Sebagian besar orang mengenal AI sebagai alat untuk tugas‑tugas terbatas, seperti meminta chatbot merangkum sebuah paragraf atau menghasilkan gambar. Namun, kini terjadi pergeseran menuju “AI agen”.
Berbeda dengan AI tradisional, yang biasanya merespons satu prompt dengan satu output, agen AI adalah program yang mampu mengejar tujuan dan mengambil tindakan dengan tingkat otonomi tertentu [1]. Ia tidak hanya menjawab pertanyaan; ia merancang alur kerja sendiri untuk menyelesaikan tugas atas nama pengguna atau sistem lain [2].
Bagaimana Agen AI Berbeda dari AI Tradisional
Pembelajaran mesin tradisional dan chatbot awal umumnya bersifat seperti alat, artinya mereka melakukan fungsi spesifik yang terbatas [1]. Agen AI melampaui hal ini dengan menggabungkan perilaku berorientasi tujuan serta kemampuan berinteraksi dengan dan memodifikasi lingkungan eksternal mereka [1].
Artinya, sebuah agen dapat melakukan tugas multi‑langkah secara otonom [1]. Misalnya, alih‑alih hanya memberikan daftar penerbangan, agen AI dapat menangani seluruh proses pemesanan rencana perjalanan berdasarkan permintaan pengguna [1].
Otonomi ini sering dibandingkan dengan tingkatan mobil self‑driving [1]. Meskipun beberapa aplikasi khusus mencapai tingkat otonomi yang tinggi, kebanyakan aplikasi agen AI saat ini disamakan dengan otonomi level 2 atau level 3, sementara level 5 masih bersifat teoretis [1].
Arsitektur Agen Otonom
Agen AI bukanlah model tunggal melainkan sistem. Alur kontrol mereka sering dipandu oleh model bahasa besar (LLM), namun LLM tersebut dibungkus dalam sebuah “kerangka agen” [1].
Kerangka ini adalah lapisan perangkat lunak yang mengelola batasan operasional penting agen, termasuk:
- Memori dan status eksekusi [1].
- Penggunaan alat dan izin [1].
- Manajemen konteks dan prompt [1].
- Sandbox untuk eksekusi yang aman [1].
Di luar kerangka, arsitektur agen yang komprehensif dapat mencakup tujuh lapisan yang saling terhubung [1]. Lapisan‑lapisan ini mencakup model dasar dan operasi data (seperti basis data vektor dan RAG) hingga kerangka kerja agen, infrastruktur penyebaran, dan kepatuhan keamanan [1]. Lapisan terakhir adalah ekosistem agen, yang berfungsi sebagai antarmuka antara agen dan pengguna atau aplikasi dunia nyata [1].
Sistem Multiagen dan Alur Kerja Lanjutan
Meskipun satu agen dapat menangani sebuah tugas, beberapa tujuan kompleks memerlukan sistem multiagen [2]. Hal ini melibatkan beberapa agen AI yang bekerja secara kolektif untuk melaksanakan tugas bagi pengguna [2].
Salah satu penerapan lanjutan dari ini adalah Agentic RAG (Retrieval Augmented Generation) [2]. Sistem RAG tradisional mengambil informasi untuk membantu model menjawab pertanyaan. Namun, Agentic RAG menggunakan agen untuk melakukan pengambilan informasi dari berbagai sumber dan mengelola alur kerja yang lebih kompleks [2].
Kemampuan ini memungkinkan agen diterapkan di berbagai fungsi bisnis, termasuk pengadaan, sumber daya manusia, penjualan, dan layanan pelanggan [2]. Dengan mengotomatisasi tugas yang sebelumnya memerlukan intervensi manual, organisasi berupaya mengurangi upaya dan menghemat waktu [1].
Tantangan Keamanan dan Tata Kelola
Peningkatan otonomi memperkenalkan risiko baru. Salah satu kekhawatiran utama adalah ketidaksesuaian agen, di mana tindakan agen tidak selaras dengan niat sebenarnya pengguna [1].
Keamanan juga menjadi faktor kritis karena agen memperoleh lebih banyak akses ke sistem [1]. Misalnya, serangan inversi model AI telah menjadi ancaman signifikan, dengan beberapa biaya rata‑rata sebesar USD 6 juta [2].
Untuk mengurangi risiko ini, organisasi menerapkan tata kelola agen AI [2]. Hal ini melibatkan penetapan standar, batasan, dan proses untuk memastikan bahwa sistem agen beroperasi secara etis dan aman [2].
