Anda pasti sudah mengenal AI, tapi sudahkan Anda mengenal AI Agents? Jika agen penjualan adalah perantara untuk proses menjual produk, dan agen intelijen adalah perantara sebagai sumber informasi, maka agen AI lebih dari itu.
Berdasarkan definisi dari ISO/IEC 22989, AI Agents merupakan suatu entitas yang memiliki kemampuan menerima persepsi, menggunakan sensor dan dapat memberikan respon terhadap kondisi lingkungannya. AI Agents memiliki hal yang disebut otonomi dan otoritas. Maksud dari otonomi adalah AI Agents dapat bekerja secara independen dan membuat keputusan secara mandiri tanpa adanya intervensi dari manusia. Sedangkan otoritas berarti AI Agents memiliki hak untuk dapat melakukan tindakan dengan batas tertentu. Otonomi dan otoritas miliknya digunakan untuk mencapai tujuan tertentu, dimana hasilnya dapat memberikan perubahan terhadap lingkungannya. Sampai pada definisi ini, AI Agents dapat disimpulkan sebagai entitas, tentunya bukan manusia, yang dapat melakukan tugas tertentu secara otomatis dan dapat berkembang dengan sendirinya di dalam batas yang diberikan.
“AI Agents dapat membantu manusia, tapi manusia tetap dapat mengontrolnya. Menjadikannya sebagai power stone yang harus diusahakan mulai dari sekarang”
AI sudah dikenal dapat membantu manusia dalam berbagai hal, seperti mendeteksi penyakit, mengetahui pola makan hewan ternak, dan mendeteksi serangan siber, atau contoh paling familiar adalah ChatGPT, DeepSeek, maupun Claude. Namun terdapat batasan yang dimilikinya, dimana masih ada campur tangan manusia untuk memberikan instruksi dan mengambil keputusan atas data yang diberikan. Berbeda dengan AI Agents, tembok batasan itu sudah dihancurkannya dan manusia sudah bisa “lepas tangan” untuk tugas-tugas tertentu, sehingga banyak hal yang bisa menjadi lebih efisien.
AI begitu hype di saat ini, namun tren masa depan jauh lebih dari itu. Jensen Huang, CEO Nvidia menyampaikan pada audiens Consumer Electric Show 2025 bahwa era AI Agents telah tiba, AI Agents pun merepresentasikan adanya peluang senilai triliunan dolar. Begitu pula menurut Direktur Manajemen Produk watsonx.ai IBM, tahun 2025 disebut sebagai tahunnya AI Agents. Dari 1000 pengembang AI untuk perusahaan, 99% pengembang sedang mengembangkan AI Agents, begitulah hasil dari survei IBM dan Morning Consult.
Hal yang disampaikan tokoh terkemuka menunjukkan adanya urgensitas, terutama pada pelaku bisnis untuk mendapatkan efisiensi yang lebih dan dapat terus sustain di tengah gempuran transformasi digital. Artikel ini akan menjadi pengantar untuk sedikit lebih dekat dengan tren terkini, AI Agents.
AI Tradisional vs AI Agents
Penerapan AI yang dikenal saat ini, akan Kami sebut AI tradisional. Berikut adalah perbedaan antara AI tradisional dengan AI Agents.
