saya mencoba menjelaskan kepada seorang teman apa yang sedang kami buat – dia mengelola tim rekayasa beranggotakan 15 orang di Berlin. Saya mengatakan sesuatu seperti "ini adalah platform yang menghubungkan semua alat kerja Anda ke dalam satu lapisan cerdas", dan dia menatap saya seperti cara Anda menatap seseorang yang baru saja memberi tahu bahwa mereka sedang menemukan kembali email. "Jadi ini Zapier?" tanyanya. Dan jujur saja, saat itu saya tidak yakin memiliki jawaban yang baik tentang mengapa bukan.
Percakapan itu mengungkap sesuatu yang terus kami temui: tidak ada nama untuk apa yang sedang kami bangun. Label yang ada – "otomatisasi alur kerja", "platform produktivitas", "work OS" – semuanya menggambarkan sesuatu yang berdekatan. Kami menyebutnya platform intelijen alur kerja, dan saya ingin menjelaskan apa artinya itu sebenarnya, mengapa kami menganggapnya sebagai kategori yang berbeda, dan mengapa label yang ada terus kurang tepat.
Masalah penamaan
Setiap beberapa tahun, label kategori baru muncul di ruang produktivitas dan segera diregangkan melampaui batas pengenalannya. "Work OS" menyebar cepat setelah Monday.com mempopulerkannya, dan dalam beberapa tahun setiap alat manajemen proyek dengan kolom khusus menyebut dirinya sistem operasi kerja. "Otomatisasi alur kerja" memang berguna sebagai deskriptor – Zapier, Make, n8n, semuanya melakukan hal nyata – tetapi telah menjadi singkatan untuk "kami memindahkan data antar alat", yang hanya sebagian kecil dari apa yang benar-benar dibutuhkan tim.
Masalahnya bukan bahwa label-label ini salah, tepatnya. Masalahnya adalah mereka menggambarkan mekanisme (otomatisasi, orkestrasi, manajemen tugas) bukan hasil. Dan hasil yang sebenarnya dikejar oleh sebagian besar tim – gambaran yang jelas dan terhubung tentang apa yang terjadi di seluruh rantai alat mereka tanpa menghabiskan setengah hari merakitnya secara manual – belum memiliki kategori.
Di situlah platform intelijen alur kerja berada – bukan memindahkan data antar alat, tetapi memahami pekerjaan yang menghasilkan data tersebut sejak awal.
Apa yang sebenarnya dilakukan platform intelijen alur kerja
Izinkan saya menjelaskan ini secara konkret, karena definisi kategori abstrak adalah (dengan penuh kasih sayang) jenis tulisan yang paling tidak berguna.
Katakanlah tim Anda menggunakan Linear untuk pelacakan isu, GitHub untuk kode, Slack untuk percakapan, Figma untuk desain, dan Notion untuk dokumentasi. Itu lima alat, dan di antara tim tahap awal yang telah kami ajak bicara (dan kami sudah berbicara dengan banyak sekali pada tahap ini), itu adalah tumpukan yang sangat umum. Setiap alat luar biasa dalam apa yang dilakukannya. Masalahnya bukan pada alat individual mana pun – melainkan pada celah di antara mereka.
Platform otomatisasi alur kerja melihat celah-celah itu dan berkata: "Biarkan saya memindahkan data dari A ke B ketika sesuatu terjadi." Ketika PR GitHub digabungkan, perbarui status isu Linear. Ketika komentar Figma ditinggalkan, posting di saluran Slack yang relevan. Ini adalah otomatisasi yang berguna, dan banyak tim menjalankan lusinannya. Tetapi itu hanyalah perpipaan – mereka memindahkan informasi, tidak memahaminya.
"Otomatisasi adalah perpipaan – ia memindahkan informasi, tidak memahaminya." – Ellis Keane
Platform intelijen alur kerja melihat celah yang sama itu dan berkata: "Biarkan saya memahami apa yang terjadi di semua alat ini secara bersamaan." Platform ini membangun grafik pengetahuan – peta hubungan yang hidup dan terus diperbarui antara tugas, orang, percakapan, keputusan, dan file di setiap alat yang terhubung. Alih-alih memindahkan data dari titik A ke titik B, platform ini memahami bahwa percakapan Slack tertentu, utas komentar Figma tertentu, tiga commit GitHub, dan satu isu Linear semuanya merupakan bagian dari pekerjaan yang sama, meskipun tidak ada yang secara eksplisit menautkan mereka.
