TL;DR
Rilis Sumber Terbuka: Google memiliki Scion bersumber terbuka, sebuah pengujian eksperimental yang mengatur beberapa agen pengkodean AI sebagai proses bersamaan yang terisolasi. Cara Kerja: Setiap agen menerima kontainer, git worktree, dan kredensialnya sendiri, mencegah interferensi ketika beberapa agen bekerja pada proyek yang sama. Vendor Agnostic: Scion mendukung Claude Code, Gemini CLI, dan Codex OpenAI di bawah satu lapisan orkestrasi tanpa mengunci pengembang ke dalam satu ekosistem. Pengorbanan Utama: Sistem multi-agen mengonsumsi token 3-10x lebih banyak dibandingkan pendekatan agen tunggal, sehingga menimbulkan pertanyaan efisiensi biaya bagi pengguna perusahaan.
Google memiliki Scion bersumber terbuka, sebuah pengujian eksperimental yang memperlakukan agen pengkodean AI seperti mesin virtual, memberikan masing-masing wadah, kredensial, dan ruang kerja tersendiri sehingga beberapa agen dapat mengerjakan proyek yang sama tanpa mengganggu satu sama lain.
Seiring dengan perusahaan yang meningkatkan penerapan AI multi-agen, dengan data dari Databricks yang menunjukkan pertumbuhan alur kerja multi-agen sebesar 327%, tantangan untuk menjalankan agen otonom secara bersamaan tanpa tabrakan telah menjadi masalah infrastruktur yang mendesak. Scion mengatasi hal ini dengan mengisolasi agen di lapisan infrastruktur, bukan membatasi mereka dengan aturan, sebuah pendekatan yang disebut Google sebagai “hypervisor untuk agen.”
Sama seperti hypervisor yang mengizinkan beberapa sistem operasi untuk berbagi perangkat keras tanpa saling bertemu, Scion bertujuan untuk memungkinkan beberapa agen AI berbagi basis kode tanpa merusak pekerjaan satu sama lain.
Cara Kerja Scion
Scion mengatur agen mendalam termasuk Claude Code, Gemini CLI, dan Codex OpenAI sebagai proses bersamaan yang terisolasi. Setiap agen menerima container, git worktree, dan kredensialnya sendiri, yang memungkinkan mereka mengerjakan bagian berbeda dari proyek secara mandiri. Agen dapat berjalan secara lokal, pada VM jarak jauh, atau di seluruh kluster Kubernetes, sehingga sistem dapat dijalankan baik oleh pengembang individu yang melakukan pengujian secara lokal maupun tim yang beroperasi di seluruh infrastruktur terdistribusi.
Dengan mendukung agen dari Anthropic, Google, dan OpenAI dalam satu lapisan orkestrasi, Scion menghindari penguncian pengembang ke dalam ekosistem agen vendor tertentu. Analis Forrester menyebut kategori ini sebagai “bidang kendali agen”, yaitu lapisan tata kelola yang berada di atas implementasi agen individual.
Koneksi ke agen dijalankan melalui adaptor yang disebut harness, yang mengelola siklus hidup, autentikasi, dan konfigurasi untuk setiap agen yang didukung. Agen yang didukung saat ini menyertakan Gemini CLI dan Claude Code dengan integrasi penuh, sedangkan OpenCode dan Codex memiliki dukungan parsial. Di sisi waktu proses, Scion mendukung Docker, Podman, container Apple, dan Kubernetes, yang mencakup lingkungan containerisasi yang banyak digunakan dalam pengembangan profesional.
“Scion lebih menyukai agen yang berjalan dalam mode –yolo, sambil mengisolasinya dalam container, git worktrees, dan pada node komputasi yang tunduk pada kebijakan jaringan di lapisan infrastruktur.”
Dokumentasi Scion (melalui Google Cloud Platform)
Daripada membatasi apa yang dapat dilakukan agen melalui batasan tingkat perangkat lunak, Scion menerapkan pagar pembatas di tingkat infrastruktur. Scion mengatur agen berbasis CLI yang sudah dibangun dan dijalankan, berfungsi sebagai infrastruktur dan bukan kerangka kerja. Sebaliknya, AutoGen dan LangGraph menyediakan pustaka untuk alur kerja agen pembuat dari awal.
Filosofi Isolasi Atas Batasan ini kontras dengan pendekatan berbasis protokol seperti MCP, yang berupaya menstandardisasi perilaku agen melalui antarmuka yang kaku, bukan sandboxing lingkungan.
Scion juga mendukung siklus hidup agen yang berbeda: beberapa agen bisa menjadi spesialis berumur panjang yang bertahan di seluruh sesi, sementara yang lain adalah pekerja sementara yang dihasilkan untuk satu tugas dan dibuang. Agen mempelajari penggunaan alat secara dinamis melalui perintah bantuan CLI, sebuah kemampuan yang disebut dokumentasi sebagai “Keterampilan Progresif”, sehingga mengurangi kebutuhan akan konfigurasi di awal.
Komponen multi-agen tambahan mencakup memori agen, ruang chat untuk komunikasi antar-agen, dan manajemen tugas. Jika digabungkan, fitur-fitur ini menangani siklus hidup penuh pekerjaan agen terkoordinasi, bukan sekadar isolasi proses.
Konsep Arsitektur
Scion memperkenalkan terminologinya sendiri untuk mengelola proyek multi-agen. Grove mewakili ruang kerja proyek, hub berfungsi sebagai bidang kontrol untuk mengatur agen dalam grove, dan broker runtime adalah mesin tempat hub dijalankan. Arsitektur berlapis memungkinkan proyek yang sama menjangkau beberapa node komputasi sambil mempertahankan orkestrasi terpusat.
