Bergabunglah dengan buletin harian dan mingguan kami untuk mendapatkan pembaruan terkini dan konten eksklusif tentang liputan AI terkemuka di industri. Pelajari Lebih Lanjut
Buku putih Google baru, berjudul “Agen”, membayangkan masa depan di mana kecerdasan buatan mengambil peran yang lebih aktif dan independen dalam bisnis. Diterbitkan tanpa banyak kemeriahan pada bulan September, dokumen setebal 42 halaman tersebut kini mendapat perhatian di X.com (sebelumnya Twitter) dan LinkedIn.
Ini memperkenalkan konsep agen AI—sistem perangkat lunak yang dirancang untuk melampaui model AI saat ini dengan melakukan penalaran, perencanaan, dan mengambil tindakan untuk mencapai tujuan tertentu. Tidak seperti sistem AI tradisional, yang menghasilkan respons hanya berdasarkan data pelatihan yang sudah ada, agen AI dapat berinteraksi dengan sistem eksternal, membuat keputusan, dan menyelesaikan tugas kompleks sendiri.
“Agen bersifat otonom dan dapat bertindak secara independen tanpa campur tangan manusia,” jelas buku putih tersebut, yang menggambarkan agen sebagai sistem yang menggabungkan penalaran, logika, dan akses data real-time. Ide di balik agen-agen ini sangat ambisius: mereka dapat membantu bisnis mengotomatiskan tugas, memecahkan masalah, dan membuat keputusan yang dulunya hanya ditangani oleh manusia.
Penulis makalah ini, Julia Wiesinger, Patrick Marlow, dan Vladimir Vuskovic, memberikan rincian rinci tentang cara kerja agen AI dan apa yang mereka perlukan agar dapat berfungsi. Namun implikasi yang lebih luas juga sama pentingnya. Agen AI bukan sekadar peningkatan teknologi yang sudah ada; mereka mewakili perubahan dalam cara organisasi beroperasi, bersaing, dan berinovasi. Perusahaan yang menerapkan sistem ini akan memperoleh peningkatan efisiensi dan produktivitas yang signifikan, sementara perusahaan yang ragu akan kesulitan untuk bisa mengikutinya.
Berikut adalah lima wawasan terpenting dari buku putih Google dan apa pengaruhnya bagi masa depan AI dalam bisnis.
1. Agen AI lebih dari sekedar model yang lebih cerdas
Google berpendapat bahwa agen AI mewakili perubahan mendasar dari model bahasa tradisional. Meskipun model seperti GPT-4o atau Google Gemini unggul dalam menghasilkan respons satu putaran, model tersebut terbatas pada apa yang telah mereka pelajari dari data pelatihan. Sebaliknya, agen AI dirancang untuk berinteraksi dengan sistem eksternal, belajar dari data real-time, dan menjalankan tugas multi-langkah.
“Pengetahuan [in traditional models] terbatas pada apa yang tersedia dalam data pelatihan mereka,” catatan makalah tersebut. “Agen memperluas pengetahuan ini melalui koneksi dengan sistem eksternal melalui alat.”
Perbedaan ini bukan sekedar teori. Bayangkan model bahasa tradisional yang bertugas merekomendasikan rencana perjalanan. Perusahaan mungkin menyarankan ide berdasarkan pengetahuan umum namun tidak memiliki kemampuan untuk memesan penerbangan, memeriksa ketersediaan hotel, atau menyesuaikan rekomendasinya berdasarkan masukan pengguna. Namun, agen AI dapat melakukan semua hal ini, menggabungkan informasi real-time dengan pengambilan keputusan yang otonom.
Pergeseran ini memposisikan agen sebagai pekerja digital tipe baru yang mampu menangani alur kerja yang kompleks. Bagi bisnis, hal ini dapat berarti mengotomatiskan tugas-tugas yang sebelumnya memerlukan banyak peran manusia. Dengan mengintegrasikan penalaran dan eksekusi, agen menjadi sangat diperlukan dalam industri mulai dari logistik hingga layanan pelanggan.