Otomatisasi alur kerja memindahkan data antar alat. Intelijen alur kerja memahami hubungan antara data yang sudah ada di alat-alat Anda. Yang satu adalah perpipaan; yang lain adalah pemahaman.
Perbedaan ini penting karena otomatisasi gagal tepat di mana tim paling membutuhkannya: dalam situasi yang rumit, ambigu, dan bergantung pada konteks di mana utas Slack melayang ke tiga topik, keputusan dibuat dalam rapat dan tidak pernah kembali ke pelacak isu, atau tinjauan desain menghasilkan umpan balik yang tidak ditugaskan oleh siapa pun kepada siapa pun.
Grafik pengetahuan: cara kerjanya sesungguhnya
"Grafik pengetahuan" terdengar seperti istilah yang dilemparkan dalam pitch deck dan tidak berarti apa-apa dalam praktiknya, jadi izinkan saya spesifik tentang apa yang kami maksud (dan sejujurnya, apa yang masih kami pelajari di batas-batasnya).
Dalam kasus Sugarbug, grafik pengetahuan adalah struktur data yang terus diperbarui yang memetakan tiga hal:
- Tugas – bukan hanya item di pelacak isu Anda, tetapi apa pun yang mewakili unit kerja, baik yang ada di Linear, GitHub, Notion, atau yang hanya pernah didiskusikan dalam utas Slack
- Orang – siapa yang terlibat, apa yang mereka kerjakan, dengan siapa mereka paling banyak berinteraksi, dan bagaimana pekerjaan mereka berhubungan dengan orang lain
- Sinyal – setiap potongan informasi yang masuk dari setiap alat yang terhubung: pesan, komentar, commit, perubahan status, pembaruan file, acara kalender
Setiap sinyal diklasifikasikan ketika tiba. Apakah ini adalah pekerjaan baru, pembaruan untuk sesuatu yang sudah kami lacak, informasi tentang seseorang, atau kebisingan? Klasifikasinya bersifat programatik di mana memungkinkan (PR GitHub yang tertaut ke isu Linear tidak ambigu) dan menggunakan LLM di mana tidak memungkinkan (pesan Slack yang menyebutkan nama fitur secara kasual tanpa tautan alat eksplisit apa pun).
Seiring waktu, grafik menjadi lebih padat, dan ini benar-benar bagian yang paling kami gemari. Koneksi antara tugas, orang, dan percakapan yang tidak jelas pada saat penyerapan menjadi terlihat melalui pola. Anda mulai melihat hal-hal seperti: keputusan desain tertentu ini didiskusikan di empat saluran berbeda selama dua minggu sebelum ada yang membuat keputusan, dan keputusan itu dibuat dalam rapat yang tidak didokumentasikan oleh siapa pun. Bagaimana Anda bahkan akan mulai merekonstruksi itu secara manual? Anda harus mencari di empat alat, referensi silang stempel waktu, dan berharap semua orang menggunakan bahasa yang cukup konsisten sehingga Anda dapat mengikuti utas. Kebanyakan orang hanya menyerah dan bertanya kepada seseorang yang ada di sana.
Otomatisasi berbasis aturan jarang merekonstruksi jenis riwayat keputusan multi-alat seperti itu tanpa pemodelan manual yang berat. Grafik pengetahuan yang persisten bisa, karena telah mengamati semua sinyal saat mereka tiba.
Di mana otomatisasi saja tidak cukup
Alat otomatisasi benar-benar baik dalam apa yang mereka lakukan (kami sendiri menggunakan beberapa), tetapi ada tiga mode kegagalan spesifik di mana intelijen alur kerja mengambil alih:
Masalah keruntuhan konteks
Otomatisasi memindahkan data, tetapi mereka mengupas konteks dalam perjalanan. Ini sebagian merupakan batasan teknis – payload webhook dan respons API REST secara desain bersifat datar, membawa peristiwa yang memicunya tetapi bukan keadaan relasional di sekitarnya. Ketika otomatisasi Zapier memposting komentar Figma ke Slack, Anda mendapatkan teks komentar. Anda tidak mendapatkan tiga komentar sebelumnya dalam utas itu, isu Linear yang terkait dengan desain tersebut, atau percakapan Slack minggu lalu di mana pendekatan tersebut awalnya diperdebatkan. Otomatisasi menyampaikan data dengan setia; ia hanya tidak tahu bahwa semua hal itu terhubung.
