Penjelasan AI Menurut Jenisnya: Tradisional, Generatif, dan Agentic AI

Mengapa Pengkategorian AI Berdasarkan Jenis Penting

Kerangka kerja AI Tradisional, Generatif, dan Agentic bermanfaat karena mengorganisir sistem berdasarkan apa yang pada dasarnya mereka lakukan, yang secara langsung berkaitan dengan bagaimana mereka dibangun, dilatih, dievaluasi, dan diterapkan. Sistem AI tradisional menganalisis data yang ada untuk membuat prediksi atau keputusan. Sistem AI generatif menghasilkan konten atau pengetahuan baru sebagai respons terhadap input. Sistem AI agenik mengambil tindakan otonom di dunia untuk mencapai tujuan. Ini adalah kemampuan yang berbeda secara signifikan yang membutuhkan arsitektur yang berbeda, kerangka evaluasi yang berbeda, dan pertimbangan yang berbeda untuk penerapan dan pengawasan.

Ketiga jenis ini juga mewakili garis kronologis perkembangan AI secara kasar. AI tradisional mendominasi dekade pertama penerapan machine learning praktis, dari tahun 1990-an hingga awal 2020-an. AI Generatif muncul sebagai paradigma dominan pada awal tahun 2020-an dengan munculnya large language model dan model difusi. AI Agentik adalah batas terdepan saat ini, sebuah kategori yang berkembang pesat tetapi masih didefinisikan oleh penelitian dan eksperimen dunia nyata. Memahami perkembangan ini akan membantu mengonteksualisasikan setiap jenis bukan hanya sebagai kumpulan teknologi tetapi sebagai tahapan dalam evolusi berkelanjutan dari apa yang dapat dilakukan mesin.

Bagian Pertama: AI Tradisional

Analisis Prediktif

Analisis prediktif adalah salah satu aplikasi AI Tradisional yang paling berharga secara komersial dan banyak digunakan. Pada intinya, analisis prediktif menggunakan data historis untuk membangun model matematika yang memprediksi hasil di masa depan. Premis dasarnya adalah bahwa pola dalam data masa lalu mengandung informasi tentang perilaku di masa depan — bahwa pelanggan yang menunjukkan perilaku tertentu hari ini lebih cenderung berhenti berlangganan bulan depan, bahwa mesin yang menunjukkan tanda getaran tertentu hari ini lebih cenderung gagal minggu depan, bahwa produk dengan karakteristik tertentu lebih cenderung terjual dalam jumlah tertentu selama periode tertentu.

Proses membangun sistem analisis prediktif dimulai dengan pengumpulan dan persiapan data. Catatan historis — log transaksi, pembacaan sensor, interaksi pelanggan, metrik operasional — dikumpulkan, dibersihkan, dan diorganisir ke dalam kumpulan data terstruktur di mana setiap baris mewakili peristiwa masa lalu dan setiap kolom mewakili fitur (variabel yang dapat membantu memprediksi hasilnya). Ilmuwan data kemudian merekayasa fitur — mengubah data mentah menjadi sinyal yang bermakna yang dapat dipelajari oleh model — dan membagi data menjadi set pelatihan dan validasi untuk membangun dan mengevaluasi model tanpa melakukan overfitting pada kekhasan historis.

Pelatihan model melibatkan pemberian dataset yang telah disiapkan ke algoritma machine learning, yang menemukan hubungan matematis antara fitur input dan hasil target. Algoritma gradient boosting seperti XGBoost dan LightGBM telah menjadi dominan dalam tugas prediksi data tabular karena kinerja luar biasa mereka pada dataset terstruktur dengan interaksi fitur non-linier yang kompleks. Deep neural network menangani tugas prediksi di mana inputnya tidak terstruktur — gambar, teks, audio — dengan mempelajari representasi hierarkis dari data mentah melalui beberapa lapisan transformasi.

Output dari sistem analitik prediktif biasanya berupa nilai kontinu (angka pendapatan yang diprediksi, suhu yang diprediksi, waktu pengiriman yang diprediksi) atau skor probabilitas (probabilitas 78% bahwa pelanggan akan membeli dalam 30 hari, probabilitas 12% bahwa mesin akan rusak dalam 48 jam). Output ini kemudian digunakan untuk menginformasikan keputusan — pelanggan mana yang akan ditargetkan dengan kampanye retensi, mesin mana yang akan dijadwalkan untuk perawatan pencegahan, pengiriman mana yang akan dipercepat.

Analisis prediktif diterapkan di hampir setiap industri. Di bidang ritel dan e-commerce, model peramalan permintaan mengoptimalkan tingkat persediaan, sehingga mengurangi kekurangan stok dan kelebihan stok. Di bidang jasa keuangan, model risiko kredit menilai kemungkinan peminjam akan gagal bayar, sehingga memungkinkan pemberi pinjaman untuk menetapkan harga pinjaman dengan tepat dan mengelola risiko portofolio. Di bidang perawatan kesehatan, model risiko klinis mengidentifikasi pasien dengan risiko tinggi untuk dirawat kembali di rumah sakit, sepsis, atau perkembangan penyakit, sehingga memungkinkan intervensi proaktif. Di bidang manufaktur, model pemeliharaan prediktif menganalisis data sensor dari peralatan untuk mendeteksi tanda-tanda awal degradasi sebelum menjadi kegagalan yang mahal.

