AI Agent Adalah Cara Kerja, Jenis, dan Contoh Penerapanny

AI Agent Adalah: Cara Kerja, Jenis, dan Contoh Penerapannya

By Wahyu Dwi
Published 7 Min Read

Share on:

AI agent adalah sistem kecerdasan buatan yang menerima tujuan, menyusun rencana, lalu menjalankan langkahnya lewat alat dan sistem yang terhubung. Dalam bahasa Indonesia istilah ini juga ditulis agen AI. Chatbot menjawab pertanyaan, sedangkan AI agent menyelesaikan pekerjaan, misalnya memeriksa data di sistem HR atau membuat tiket di sistem IT.

Minat perusahaan di Indonesia sudah tinggi. Menurut survei ITSEC Asia, 60% perusahaan berencana memakai AI agent dalam dua tahun ke depan. Sebanyak 30% merasa siap dan 19% lainnya sangat yakin telah siap, tetapi penilaian itu berdasarkan persepsi masing-masing perusahaan. Artikel ini menjelaskan cara kerja, jenis, contoh penerapan, dan tiga syarat yang perlu siap sebelum agent diberi akses ke sistem inti.

Poin Utama

  • Definisi: AI agent menerima tujuan, menyusun rencana, lalu bertindak lewat alat dan sistem yang terhubung, sedangkan chatbot berhenti pada jawaban.
  • Cara kerja: siklus tujuan, rencana, alat, tindakan, dan umpan balik, dengan manusia menentukan tujuan serta batas kewenangannya.
  • Cara mengenali: label agent dipakai longgar. Gartner menyebut praktik agent washing, jadi uji klaim produk dengan tiga pertanyaan sederhana.
  • Jenis dan contoh: lima jenis klasik, dengan contoh di HR, pengadaan, keuangan, IT, dan layanan pelanggan. Manusia tetap memegang keputusan berdampak besar.
  • Syarat penerapan: data yang tertata dan hak akses yang jelas, inventaris serta identitas setiap agent, dan log aktivitas dengan persetujuan manusia untuk tindakan penting.

Cara Kerja AI Agent

Cara Kerja AI Agent dan Siklusnya

Definisi klasik dalam riset menyebut agen otonom sebagai sistem yang berada di dalam suatu lingkungan, merasakan lingkungan itu, dan bertindak terhadapnya dari waktu ke waktu untuk mengejar tujuannya. Kajian Wang dan rekan (2024) di jurnal Frontiers of Computer Science mengutip definisi itu, lalu merangkum agent modern berbasis model bahasa besar (large language model, LLM) ke dalam empat modul. Profil menetapkan peran, memori menyimpan pengalaman, perencanaan menyusun langkah, dan aksi mengubah keputusan menjadi tindakan. Keempatnya bekerja dalam siklus berikut.

  1. Menerima tujuan dan peran. Manusia menetapkan peran, tujuan, dan batas kewenangan agent.
  2. Menyusun rencana. Agent memecah tujuan menjadi langkah yang lebih kecil dan merevisinya ketika hasil di lapangan berbeda dari dugaan.
  3. Memanggil alat. Agent memakai alat seperti antarmuka pemrograman aplikasi (application programming interface, API) dan basis data untuk mengambil informasi atau menjalankan perintah, karena model bahasa saja bisa keliru atau kekurangan pengetahuan.
  4. Bertindak. Agent menjalankan langkah yang diizinkan, seperti memperbarui data, mengirim pesan, atau memicu proses lain.
  5. Meninjau hasil. Agent menyimpan pengalaman di memori dan memakai umpan balik dari lingkungan, manusia, atau model lain untuk memperbaiki rencana berikutnya.

Pola ReAct memperlihatkan siklus ini dalam bentuk paling sederhana. Menurut kajian yang sama, agent menyusun pikiran, tindakan, dan pengamatan secara bergantian, dan pikiran berikutnya dipengaruhi hasil pengamatan sebelumnya. Umpan balik dari manusia punya peran khusus, karena membantu agent selaras dengan nilai dan preferensi manusia serta mengurangi masalah halusinasi (hallucination).

Siklus inilah yang membedakan AI agent dari alat AI lain yang sering dikira agent.

Apa bedanya AI agent dengan chatbot dan asisten AI

Menurut Wakil Menteri Komunikasi dan Digital Nezar Patria, sistem AI biasa menghasilkan respon, sedangkan agen AI dapat diberi otorisasi untuk memproses data dan menjalankan tindakan (Katadata, 16 Oktober 2026). Tabel berikut merinci perbedaan tiga jenis sistem itu menurut Google Cloud.