Platform intelijen alur kerja tidak mengupas konteks itu – ia adalah hal yang memahami konteks sejak awal. Ketika memunculkan komentar Figma, ia sudah tahu tugas apa yang terkait, siapa yang terlibat, dan seperti apa riwayat percakapan di berbagai alat.
Masalah "tidak ada yang menautkannya"
Otomatisasi bergantung pada koneksi eksplisit: PR yang ditautkan ke isu, bingkai Figma yang diberi tag dengan nomor tiket. Ketika orang lupa membuat koneksi tersebut (dan mereka selalu lupa, karena orang sibuk dan menautkan sesuatu adalah hambatan), otomatisasi tidak memiliki apa pun untuk dikerjakan.
Intelijen alur kerja tidak memerlukan tautan eksplisit. Ia menyimpulkan hubungan dari waktu, peserta, kemiripan konten, dan aliran percakapan. Jika tiga orang mendiskusikan perubahan API tertentu di Slack pada Selasa, PR yang menyentuh API tersebut dibuka pada Rabu, dan isu Linear tentang fitur yang sama berpindah ke "Sedang Ditinjau" pada Kamis, grafik menghubungkannya meskipun tidak ada yang menambahkan referensi silang.
Masalah "saya perlu tahu apa yang terjadi"
Otomatisasi berorientasi ke depan – ketika X terjadi berikutnya, lakukan Y. Mereka tidak membantu Anda merekonstruksi apa yang sudah terjadi. Jika Anda perlu memahami riwayat lengkap keputusan yang berlangsung di Slack, Notion, dan Linear selama sebulan terakhir, tidak ada otomatisasi yang akan merakitnya untuk Anda.
Platform intelijen alur kerja (jika dibangun dengan benar, dan kami sedang mengerjakan ini secara aktif) dapat menelusuri keseluruhan busur keputusan atau tugas di berbagai alat dan waktu, merakit narasi yang koheren dari sinyal yang tersebar. Kami belum berhasil dengan sempurna – ada kasus tepi seputar tugas yang berjalan lama yang berkembang secara signifikan selama berminggu-minggu – tetapi ini adalah salah satu kemampuan yang paling kami fokuskan.
Apa artinya ini bagi cara tim bekerja
Tidak ada satu pun dari ini yang menghasilkan alur kerja baru yang revolusioner (sejujurnya, curigalah pada siapa pun yang memberi tahu Anda bahwa mereka memilikinya). Yang dihasilkan adalah serangkaian perbaikan kecil yang terus bertambah:
Persiapan rapat yang terjadi dengan sendirinya. Alih-alih menghabiskan 20 menit sebelum 1:1 membaca utas Slack, memeriksa papan Linear, dan meninjau PR terbaru untuk memahami apa yang sedang dikerjakan seseorang, grafik pengetahuan sudah memiliki konteks tersebut terakit – Anda masuk sudah mengetahui apa yang terjadi, tidak buru-buru mengejar.
Pembaruan status yang tidak perlu ditulis siapa pun. Jika grafik memahami apa yang berubah di berbagai alat minggu ini – isu mana yang berpindah, PR mana yang digabungkan, percakapan mana yang diselesaikan – sebuah ringkasan dapat dihasilkan yang lebih akurat daripada yang akan ditulis oleh individu mana pun dari memori. (Ironi pekerja pengetahuan yang menghabiskan 30 menit setiap Senin pagi menulis narasi tentang pekerjaan yang sudah dilacak di tiga sistem berbeda tidak luput dari perhatian kami.) Kami masih mengeksplorasi bagaimana tepatnya menyajikan ini – ini adalah masalah desain sama seperti masalah data – tetapi bahan mentahnya sudah ada di grafik.