Sistem Klasifikasi

Klasifikasi adalah salah satu tugas tertua dan paling mendasar dalam machine learning, dan mendasari sebagian besar keputusan berbasis AI yang membentuk kehidupan sehari-hari. Sistem klasifikasi menerima input — gambar, dokumen teks, serangkaian pengukuran, catatan transaksi — dan menetapkannya ke salah satu dari serangkaian kategori yang telah ditentukan sebelumnya. Kategori tersebut mungkin biner (spam atau bukan spam, penipuan atau bukan penipuan, sentimen positif atau negatif) atau multi-kelas (mengklasifikasikan email ke dalam salah satu dari puluhan kategori maksud, mengidentifikasi jenis produk mana dari ribuan jenis produk yang muncul dalam gambar, menentukan kondisi medis mana dari banyak kondisi medis yang ditunjukkan oleh hasil pemindaian).

Dasar teknis sistem klasifikasi telah berkembang secara dramatis selama tiga dekade terakhir. Pendekatan klasifikasi awal — pengklasifikasi Naive Bayes, pohon keputusan, regresi logistik — tetap berharga karena interpretasi dan efisiensi komputasinya, terutama dalam aplikasi di mana alasan di balik suatu keputusan harus dapat dijelaskan kepada peninjau atau auditor manusia. Metode ensemble seperti Random Forest dan gradient boosting meningkatkan akurasi dengan menggabungkan prediksi dari banyak model individual, masing-masing dilatih pada subset data acak.

Revolusi sejati dalam akurasi klasifikasi datang dengan deep learning, khususnya pengembangan convolutional neural network (CNN) untuk klasifikasi gambar dan model berbasis transformer untuk klasifikasi teks. CNN belajar mengenali pola visual pada berbagai tingkat abstraksi — tepi dan tekstur pada lapisan bawah, bentuk dan struktur pada lapisan menengah, dan objek yang bermakna secara semantik pada lapisan atas — memungkinkan kinerja klasifikasi gambar yang setara atau melebihi akurasi manusia dalam domain terbatas. Kompetisi klasifikasi ImageNet, yang didominasi CNN sejak tahun 2012, merupakan demonstrasi penting dari kemampuan ini dan memicu gelombang pertama adopsi deep learning.

Sistem klasifikasi teks mendukung berbagai aplikasi praktis yang luar biasa. Filter spam email mengklasifikasikan pesan masuk dan mengalihkan konten yang tidak diinginkan sebelum mencapai kotak masuk pengguna — tugas klasifikasi yang sangat andal dan umum sehingga menjadi tidak terlihat. Sistem analisis sentimen mengklasifikasikan ulasan pelanggan, unggahan media sosial, dan tiket dukungan berdasarkan nada emosional, sehingga memberikan bisnis visibilitas otomatis ke dalam kepuasan pelanggan pada skala yang tidak dapat dicapai oleh pembacaan manusia. Sistem moderasi konten mengklasifikasikan konten yang dibuat pengguna di platform media sosial untuk mengidentifikasi pelanggaran kebijakan — ujaran kebencian, gambar kekerasan, informasi yang salah — sehingga memungkinkan platform untuk menegakkan standar komunitas di miliaran unggahan setiap hari.

Dalam bidang perawatan kesehatan, sistem klasifikasi menginterpretasikan pencitraan medis untuk mengidentifikasi tumor, fraktur, penyakit retina, dan lesi kulit dari sinar-X, MRI, CT scan, dan foto. Kinerja sistem ini dalam evaluasi terkontrol, dalam beberapa kasus, telah mencapai akurasi diagnostik yang setara dengan dokter spesialis, dan semakin terintegrasi ke dalam alur kerja klinis sebagai alat pendukung keputusan yang membantu ahli radiologi dan dermatologi memprioritaskan dan meninjau temuan secara lebih efisien.

Dalam layanan keuangan, sistem klasifikasi transaksi mengkategorikan pembelian untuk aplikasi keuangan pribadi, menetapkan kode industri untuk transaksi pedagang, dan mengklasifikasikan pengeluaran perusahaan berdasarkan kategori akuntansi. Sistem klasifikasi dokumen memproses faktur, kontrak, klaim asuransi, dan pengajuan peraturan — mengekstrak informasi terstruktur dari dokumen tidak terstruktur dan mengarahkannya ke alur kerja pemrosesan yang sesuai.

Deteksi Anomali

Deteksi anomali menangani tantangan yang pada dasarnya berbeda dari prediksi atau klasifikasi, yaitu seperti mengidentifikasi titik data, peristiwa, atau pola yang menyimpang secara signifikan dari apa yang diharapkan atau normal. Jika prediksi bertanya "apa yang akan terjadi?" dan klasifikasi bertanya "termasuk kategori apa ini?", deteksi anomali bertanya "apakah ini cukup tidak biasa untuk mendapat perhatian?" Kesederhanaan pertanyaan ini menyembunyikan kompleksitas teknis yang cukup besar, karena mendefinisikan apa yang normal, mempelajari definisi tersebut dari data, dan kemudian mengidentifikasi penyimpangan darinya tanpa menghasilkan sejumlah besar false positive adalah masalah yang benar-benar sulit.