Chatbot atau botAsisten AIAI agent
TujuanMengotomatiskan tugas atau percakapan sederhanaMembantu pengguna menyelesaikan tugasMenyelesaikan tugas secara mandiri dan proaktif
Cara bekerjaMengikuti aturan yang sudah ditentukanMerespon permintaan dan perintah penggunaBerorientasi pada sasaran dan memilih langkahnya
OtonomiPaling rendahRendah, keputusan tetap di penggunaPaling tinggi, memutuskan dalam batas yang diberikan
PembelajaranTerbatasSebagianBelajar dan beradaptasi dari pengalaman

Perbedaan ini penting karena label agent sedang dipakai longgar. Gartner menyebut praktik agent washing, yaitu produk lama seperti asisten AI, otomasi proses robotik (robotic process automation, RPA), dan chatbot yang diberi label agentic tanpa kemampuan agentic yang berarti. Gartner memperkirakan hanya sekitar 130 dari ribuan vendor agentic AI yang nyata.

Tiga pertanyaan membantu menguji klaim sebuah produk:

  • Apakah produk menentukan langkahnya sendiri, atau mengikuti skrip yang sudah ditulis?
  • Apakah ia bisa memanggil alat dan sistem lain untuk bertindak?
  • Apakah akses dan tindakannya bisa dibatasi serta dicatat?

Pertanyaan ketiga akan kembali di bagian syarat penerapan. Sebelumnya, kenali dulu jenis-jenis agent.

Jenis AI agent

Pengelompokan klasik membagi AI agent menjadi lima jenis menurut kemampuannya, dari yang paling sederhana hingga paling lengkap (IBM). Contoh bisnis di tabel adalah ilustrasi penulis.

JenisCara bekerjaContoh bisnis (ilustrasi)
Simple reflex agentBereaksi pada aturan tetap dan tidak menyimpan memoriAturan yang menandai transaksi di atas batas tertentu
Model-based reflex agentMenyimpan model kondisi sekitar dan memperbaruinyaPemantau stok gudang yang mengingat posisi stok terakhir
Goal-based agentMerencanakan urutan tindakan menuju tujuanAgent yang menyusun langkah permintaan pengadaan hingga persetujuan
Utility-based agentMemilih tindakan yang memaksimalkan nilai menurut kriteriaAgent yang memilih vendor dengan menimbang harga, waktu kirim, dan keandalan
Learning agentBelajar dari pengalaman baru dan memperbaiki diriAgent triase tiket IT yang makin tepat mengarahkan tiket

Agent juga bisa dibedakan menurut jumlahnya: satu agent yang bekerja sendiri atau banyak agent yang berkolaborasi. Pembedaan lain menurut cara berinteraksi: langsung dengan pengguna atau di latar belakang. Satu alur kerja di perusahaan bisa memadukan beberapa jenis sekaligus. Contoh berikut memperlihatkannya per fungsi.

Contoh penerapan AI agent di perusahaan

Menurut Komdigi, perusahaan semakin banyak memakai agen AI untuk layanan pelanggan, transaksi, dan proses bisnis lain (Katadata). Tabel ini memperlihatkan pembagian kerja antara agent dan manusia pada lima fungsi. Singkatan yang muncul: HRIS (human resource information system), ERP (enterprise resource planning), dan ITSM (IT service management). Semua contoh adalah ilustrasi, bukan data klien.

FungsiYang dikerjakan agentYang tetap diputuskan manusia
HRMenjawab pertanyaan kebijakan, memeriksa saldo cuti di sistem HRIS, menyiapkan permintaan persetujuanPersetujuan cuti khusus dan keputusan yang menyangkut status karyawan
PengadaanMencocokkan pesanan pembelian, faktur, dan penerimaan barang di ERP, lalu menandai selisihPersetujuan pembayaran di atas batas dan pemilihan vendor baru
KeuanganMenyiapkan rekonsiliasi dan menandai transaksi janggal untuk ditinjauKeputusan mengoreksi pembukuan
IT (ITSM)Memilah tiket masuk, mengumpulkan informasi awal, dan mengeskalasi ke tim yang tepatPerubahan di sistem produksi
Layanan pelangganMenjawab pertanyaan, memeriksa status pesanan, dan membuat tiketKompensasi dan pengecualian kebijakan

Pola yang sama muncul di kelima fungsi: agent mengerjakan langkah yang berulang dan terstruktur, sedangkan manusia memegang keputusan berdampak besar. Peneliti tata kelola AI mengusulkan pola serupa untuk transaksi keuangan: transaksi di atas nilai tertentu ditandai agar ditinjau pengguna (Chan dan rekan, 2024).

Pembagian kerja itu hanya berjalan bila tiga hal berikut sudah siap.