Tugas terlewat yang berhasil ditangkap. Keputusan yang dibuat dalam utas Slack yang tidak pernah kembali ke pelacak isu. Komentar Figma yang diakui tetapi tidak pernah ditindaklanjuti. Isu Linear yang sudah tiga minggu berada di "Sedang Dikerjakan" tanpa aktivitas terbaru. Ini adalah hal-hal yang jatuh di celah antar alat, dan inilah tepat jenis pola yang dapat dideteksi oleh grafik pengetahuan.
Pencarian lintas alat yang benar-benar berfungsi. "Di mana kita memutuskan untuk menggunakan pola API itu?" bisa dijawab dari Slack, Notion, deskripsi PR GitHub, atau komentar isu Linear. Mencari di setiap alat satu per satu sangat menyakitkan, dan pencarian sebagian besar alat paling bagus pun hanya biasa-biasa saja. Platform intelijen alur kerja yang telah mengindeks segalanya dapat memunculkan jawaban terlepas dari di mana pun jawabannya berada.
Nilai dari intelijen alur kerja bukanlah satu fitur unggulan – melainkan efek gabungan dari konteks yang terhubung di semua alat yang digunakan tim Anda. Setiap integrasi membuat setiap integrasi lainnya semakin berharga.
Bagaimana intelijen alur kerja dibandingkan dengan kategori yang berdekatan
Membantu untuk menarik garis yang jelas antara platform intelijen alur kerja dan kategori yang paling sering disamakannya.
| Kategori | Yang dilakukannya | Yang tidak dilakukannya | |----------|-----------------|------------------------| | Otomatisasi alur kerja (Zapier, Make) | Memindahkan data antar alat berdasarkan pemicu | Memahami hubungan atau konteks | | Manajemen proyek (Linear, Asana) | Melacak tugas dalam satu sistem | Menghubungkan konteks antar alat | | Work OS (Monday, ClickUp) | Mengkonsolidasikan pekerjaan ke satu platform | Bekerja dengan alat Anda yang sudah ada – memerlukan migrasi | | Manajemen pengetahuan (Notion, Confluence) | Menyimpan dokumen dan wiki | Memperbarui secara otomatis atau menyimpulkan koneksi | | Intelijen alur kerja (Sugarbug) | Memahami hubungan di semua alat | Menggantikan alat individual mana pun |
Perbedaan kuncinya ada di baris terakhir. Platform intelijen alur kerja tidak meminta Anda mengganti apa pun – yang, jika Anda pernah mencoba memigrasikan tim beranggotakan 20 orang dari alat yang telah mereka kustomisasi selama dua tahun, Anda akan menghargai bahwa itu bukan hal kecil. Platform ini berdampingan dengan tumpukan Anda yang sudah ada dan membuat koneksi antar alat yang tidak bisa dibuat oleh alat-alat tersebut sendiri. Jika Anda senang dengan Linear, GitHub, dan Slack (dan sejujurnya, Anda mungkin seharusnya senang – masing-masing adalah terbaik di kelasnya), pertanyaannya bukan "mana yang harus saya ganti?", melainkan "bagaimana saya membuat mereka saling memahami satu sama lain?"
Pertanyaan "mengapa sekarang"
Orang-orang yang membangun kategori suka mengklaim bahwa kondisi baru-baru ini telah selaras untuk membuat hal mereka mungkin, dan (untuk jujur) setengah dari waktu itu adalah omong kosong yang menguntungkan diri sendiri. Tetapi ada dua perubahan nyata yang membuat intelijen alur kerja lebih layak sekarang daripada tiga tahun lalu:
LLM dapat mengklasifikasikan dan menghubungkan sinyal yang ambigu. Langkah klasifikasi – mengetahui bahwa pesan Slack tentang "alur kerja orientasi" terkait dengan isu Linear tertentu dan file Figma tertentu – dulu memerlukan penandaan eksplisit oleh pengguna atau NLP yang sangat rapuh. Model bahasa modern menangani ini dengan cukup baik sehingga akurasinya bersifat praktis, bukan akademis. Dalam pengujian kami sendiri, pengklasifikasi sinyal mendapatkan tautan yang tepat dalam sebagian besar waktu, dan ketika tidak yakin, ia memberikan tanda daripada menebak.