Sistem deteksi anomali dibangun menggunakan dua pendekatan luas. Dalam deteksi anomali terawasi (supervised anomaly detection), model dilatih pada contoh berlabel dari perilaku normal dan jenis anomali yang diketahui, belajar untuk membedakannya sebagai tugas klasifikasi. Pendekatan ini bekerja dengan baik ketika anomali cukup sering terjadi dan cukup dipahami sehingga telah mengumpulkan contoh berlabel. Dalam deteksi anomali tak terawasi (unsupervised anomaly detection) — kasus yang lebih umum dan menarik secara teknis — model mempelajari representasi perilaku normal dari data tak berlabel dan kemudian menandai kasus yang berada di luar distribusi normal yang dipelajari tersebut. Pendekatan ini lebih fleksibel dan dapat diterapkan pada jenis anomali baru, tetapi mengkalibrasi ambang batas antara anomali yang tidak biasa namun dapat diterima dan anomali yang sebenarnya membutuhkan penyesuaian yang cermat.

Aplikasi deteksi anomali yang paling penting secara komersial adalah deteksi penipuan dalam layanan keuangan. Sistem deteksi penipuan kartu pembayaran menganalisis setiap transaksi secara real-time — pedagang, jumlah, lokasi, waktu, kecepatan transaksi terbaru pada akun, dan puluhan fitur lainnya — dan menetapkan skor probabilitas penipuan dalam hitungan milidetik. Transaksi yang melebihi ambang risiko akan ditolak, ditandai untuk ditinjau, atau memicu tantangan otentikasi bertahap. Tantangan deteksi penipuan bersifat asimetris, yaitu peristiwa penipuan jarang terjadi dibandingkan dengan transaksi yang sah, anomali dirancang oleh pihak lawan untuk meniru perilaku normal, dan biaya positif palsu (memblokir transaksi yang sah dan membuat pelanggan frustrasi) harus diimbangi dengan biaya negatif palsu (membiarkan transaksi penipuan lolos).

Dalam keamanan siber, deteksi anomali merupakan landasan deteksi intrusi dan perlindungan titik akhir. Sistem deteksi intrusi jaringan menetapkan garis dasar untuk pola lalu lintas jaringan normal — volume koneksi tipikal, alamat tujuan umum, distribusi protokol normal — dan memberikan peringatan ketika lalu lintas menyimpang secara signifikan dari garis dasar tersebut, yang dapat mengindikasikan pergerakan lateral oleh penyerang, eksfiltrasi data, atau titik akhir yang disusupi yang berkomunikasi dengan server perintah dan kontrol. Platform User and Entity Behavior Analytic (UEBA) menerapkan teknik serupa pada log aktivitas pengguna, mendeteksi ancaman internal dan kompromi akun dengan mengidentifikasi perilaku yang menyimpang dari pola yang telah ditetapkan oleh pengguna individu.

Sistem industri menggunakan deteksi anomali secara ekstensif untuk pemantauan peralatan dan kontrol kualitas. Sensor yang tertanam dalam peralatan manufaktur menghasilkan aliran pengukuran terus menerus — suhu, getaran, tekanan, arus listrik — dan sistem deteksi anomali memantau aliran ini untuk tanda-tanda yang menunjukkan kesalahan yang sedang berkembang, bahkan sebelum kesalahan tersebut menghasilkan gejala yang terlihat atau penurunan kinerja. Metode Statistical Process Control (SPC), yang telah diterapkan dalam manufaktur sejak pertengahan abad ke-20, merupakan bentuk klasik deteksi anomali; pendekatan berbasis machine learning modern memperluas metode ini ke data berdimensi lebih tinggi dan perilaku peralatan yang lebih kompleks.

Deteksi anomali log merupakan kemampuan penting dalam operasi software dan rekayasa keandalan situs. Sistem produksi menghasilkan volume data log yang sangat besar — ​​jutaan baris log per hari dari aplikasi terdistribusi yang kompleks — dan meninjau data ini secara manual untuk mengidentifikasi tanda-tanda masalah sistem tidak praktis. Sistem deteksi anomali yang dilatih pada pola log normal dapat mengungkap pola kesalahan yang tidak biasa, lonjakan lalu lintas yang tidak terduga, jenis pengecualian baru, atau perubahan volume log yang menunjukkan insiden yang sedang berkembang sebelum dasbor pemantauan mengungkapkan dampak yang terukur pada pengalaman pengguna.

Bagian Kedua: AI Generatif

AI Generatif mewakili pergeseran mendasar dalam kemampuan sistem AI. Jika sistem AI tradisional menganalisis dan mengklasifikasikan data yang ada, sistem AI Generatif menghasilkan konten baru — teks, gambar, audio, video, kode, dan data terstruktur — sebagai respons terhadap instruksi atau konteks. Kemampuan ini dimungkinkan oleh serangkaian terobosan arsitektur dan penskalaan, terutama pengembangan jaringan saraf transformer pada tahun 2017 dan penemuan selanjutnya bahwa pelatihan transformer dalam skala besar pada korpus teks yang luas menghasilkan model bahasa dengan kemampuan yang mengejutkan dan muncul secara tiba-tiba.

Large language model (LLM) yang mendukung AI Generatif modern — GPT-4, Claude, Gemini, LLaMA, dan penerusnya — dilatih pada miliaran atau triliunan token teks yang diambil dari buku, website, makalah ilmiah, repositori kode, dan sumber lainnya. Melalui proses pelatihan ini, mereka mengembangkan representasi internal yang kaya tentang bahasa, pengetahuan, pola penalaran, dan model dunia yang memungkinkan mereka untuk menghasilkan respons yang koheren, sesuai konteks, dan berdasarkan fakta (meskipun tidak sempurna) terhadap berbagai macam pertanyaan. Model yang sama yang menulis puisi dapat menjelaskan mekanika kuantum, men-debug kode Python, menyusun ringkasan hukum, meringkas laporan keuangan, dan menerjemahkan antar bahasa.

