Cara Kerja AI Agent: Komponen, Alur, dan Jenisnya

Bagi pemilik usaha, memahami cara kerja AI agent berarti tahu apa yang terjadi di dalamnya saat agent mengerjakan satu tugas: dari mana ia tahu harus melakukan apa, data apa yang dibaca, kapan ia bertindak, dan di titik mana Anda masih memegang kendali. Tulisan ini membahas komponen AI agent, alur kerjanya langkah demi langkah dengan contoh penagihan, lima jenis agent yang dikenal dalam literatur AI, dan titik kontrol yang perlu dipasang sebelum agent menyentuh data sungguhan.

Cara kerja AI agent secara singkat

AI agent menerima tujuan, memecahnya menjadi langkah, memakai alat untuk mengambil data atau menjalankan tindakan, membaca hasil tiap langkah, lalu memutuskan langkah berikutnya sampai tugas selesai atau perlu bertanya ke manusia. IBM merangkumnya dalam tiga tahap: inisialisasi dan perencanaan tujuan, penalaran dengan alat yang tersedia, serta pembelajaran dan refleksi. IBM juga menegaskan bahwa meskipun agent mengambil keputusan sendiri, tujuan dan aturannya tetap ditentukan oleh manusia.

Bedanya dengan chatbot ada pada bagian alat dan tindakan. Chatbot menjawab pesan, sedangkan agent bisa membuka lembar tagihan, mencocokkan pembayaran, lalu mengirim pengingat. Perbandingan lengkapnya ada di artikel Agent AI vs Chatbot vs RPA.

Empat komponen di dalam AI agent

Panduan pengembang web.dev dari Google menyebut empat komponen yang membentuk agent. Memahami keempatnya membantu Anda menilai penawaran vendor dan menulis penjelasan pekerjaan yang lebih jelas.

1. Model: bagian yang menalar

Model bahasa besar (LLM) adalah dasar agent. Model inilah yang membaca permintaan, memahami maksudnya, dan menyusun rencana. Tanpa alat, model hanya bisa menjawab dari apa yang sudah ia pelajari, sehingga tidak tahu tagihan mana yang belum dibayar minggu ini.

2. Aturan: tujuan dan batas kerja

Aturan mencakup tujuan, petunjuk, dan batasan yang membuat agent bekerja konsisten. Dalam konteks bisnis, aturan inilah yang Anda tulis: pelanggan mana yang diingatkan, kapan pengingat dikirim, dan kondisi apa yang membuat agent harus berhenti lalu bertanya.

3. Memori: konteks dari langkah sebelumnya

Memori jangka pendek menyimpan konteks selama satu tugas berjalan, misalnya daftar tagihan yang sudah dicek. Memori jangka panjang menyimpan informasi lintas tugas, seperti preferensi atau catatan dari pekerjaan sebelumnya.

4. Alat: tangan agent untuk bertindak

Alat bisa berupa API, fungsi, basis data, atau agent lain. Melalui alat, agent membaca lembar kerja, mengecek mutasi, atau mengirim pesan. Alat juga menjadi batas akses: agent hanya bisa menyentuh sistem yang disambungkan kepadanya. Cara memilih data yang disambungkan dibahas di tulisan menyambungkan data yang sudah perusahaan pakai.

Alur kerjanya: berpikir, bertindak, mengamati

Salah satu pola kerja agent berbasis LLM adalah ReAct (reasoning and acting), diperkenalkan oleh Yao dan rekan dalam makalah ReAct: Synergizing Reasoning and Acting in Language Models (2022). IBM menjelaskannya sebagai siklus berpikir, bertindak, dan mengamati: setelah setiap tindakan dan setiap hasil dari alat, agent menimbang ulang alat apa yang dipakai berikutnya. Pendekatan lain, ReWOO, menyusun rencana lengkap lebih dulu sebelum memanggil alat, sehingga menurut IBM pengguna bisa memeriksa rencana sebelum dijalankan.

Contoh: mengingatkan tagihan jatuh tempo

Misalkan Anda memberi tugas: ingatkan pelanggan yang tagihannya sudah jatuh tempo, lalu laporkan hasilnya. Begini jalannya pekerjaan itu di dalam agent.

Langkah	Yang dilakukan agent	Komponen yang bekerja
1. Memahami tujuan	Menerjemahkan perintah menjadi langkah: baca tagihan, cek pembayaran, susun pengingat, catat dan laporkan	Model dan aturan
2. Mengambil data	Membuka lembar tagihan dan memilih baris yang tanggal jatuh temponya sudah lewat	Alat (akses lembar kerja)
3. Mengamati hasil	Mencocokkan dengan catatan pembayaran; tagihan yang sudah lunas dikeluarkan dari daftar	Model dan memori
4. Menangani pengecualian	Menemukan tagihan dengan nominal yang tidak cocok, lalu berhenti dan menanyakannya ke admin alih-alih menebak	Aturan
5. Bertindak	Mengirim pengingat ke pelanggan yang memenuhi syarat	Alat (penyedia pesan)
6. Melapor	Mencatat siapa yang sudah diingatkan dan mengirim ringkasan ke pemilik	Alat dan memori

Langkah 4 adalah titik kontrol: saat data tidak cocok, agent bertanya, bukan menebak. Contoh pekerjaan lain yang bisa dijalankan dengan pola yang sama ada di artikel contoh penggunaan AI agent untuk bisnis.