Tim telah mengkonvergensi pada satu set alat yang umum. Di antara perusahaan teknologi tahap awal (ICP kami, jadi ambil ini dengan kadar garam yang sesuai), ada pola yang sangat konsisten: beberapa kombinasi Linear atau Jira untuk isu, GitHub atau GitLab untuk kode, Slack untuk obrolan, Figma untuk desain, Notion atau Confluence untuk dokumentasi. Konvergensi itu membuat praktis untuk membangun integrasi mendalam di seluruh set alat yang dapat dikelola daripada mencoba menghubungkan segalanya dengan segalanya.
Tidak ada satu pun dari keduanya yang membenarkan kategori baru. Bersama-sama, keduanya memungkinkan untuk membangun sesuatu yang tidak akan bekerja dengan baik bahkan beberapa tahun lalu – dan itu benar-benar menyenangkan!
Apa yang bukan intelijen alur kerja
Ini bukan AI yang melakukan pekerjaan Anda untuk Anda. Kecerdasannya ada dalam memahami dan memunculkan – mengetahui bahwa ketiga hal ini terkait, bahwa tugas ini terhenti, bahwa keputusan ini dibuat tetapi tidak pernah didokumentasikan. Ini tidak menulis kode Anda, merancang antarmuka Anda, atau membuat keputusan Anda. Ini memastikan Anda memiliki konteks yang Anda butuhkan untuk melakukan hal-hal tersebut dengan baik.
Ini bukan sebuah dashboard. Kami jujur sudah cukup memiliki dashboard – organisasi rekayasa rata-rata memiliki lebih banyak tampilan metrik real-time daripada insinyur yang membacanya. Intelijen alur kerja menunjukkan kepada Anda hubungan, celah, dan pola sebagai gantinya. Dashboard memberi tahu Anda bahwa 12 isu sedang dalam proses. Intelijen alur kerja memberi tahu Anda bahwa tiga dari isu tersebut tidak memiliki aktivitas apa pun selama dua minggu, satu di antaranya diblokir oleh keputusan desain yang didiskusikan di Slack tetapi tidak pernah diselesaikan, dan insinyur yang ditugaskan untuk yang lain telah sepenuhnya ditarik ke aliran kerja yang berbeda.
Ini bukan pengganti proses yang baik. (Dan sejujurnya, tidak ada alat yang bisa.) Jika tim Anda tidak berkomunikasi, memiliki kepemilikan yang tidak jelas, atau mengirimkan tanpa tinjauan, intelijen alur kerja akan membuat masalah tersebut lebih terlihat, bukan memperbaikinya. Ini adalah alat diagnostik sekaligus alat produktivitas – ini menunjukkan kepada Anda di mana celahnya, tetapi menutupnya masih merupakan pekerjaan manusia.
Cara mengetahui apakah tim Anda memiliki masalah intelijen alur kerja
Sebelum mengevaluasi alat apa pun (milik kami atau lainnya), berikut adalah diagnostik cepat yang dapat Anda jalankan minggu ini:
- Pilih satu keputusan yang dibuat tim Anda bulan lalu. Coba rekonstruksi di mana pertama kali dibahas, siapa yang terlibat, dan di mana keputusan akhir didokumentasikan. Jika membutuhkan lebih dari 5 menit untuk melacaknya, Anda memiliki fragmentasi konteks.
- Hitung ritual lintas alat Anda. Berapa kali per minggu seseorang di tim Anda secara manual menyalin informasi dari satu alat ke alat lain – ringkasan Slack ke isu Linear, catatan rapat ke Notion, keputusan desain ke utas komentar? Masing-masing adalah sinyal bahwa konteks tidak mengalir secara otomatis.
- Tanyakan kepada tim Anda: "Di mana kita memutuskan X?" Pilih sesuatu yang spesifik dari dua minggu lalu. Jika jawabannya adalah "saya rasa di Slack, mungkin?" atau "tanya Sarah, dia ada di rapat itu", keputusan Anda hidup dalam memori orang-orang daripada dalam alat-alat Anda.
Jika ada satu pun dari itu yang benar (dan dalam pengalaman kami, ketiganya cenderung berlaku untuk tim dengan lebih dari sekitar 8 orang), Anda sedang mengalami celah yang diatasi oleh intelijen alur kerja – apakah Anda menyelesaikannya dengan alat, perubahan proses, atau manusia yang sangat terorganisir dengan spreadsheet bersama.
