Jika Anda melihat kemajuan AI dalam satu dekade terakhir, sebagian besar kemajuan tersebut diukur dalam satu dimensi: model yang lebih besar dan tolok ukur yang lebih baik.
Pendekatan ini berhasil selama beberapa waktu, namun kini kita dihadapkan pada batasan kemampuan “besar”.
Terobosan berikutnya bukanlah tentang mengubah parameter menjadi miliaran. Ini tentang arsitektur di bawahnya, bagian yang kebanyakan orang tidak lihat tetapi rasakan ketika tidak berfungsi.
CTO dan Salah Satu Pendiri, Amperity.
Di sinilah peran Agen AI. Agen bukan sebagai kata kunci, namun sebagai perubahan praktis dalam cara pendistribusian intelijen.
Alih-alih model menunggu perintah dan menghasilkan respons, Anda mendapatkan sekelompok agen kecil yang dirancang khusus untuk mengamati apa yang terjadi, mempertimbangkannya, dan mengambil tindakan.
Kecerdasannya terletak pada cara mereka berkolaborasi, bukan pada satu model menyeluruh yang melakukan segalanya.
Begitu Anda mulai berpikir seperti itu, percakapannya menjadi “Apa yang bisa dilakukan model itu?” perubahan dari “Apa yang dapat dilakukan model oleh sistem?” Dan ini semua adalah arsitektur.
Dari tanggapan generatif hingga perulangan yang berkelanjutan
AI Generatif pasti mengubah cara orang berinteraksi dengan perangkat lunak. Namun polanya tidak banyak berubah: tanya jawab, lalu semuanya diatur ulang.
Sistem agen tidak bekerja seperti itu. Mereka tetap waspada. Mereka merespons sinyal yang tidak Anda minta secara eksplisit, seperti perubahan perilaku pelanggan, perubahan permintaan, dan anomali kecil yang biasanya lolos dari dasbor.
Dan perbedaan terbesarnya adalah waktu. Ini bukanlah tugas yang dilakukan sendirian. Agen mengemudi perampok. Mereka melihat, memutuskan, mencoba melakukan sesuatu, dan kembali lagi ketika situasi berubah. Ini sangat mirip dengan bagaimana tim benar-benar bekerja ketika mereka berada dalam kondisi terbaiknya.
Namun sinergi tersebut tidak akan berhasil tanpa adanya konteks bersama. Jika Anda memiliki satu agen berdasarkan profil terintegrasi dan agen lainnya mengambil dari kumpulan data lama yang diduplikasi, Anda akan tersesat. Dan begitu agen-agen tersebut mengalir, mereka tidak lagi cerdas dan mulai tidak dapat diprediksi.
Data terpadu tidak lagi opsional
Kita semua tahu bahwa data yang terfragmentasi itu menjengkelkan. Dalam sistem agen, hal ini menjadi berbahaya. Agen bekerja secara paralel, dan mereka memerlukan pemahaman yang sama tentang pelanggan, produk, acara – semuanya. Jika tidak, Anda akan mendapatkan keputusan yang bertentangan yang muncul hanya setelah kerusakan terjadi.
Lapisan terpadu dan penyelesaian identitas menjadi memori bersama. Hal inilah yang membuat para agen tetap membumi dan memungkinkan mereka untuk bekerja sama, bukannya saling menginjak-injak. Ini bukanlah poin filosofis. Tanpa memori bersama tersebut, agen “mempelajari” realitas yang berbeda, dan sistem Anda dengan cepat menjadi tidak konsisten.
Ekosistem, bukan monolit
Selama bertahun-tahun, perusahaan tertarik pada platform besar yang mampu melakukan segalanya karena mereka takut menggabungkan sistem akan merusak segalanya. Ironisnya, Agen AI mengubah gagasan itu.
Alih-alih platform besar, Anda mendapatkan agen kecil dan terspesialisasi yang berkomunikasi satu sama lain, hampir seperti layanan mikro, hanya saja mereka melakukan penalaran, bukan hanya pemrosesan.
Inilah masalahnya: agen-agen ini tidak cukup hanya sekedar bertukar data. Mereka harus menafsirkan data dengan cara yang sama. Di sinilah interoperabilitas menjadi tantangan teknis yang nyata.
API tidak terlalu penting dibandingkan makna yang terkandung di dalamnya. Kedua agen harus menerima sinyal yang sama dan sampai pada pemahaman dasar yang sama tentang apa yang diwakilinya.
Lakukan kesalahan dan Anda tidak memiliki otonomi – Anda mengalami kekacauan.
Namun ketika berhasil, Anda mendapatkan lingkungan di mana Anda dapat menambahkan atau meningkatkan agen tanpa mengubah perubahan apa pun menjadi penulisan ulang. Alih-alih menjadi lebih rapuh, sistem ini malah menjadi lebih pintar seiring berjalannya waktu.
Mendesain untuk AI dari awal
Banyak tim saat ini masih memperlakukan AI sebagai plug-in, sesuatu yang Anda tambahkan ke sistem yang ada setelah semuanya selesai.
Pendekatan ini tidak bekerja dengan sistem agen. Anda memerlukan skema yang berkembang, tata kelola yang dapat menangani perilaku otonom, dan infrastruktur yang dibangun untuk putaran umpan balik, bukan model data yang dirancang untuk transaksi satu kali.
Dalam arsitektur yang mengutamakan AI, kecerdasan bukanlah sebuah fitur. Ini adalah bagian dari pipa ledeng. Data bergerak dengan cara yang mendukung keputusan jangka panjang. Skema berkembang. Agen memerlukan konteks yang bertahan lebih lama dari satu permintaan. Ini adalah pola pikir yang berbeda dari desain perangkat lunak tradisional, lebih dekat pada desain ekosistem dibandingkan aplikasi.
Manusia tidak akan kemana-mana
Selalu ada kekhawatiran bahwa “AI agen” berarti orang-orang akan dikesampingkan. Kenyataannya justru sebaliknya. Agen membuat keputusan dari menit ke menit, namun manusia menentukan tujuan, prioritas, batasan, dan pengorbanan yang membuat putaran tersebut bermakna.
Ini benar-benar membuat pemantauan menjadi lebih mudah. Daripada meninjau setiap tindakan, orang-orang mencari pola – penyimpangan, bias, ketidakselarasan – dan memperbaiki sistem secara keseluruhan. Satu orang mungkin membimbing banyak agen saat pekerjaannya beralih dari memberikan instruksi menjadi meningkatkan niat.
Manusia membawa penghakiman. Agen membawa stamina.
Ke mana semua itu mengarah
Agentic AI bukan satu-satunya tren model berikutnya. Ini adalah perubahan dalam cara kecerdasan tertanam dalam sistem. Namun otonomi tanpa arsitektur yang tepat tidak akan pernah memberikan hasil yang diharapkan masyarakat.
Anda memerlukan data yang terkonsolidasi agar agen konsisten. Anda memerlukan sistem yang dapat dioperasikan sehingga agen dapat berkomunikasi. Dan Anda memerlukan infrastruktur yang dirancang untuk referensi jangka panjang dan pembelajaran berkelanjutan.
Jika AI generatif adalah tentang jawaban, maka AI agen adalah tentang kecerdasan yang berkelanjutan, dan AI hanya berfungsi jika arsitektur di bawahnya dibangun untuk dunia di mana AI tersebut beroperasi.
Baca terus untuk mengetahui daftar alat visualisasi data terbaik kami.
