Apa yang dimaksud dengan AI agentic?

AI agentic adalah bentuk lanjutan dari kecerdasan buatan yang berfokus pada pengambilan keputusan dan tindakan secara otonom. Tidak seperti AI tradisional yang terutama merespons perintah atau menganalisis data, AI agentic dapat menetapkan sasaran, membuat rencana, dan menjalankan tugas dengan intervensi manusia yang minimal. Teknologi yang sedang berkembang ini berpotensi merevolusi berbagai industri dengan mengotomatiskan proses yang kompleks dan mengoptimalkan alur kerja. 

AI agentic: Alur kerja versus agen

Konsep utama AI agentic

Sistem AI agentic dirancang untuk beroperasi dengan tingkat otonomi yang lebih tinggi. Cara kerjanya adalah dengan menggunakan agen AI, yang pada dasarnya merupakan entitas otonom yang dirancang untuk melakukan tugas tertentu. Pada intinya, teknologi ini dibangun berdasarkan beberapa komponen utama:

  1. Persepsi: AI agentic mulai mengumpulkan informasi dari lingkungan sekitarnya dan berbagai sumber, seperti sensor, database, dan antarmuka pengguna. Hal ini dapat melibatkan analisis teks, gambar, atau bentuk data lainnya untuk memahami situasi.
  2. Penalaran: Menggunakan model bahasa besar (LLM), AI agentic menganalisis data yang dikumpulkan untuk memahami konteks, mengidentifikasi informasi yang relevan, dan merumuskan solusi potensial. Misalnya, jika tujuannya adalah menjadwalkan rapat, LLM dapat mengurai teks email untuk mengidentifikasi peserta, waktu yang tersedia, dan tujuan rapat.
  3. Perencanaan: AI kemudian menggunakan informasi yang dikumpulkannya untuk mengembangkan rencana. Hal ini melibatkan penetapan sasaran, memecahnya menjadi langkah-langkah yang lebih kecil, dan mencari cara terbaik untuk mencapainya.
  4. Tindakan: Berdasarkan rencana yang dibuat, AI mengambil tindakan. Hal ini dapat mencakup menjalankan tugas, membuat keputusan, atau berinteraksi dengan sistem lain.
  5. Refleksi: Setelah mengambil tindakan, AI belajar dari hasilnya. Agen ini mengevaluasi apakah tindakannya berhasil dan menggunakan masukan ini untuk menyesuaikan rencana dan tindakannya di masa mendatang. Siklus persepsi, perencanaan, tindakan, dan refleksi yang berkelanjutan ini memungkinkan AI agentic untuk belajar dan berkembang seiring waktu.

Vertex AI Google Cloud menyediakan rangkaian alat komprehensif untuk melatih, membangun, dan men-deploy model AI, termasuk API terlatih untuk tugas umum dan opsi pelatihan kustom untuk kasus penggunaan lanjutan. Vertex AI juga menawarkan alat MLOps untuk mengelola seluruh siklus proses machine learning, mulai dari persiapan data hingga pemantauan model, yang penting untuk pengembangan dan peningkatan berkelanjutan sistem AI agentic.

AI agentic versus AI generatif

Meskipun AI agentic dan AI generatif merupakan bentuk kecerdasan buatan dan dapat digunakan bersama-sama, keduanya memiliki fungsi yang berbeda. 

AI generatif, seperti namanya, berfokus pada pembuatan konten baru, seperti teks, gambar, kode, atau musik, berdasarkan perintah input. LLM adalah inti dari AI generatif, dan nilainya dihasilkan oleh kemampuan model dan ekstensi sederhana dari kemampuan LLM. Misalnya, Anda dapat membuat atau mengedit konten, dan bahkan melakukan panggilan fungsi sederhana serta menggabungkan berbagai opsi. 

AI agentic adalah bagian dari AI generatif yang berfokus pada orkestrasi dan eksekusi agen yang menggunakan LLM sebagai "otak" untuk melakukan tindakan melalui alat. AI agentic melampaui pembuatan konten dan panggilan fungsi dengan menjalankan tindakan dalam sistem yang mendasarinya untuk mencapai sasaran tingkat yang lebih tinggi. 

Misalnya, AI generatif dapat digunakan untuk membuat materi pemasaran, sementara AI agentic dapat digunakan untuk men-deploy materi ini, melacak performanya, dan menyesuaikan strategi pemasaran secara otomatis berdasarkan hasil yang diperoleh. Dengan cara ini, AI agentic dapat menggunakan AI generatif sebagai alat untuk mencapai tujuannya.

AI agentic versus agen AI

Meskipun istilah "AI agentic" dan "agen AI" sering digunakan bersamaan, ada perbedaan yang tipis di antara keduanya. Agen AI adalah komponen penyusun AI agentic. Anggap agen AI sebagai alat individual dalam kotak peralatan, sedangkan AI agentic adalah penggunaan terkoordinasi dari alat-alat tersebut untuk membangun seluruh rumah. 