Generalitas inilah yang paling membedakan AI Generatif dari AI Tradisional. Sistem AI Tradisional adalah spesialis yang sempit, yaitu model deteksi penipuan tidak dapat menjawab pertanyaan layanan pelanggan, dan model prediksi pelanggan yang berhenti berlangganan tidak dapat menulis teks pemasaran. Sistem AI Generatif sangat serbaguna, mampu menangani tugas-tugas baru hanya dengan instruksi bahasa alami, tanpa memerlukan pelatihan ulang atau pengembangan model khusus.

Content Generation

Content generation adalah kemampuan yang pertama kali membawa AI Generatif ke perhatian publik secara luas dan tetap menjadi aplikasi yang paling terlihat. Kemampuan large language model untuk menghasilkan teks yang lancar, koheren, dan sesuai konteks — seperti artikel, laporan, email, unggahan media sosial, deskripsi produk, skrip, kode, dan banyak lagi — telah mengubah cara organisasi mendekati produksi konten dan pekerjaan berbasis pengetahuan.

Kualitas teks yang dihasilkan AI telah meningkat secara dramatis dengan setiap generasi model. Model bahasa awal menghasilkan teks yang secara tata bahasa benar tetapi seringkali dangkal, berulang, atau tidak dapat diandalkan secara faktual. Large language model modern menghasilkan teks yang, di banyak domain dan untuk banyak tugas, tidak dapat dibedakan dari konten yang ditulis manusia dalam hal kelancaran dan koherensi, dan seringkali lebih unggul dalam hal kecepatan dan konsistensi. Ini tidak berarti bahwa konten yang dihasilkan AI selalu akurat atau tepat tanpa tinjauan — fenomena "halusinasi," di mana model menghasilkan pernyataan yang terdengar meyakinkan tetapi secara faktual salah, tetap menjadi batasan yang berarti — tetapi ini berarti bahwa model dapat secara dramatis mempercepat alur kerja produksi konten ketika digunakan dengan pengawasan manusia yang tepat.

Aplikasi praktis dari pembuatan teks mencakup berbagai macam hal yang luar biasa. Dalam pemasaran dan komunikasi, organisasi menggunakan model generatif untuk menyusun deskripsi produk, iklan, kampanye email, konten media sosial, siaran pers, dan posting blog, kemudian meminta penulis manusia untuk meninjau dan menyempurnakan hasilnya. Peningkatan efisiensi bukan berasal dari penghapusan penilaian manusia tetapi dari pergeseran peran manusia dari penulisan halaman kosong ke tinjauan dan penyempurnaan — proses yang jauh lebih cepat untuk banyak jenis konten.

Dalam pengembangan software, kemampuan pembuatan kode telah menjadi benar-benar transformatif. Model yang dilatih secara khusus pada kode — atau model umum dengan kemampuan pembuatan kode yang kuat — dapat menghasilkan implementasi fungsi, class, algoritma, kueri database, integrasi API, dan kasus uji yang berfungsi dari deskripsi bahasa alami. Alat seperti GitHub Copilot, yang mengintegrasikan pembuatan kode ke dalam lingkungan pengembangan, telah terbukti dalam studi terkontrol dapat secara signifikan meningkatkan produktivitas developer untuk tugas coding rutin, sehingga developer dapat fokus pada arsitektur, desain, dan pemecahan masalah yang kompleks. Pembuatan kode tidak terbatas pada menghasilkan kode baru; model juga dapat menjelaskan kode yang ada, mengidentifikasi bug, menyarankan perbaikan refactoring, dan menerjemahkan kode antar bahasa pemrograman.

Di luar teks dan kode, AI Generatif telah meluas ke modalitas konten lain dengan hasil yang luar biasa. Model pembangkitan gambar — berdasarkan arsitektur model difusi seperti Stable Diffusion, DALL-E, dan Midjourney — dapat menghasilkan gambar fotorealistik, ilustrasi artistik, dan aset desain dari deskripsi teks, mentransformasi alur kerja kreatif dalam periklanan, desain produk, pengembangan game, dan media. Model pembangkitan audio dapat menghasilkan sintesis ucapan realistis, komposisi musik, dan efek suara. Model pembangkitan video masih dalam pengembangan tetapi telah menunjukkan kemampuan untuk menghasilkan klip video pendek dari perintah teks, dengan kualitas dan durasi yang meningkat pesat.

Workflow Automation

Workflow automation mewakili penerapan AI Generatif bukan hanya untuk menghasilkan konten yang terisolasi, tetapi untuk menangani seluruh rangkaian tugas yang sebelumnya membutuhkan upaya kognitif manusia yang berkelanjutan. Jika otomatisasi AI tradisional berfokus pada perutean, klasifikasi, dan pengambilan keputusan berbasis aturan, otomatisasi alur kerja AI Generatif menerapkan kemampuan pemahaman dan pembangkitan bahasa pada proses kompleks dan intensif penilaian yang tidak dapat diotomatisasi dengan metode sebelumnya.

Teknologi pendukung mendasar untuk workflow automation berbasis AI adalah kemampuan large language model untuk memahami instruksi bahasa alami, memproses input tidak terstruktur seperti email dan dokumen, membuat penilaian kontekstual tentang cara menangani kasus-kasus khusus, dan menghasilkan output yang diformat dengan tepat — kemampuan yang bersama-sama memungkinkan mereka untuk berpartisipasi dalam alur kerja yang sebelumnya merupakan domain eksklusif pekerja pengetahuan manusia.

