Agen adalah 'gelombang ketiga' dari revolusi AI
Betapa mirip dan berbedanya AI agen dengan pendahulunya, AI generatif.
AI Agen mungkin membawa kecerdasan buatan (AI) ke tingkatan baru melampaui AI generatif, dengan karakteristik dan tantangan yang sama -- namun juga dengan beberapa perbedaan penting.
Marc Benioff, CEO Salesforce, menyebut AI agen sebagai "gelombang ketiga" dalam evolusi pesat di bidang ini. “Hanya dalam beberapa tahun, kita telah menyaksikan tiga generasi AI,” ungkapnya dalam artikel terbarunya di New York Times. "Yang pertama adalah model prediktif yang menganalisis data. Berikutnya adalah AI generatif, yang didorong oleh model pembelajaran mendalam seperti ChatGPT. Kini, kita mengalami gelombang ketiga -- gelombang yang ditentukan oleh agen cerdas yang dapat menangani tugas-tugas kompleks secara mandiri."
Agen AI, atau asisten cerdas, dimaksudkan untuk berfungsi sebagai rekan kerja digital, asisten, atau perwakilan layanan pelanggan, yang berkomunikasi melalui pemrosesan bahasa alami. Mereka “memiliki potensi untuk meningkatkan kemampuan manusia dengan cara yang tidak terbayangkan sebelumnya,” kata Benioff.
“Bayangkan sebuah dunia di mana bisnis dapat mengerahkan tenaga kerja agen AI untuk mengelola interaksi pelanggan, menganalisis data, mengoptimalkan strategi penjualan, dan melaksanakan tugas operasional secara real-time dan dengan sedikit pengawasan manusia.”
Di seluruh industri, terdapat kesepakatan bahwa agen AI, dengan fokus sempit mereka, menghadirkan kemampuan dan ROI baru yang tidak dapat diberikan secara efektif oleh AI yang lebih luas. “Agentic AI akan menjadi gelombang berikutnya dari nilai yang terbuka dalam skala besar,” Sesh Iyer, direktur pelaksana dan mitra senior BCG X, unit pembangunan dan desain teknologi Boston Consulting Group, mengatakan kepada ZDNET.
Dia menambahkan bahwa ini adalah “kesempatan untuk mendesain ulang proses secara mendasar dan membuka peningkatan produktivitas yang signifikan.”
Seperti halnya AI analitis dan gen, agen AI perlu dibangun dan dijalankan berdasarkan pedoman etika dan operasional yang jelas. Ini termasuk pengujian untuk meminimalkan kesalahan dan struktur tata kelola. Seperti halnya dengan semua contoh AI, uji tuntas untuk memastikan kepatuhan dan keadilan juga merupakan kebutuhan bagi agen, kata Iyer.
Seperti halnya AI yang lebih luas, diperlukan keterampilan yang tepat untuk merancang, membangun, dan mengelola agen AI, lanjutnya. Bakat seperti itu kemungkinan sudah tersedia di banyak organisasi, dengan domain pengetahuan yang dibutuhkan, tambahnya. “Tingkatkan keterampilan tenaga kerja Anda untuk mengelola dan menggunakan AI agen secara efektif. Mengembangkan keahlian internal akan menjadi kunci untuk mendapatkan nilai jangka panjang dari sistem ini.”
Ada juga perbedaan mencolok antara AI generatif dan AI agen. “Agentic AI dirancang khusus untuk membuat keputusan secara mandiri, seringkali tanpa campur tangan manusia, yang berbeda dari cara gen AI biasanya digunakan,” kata David Brault, pakar di Mendix. Ada sejumlah fitur dan fungsi yang membedakan AI agen dengan gen AI, ujarnya, mulai dari konteks dan fokus.
Meskipun aplikasi AI generatif dapat ditargetkan pada banyak kemampuan dan industri, AI agen “berfokus pada lingkungan dan situasi kontekstual tertentu,” tambahnya. Oleh karena itu, kasus penggunaan AI agen terbaik saat ini adalah “tugas yang dapat diprediksi dan ditentukan dengan risiko kesalahan yang rendah atau dampak yang rendah ketika kesalahan terjadi,” kata Michael Connell, chief operating officer di Enthink.
Selain itu, mengintegrasikan AI agen dengan sistem yang ada berbeda dengan AI generatif. “Memanfaatkan kemampuan pengambilan keputusan AI agen sering kali memerlukan modifikasi pada sistem yang ada dan integrasi dengan API yang ada untuk memanfaatkan logika bisnis yang sudah ada guna meningkatkan akurasi keputusan,” kata Brault.
Untuk mempersiapkan peralihan dari AI gen ke AI agen, “mulai dari yang kecil dan skalakan secara strategis,” sarannya. "Identifikasi beberapa kasus penggunaan yang berdampak besar -- seperti layanan pelanggan -- dan jalankan program percontohan untuk menguji dan menyempurnakan kemampuan agen. Selain kasus penggunaan ini, pahami platform baru dan komponen perangkat lunak yang menawarkan dukungan untuk AI agen."
Hal ini termasuk melihat melampaui teknologi dan fokus pada perjalanan pengguna serta alur kerja terkait, desak Iyer. “Daripada mendasarkan upaya hanya pada teknologi, pikirkan secara holistik tentang alur kerja yang akan diubah oleh agen. Bertujuan untuk mengurangi tugas-tugas biasa, meningkatkan produktivitas, dan menciptakan kolaborasi manusia-mesin yang lebih baik.”
“Tantangannya adalah menerapkan AI agen di lingkungan perusahaan atau industri yang didorong oleh inovasi, seperti penelitian dan pengembangan ilmu material atau farmasi, di mana terdapat ketidakpastian dan risiko yang lebih tinggi,” kata Connell. “Lingkungan yang lebih kompleks ini memerlukan pemahaman yang sangat berbeda dari agen untuk membuat keputusan yang dapat dipercaya dan dapat diandalkan.”
Connell menambahkan bahwa ketergantungan yang semakin besar pada agen “akan memerlukan kerangka pengawasan baru, terutama di bidang-bidang berisiko tinggi di mana model pengawasan tradisional tidak akan memadai.” Artinya, pengawasan manusia selalu diperlukan -- terutama jika ada risiko konsekuensi yang tidak diinginkan jika agen digunakan secara salah.