Syarat penerapan AI Agent di perusahaan: Tiga hal sebelum memulai

Syarat Penerapan AI Agent di Perusahaan

Rencana adopsi tidak menjamin proyek sampai ke tahap produksi. Gartner memprediksi lebih dari 40% proyek agentic AI akan dibatalkan sampai akhir 2027 karena biaya yang membengkak, nilai bisnis yang tidak jelas, atau kontrol resiko yang tidak memadai. Tiga syarat berikut menjadi titik mulai yang praktis.

Data yang tertata dan hak akses yang jelas

Agent hanya sebaik data yang bisa dijangkaunya. Gartner memprediksi perusahaan akan meninggalkan 60% proyek AI yang tidak didukung data siap untuk AI sepanjang 2026. Data yang tersebar di banyak sistem tanpa pemilik yang jelas membuat agent memberi jawaban yang sulit diverifikasi, atau bertindak berdasarkan informasi yang keliru.

Mulailah dengan memetakan data yang dibutuhkan satu use case: di sistem mana data itu berada, siapa pemiliknya, dan siapa yang berhak melihatnya. Agent harus mewarisi batas yang sama dengan pengguna manusia.

Inventaris agent beserta identitas dan kewenangannya

Komdigi mendorong perusahaan menerapkan pendekatan Know Your Agent (KYA), yaitu mengenali identitas, kepemilikan, dan kewenangan setiap agen AI yang berinteraksi dengan sistem bisnis. Wakil Menteri Nezar Patria mengingatkan bahwa agen AI berpotensi melewati batasan internal perusahaan bila pengawasan terhadap tindakan dan kewenangannya tidak memadai.

Riset tata kelola yang dipresentasikan di konferensi FAccT 2024 mengusulkan hal serupa lewat agent identifier, yaitu penanda yang memungkinkan pihak lain tahu bahwa ia berinteraksi dengan agent. Contohnya, saat agent bertransaksi dengan bank, pihak yang menjalankannya mengirim ID unik yang terkait dengan agent itu. Dalam praktik, buat daftar agent yang memuat nama, pemilik, sistem yang boleh diakses, tindakan yang boleh dilakukan, dan tanggal tinjau terakhir.

Log aktivitas, pemantauan, dan persetujuan manusia

Log aktivitas merekam sebagian masukan dan keluaran agent untuk dianalisis kemudian. Menurut riset yang sama, log berguna karena perilaku yang merugikan kadang baru terlihat jauh setelah terjadi. Log juga dapat menunjukkan bahwa agent mengambil tindakan penting tanpa persetujuan, hal yang mungkin lolos dari pemantauan waktu nyata. Log memori dan penalaran juga membantu menjelaskan mengapa agent gagal pada tujuan yang panjang.

Kepala Badan Riset dan Inovasi Nasional (BRIN), Arif Satria, menyebut kondisi ketika AI mengambil keputusan tanpa diketahui manusia sebagai resiko silent autonomy. Karena itu tentukan sejak awal tindakan mana yang wajib disetujui manusia, misalnya pembayaran, komunikasi massal, dan penghapusan data, serta cara menghentikan agent bila perilakunya menyimpang. Komdigi juga menganjurkan prinsip security by design dan privacy by design sejak tahap perancangan sistem.

Gartner menyarankan agentic AI dikejar hanya pada kasus yang memberi nilai atau pengembalian investasi (return on investment, ROI) yang jelas. Karena itu mulailah dari satu use case yang terdefinisi, ukur hasilnya, lalu perluas.

Kesimpulan: dari memahami AI agent ke menyiapkan perusahaan

AI agent mengubah cara perusahaan memakai AI, dari alat yang menjawab menjadi sistem yang bekerja. Ia menerima tujuan, merencanakan langkah, memanggil alat, bertindak, lalu belajar dari hasilnya. Karena sistem ini menyentuh data dan aplikasi inti, nilainya sejalan dengan kesiapan di sekelilingnya.

Kesiapan itu bisa dirangkum dalam tiga lapis yang saling menopang. Data yang tertata dan hak akses yang jelas memastikan agent bekerja dari informasi yang benar dan hanya menjangkau apa yang boleh dijangkau. Inventaris, identitas, dan kewenangan setiap agent, sesuai pendekatan Know Your Agent yang disorot Komdigi, memastikan perusahaan tahu siapa yang bertindak atas namanya. Log aktivitas dan persetujuan manusia memastikan setiap tindakan penting bisa ditelusuri dan dihentikan. Tanpa ketiganya, adopsi mudah berhenti di tahap percobaan. Gartner memperkirakan lebih dari 40% proyek agentic AI dibatalkan sampai akhir 2027 karena biaya yang membengkak, nilai bisnis yang tidak jelas, atau kontrol resiko yang tidak memadai.