| Aspek | AI Tradisional | AI Agents |
| Kemandirian | Bergantung pada input dari manusia untuk menjalankan tugas. | Otonom, dapat mengerjakan tugas tanpa intervensi manusia. |
| Reaktif vs proaktif | Reaktif, hanya merespons ketika diberikan perintah. | Proaktif, memiliki otoritas dengan inisiatif dalam bertindak, termasuk mencari informasi dan menyelesaikan tugas tanpa perintah langsung. |
| Akses data dan informasi | Bergantung pada database internal atau dataset statis. | Bisa mengakses API, mengumpulkan data real-time, dan mencari informasi dari berbagai sumber secara otomatis. |
| Kemampuan beradaptasi | Terbatas, hanya dapat menjalankan tugas yang sudah diprogram sebelumnya. | Dinamis, mampu belajar dari pengalaman dan menyesuaikan strategi berdasarkan situasi lingkungan terkini, tapi tetap dalam batasan yang diberikan manusia. |
| Pengambilan keputusan dan eksekusi | Memberikan saran atau rekomendasi, tetapi eksekusi tetap bergantung pada manusia. | Bisa membuat keputusan dan langsung mengambil tindakan tanpa menunggu persetujuan manusia. |
| Interaksi dengan sistem lain | Biasanya hanya digunakan dalam satu aplikasi atau platform tertentu. | Bisa berkomunikasi dan terintegrasi dengan berbagai sistem serta aplikasi melalui API. |
Teknologi Penyokong AI Agents
- Large models
Perkembangan AI Agents didukung oleh berbagai inovasi teknologi yang memungkinkannya beroperasi dengan lebih cerdas, otonom, dan efisien. Large Language Models (LLM) dan Large Multimodal Models (LMM) memiliki peran penting dalam meningkatkan pemahaman bahasa alami dan pemrosesan data dari berbagai sumber seperti teks, gambar, video, dan suara. Model berbasis transformer architecture (contohnya GPT) memungkinkan AI untuk mengekstrak informasi secara lebih kontekstual dan memberikan respon yang lebih akurat. Dengan adanya large model, AI Agents dapat mengintegrasikan informasi dari berbagai modalitas untuk mendukung pengambilan keputusan yang lebih holistik.
- Machine learning dan deep learning
Machine learning (ML) dan deep learning (DL) menjadi inti dari kemampuan yang dimiliki AI Agents. Berikut adalah beberapa contoh teknik ML dan DL (WEF, 2024).
- Supervised learning, model AI dilatih menggunakan dataset berlabel untuk mengenali pola dengan lebih baik.
- Reinforcement learning, memungkinkan AI untuk belajar melalui percobaan dan kesalahan serta menyempurnakan strategi berdasarkan hasil yang diperoleh.
- Reinforcement Learning with Human Feedback, meningkatkan kualitas pembelajaran AI dengan memungkinkan model untuk beradaptasi berdasarkan preferensi dan umpan balik manusia
- Transfer learning, berperan dalam mempercepat proses pelatihan AI, memungkinkan model yang telah dilatih di satu domain untuk diterapkan dalam domain lain dengan sedikit penyesuaian.
- Fine-tuning, memperkuat teknik transfer learning di mana model AI dapat disesuaikan dengan dataset spesifik untuk meningkatkan akurasi dalam tugas tertentu.
- Multi-Agent Systems (MAS)
MAS memungkinkan AI Agents untuk bekerja secara kolaboratif dalam menyelesaikan tugas yang lebih kompleks. Dalam konsep MAS, beberapa AI Agents dapat berbagi informasi dan berkoordinasi untuk mencapai tujuan tertentu secara lebih efisien. Implementasi sistem contohnya diterapkan dalam analisis pasar dan deteksi penipuan, memungkinkan AI Agents untuk bekerja sama dalam mengidentifikasi tren pasar serta mengurangi risiko keuangan. Teknologi MAS merupakan salah satu teknologi yang masuk ke dalam Strategi Nasional Kecerdasan Artifisial Indonesia Tahun 2020 – 2045. Di dalamnya, MAS direncanakan untuk diimplementasikan secara terdistribusi (BPPT, 2020).
