Agen AI adalah sistem AI yang melakukan lebih dari sekadar mengobrol. Agen menerima tujuan, menggunakan alat perangkat lunak, mengingat hal-hal yang telah dipelajari, dan mengikuti aturan yang ditetapkan hingga pekerjaan selesai. Peralihan dari sekadar menjawab ke bertindak inilah yang membuat perusahaan seperti OpenAI dan Anthropic kini menganggap agen sebagai langkah besar AI berikutnya.
Singkatnya
Agen AI adalah model yang dilengkapi alat, memori, dan aturan sehingga dapat menyelesaikan tugas sendiri, langkah demi langkah.
Berbeda dengan chatbot biasa, agen dapat membuat rencana, menggunakan perangkat lunak lain, memeriksa hasilnya, lalu melanjutkan pekerjaannya.
Agen dapat menyelesaikan pekerjaan nyata, tetapi biayanya lebih besar, risikonya lebih tinggi, dan jauh lebih sulit diuji.
Apa Sebenarnya Agen AI Itu
Chatbot biasa menjawab pesan yang diberikan lalu berhenti. Agen AI menerima sebuah tujuan, misalnya “jadwalkan rapat dengan tim penjualan minggu depan”, lalu menentukan langkah-langkah untuk mencapainya. Agen mungkin memeriksa kalender, mencari waktu kosong, menyusun undangan, lalu mengirimkannya.
Buku panduan pengembang OpenAI menggambarkan agen sebagai sistem yang memberi model tujuan, alat, memori, dan pagar pengaman agar model dapat bertindak lebih jauh daripada sekadar percakapan bolak-balik. Gambaran sederhananya: model adalah otaknya, sedangkan agen adalah otak ditambah tangan, buku catatan, dan buku aturan.
“Otonom” adalah kata yang besar dan perlu digunakan dengan hati-hati. Sangat sedikit agen yang benar-benar digunakan secara mandiri sepenuhnya. Agen dukungan pelanggan mungkin membaca keluhan, mencari informasi pesanan, menerapkan kebijakan pengembalian dana, dan menyusun balasan, tetapi hanya boleh memberikan pengembalian dana secara mandiri untuk jumlah di bawah batas tertentu. Model melakukan penalaran, sementara sistem di sekelilingnya mengatur persetujuan dan menyimpan catatan.
Perbedaan Agen AI dan Chatbot Biasa
Model bahasa besar, atau LLM, jika berdiri sendiri hanya bereaksi terhadap prompt. Anda memasukkan teks dan model memprediksi teks untuk keluarannya. Sekalipun terdengar penuh pertimbangan, model tidak memiliki memori bawaan antarsesi obrolan, data langsung, atau izin untuk melakukan apa pun di dunia nyata.
Agen menambahkan sebuah siklus. Model melihat tugas, menentukan apa yang dibutuhkan, memanggil alat, membaca hasilnya, lalu memilih langkah berikutnya. Panduan praktis OpenAI tentang cara membangun agen menyatakan bahwa desain ini memungkinkan agen menjalankan alur kerja bagi pengguna dengan tingkat kemandirian yang tinggi.
Siklus itu juga mengubah cara terjadinya kesalahan. Chatbot biasa mungkin mengarang fakta. Agen mungkin bertindak berdasarkan fakta karangan itu dengan mengambil data yang salah, mengirim email yang keliru, atau berulang kali melakukan langkah yang buruk.
Berikut perbedaannya secara berdampingan.
