Bagaimana Agentic AI Bekerja?

Agentic AI adalah salah satu perubahan penting dalam cara kita menggunakan AI. Sebelumnya, AI lebih sering kita pakai untuk menjawab pertanyaan. Sekarang arahnya mulai bergeser. AI tidak hanya menjawab. AI juga bisa melakukan action berdasarkan jawaban tersebut.

Misalnya, alat seperti ChatGPT dapat membantu kita menulis email. Agentic AI bisa berjalan satu langkah lebih jauh. Bahkan bisa beberapa langkah lebih jauh. AI agent dapat mencari informasi tentang penerima email. Ia juga bisa membuat draf. Setelah itu, agen dapat mengakses tool yang relevan dengan konteks kita. Contohnya aplikasi kalender. Pada akhirnya, agen bisa mengirim email tersebut.

Intinya sederhana. Kita cukup memberi satu prompt.

Bayangkan kita adalah mahasiswa yang sedang mencoba mengatur keuangan pribadi. Generative AI tradisional bisa memberi penjelasan umum untuk pertanyaan yang kita ajukan. Ia juga bisa memberi saran. Syaratnya, kita perlu menjelaskan situasi dengan cukup lengkap melalui prompt.

Namun, dengan AI agent kita cukup memakai perintah seperti "improve my personal finances". Agen dapat mulai mengidentifikasi bagian dari kondisi keuangan pribadi yang perlu diperhatikan. Setelah itu, ia memecahnya menjadi langkah-langkah yang bisa dijalankan. Tujuannya adalah menyelesaikan task yang diberikan.

Contohnya, agen dapat menganalisis kebiasaan belanja di beberapa akun. Agen juga bisa meneliti opsi investasi yang mungkin cocok. Ia dapat menemukan layanan langganan yang terlupakan. Setelah itu, ia bisa menyesuaikan strategi berdasarkan situasi terbaru. Jika aksesnya diberikan dengan benar, semua proses ini bisa berjalan tanpa intervensi manusia lagi.

Reaktif atau Proaktif?

Generative AI tradisional terasa seperti sesuatu yang harus kita kelola. Sementara itu, agentic AI lebih terasa seperti sesuatu yang bisa kita delegasikan. Generative AI tradisional bersifat reaktif. Karena itu, pengguna perlu memandunya langkah demi langkah. Ini terasa jelas ketika task mulai rumit. Pengguna masih aktif mengarahkan setiap tahap pekerjaan.

Agentic AI lebih proaktif. Artinya, kita memberi agen sebuah tujuan. Setelah itu, agen bekerja secara mandiri untuk mencari cara mencapainya. Ia memakai tool dan resource yang kita sediakan.

Dengan pendekatan ini, pengguna tidak lagi harus menentukan langkah berikutnya satu per satu. Pengguna cukup menetapkan objective. Setelah itu, task didelegasikan kepada sistem. Eksekusinya dipercayakan kepada agen.

Pergeseran dari bantuan reaktif menuju eksekusi proaktif inilah yang penting. Ini menjadi alasan utama mengapa banyak perusahaan teknologi besar berlomba membangun sistem agentic.

Cara Kerja Agentic AI

Agentic AI bekerja kurang lebih seperti karyawan yang terampil. Ia melihat situasi yang diberikan. Kemudian, ia menyusun rencana. Setelah itu, ia menjalankan rencana tersebut. Dari hasilnya, ia belajar. Dengan pendekatan sistematis ini, agen bisa menyelesaikan rencana yang cukup kompleks.

Cara pemecahan masalahnya mirip dengan manusia. Bedanya, ruang kerjanya adalah software. Ia bekerja dengan tool digital dan data. Dalam konteks ini, agentic AI membawa janji lama Siri menjadi lebih nyata. Siri sendiri diperkenalkan Apple 14 tahun lalu.

Secara umum sistem agentic AI mengikuti 4 langkah yang terus berulang.

1. Perceive. Agentic AI mengumpulkan data dari lingkungan digitalnya. Contohnya database. Contoh lain adalah API dan informasi lain. Ia membaca data tersebut untuk memahami "keadaan saat ini" sebelum membuat rencana.
2. Reason. Setelah konteks terkumpul, agen mulai merencanakan langkah berikutnya. Agen yang lebih maju dapat memakai metode seperti Monte Carlo Tree Search (MCTS). Agen juga dapat memakai Chain of Thought (CoT) reasoning. Tujuannya adalah memecah goal besar menjadi subtask yang bisa dieksekusi. Berdasarkan probabilitas token, agen memilih langkah berikutnya yang dianggap paling efektif.