- Akses API dan pengumpulan data otomatis
Application Programming Interface (API) pada umumnya dirancang dengan model statis dengan mengandalkan pola permintaan dan respon yang sudah ditentukan. Namun, AI Agents tidak hanya mengirimkan permintaan secara langsung, tapi juga menyesuaikan permintaan berdasarkan konteks yang terus berubah. Oleh karena itu, API harus mampu menangani perubahan permintaan secara dinamis serta memberikan respon yang kontekstual dan relevan. Perubahan ini menuntut evolusi API dari model statis ke model yang lebih adaptif. Beberapa pendekatan yang diusulkan dalam penelitian Tupe & Thube (2024) contohnya Intent-Based API Endpoints (endpoint dibuat inten), Agent-Specific API Headers (perbaikan metadata), dan GraphQL Federation (untuk mendapat data spesifik saja).
Dengan kombinasi teknologi yang disebutkan di atas, AI Agents semakin mampu melakukan tugas-tugas yang sebelumnya hanya bisa dilakukan oleh manusia. Perlu dipahami bahwa konsep dasar AI Agents semakin berkembang, maka teknologi kuncinya pun juga tidak terbatas.
Contoh AI Agents
- Project Mariner
Merupakan proyek penelitian dari Google DeepMind yang bertujuan untuk mengembangkan agen AI yang dapat berinteraksi dan mengotomatiskan tugas di dalam peramban web. Project Mariner dibuat untuk dapat memahami dan menavigasi situs web kompleks secara real-time, mengotomatiskan tugas-tugas yang berulang dan memakan waktu di peramban web, dan meningkatkan efisiensi serta pengalaman pengguna dalam berinteraksi dengan web. Saat ini Project Mariner masih berada di tahap pengembangan dan pengujian. Adapun prototype-nya bisa diujikan oleh tester yang mengajukan diri melalui web resminya. Karena masih berada dalam proses penyempurnaan, Project Mariner masih belum bisa digunakan secara umum. Project mariner dapat berpotensi untuk menjadi agen AI yang dapat bertindak proaktif dan mengubah cara kerja manusia dalam berinteraksi dengan web di masa depan.
- Kendaraan otonom
AI Agents memiliki tingkatan otonomi dan kendaraan otonom yang sepenuhnya termasuk ke dalam agen AI adalah kendaraan dengan tingkat 4 dan 5. Tingkatan ini berdasarkan Society of Automotive Engineers (SAE), di mana tingkat 4 adalah otomasi tinggi, sedangkan tingkat 5 adalah otomasi penuh. Adapun kendaraan yang sudah mencapai tingkat 4 (dengan batasan tertentu) yaitu Waymo yang dikembangkan oleh Google. Waymo dirancang untuk beroperasi secara mandiri dalam kondisi tertentu (misalnya, di area geografis yang dipetakan). Meskipun masih ada batasan, Waymo telah mencapai tingkat otonomi yang lebih tinggi daripada Tesla yang berada di tingkat 2 dalam kondisi operasi yang ditentukan.
- Manus.ai
Manus.ai adalah agen AI buatan Tiongkok yang baru saja meluncurkan preview pertamanya pada tanggal 6 Maret 2025. Berdasarkan keterangan Yichao ‘Peak’ Ji, Co-founder & Chief Scientist dari Manus, Manus diklaim dapat melakukan berbagai jenis tugas yang kompleks. Tim Manus menghadirkan banyak use case yang dapat menjadi gambaran dari cara kerjanya. Luar biasa, tugas yang dilakukannya untuk case penyusunan proposal perjalan ke Jepang selama 7 hari dapat diselesaikan dengan waktu kurang dari satu menit. Kami melakukan beberapa kali percobaan pada case yang sama, waktu rata-rata yang dibutuhkan adalah sekitar 40,35 detik. Manus secara transparan menunjukkan prosesnya dalam melakukan riset untuk mendapatkan informasi terkait perjalanan, dan menyusunnya secara rinci. Dibandingkan manusia, tentu ini menjadi alternatif yang lebih efisien. Selain contoh use cases, Manus juga mengundang pengguna untuk dapat mengeksplor kemampuan Manus dengan mendaftar untuk masuk dalam waiting list.