Menyiapkan tiga lapis itu sekaligus melibatkan banyak pihak: tim data, IT, keamanan, dan bisnis. Di sinilah Weefer AI berperan sebagai solusi AI enterprise yang dibangun dari urutan yang sama. Weefer AI Data Foundation menyiapkan data dalam gudang data yang siap untuk AI beserta pengaturan aksesnya. Weefer AI Knowledge menjawab pertanyaan karyawan dari data internal dengan sumber terlampir. Weefer AI Agent dirancang menjalankan alur kerja lewat sistem seperti SAP, HRIS, dan ITSM dengan mekanisme izin serta pencatatan tindakan.

Pendekatannya bertahap supaya resikonya terukur. Perusahaan memulai dengan asesmen gratis selama dua minggu untuk memetakan kesiapan data, kontrol akses, dan kebutuhan bisnis. Tahap berikutnya adalah proof of concept selama enam minggu dengan harga tetap untuk satu departemen, lalu pengembangan bertahap sesuai hasilnya.

Jika Anda ingin menilai kesiapan perusahaan sebelum memulai, jadwalkan konsultasi eksklusif dengan tim Weefer.

Siapkan Infrastruktur AI Agent di Perusahaan Anda

Hubungi Kami Mulai Konsultasi

Pertanyaan yang sering diajukan

Menurut kemampuannya, agent dikelompokkan menjadi lima jenis: simple reflex, model-based reflex, goal-based, utility-based, dan learning agent. Pengelompokan lain membedakan agent interaktif dan agent latar belakang, serta satu agent dan banyak agent. Di perusahaan, contoh yang umum ada di HR, pengadaan, keuangan, IT, dan layanan pelanggan.

AI mencakup semua sistem yang meniru kemampuan kognitif manusia, sedangkan AI agent menunjuk sistem yang mengejar tujuan dan bertindak lewat alat. Menurut Wakil Menteri Komdigi Nezar Patria, sistem AI biasa menghasilkan respon, sementara agen AI dapat diberi otorisasi untuk memproses data dan menjalankan tindakan.

Kedua istilah berdekatan dan sering dipakai bergantian. Pembedaan yang umum: AI agent menunjuk satu sistem yang menjalankan tugas, sedangkan agentic AI menunjuk pendekatan yang memberi AI kemampuan menetapkan sasaran dan bertindak, sering lewat beberapa agent yang berkoordinasi.

Secara teknis bisa, dan itu alasan pengawasan perlu dirancang. Riset visibilitas agent mencatat bahwa agent dapat mengambil tindakan penting tanpa diketahui pengguna, sehingga pemantauan waktu nyata dan log aktivitas diperlukan agar manusia bisa meninjau dan menghentikannya. Tindakan berdampak besar, seperti transaksi di atas nilai tertentu, sebaiknya ditandai untuk persetujuan manusia.

Keamanannya bergantung pada akses yang diberikan dan kontrol di sekelilingnya. Komdigi mendorong pendekatan Know Your Agent serta prinsip security by design dan privacy by design sejak perancangan. Perusahaan perlu tahu agent mana yang mengakses sistemnya, siapa pengendalinya, dan tindakan apa yang boleh dilakukan.

Mulailah dari satu use case yang terdefinisi dengan nilai bisnis jelas, lalu petakan data, akses, dan jejak audit yang dibutuhkannya. Gartner menyarankan agentic AI dikejar hanya bila memberi nilai atau ROI yang jelas. Ukur hasil use case pertama sebelum memperluas.

RPA menjalankan langkah yang sudah ditulis dan cocok untuk proses stabil yang berulang. AI agent menentukan langkahnya sendiri berdasarkan tujuan dan kondisi, sehingga lebih sesuai untuk pekerjaan yang bervariasi. Gartner mencatat sebagian vendor memberi label agent pada produk RPA tanpa kemampuan agent yang berarti.

Share on:

Author

Wahyu Dwi

Wahyu adalah seorang Digital Marketing Staff dan B2B Content Writer berpengalaman lebih dari 2 tahun di industri B2B SaaS. Fokus pada pembuatan konten yang mendalam dan informatif mengenai topik-topik seperti HRIS, Cloud Computing, ERP, Cybersecurity, serta CRM dan Customer Experience (CX). Memiliki keahlian dalam mengoptimalkan strategi konten yang mendukung pertumbuhan bisnis dan meningkatkan keterlibatan audiens di pasar B2B.

Categories: (1)

Data & AI

Tags: (1)

Weefer AI
To the top