Meskipun agen AI mungkin berfokus pada tugas tertentu, AI agentic menggunakan beberapa agen untuk menangani alur kerja yang kompleks. AI agentic bertindak sebagai sistem menyeluruh yang mengoordinasikan dan mengelola agen-agen ini untuk mencapai tujuan yang lebih luas.

Contoh otomatisasi AI agentic

AI agentic diterapkan di berbagai industri untuk mengotomatiskan tugas dan mengoptimalkan proses. Berikut adalah beberapa contohnya:

Layanan pelanggan

AI agentic dapat memberdayakan agen manusia untuk menangani masalah yang lebih kompleks dengan mengelola pertanyaan pelanggan, menyelesaikan masalah, dan memberikan dukungan yang dipersonalisasi.

Pengelolaan supply chain

Dengan menganalisis data dari berbagai sumber seperti penjualan, inventaris, dan pengiriman, AI agentic dapat mengoptimalkan supply chain, memprediksi permintaan, dan mengotomatiskan logistik.

Perawatan Kesehatan

Dokter dan peneliti dapat menggunakan AI agentic untuk membantu diagnosis, perencanaan pengobatan, dan penemuan obat dengan menganalisis rekam medis, makalah penelitian, dan uji klinis.

Jasa keuangan

AI agentic dapat membantu mengotomatiskan deteksi penipuan, penilaian risiko, dan strategi investasi dengan menganalisis data pasar, perilaku pelanggan, dan laporan keuangan.

Pengembangan software

Dengan mengotomatiskan pembuatan kode, proses debug, dan pengujian, AI agentic dapat membantu mempercepat siklus pengembangan dan meningkatkan kualitas kode.

Pertimbangan dan praktik terbaik AI agentic

Penerapan AI agentic di bisnis memerlukan pertimbangan yang cermat. Berikut ini beberapa faktor utama yang perlu diingat:

  • Tujuan yang jelas: Mengidentifikasi masalah spesifik yang akan diselesaikan oleh agen AI dan bagaimana masalah tersebut selaras dengan sasaran bisnis.  
  • Kualitas dan persiapan data: Sistem AI agentic mengandalkan data berkualitas tinggi untuk membuat keputusan yang akurat. Bisnis perlu memastikan data mereka akurat, lengkap, terbaru, serta diformat dan diintegrasikan dengan benar untuk konsumsi AI. 
  • Implikasi etis: Penting untuk mempertimbangkan implikasi etis penggunaan AI agentic dan menggunakannya secara bertanggung jawab karena AI agentic dapat membuat keputusan yang berdampak signifikan pada kehidupan masyarakat. Hal ini dapat mencakup penanganan potensi bias dalam data atau algoritma yang dapat menyebabkan hasil yang tidak adil atau diskriminatif. Misalnya, sistem AI yang digunakan untuk persetujuan pinjaman tidak boleh bias terhadap kelompok demografi tertentu. Selain itu, bisnis perlu transparan tentang bagaimana AI agentic digunakan dan memastikan bahwa pengawasan manusia ada untuk mencegah konsekuensi yang tidak diinginkan.
  • Keamanan: Sistem AI agentic mungkin rentan terhadap serangan cyber. Bisnis perlu menerapkan langkah-langkah keamanan yang kuat untuk melindungi sistem ini dan data yang mereka gunakan. Hal ini mencakup perlindungan terhadap pelanggaran data, akses tidak sah, dan serangan berbahaya yang dapat membahayakan integritas atau kerahasiaan sistem AI.
  • Keterjelasan: Memahami cara sistem AI agentic membuat keputusan sangatlah penting, terutama saat terjadi kesalahan. Bisnis harus berinvestasi dalam sistem yang dapat memberikan insight ke dalam proses pengambilan keputusan. Teknik seperti SHAP (SHapley Additive exPlanations) atau LIME (Local Interpretable Model-agnostic Explanations) dapat membantu membuat keputusan AI lebih transparan dan mudah dipahami. Hal ini tidak hanya membantu membangun kepercayaan, tetapi juga memungkinkan proses debug dan peningkatan sistem AI yang lebih baik.
  • Integrasi: Sistem AI agentic perlu diintegrasikan dengan sistem bisnis yang ada, yang dapat menjadi proses yang kompleks, sehingga memerlukan perencanaan dan koordinasi yang cermat. Hal ini mencakup memastikan kompatibilitas dengan infrastruktur IT, format data, dan proses bisnis yang ada. Hal ini juga dapat melibatkan penanganan potensi tantangan terkait migrasi data, integrasi sistem, dan adopsi pengguna.
  • Pemantauan dan evaluasi: Terus pantau performa agen AI, atasi masalah, dan sempurnakan algoritma sesuai kebutuhan.  

Bisnis harus mengevaluasi kebutuhan dan resource mereka dengan cermat sebelum menerapkan AI agentic. Mereka juga harus siap berinvestasi dalam infrastruktur, keahlian, dan pelatihan yang diperlukan untuk memastikan keberhasilan penerapan teknologi ini.