Untuk mengetahui dimana tingkatan Manus.ai saat ini dalam lingkup pengembangan agen AI, Tim Manus mengukur menggunakan GAIA Benchmark dan memberi perbandingannya dengan OpenAi dan SOTA (State of The Art) sebelumnya. Hasilnya Manus lebih unggul dari keduanya.
Masa Depan AI Agents
- Pembelajaran AI yang menjadi semakin adaptif
Pengembangan agen AI mampu memberikan kemampuan untuk dapat belajar secara berkelanjutan dari interaksi mereka dengan lingkungan. Hal ini melibatkan penggunaan teknik reinforcement learning dan transfer learning (Li, 2017).
- Peningkatan interaksi antara manusia dan AI Agent
Penelitian Long & Liu (2024), menunjukkan bahwa agen AI dapat bekerja sama secara efektif dengan manusia melalui kemampuan pemahaman tentang komunikasi manusia-komputer dan pengembangan antarmuka agen AI yang intuitif.
- Etika dapat dimiliki oleh AI Agent
Agen AI memiliki otonomi dalam bertindak, tentu etika menjadi sebuah tantangan tersendiri dalam mengadopsinya dan perlu diperhatikan untuk masa depan. Nilai-nilai etika berpotensi diterapkan ke dalam agen AI, terutama dalam pengembangan kerangka kerja untuk pengambilan keputusan (European Commission, 2019).
Kesimpulan
AI Agents, sebagai evolusi dari AI tradisional, menawarkan kemandirian dan proaktivitas yang signifikan dalam menyelesaikan tugas-tugas kompleks. Didukung oleh teknologi seperti Large Models, Machine Learning, Deep Learning dan Multi-Agent Systems, AI Agents mampu beradaptasi, mengambil keputusan, dan berinteraksi dengan sistem lain secara otonom. Proyek-proyek seperti Project Mariner, kendaraan otonom Waymo, dan Manus.ai menunjukkan potensi besarnya dalam berbagai bidang. Masa depan AI Agents menjanjikan pembelajaran yang lebih adaptif, kolaborasi yang lebih baik dengan manusia, dan integrasi nilai-nilai etika, menandai revolusi digital yang akan mengubah cara kita berinteraksi dengan teknologi. AI Agents yang merupakan transformasi besar, akan membuat banyak titik menjadi bergeser, maka kita juga perlu terus bergerak bersamanya.
Sumber
BPPT (Badan Pengkajian dan Penerapan Teknologi). (2020). Strategi Nasional Kecerdasan Artifisial Indonesia Tahun 2020-2045. [PDF]. Diakses dari https://ai-innovation.id/images/gallery/ebook/stranas-ka.pdf
European Commission. (2019). Ethical guidelines for trustworthy AI.
IBM. (2025). AI agents in 2025: Expectations vs. reality. Diakses dari https://www.ibm.com/think/insights/ai-agents-2025-expectations-vs-reality
International Organization for Standardization/ International Electrotechnical Commission. (2022). ISO/IEC 22989:2023: Information technology – artificial intelligence – artificial intelligence concepts and terminology.
Li, Y. (2017). Reinforcement learning: A survey. IEEE transactions on systems, man, and cybernetics: systems, 47(6), 1414-1429.
Long, D., & Liu, L. (2023). Human-AI collaboration: a survey. ACM Transactions on Interactive Intelligent Systems (TiiS), 13(1), 1-38.
Papandreou, T. (2025). 2025: Agentic And Physical AI — A Multitrillion Dollar Economy Emerges. Forbes.
Tupe, Vaibhav & Thube, Shrinath. (2025). AI Agentic workflows and Enterprise APIs: Adapting API architectures for the age of AI agents.World Economic Forum. (2024). Navigating the AI Frontier: A Primer on the Evolution and Impact of AI Agents. [PDF]. Diakses dari https://reports.weforum.org/docs/WEF_Navigating_the_AI_Frontier_2024.pdf