Di mana kami berada dengan Sugarbug
Saya akan melakukan Anda ketidakadilan jika menggambarkan semua ini seolah-olah itu adalah produk yang sudah selesai dan dipoles di rak. Kami masih pra-peluncuran. Grafik pengetahuan bekerja di Linear, GitHub, Slack, Figma, Notion, email, dan sumber kalender, dan sudah melakukan hal-hal yang benar-benar berguna – persiapan rapat dan klasifikasi sinyal adalah bagian yang paling kami yakin. Tetapi ada area di mana kami masih melakukan iterasi, terutama seputar penelusuran keputusan jangka panjang dan memunculkan pola yang muncul selama berminggu-minggu daripada berhari-hari.
Yang kami yakin adalah kategorinya. Celah antara "otomatisasi yang memindahkan data" dan "intelijen yang memahami pekerjaan" itu nyata, dan tidak ada kategori alat yang ada yang mengatasinya dengan baik. Kami telah menghabiskan cukup waktu mengamati tim merakit ulang konteks secara manual di seluruh rantai alat mereka untuk mengetahui bahwa masalahnya nyata, dan kami telah membangun cukup banyak solusinya untuk mengetahui bahwa itu berhasil.
Jika ada sesuatu dari ini yang beresonansi – jika Anda pernah menghabiskan Jumat sore merakit konteks secara manual yang seharusnya sudah jelas – kami ingin sekali mendengar dari Anda. Kami belum siap untuk semua orang, tetapi kami semakin dekat, dan umpan balik awal dari tim yang hidup dengan masalah ini adalah hal paling berguna yang bisa kami dapatkan saat ini.
Berhentilah merakit konteks secara manual yang sudah dimiliki alat-alat Anda. Sugarbug menghubungkan titik-titik di antara Linear, GitHub, Slack, Figma, dan Notion secara otomatis.
Q: Apa itu platform intelijen alur kerja? A: Platform intelijen alur kerja menghubungkan alat-alat Anda yang sudah ada – Linear, GitHub, Slack, Figma, Notion, dan lainnya – ke dalam grafik pengetahuan yang hidup. Alih-alih mengotomatiskan tindakan individual, platform ini memahami hubungan antara tugas, orang, dan percakapan di berbagai alat, serta secara otomatis memunculkan wawasan dan menangkap tugas terlewat.
Q: Apa bedanya intelijen alur kerja dengan otomatisasi alur kerja? A: Otomatisasi alur kerja memindahkan data antar alat saat pemicu aktif – jika X terjadi, lakukan Y. Intelijen alur kerja membangun pemahaman yang persisten tentang pekerjaan Anda di berbagai alat, mengenali bahwa sebuah utas Slack, PR GitHub, dan isu Linear semuanya merupakan bagian dari keputusan yang sama. Ini adalah perbedaan antara perpipaan dan pemahaman.
Q: Apakah Sugarbug menggantikan alat seperti Zapier atau Make? A: Tidak. Sugarbug bukan lapisan otomatisasi – ini adalah lapisan intelijen yang berdampingan dengan alat dan otomatisasi Anda yang sudah ada. Anda tetap menggunakan Linear, GitHub, Slack, dan apa pun yang cocok untuk tim Anda. Sugarbug menghubungkan konteks di antara mereka agar tidak ada yang jatuh di celah.
Q: Bisakah Sugarbug membangun grafik pengetahuan dari alat-alat saya yang sudah ada? A: Ya. Sugarbug terhubung ke alat-alat Anda melalui API dan membangun grafik pengetahuan yang hidup tentang tugas, orang, percakapan, dan keputusan. Setiap sinyal dari setiap sumber yang terhubung diklasifikasikan, ditautkan, dan dibuat dapat dicari. Semakin lama berjalan, semakin kaya grafik tersebut.
Q: Untuk siapa intelijen alur kerja ini? A: Intelijen alur kerja paling berharga bagi tim beranggotakan 5–50 orang yang menggunakan beberapa alat (biasanya 5+) di mana informasi tersebar di berbagai platform. Manajer teknik, pemimpin produk, dan operator startup yang terlalu banyak menghabiskan waktu memindahkan informasi antar alat dan kurang waktu untuk melakukan pekerjaan yang sebenarnya.