Seorang orkestra utama mengelola subagen khusus untuk subtugas tertentu, mengikuti pola hierarki yang telah ditetapkan di seluruh ekosistem multi-agen yang lebih luas.
Orang-orang Skeptis Ada Benarnya
Scion hadir di tengah skeptisisme yang tulus terhadap pendekatan multi-agen. Pada bulan Januari, tim teknik Anthropic memperingatkan bahwa tim sering kali menghabiskan waktu berbulan-bulan untuk membangun arsitektur multi-agen yang rumit hanya untuk menemukan bahwa peningkatan dorongan pada satu agen mencapai hasil yang setara. Menurut perkiraan industri, penerapan multi-agen biasanya menggunakan token 3-10x lebih banyak dibandingkan pendekatan agen tunggal untuk tugas-tugas yang setara, sehingga menimbulkan pertanyaan efisiensi biaya yang perlu dipertimbangkan dengan cermat oleh pengguna perusahaan.
Menjalankan Claude Code, Gemini CLI, dan Codex secara bersamaan pada proyek yang sama dapat menghasilkan biaya API yang besar. Jika satu agen yang dirancang dengan baik dapat menyamai keluaran dari tiga agen secara bersamaan, biaya orkestrasi mungkin tidak sebanding dengan biaya yang harus dikeluarkan oleh banyak tim pengembangan. Organisasi kecil yang tidak memiliki anggaran infrastruktur seperti perusahaan yang sudah berinvestasi dalam penerapan AI multi-cloud menghadapi pertanyaan ekonomi yang sangat tajam.
Banyak sistem multi-agen saat ini juga mengandalkan heuristik yang rapuh dan terprogram yang gagal ketika lingkungan berubah, sebuah batasan yang mempersulit penerapan produksi. Keamanan menghadirkan tantangan lain: Nicole Carignan dari Darktrace memperingatkan pada bulan Februari bahwa sistem multi-agen memperkenalkan vektor serangan baru yang dapat dieksploitasi jika tidak diamankan sejak awal. Peneliti keamanan Google sendiri menunjukkan risiko ini secara langsung, dengan mengungkapkan kerentanan injeksi tugas di Operator OpenAI pada bulan Januari yang mengelabui agen agar menganggap subtugas berbahaya sebagai sah.
Desain yang mengutamakan isolasi dari Scion secara langsung mengatasi masalah keamanan tersebut. Dengan memasukkan setiap agen ke dalam wadahnya sendiri dengan kredensial dan kebijakan jaringan terpisah, hal ini mencegah satu agen yang disusupi mengakses sumber daya atau data lain. Analis Forrester, Leslie Joseph, berargumentasi bahwa tata kelola harus berada di luar lingkungan pembangunan dan orkestrasi, sehingga menempatkan bidang kendali vendor-agnostic sebagai hasil yang tidak dapat dihindari. Scion sejalan dengan tren tersebut, dengan memberikan lapisan orkestrasi yang agnostik terhadap penerapan agen yang mendasarinya.
Keputusan Google untuk memimpin dengan isolasi dibandingkan pembatasan perilaku mencerminkan pola dalam pendekatan perusahaan terhadap keselamatan agen. Pada bulan Desember 2025, Google memperkenalkan Kritik Penyelarasan Pengguna di Chrome yang menggunakan model Gemini kedua yang terisolasi untuk memeriksa setiap tindakan yang diambil agen utama. Scion menerapkan prinsip serupa pada lapisan infrastruktur: memercayai masing-masing agen untuk beroperasi secara bebas, namun menahan radius ledakan melalui isolasi lingkungan.
Demonstrasi dan Outlook
Untuk menunjukkan kemampuan Scion, Google merilis basis kode untuk Relics of the Athenaeum, sebuah permainan tempat sekelompok agen berkolaborasi untuk menyelesaikannya teka-teki komputasi melalui ruang kerja bersama dan pesan langsung. Game runner memunculkan agen karakter secara dinamis, dan agen tersebut pada gilirannya menciptakan pekerja dan agen khusus sesuai kebutuhan, yang menunjukkan hierarki agen multi-level dalam praktiknya.
Karyawan Google Cloud Richard Seroter mengonfirmasi menjalankan Scion secara lokal selama akhir pekan, dengan menyatakan bahwa itu adalah memanfaatkan-agnostik dan mendukung pengorganisasian pekerjaan di Gemini CLI, Codex, Claude, dan OpenCode.
Validasi langsung dari dalam Google menunjukkan bahwa proyek tersebut, meskipun bersifat eksperimental, cukup fungsional untuk pengujian di dunia nyata. Pengalaman Seroter juga menyoroti bahwa model isolasi berbasis container Scion dapat berfungsi di lingkungan host yang berbeda, sehingga merupakan persyaratan praktis untuk tim dengan pengaturan pengembangan yang heterogen.
Scion secara eksplisit bersifat eksperimental, dan Google belum mengumumkan rencana untuk integrasi produksi dengan layanan cloud-nya. GitHub berkembang menjadi platform orkestrasi multi-agen di mana sistem AI yang bersaing beroperasi secara berdampingan, dan konsensus industri antara Deloitte, Gartner, dan Accenture menyatakan bahwa orkestrasi dan penggunaan alat akan menentukan tahun 2026 bagi agen AI. Apakah pendekatan tingkat infrastruktur Scion terhadap keselamatan agen dapat memperoleh daya tarik akan bergantung pada apakah penerapan multi-agen membuktikan nilainya melebihi apa yang dapat dicapai oleh sistem agen tunggal dengan dorongan yang lebih baik.