2. Arsitektur kognitif mendukung pengambilan keputusan mereka
Inti dari kemampuan agen AI adalah arsitektur kognitifnya, yang digambarkan Google sebagai kerangka kerja untuk penalaran, perencanaan, dan pengambilan keputusan. Arsitektur ini, yang disebut lapisan orkestrasi, memungkinkan agen memproses informasi dalam siklus, menggabungkan data baru untuk menyempurnakan tindakan dan keputusan mereka.
Google membandingkan proses ini dengan seorang koki yang menyiapkan makanan di dapur yang sibuk. Koki mengumpulkan bahan-bahan, mempertimbangkan preferensi pelanggan, dan menyesuaikan resep sesuai kebutuhan berdasarkan masukan atau ketersediaan bahan. Demikian pula, agen AI mengumpulkan data, alasan tentang langkah selanjutnya, dan menyesuaikan tindakannya untuk mencapai tujuan tertentu.
Lapisan orkestrasi bergantung pada teknik penalaran tingkat lanjut untuk memandu pengambilan keputusan. Kerangka kerja seperti ReAct (Reasoning and Acting), Chain-of-Thought (CoT), dan Tree-of-Thoughts (ToT) menyediakan metode terstruktur untuk memecah tugas-tugas kompleks. Misalnya, ReAct memungkinkan agen untuk menggabungkan alasan dan tindakan secara real time, sementara ToT memungkinkannya mengeksplorasi beberapa kemungkinan solusi secara bersamaan.
Teknik-teknik ini memberikan agen kemampuan untuk membuat keputusan yang tidak hanya reaktif tetapi juga proaktif. Menurut makalah tersebut, hal ini membuat mereka sangat mudah beradaptasi, mampu mengelola ketidakpastian dan kompleksitas dengan cara yang tidak dapat dilakukan oleh model tradisional. Bagi perusahaan, hal ini berarti agen dapat melakukan tugas seperti memecahkan masalah rantai pasokan atau menganalisis data keuangan dengan tingkat otonomi yang mengurangi kebutuhan akan pengawasan manusia secara terus-menerus.
Model AI tradisional sering digambarkan sebagai “perpustakaan pengetahuan statis”, terbatas pada apa yang dilatih. Agen AI, di sisi lain, dapat mengakses informasi real-time dan berinteraksi dengan sistem eksternal melalui alat. Kemampuan inilah yang menjadikannya praktis untuk aplikasi dunia nyata.
“Alat menjembatani kesenjangan antara kemampuan internal agen dan dunia eksternal,” jelas makalah tersebut. Alat-alat ini mencakup API, ekstensi, dan penyimpanan data, yang memungkinkan agen mengambil informasi, menjalankan tindakan, dan mengambil pengetahuan yang berkembang seiring waktu.
Misalnya, agen yang ditugaskan merencanakan perjalanan bisnis dapat menggunakan ekstensi API untuk memeriksa jadwal penerbangan, penyimpanan data untuk mengambil kebijakan perjalanan, dan alat pemetaan untuk menemukan hotel terdekat. Kemampuan untuk berinteraksi secara dinamis dengan sistem eksternal mengubah agen dari responden statis menjadi peserta aktif dalam proses bisnis.
Google juga menyoroti fleksibilitas alat ini. Fungsinya, misalnya, memungkinkan pengembang untuk memindahkan tugas-tugas tertentu ke sistem sisi klien, memberikan kontrol lebih besar kepada bisnis atas cara agen mengakses data sensitif atau melakukan operasi tertentu. Fleksibilitas ini penting bagi industri seperti keuangan dan layanan kesehatan, yang mengutamakan kepatuhan dan keamanan.