Otomatisasi pemrosesan dokumen adalah salah satu aplikasi awal yang paling berdampak. Pemrosesan faktur, peninjauan kontrak, penanganan klaim asuransi, pemrosesan aplikasi pinjaman, dan pelaporan kepatuhan peraturan semuanya melibatkan pembacaan dokumen tidak terstruktur, ekstraksi informasi yang relevan, penerapan penilaian tentang cara menangani variasi dan pengecualian, dan menghasilkan output dalam format tertentu. Pendekatan otomatisasi tradisional yang menggunakan optical character recognition (OCR) dan ekstraksi berbasis aturan mengalami kesulitan dengan variabilitas tata letak dokumen, susunan kalimat, dan konten yang menjadi ciri dokumen dunia nyata. Pemrosesan dokumen berbasis AI generatif menangani variabilitas ini dengan jauh lebih baik, memahami konteks dan makna daripada mengandalkan pola dan posisi tetap.

Otomatisasi layanan pelanggan telah diperluas secara dramatis oleh AI Generatif. Sistem chatbot sebelumnya berbasis aturan atau klasifikasi maksud, mampu menangani serangkaian pertanyaan pelanggan yang telah ditentukan sebelumnya dalam struktur dialog yang kaku. Ketika pertanyaan pelanggan berada di luar skenario yang telah ditentukan sebelumnya, sistem sebelumnya akan gagal atau langsung meneruskan ke agen manusia. Sistem layanan pelanggan berbasis AI generatif memahami maksud di balik pesan pelanggan dalam bahasa alami, dapat menangani susunan kalimat dan kombinasi pertanyaan baru, mengambil informasi yang relevan dari basis pengetahuan, dan menghasilkan respons yang terdengar alami yang menjawab kebutuhan pelanggan yang sebenarnya, yaitu menangani berbagai pertanyaan yang jauh lebih luas tanpa perlu melibatkan manusia.

Otomatisasi penyaringan dan respons email adalah aplikasi alur kerja bernilai tinggi lainnya. Para profesional di berbagai peran menghabiskan sebagian besar jam kerja mereka untuk membaca, mengkategorikan, dan menanggapi email. Sistem AI generatif dapat membaca email yang masuk, mengklasifikasikan urgensi dan jenisnya, menyusun respons berdasarkan konten dan konteks, serta mengarahkan atau meningkatkan penanganan email dengan tepat — mengubah tugas reaktif yang memakan waktu menjadi proses latar belakang yang sebagian besar otomatis dan hanya membutuhkan perhatian manusia untuk situasi yang benar-benar baru atau sensitif.

Dalam pengembangan software dan operasi TI, workflow automation yang didukung oleh AI generatif meluas ke peninjauan kode otomatis, pembuatan pengujian, respons insiden, dan pembaruan dokumentasi. Alur kerja pengembangan dapat secara otomatis menganalisis setiap permintaan pull request untuk potensi bug, kerentanan keamanan, dan pelanggaran pedoman gaya, kemudian menambahkan komentar spesifik dan dapat ditindaklanjuti ke antarmuka peninjauan kode — pekerjaan yang sebelumnya membutuhkan waktu dan perhatian peninjau manusia untuk setiap baris kode yang diubah.

Knowledge System (Retrieval-Augmented Generation)

Salah satu perkembangan yang paling penting secara praktis dalam penerapan AI Generatif adalah pengembangan Retrieval-Augmented Generation, yang dikenal secara universal sebagai RAG. RAG mengatasi salah satu keterbatasan paling signifikan dari large language model dasar, yaitu pengetahuan mereka dibekukan pada saat pelatihan, mereka tidak dapat mengakses informasi hak milik atau waktu nyata, dan mereka cenderung mengarang jawaban yang terdengar masuk akal tetapi salah ketika ditanya tentang fakta spesifik yang tidak mereka ketahui secara pasti.

Ide inti RAG tampak sederhana tetapi secara teknis sangat ampuh. Ketika pengguna mengajukan pertanyaan kepada sistem RAG, sistem pertama-tama mengambil bagian, dokumen, atau data yang relevan dari basis pengetahuan eksternal — dokumentasi internal perusahaan, database spesifikasi produk, korpus makalah ilmiah, umpan data waktu nyata — dan kemudian memberikan bagian yang diambil tersebut kepada model bahasa bersama dengan pertanyaan asli sebagai konteks. Model ini menghasilkan jawabannya berdasarkan pengetahuan yang telah dilatih dan konteks yang diambil, menghasilkan respons yang didasarkan pada sumber spesifik dan terverifikasi, bukan hanya mengandalkan pengetahuan pelatihan yang berpotensi usang atau dihalusinasi.

Mekanisme pengambilan dalam sistem RAG biasanya dibangun di atas database vektor, yaitu sistem yang menyimpan dokumen sebagai vektor numerik padat (embedding) yang menangkap makna semantiknya dalam ruang matematika berdimensi tinggi. Ketika sebuah kueri tiba, kueri tersebut dikonversi menjadi embedding menggunakan model embedding yang sama, dan database vektor melakukan pencarian tetangga terdekat untuk menemukan dokumen yang embedding-nya paling mirip dengan embedding kueri. Pendekatan pencarian semantik ini mengambil dokumen yang secara konseptual relevan dengan kueri bahkan ketika dokumen tersebut tidak memiliki kata kunci yang sama persis, yang merupakan peningkatan substansial dibandingkan pencarian berbasis kata kunci tradisional untuk tugas pengambilan pengetahuan.