Chatbot biasa (LLM statis):
Paling cocok untuk menulis sekali-sekali dan menjawab pertanyaan
Kurang andal dalam menangani data langsung kecuali terhubung ke alat
Tidak memiliki memori bawaan dari satu tugas ke tugas berikutnya
Biasanya tidak dapat melakukan tindakan nyata
Agen AI:
Paling cocok untuk tugas yang terdiri dari banyak langkah
Dapat menggunakan alat untuk pencarian, kode, berkas, atau aplikasi bisnis
Dapat menyimpan memori jangka pendek dan jangka panjang
Dapat bertindak di dunia nyata, biasanya dengan persetujuan dan batasan
Komponen Penyusun Agen AI
Sebagian besar agen dibangun dari sejumlah komponen yang sama. Panduan OpenAI untuk pengembang secara khusus menekankan pentingnya pagar pengaman, seperti memblokir pemanggilan alat yang tidak aman, meminta persetujuan seseorang untuk langkah berisiko, atau mewajibkan sumber sebelum agen bertindak. Komponen yang umum adalah:
Tujuan: tugas yang jelas, seperti “ringkas kontrak-kontrak ini dan tandai ketentuan yang tidak biasa”
Perencana: bagian yang memecah pekerjaan menjadi beberapa langkah
Pelaksana: bagian yang menjalankan setiap langkah, sering kali dengan memanggil alat
Memori: konteks tersimpan yang dapat digunakan agen nanti
Pagar pengaman: aturan, pemeriksaan persetujuan, dan batas keselamatan
Evaluator: pemeriksaan untuk memastikan hasilnya benar dan bermanfaat
Setiap langkah tambahan membutuhkan biaya dan waktu, karena tiap langkah bisa berarti panggilan model baru, panggilan perangkat lunak baru, dan waktu tunggu lebih lama. Jawaban cepat dari chatbot berbiaya rendah. Agen yang mencari berkas, memeriksa basis data, dan menulis laporan bisa berbiaya berkali-kali lipat. Jika satu prompt dan satu jawaban sudah cukup untuk menyelesaikan pekerjaan, pengaturan yang lebih sederhana biasanya merupakan pilihan yang lebih baik.
Cara Perencanaan dan Alat Bekerja Bersama
Desain yang umum membagi pekerjaan menjadi dua bagian. Perencana menentukan apa yang perlu dilakukan, lalu pelaksana mengerjakannya. Terkadang satu model menjalankan kedua peran, dan terkadang model atau prompt yang berbeda menangani masing-masing peran.
Misalnya, Anda meminta ringkasan singkat tentang kondisi pasar sebuah perusahaan. Perencana menyusun langkah-langkahnya: mencari laporan terbaru, mengambil data pendapatan, membandingkan kuartal, menulis ringkasan, dan memeriksa apakah ada yang terlewat. Pelaksana kemudian menjalankan daftar itu dengan menggunakan pencarian, spreadsheet, atau kode.
Model biasanya tidak berinteraksi langsung dengan perangkat lunak lain. Model memilih alat dan mengisi detailnya, perangkat lunak menjalankan alat tersebut lalu mengirimkan hasilnya kembali, dan model menentukan langkah selanjutnya. Panduan Anthropic tentang cara membangun agen yang efektif menemukan bahwa pengaturan yang paling berhasil cenderung menggunakan pola yang sederhana dan andal, bukan desain yang besar dan rumit.
Setiap alat juga menjadi satu hal lagi yang bisa gagal. Agen yang dirancang dengan baik memiliki aturan cadangan untuk menangani hasil pencarian yang kosong atau aplikasi yang mengalami kesalahan.
Baca Juga: GitHub Memberi Semua Pengguna Copilot Alat OpenAI yang Mampu Menyelesaikan Lebih Banyak Kode
Mengapa Memori Membuat Agen Lebih Berguna
Memori adalah salah satu alasan utama agen terasa lebih pintar daripada chatbot. Obrolan biasa melupakan sebagian besar hal yang Anda katakan setelah sesi berakhir. Agen dapat menyimpan detail berguna untuk digunakan nanti.
Ada dua jenis memori. Memori jangka pendek menyimpan hal-hal yang dibutuhkan agen untuk tugas yang sedang dikerjakannya. Memori jangka panjang menyimpan hal-hal seperti gaya penulisan Anda, riwayat proyek, atau daftar pemasok yang disetujui. Dokumentasi Anthropic tentang Agent Skills menjelaskan bahwa agen memuat instruksi, skrip, dan sumber daya tersimpan hanya saat dibutuhkan untuk suatu tugas, seperti mengambil buku catatan yang tepat dari rak.
Memori juga memiliki kekurangan. Isinya bisa kedaluwarsa, menyimpan data sensitif, dan mengulangi kesalahan lama. Bayangkan asisten perjalanan yang terus memesan tiket dari maskapai yang sudah tidak Anda gunakan, atau agen pemrograman yang menerapkan aturan dari kode yang telah ditulis ulang berbulan-bulan lalu. Sistem memori terbaik menyimpan ringkasan singkat yang sudah diperiksa, bukan seluruh riwayat obrolan.
Mengapa Menggunakan Lebih Banyak Agen Tidak Selalu Lebih Baik
Beberapa tim menggunakan satu agen untuk satu tugas. Tim lain menyiapkan beberapa agen yang bekerja sama: satu mengumpulkan fakta, satu lagi menulis kode, dan agen ketiga memeriksa kebijakan perusahaan. Pendekatan ini bisa membantu ketika pekerjaan memang terbagi secara alami menjadi beberapa bagian.