3. Act. Agen memakai tool yang tersedia untuk bergerak menuju penyelesaian task. Misalnya, ia dapat memanggil API. Ia juga bisa menjalankan program atau menghasilkan konten. Di tahap ini, agen membuat output internal yang konkret. Output itu nanti akan dievaluasi.
4. Learn. Agen mengevaluasi hasil pekerjaannya terhadap tujuan awal. Agen juga merefleksikan progresnya. Jika hasilnya sudah cukup baik, agen mengembalikan pekerjaan kepada pengguna. Jika belum, ia masuk lagi ke siklus empat langkah tadi. Proses ini berjalan sampai hasil akhirnya "dapat diterima".

Keunggulan agentic AI dibanding software atau otomasi tradisional ada pada decision-making di balik layar. Ketika agen menemui hambatan, ia bisa mundur dan menyesuaikan langkah. Misalnya, website sedang down. Bisa juga sebuah tool gagal. Dalam kondisi seperti itu, agen dapat memilih pendekatan lain.

Walaupun AI agent terlihat cukup otonom, agentic AI tidak diberi kebebasan penuh. Biasanya, ia tetap bekerja dalam batas tertentu. Contohnya sekitar 10-15 iterasi. Batas ini penting agar agen tidak terjebak dalam siklus tanpa akhir. Risiko ini muncul ketika agen dibiarkan berjalan tanpa pembatas.

Mesin Penalaran dan Subtask

Kita bisa membayangkan proses siklik ini sebagai satu loop besar. Loop ini bekerja untuk menyelesaikan tujuan utama. Tetapi, loop utama bukan satu-satunya proses yang berjalan. Untuk setiap subtask, agen membuat loop yang lebih kecil. Loop kecil ini bekerja sendiri sampai subtask selesai.

Loop utama kemudian melacak progresnya. Cara kerjanya kurang lebih seperti progress bar. Ia memeriksa bagaimana tiap subtask berjalan. Dengan cara seperti ini, task dan loop dapat tersusun di dalam satu sama lain.

Contohnya seperti ini.

• Tugas besar. Melakukan riset pasar untuk menilai kelayakan produk.
• Subtask 1. Analisis pesaing.
• Meneliti ranah produk dan faktor-faktor lingkungan
• Subtask 2. Menulis laporan.
• Menghasilkan PDF yang berisi seluruh informasi dalam laporan yang tersusun rapi

Subtask tersebut juga akan melewati empat proses utama tadi. Proses ini berjalan bersamaan dengan task besar.

Di dalam loop ini, keputusan agen terjadi secara bertahap. Bagian yang kita sebut sebagai "pemikiran" juga terjadi bertahap. Proses langkah demi langkah ini penting. Alasannya, agen perlu "mengingat" action dan hasil sebelumnya.

Kemampuan untuk menyimpan informasi tentang progres sering disebut state management. Inilah bentuk memory efektif dari sebuah agen. Ada banyak jenis memory dalam sistem agentic. Beberapa yang penting adalah working memory. Ada juga episodic memory dan semantic memory.

Working memory pada dasarnya adalah memory jangka pendek. Agen mengingat konteks untuk task yang sedang berjalan. Agen juga mengingat subtask di dalamnya. Namun, informasi dari task sebelumnya tidak disimpan. Biasanya, ini dibuat sebagai context window.

Dengan working memory, agen menjalankan setiap task besar secara independen. Kekurangannya, agen bisa menimpa permintaan sebelumnya dari pengguna. Ini terjadi ketika agen mencoba memenuhi task yang paling baru. Hal seperti ini sering terlihat dalam konteks programming.

Walaupun begitu, working memory tetap sangat berguna untuk task jangka pendek. Karena itu, working memory digunakan di banyak chatbot.

Episodic memory lebih dekat dengan memory jangka panjang. Agen menyimpan informasi tentang task sebelumnya. Ini mirip seperti manusia yang masih mengingat prosedur tertentu. Prosedur itu mungkin dipelajari beberapa bulan atau tahun lalu.

Biasanya, ini dilakukan dengan menyimpan catatan tentang peristiwa penting. Catatan juga bisa berisi keberhasilan tertentu. Setelah itu, catatan tersebut bisa dipakai lagi oleh agen di masa depan.

Semantic memory mirip dengan konsep semantic space. Di sini informasi disimpan dalam ruang berdimensi tinggi. Ide kemudian direpresentasikan secara matematis di dalam ruang tersebut.

Semantic memory mencari pola tentang bagaimana sebuah tool digunakan. Setelah itu, pola tersebut bisa diterapkan ke berbagai macam task. Selain itu, semantic memory menyimpan fakta dan informasi umum. Jadi yang disimpan bukan peristiwa spesifik.

Proses langkah demi langkah dalam loop agentic menunjukkan decision point tempat agen berhenti sejenak. Reasoning model menampilkan decision point ini sebagai output JSON. Format ini umum dikenali oleh LLM dalam proses training. Output inilah yang dipakai agen untuk menentukan keputusan berikutnya.