Membangun sistem RAG yang efektif membutuhkan perhatian pada beberapa komponen yang saling terkait. Kualitas embedding — yang menentukan seberapa akurat kesamaan semantik diukur — bergantung pada pilihan model embedding. Strategi pengelompokan (chunking) — bagaimana dokumen sumber dibagi menjadi segmen-segmen yang dapat diambil — memengaruhi apakah bagian yang diambil mengandung konteks yang cukup untuk menjawab pertanyaan sekaligus tetap cukup fokus agar relevan. Peringkat pengambilan — bagaimana bagian yang diambil diurutkan dan difilter sebelum diteruskan ke model bahasa — menentukan apakah model melihat informasi yang paling relevan atau terganggu oleh bagian-bagian yang kurang relevan. Pengurutan ulang model, yang menerapkan penilaian relevansi yang lebih mahal secara komputasi tetapi lebih akurat setelah pengambilan awal, umumnya digunakan untuk meningkatkan kualitas konteks yang diteruskan ke model bahasa.

Sistem pengetahuan perusahaan yang dibangun di atas RAG telah menjadi salah satu aplikasi praktis AI Generatif yang paling banyak diadopsi. Organisasi menggunakan RAG untuk membangun asisten pengetahuan internal, yaitu sistem yang memungkinkan karyawan untuk mengajukan pertanyaan tentang kebijakan perusahaan, prosedur, spesifikasi produk, dokumentasi teknis, perjanjian hukum, dan keputusan historis, serta menerima jawaban yang akurat dan dikutip berdasarkan dokumen resmi organisasi. Tidak seperti chatbot serbaguna, sistem pengetahuan berbasis RAG menjawab pertanyaan berdasarkan apa yang sebenarnya diketahui dan didokumentasikan oleh organisasi, dengan kutipan spesifik yang memungkinkan pengguna untuk memverifikasi jawaban tersebut terhadap sumbernya. Kombinasi aksesibilitas dan akurasi inilah yang menjadikan RAG sebagai fondasi dari banyak penerapan AI perusahaan.

Bagian Ketiga: Agentic AI

Agentic AI mewakili batas terdepan pengembangan AI saat ini, yaitu sistem yang melampaui sekadar menghasilkan konten atau menjawab pertanyaan hingga mengambil tindakan otonom di dunia nyata. Istilah "agentik" mengacu pada kualitas agensi, yaitu seperti kapasitas untuk mengejar tujuan, membuat keputusan, mengeksekusi tindakan, dan beradaptasi dengan umpan balik untuk mencapai tujuan yang membutuhkan banyak langkah, penggunaan alat, dan respons dinamis terhadap perubahan keadaan.

Pergeseran konseptual dari AI Generatif ke AI Agentik sangat mendalam. Sistem AI generatif merespons masukan — ia menerima perintah dan menghasilkan keluaran. Sistem AI agentik mengejar tujuan — ia mengambil tujuan dan melakukan apa pun yang diperlukan untuk mencapainya, yang mungkin melibatkan perencanaan serangkaian langkah, menggunakan alat untuk mengumpulkan informasi atau mengambil tindakan, mengevaluasi hasil tindakan tersebut, merevisi pendekatannya berdasarkan apa yang dipelajarinya, dan melanjutkan hingga tujuan tercapai atau menentukan bahwa tujuan tersebut tidak dapat dicapai.

Pergeseran dari respons ke pengejaran ini secara fundamental mengubah sifat penerapan AI. Sistem berbasis agen beroperasi dengan otonomi yang lebih besar, yang berarti mereka dapat mencapai hal-hal yang tidak dapat dicapai oleh respons generatif tunggal, tetapi juga berarti bahwa potensi dampak positif dan negatifnya lebih besar. Tingkat pengawasan manusia yang tepat, desain pengamanan, dan pilihan tugas mana yang akan didelegasikan kepada sistem berbasis agen kini menjadi beberapa pertanyaan terpenting dalam AI terapan.

Agen AI dan Penggunaan Alat

Agen AI, dalam pengertian teknis yang digunakan dalam pengembangan AI modern, adalah sistem di mana model bahasa yang besar diberi akses ke serangkaian alat — fungsi yang dapat dipanggilnya untuk berinteraksi dengan sistem eksternal, mengumpulkan informasi, dan mengambil tindakan — dan kemudian diminta untuk menggunakan alat-alat tersebut dalam urutan apa pun yang diperlukan untuk mencapai tujuan tertentu. Model tersebut bertindak sebagai mesin kognitif agen, yaitu seperti ia merencanakan, bernalar, memutuskan alat mana yang akan digunakan dan dengan input apa, menafsirkan hasilnya, dan melanjutkan hingga tugas selesai.