4. Generasi yang ditambah pengambilan membuat agen lebih pintar
Salah satu kemajuan paling menjanjikan dalam desain agen AI adalah integrasi Retrieval-Augmented Generation (RAG). Teknik ini memungkinkan agen untuk menanyakan sumber data eksternal—seperti database vektor atau dokumen terstruktur—ketika data pelatihan mereka tidak mencukupi.
“Penyimpanan Data mengatasi batasan tersebut [of static models] dengan memberikan akses terhadap informasi yang lebih dinamis dan terkini,” makalah tersebut menjelaskan, menjelaskan bagaimana agen dapat mengambil data yang relevan secara real-time untuk mendasarkan tanggapan mereka pada informasi faktual.
Agen berbasis RAG sangat berguna di bidang di mana informasi berubah dengan cepat. Di sektor keuangan, misalnya, agen dapat mengambil data pasar secara real-time sebelum memberikan rekomendasi investasi. Di bidang perawatan kesehatan, mereka dapat mengambil penelitian terbaru untuk memberikan saran diagnostik.
Pendekatan ini juga mengatasi masalah yang terus-menerus terjadi pada AI: halusinasi, atau pembuatan informasi yang salah atau palsu. Dengan mendasarkan respons mereka pada data dunia nyata, agen dapat meningkatkan akurasi dan keandalan, sehingga lebih cocok untuk aplikasi berisiko tinggi.
Meskipun buku putih ini kaya akan detail teknis, buku putih ini juga memberikan panduan praktis bagi bisnis yang ingin menerapkan agen AI. Google menyoroti dua platform utama: LangChain, kerangka kerja sumber terbuka untuk pengembangan agen, dan Vertex AI, platform terkelola untuk menerapkan agen dalam skala besar.
LangChain menyederhanakan proses agen pembangun dengan memungkinkan pengembang menyatukan langkah-langkah penalaran dan panggilan alat. Vertex AI, sementara itu, menawarkan fitur seperti pengujian, debugging, dan evaluasi kinerja, sehingga memudahkan penerapan agen tingkat produksi.
“Vertex AI memungkinkan pengembang untuk fokus dalam membangun dan menyempurnakan agen mereka sementara kompleksitas infrastruktur, penerapan, dan pemeliharaan dikelola oleh platform itu sendiri,” tulis makalah tersebut.
Alat-alat ini menurunkan hambatan masuk bagi bisnis yang ingin bereksperimen dengan agen AI tetapi tidak memiliki keahlian teknis yang luas. Namun, hal ini juga menimbulkan pertanyaan tentang konsekuensi jangka panjang dari adopsi agen secara luas. Ketika sistem ini menjadi lebih mampu, dunia usaha perlu mempertimbangkan bagaimana menyeimbangkan peningkatan efisiensi dengan potensi risiko, seperti ketergantungan yang berlebihan pada otomatisasi atau kekhawatiran etika mengenai transparansi pengambilan keputusan.
Apa artinya semua itu
Buku putih Google tentang agen AI adalah visi yang terperinci dan ambisius tentang arah tujuan kecerdasan buatan. Bagi perusahaan, pesannya jelas: Agen AI bukan sekadar konsep teoritis—mereka adalah alat praktis yang dapat mengubah cara bisnis beroperasi.
Namun transformasi ini tidak akan terjadi dalam semalam. Penerapan agen AI memerlukan perencanaan yang cermat, eksperimen, dan kemauan untuk memikirkan kembali alur kerja tradisional. Sebagaimana dicatat dalam makalah tersebut, “Tidak ada dua agen yang diciptakan sama karena sifat generatif dari model dasar yang mendasari arsitekturnya.”
Untuk saat ini, agen AI mewakili peluang sekaligus tantangan. Bisnis yang berinvestasi dalam memahami dan menerapkan teknologi ini akan memperoleh keuntungan yang signifikan. Mereka yang menunggu mungkin akan mengejar ketertinggalan di dunia di mana sistem cerdas dan otonom semakin berperan.