Kita bisa menganggap LLM sebagai "otak". Sementara itu program komputasi aktual adalah "tubuh" dari agen. Ketika keduanya digabungkan, terbentuk satu unit yang mampu bergerak melewati setiap decision point.

Decision point ini seperti tempat berhenti alami. Sistem menghentikan proses reasoning untuk melakukan action dan mengamati hasil. Setelah data baru masuk, sistem melanjutkan reasoning lagi.

{
  "plan": {
    "goal": "market_analysis",
    "steps": [
      {"action": "research", "target": "competitors"},
      {"action": "analyze", "input": "research_results"}
    ]
  }
}

Paradoks Langkah Diskret

Nah, ini bagian menariknya. Agentic AI terlihat seperti berpikir langkah demi langkah. Tetapi LLM sebenarnya tidak "memahami" kata-kata yang ia hasilkan. Lalu bagaimana mungkin LLM yang menulis JSON dapat terlihat bernalar secara bertahap? Padahal, model itu pada dasarnya memprediksi kata berikutnya.

{
  "reasoning": "I need competitor data first, then analysis",
  "action": "web_search",
  "parameters": {
    "query": "tech startup pricing 2024"
  }
}

Pada contoh di atas, LLM sebenarnya tidak benar-benar "memutuskan" untuk melakukan pencarian. Ia mengenali bahwa pola kata seperti itu sering mengarah pada output yang berhasil. Dari pola ini, model menyimpulkan bahwa web search adalah langkah terbaik berikutnya.

Kemampuan ini dilatih melalui teknik yang disebut Reinforcement Learning through Human Feedback (RLHF). Dalam teknik ini, hasil yang positif diberi reward. Setelah itu, pola hasil tersebut coba direplikasi oleh bot pada generasi berikutnya.

Jadi, model tidak benar-benar merencanakan jauh ke depan seperti manusia. Ia lebih tepat dipahami sebagai sistem yang mereproduksi pola token yang terbukti berhasil. Dari sinilah agen tahu langkah apa yang perlu diambil berikutnya. Mekanisme ini terkait dengan semantic memory.

Agen telah melihat contoh semacam ini jutaan kali selama proses training. Karena itu, ia dapat menghasilkan file JSON yang terlihat logis. Ini bisa terjadi walaupun agen tidak memiliki pemahaman fisik tentang makna di baliknya.

Paradoksnya ada di sini. Pseudo-reasoning tersebut ternyata tetap mampu menghasilkan output yang nyata dan berguna.

Kondisi Saat Ini dan Pandangan ke Depan

Saat ini, agen mulai muncul dengan cepat di berbagai produk. GitHub Co-Pilot adalah salah satu contoh yang jelas. Co-Pilot memiliki akses ke seluruh repository. Co-Pilot juga dapat memodifikasi kode berdasarkan prompt atau goal pengguna. Claude juga telah meluncurkan program untuk membangun agen dengan software mereka. Program ini dapat disesuaikan dengan kebutuhan pengguna.

Agen juga sudah mulai diintegrasikan ke banyak aplikasi. Contohnya layanan pelanggan dan asisten riset. Tujuannya sederhana. Agen membantu pengguna membuat pekerjaan menjadi lebih efisien dan lebih terstandarisasi.

Namun, masih banyak pekerjaan yang harus dilakukan. Salah satu hal penting adalah pengawasan. Misalnya, chatbot layanan pelanggan tetap diawasi. Tujuannya agar kualitas dukungan terjaga. Tujuan lain adalah mencegah sistem menghasilkan komentar yang tidak pantas.

Pengawasan ini masih menjadi salah satu keterbatasan terbesar agentic AI. Agen perlu tetap beroperasi dalam batas yang ditetapkan pengguna. Alasannya berkaitan dengan etika dan performa.

Sebuah studi terbaru oleh CMU juga menunjukkan bahwa agentic AI belum sebesar yang sering kita bayangkan. Perkembangannya belum sejauh ekspektasi banyak orang.

Dalam studi tersebut, AI diuji terhadap benchmark seperti mencari informasi di web. AI juga diuji untuk menjalankan aplikasi. Selain itu, AI diuji untuk berkomunikasi dengan rekan kerja. Hasilnya, agen terbaik saat ini hanya mampu menyelesaikan 30% task secara mandiri dengan sukses.

Kesimpulannya, sebagian besar task sederhana dapat ditangani dengan cukup baik. Tetapi task yang lebih panjang masih sulit dijangkau sistem saat ini. Artikel mengutip Xu et al. (2025) untuk poin ini.

Meskipun agentic AI masih punya keterbatasan dalam penggunaan nyata, teknologinya membuka ruang baru yang cukup besar. Pekerjaan kecil yang repetitif bisa dibuat lebih efisien. Dari sana, produktivitas kita bisa ikut meningkat.

Itu saja untuk edisi AI, but simple minggu ini. Sampai jumpa minggu depan.

- Tim AI, but simple