Namun, pendekatan ini juga menambah kemungkinan terjadinya kegagalan. Agen bisa saling meneruskan informasi yang salah, satu agen yang lemah dapat merusak seluruh rangkaian kerja, biaya meningkat setiap kali ada panggilan model tambahan, dan menemukan sumber masalah menjadi lebih sulit. Untuk pekerjaan sehari-hari seperti menyusun draf email, merangkum dokumen, atau memeriksa satu atau dua sistem, satu agen yang dirancang dengan baik biasanya sudah cukup.
Situasinya mirip dengan tim manusia. Orang tambahan membantu dalam proyek besar, tetapi memperlambat pekerjaan kecil dan sederhana.
Pertimbangan bagi Pengguna dan Pengembang
Manfaatnya mudah dilihat. Agen dapat mengambil alih pekerjaan yang berulang, menghubungkan aplikasi yang tidak saling terhubung, dan menyelesaikan tugas sementara Anda mengerjakan hal lain. Namun, ada sisi lain yang sama jelasnya. Agen jauh lebih sulit diuji daripada chatbot karena menggunakan alat dalam banyak langkah dan mengubah berbagai hal selama prosesnya. Riset Anthropic tentang pengujian agen AI menyatakan bahwa agen memerlukan metode pengujian yang berbeda dari chatbot yang hanya menjawab satu pertanyaan.
Jika Anda menggunakan agen, ajukan empat pertanyaan. Apa saja yang bisa diaksesnya? Apa saja yang bisa diubahnya? Kapan agen meminta persetujuan Anda? Catatan apa yang ditinggalkannya? Agen yang baik seharusnya menjelaskan izin aksesnya, membatasi pengeluaran, dan mencatat semua hal yang dihapusnya.
Pengembang harus menyeimbangkan akurasi, kecepatan, biaya, dan kendali. Kebebasan yang lebih besar memungkinkan agen menangani tugas yang lebih sulit, tetapi meningkatkan risiko agen melakukan sesuatu yang merugikan. Pagar pengaman yang lebih ketat membuatnya lebih aman, tetapi kurang fleksibel. Makalah OpenAI tentang tata kelola sistem AI agenik menguraikan tujuh praktik awal untuk menjaga agar agen tetap terkendali, mulai dari membatasi tindakan yang dapat dilakukannya hingga menyimpan catatan tindakannya dengan jelas.
Siapa yang Sebenarnya Membutuhkan Agen AI
Tidak semua orang. Jika kebutuhan utama Anda adalah bantuan untuk menulis, merangkum, atau menjawab pertanyaan, chatbot biasa mungkin sudah cukup.
Agen mulai masuk akal ketika Anda sering mengulang tugas yang mengikuti aturan tetap serta memiliki masukan dan keluaran yang jelas. Mengambil angka penjualan mingguan, mengelompokkan permintaan dukungan, memeriksa bug perangkat lunak, dan menyiapkan draf berdasarkan kumpulan dokumen tertentu adalah beberapa contoh yang baik.
Sebelum membuatnya, ajukan pertanyaan langsung: apakah tugas ini benar-benar memerlukan rangkaian proses dengan alat dan memori, atau cukup dengan satu jawaban AI? Jika Anda tetap membuatnya, mulailah dari hal kecil: satu tujuan, satu atau dua alat, memori terbatas, langkah persetujuan yang jelas, dan catatan aktivitas yang baik.
Agen juga dengan cepat mengungkap proses yang buruk. Agen bekerja paling baik ketika alat, izin, dan data sudah tertata dengan baik, dan agen tidak bisa memperbaiki alur kerja yang berantakan dengan sendirinya.
Hal yang Perlu Diperhatikan Selanjutnya
Gunakan agen untuk tugas yang cukup berulang untuk diotomatisasi, tetapi cukup penting sehingga memerlukan pagar pengaman. Hindari penggunaannya ketika faktanya tidak pasti, tindakannya berisiko, atau keberhasilannya sulit diukur. Saat OpenAI, Anthropic, dan perusahaan lain menghadirkan agen ke lebih banyak produk, hal yang perlu diperhatikan adalah seberapa baik agen menangani persetujuan, seberapa andal alatnya, dan seberapa jelas agen menunjukkan apa yang telah dilakukannya.
Baca Selanjutnya: Coinbase Membuka Akses ke Stablecoin RLUSD Ripple Senilai $2,4 Miliar