Alat-alat yang tersedia untuk agen AI dapat mencakup berbagai macam hal. Alat pencarian memungkinkan agen untuk menanyakan mesin pencari atau basis pengetahuan internal untuk menemukan informasi. Alat eksekusi kode memungkinkan agen untuk menulis dan menjalankan kode, melakukan perhitungan, transformasi data, atau analisis dan mengembalikan hasilnya. Alat browser memungkinkan agen untuk menavigasi website, mengisi formulir, mengklik tombol, dan mengekstrak informasi dari halaman web. Alat database memungkinkan agen untuk menanyakan dan memperbarui catatan dalam database terstruktur. Alat API memungkinkan agen untuk memanggil layanan eksternal — mengirim email, membuat acara kalender, memperbarui catatan CRM, memicu pembayaran, atau berinteraksi dengan layanan apa pun yang mengekspos API. Alat sistem file memungkinkan agen untuk membaca, menulis, membuat, dan mengatur file dan dokumen.

Pola ReAct (Reasoning and Acting), yang bergantian antara memikirkan langkah selanjutnya dan mengambil tindakan, telah menjadi kerangka kerja dasar untuk banyak implementasi agen AI. Dalam pola ini, model secara eksplisit mempertimbangkan keadaan tugas saat ini, memutuskan tindakan yang akan diambil, mengamati hasil dari tindakan tersebut, mempertimbangkan lagi apa arti hasil tersebut dan apa yang harus dilakukan selanjutnya, dan melanjutkan siklus ini hingga tugas selesai. Proses penalaran eksplisit ini membuat perilaku agen lebih mudah diinterpretasikan dan memungkinkan pemeriksaan rantai pemikiran yang mengarah pada setiap keputusan.

Aplikasi praktis agen AI dengan penggunaan alat sangat luas dan berkembang pesat. Agen riset dapat diberi pertanyaan riset dan secara otomatis mencari di web, membaca artikel, mensintesis informasi dari berbagai sumber, dan menghasilkan laporan terstruktur — sebuah proses yang mungkin membutuhkan waktu beberapa jam bagi analis manusia, dapat diselesaikan dalam hitungan menit. Agen analisis data dapat menerima kumpulan data dan tujuan analisis, menulis dan menjalankan kode untuk melakukan analisis, menafsirkan hasilnya, dan menghasilkan visualisasi serta ringkasan naratif. Agen layanan pelanggan dapat mengakses data akun pelanggan, riwayat pesanan, dan dokumentasi pendukung untuk menangani permintaan layanan kompleks yang sebelumnya membutuhkan keterlibatan agen manusia.

Orkestrasi Multi-Agen

Orkestrasi multi-agen memperluas konsep agen AI tunggal ke sistem di mana beberapa agen AI bekerja bersama, masing-masing dengan peran dan kemampuan khusus, yang dikoordinasikan untuk mencapai tujuan kompleks yang melampaui apa yang dapat dicapai oleh agen tunggal sendirian. Arsitektur ini mengambil inspirasi dari struktur organisasi manusia — tim, departemen, alur kerja — dan menerapkannya pada sistem AI, sehingga menciptakan jaringan kecerdasan khusus yang dapat mengatasi masalah dengan cakupan dan kompleksitas yang lebih besar.

Motivasi untuk sistem multi-agen muncul dari beberapa keterbatasan praktis arsitektur agen tunggal. Batasan jendela konteks membatasi seberapa banyak informasi yang dapat diproses oleh satu instance model bahasa sekaligus, yang menciptakan tantangan untuk tugas-tugas yang melibatkan dokumen, codebase, atau kumpulan data yang sangat besar. Tugas-tugas yang membutuhkan keahlian khusus di berbagai domain mendapat manfaat dari agen yang disesuaikan atau diarahkan untuk domain spesifik tersebut, daripada agen generalis tunggal yang menangani semuanya. Paralelisme — melakukan banyak hal secara bersamaan daripada secara berurutan — dapat secara dramatis mempercepat alur kerja kompleks di mana sub-tugas independen dapat dieksekusi secara bersamaan. Dan keandalan dapat ditingkatkan dengan meminta satu agen meninjau, memverifikasi, atau mengkritik hasil dari agen lain, menerapkan bentuk kontrol kualitas AI.

Pola umum dalam arsitektur multi-agen meliputi orkestrasi hierarkis, di mana agen orkestrator menerima tujuan tingkat tinggi, menguraikannya menjadi sub-tugas, mengirimkan sub-tugas tersebut ke agen pekerja khusus, dan mensintesis hasil mereka menjadi hasil akhir. Sistem multi-agen pengembangan software mungkin mencakup agen perencana yang memecah permintaan fitur menjadi tugas implementasi, agen pengkode yang menulis kode untuk setiap tugas, agen peninjau yang memeriksa kode untuk bug dan pelanggaran gaya, agen pembuat uji yang membuat uji unit, dan agen integrator yang mengoordinasikan perakitan akhir. Orkestrator mengelola alur kerja, menangani ketergantungan antar tugas, dan beradaptasi ketika sub-tugas mengalami masalah.

Pola penting lainnya adalah arsitektur debat atau kritik, di mana beberapa agen mendekati masalah yang sama secara independen dan kemudian mengkritik solusi satu sama lain. Pendekatan ini memanfaatkan keragaman keluaran AI — agen yang berbeda, yang diberi petunjuk secara berbeda atau menggunakan model yang berbeda, mungkin membuat kesalahan yang berbeda atau memiliki kekuatan yang berbeda — untuk menghasilkan jawaban yang lebih kuat daripada yang dapat dihasilkan oleh satu agen saja. Penelitian telah menunjukkan bahwa kritik dan debat multi-agen dapat secara signifikan meningkatkan akurasi keluaran AI pada tugas penalaran yang kompleks.

Sistem multi-agen peer-to-peer, di mana agen berkomunikasi satu sama lain sesuai kebutuhan tanpa pengatur pusat, lebih kompleks untuk dirancang tetapi memungkinkan kolaborasi yang lebih fleksibel dan dinamis. Dalam arsitektur peer-to-peer, agen dapat menemukan kemampuan satu sama lain melalui registri bersama, menegosiasikan pembagian tugas berdasarkan spesialisasi masing-masing, dan meneruskan hasil sementara di antara mereka melalui sistem pengiriman pesan bersama.

Kerangka kerja seperti AutoGen, LangGraph, CrewAI, dan Swarm telah muncul untuk menyediakan abstraksi tingkat tinggi untuk membangun sistem multi-agen, menangani sebagian besar infrastruktur koordinasi dan memungkinkan developer untuk fokus pada mendefinisikan peran, kemampuan, dan alur kerja agen daripada mengimplementasikan pengiriman pesan dan manajemen status dari awal.

Integrasi Produk AI

Integrasi produk AI adalah disiplin ilmu yang menanamkan kemampuan AI — baik dari AI Tradisional, AI Generatif, atau AI Agentik — ke dalam produk perangkat lunak dan sistem bisnis dengan cara yang menciptakan nilai nyata dan berkelanjutan bagi pengguna akhir. Kategori ini dalam beberapa hal berbeda dari yang lain: ini bukan sekadar jenis kemampuan AI, tetapi lebih merupakan pendekatan untuk menerapkan kemampuan AI secara efektif dalam konteks produk dan alur kerja nyata. Memahaminya sangat penting karena memiliki akses ke kemampuan AI yang canggih dan menerapkannya dengan cara yang benar-benar bermanfaat bagi pengguna adalah tantangan yang sangat berbeda.

Integrasi AI ke dalam produk membutuhkan pertimbangan yang cermat tentang pengalaman pengguna, model kepercayaan, mode kegagalan, dan pembagian tanggung jawab yang tepat antara sistem AI dan pengguna manusia. Pertimbangan ini berbeda secara signifikan tergantung pada apakah AI berfungsi sebagai otomatisasi latar belakang (gaya AI Tradisional), asisten percakapan (gaya AI Generatif), atau agen otonom (gaya AI Agentik).

Pola integrasi yang paling umum untuk AI Generatif dan AI Agentik adalah model copilot — sistem AI yang bekerja bersama pengguna manusia, menangani tugas-tugas spesifik dalam alur kerja yang lebih besar yang diarahkan manusia, alih-alih menyelesaikan seluruh alur kerja secara otonom. Microsoft Copilot, yang mengintegrasikan kemampuan model bahasa yang besar ke dalam Word, Excel, PowerPoint, Outlook, dan Teams, adalah contoh yang paling banyak digunakan. Copilot dapat membuat draf dokumen, menganalisis data spreadsheet, menghasilkan slide presentasi, meringkas rangkaian email, dan memfasilitasi transkripsi dan ringkasan rapat — tetapi pengguna manusia tetap memegang kendali, mengarahkan apa yang dilakukan AI, meninjau outputnya, dan membuat keputusan akhir. Desain ini mencerminkan pertimbangan yang matang tentang tingkat otonomi AI yang tepat untuk alur kerja produktivitas umum, di mana kesalahan dapat memiliki konsekuensi yang berarti dan pengguna perlu mempertahankan kepemilikan produk kerja.

Integrasi AI Agentik ke dalam produk memperkenalkan serangkaian pertimbangan desain baru yang masih aktif dikerjakan oleh tim produk. Ketika agen AI dapat melakukan tindakan di dunia nyata — mengirim email, memodifikasi file, memperbarui basis data, menjalankan kode — desain produk harus secara jelas mengkomunikasikan apa yang dilakukan agen, menyediakan mekanisme bagi pengguna untuk meninjau tindakan yang direncanakan sebelum dilakukan, dan memudahkan untuk menghentikan, membatalkan, atau mengganti perilaku agen. Konsep "manusia dalam lingkaran" — mempertahankan pengawasan manusia yang bermakna terhadap tindakan AI, terutama untuk tindakan yang tidak dapat dibatalkan atau memiliki konsekuensi tinggi — bukan hanya pertimbangan keamanan tetapi juga prinsip desain produk yang menentukan apakah pengguna mempercayai dan menggunakan kemampuan agen secara efektif.

Integrasi AI berbasis API telah memungkinkan ledakan pengembangan produk bertenaga AI oleh pengembang dan organisasi independen. Penyedia AI berbasis cloud — Anthropic, OpenAI, Google, Cohere, dan lainnya — mengekspos model bahasa mereka melalui API, memungkinkan tim produk untuk mengintegrasikan kemampuan AI canggih ke dalam aplikasi mereka tanpa melatih atau mengoperasikan model mereka sendiri. Hal ini secara dramatis menurunkan hambatan pengembangan produk AI, memungkinkan seorang insinyur untuk membangun fitur bertenaga AI yang canggih dalam hitungan hari, bukan berbulan-bulan pekerjaan infrastruktur ML yang dibutuhkan beberapa tahun lalu.

Jadi, taksonomi AI Tradisional, Generatif, dan Agen memberikan lensa yang ampuh untuk memahami keadaan dan lintasan kecerdasan buatan saat ini. Setiap kategori tidak hanya mewakili kumpulan teknologi, tetapi juga paradigma yang berbeda secara fundamental tentang bagaimana AI menciptakan nilai — dengan menemukan pola, menghasilkan konten, atau mengejar tujuan.