Workflow tetap atau agent yang menentukan langkah sendiri?

Tidak semua sistem yang disebut agent bekerja dengan cara yang sama. Tim teknik Anthropic membedakan dua bentuk. Workflow adalah sistem yang menjalankan LLM dan alat melalui jalur yang sudah ditentukan. Agent adalah sistem yang membiarkan LLM menentukan sendiri proses dan pemakaian alatnya.

Anthropic menyarankan memulai dari solusi yang sederhana dan menambah kerumitan hanya bila hasilnya terbukti lebih baik. Workflow memberi hasil yang lebih bisa diprediksi untuk tugas yang langkahnya jelas, sedangkan agent cocok untuk masalah terbuka yang jumlah langkahnya sulit ditebak. Anthropic juga mencatat bahwa otonomi agent berarti biaya lebih tinggi dan risiko kesalahan yang menumpuk, sehingga pengujian di lingkungan terpisah dan pagar pengaman perlu disiapkan.

Untuk pekerjaan berulang di usaha kecil dan menengah, seperti penagihan, pencatatan pesanan, atau rekap mingguan, langkahnya bisa ditulis sejak awal. Karena itu, susunan langkah yang tetap dengan penalaran AI di tiap langkah sudah memadai. Cara memilih pekerjaan pertama yang cocok ada di tulisan satu pekerjaan berulang, satu agent.

Lima jenis AI agent

Literatur AI mengelompokkan agent berdasarkan cara ia memutuskan tindakan. IBM menyusunnya menjadi lima jenis, dari yang sederhana sampai yang canggih. Contoh di kolom ketiga berasal dari IBM; kolom keempat adalah ilustrasi kami untuk konteks usaha.

Jenis	Cara memutuskan	Contoh dari IBM	Ilustrasi di usaha
Agen refleks sederhana	Aturan kondisi-tindakan, tanpa memori	Termostat yang menyalakan pemanas pada jam tertentu	Balasan otomatis saat ada pesan di luar jam kerja
Agen refleks berbasis model	Aturan ditambah model internal tentang keadaan yang terus diperbarui	Robot penyedot debu yang mengingat area yang sudah dibersihkan	Pencatat pesanan yang mengingat pesanan mana yang sudah diteruskan ke gudang
Agen berbasis tujuan	Mencari dan merencanakan urutan tindakan untuk mencapai tujuan	Navigasi yang merekomendasikan rute tercepat	Agent penagihan yang menyusun langkah sampai semua tagihan jatuh tempo tertangani
Agen berbasis utilitas	Memilih tindakan dengan nilai manfaat tertinggi dari beberapa kriteria	Navigasi yang menimbang bahan bakar, kemacetan, dan biaya tol	Penjadwal pengiriman yang menimbang ongkos, jarak, dan tenggat
Agen pembelajaran	Menambah pengetahuan dari pengalaman dan umpan balik	Rekomendasi produk yang dipersonalisasi di toko online	Rekomendasi produk berdasarkan riwayat belanja pelanggan

IBM menyebut kelima jenis ini bisa dipakai bersama dalam sistem multiagen, dengan tiap agent menangani bagian tugas yang sesuai. Agent berbasis LLM yang ditawarkan ke bisnis saat ini tidak harus cocok dengan satu jenis saja; yang lebih penting bagi Anda adalah apakah keputusannya bisa diperiksa. Bila vendor menawarkan sistem dengan banyak agent yang saling berkoordinasi, baca dulu penjelasan agentic AI dan bedanya dengan AI agent.

Titik kontrol yang perlu Anda pasang

Karena agent bisa bertindak, pertanyaan pentingnya bukan hanya apakah ia pintar, tetapi di mana Anda bisa menghentikan atau memeriksanya. Sumber yang sama memberi beberapa pegangan praktis:

• Persetujuan manusia untuk tindakan berdampak besar. IBM menyebut tindakan seperti pengiriman email massal sampai transaksi keuangan sebaiknya memerlukan konfirmasi manusia. Panduan web.dev juga menyarankan agent meminta konfirmasi pada titik penting, seperti pembelian atau pengiriman formulir berisi informasi sensitif.
• Log aktivitas. IBM menyarankan pengguna diberi akses ke catatan tindakan agent, termasuk alat yang dipakai, agar kesalahan bisa ditemukan.
• Kemampuan menghentikan. IBM menganjurkan agent tidak dibiarkan berjalan terlalu lama tanpa opsi interupsi, misalnya saat terjebak mengulang alat yang sama. Anthropic menyebut syarat berhenti seperti batas jumlah putaran sebagai cara menjaga kendali.
• Uji sebelum dipakai. Jalankan agent dengan contoh data dulu, bukan langsung ke pelanggan. Daftar periksanya ada di tulisan uji agent AI sebelum tim memakainya.

Setelah agent berjalan, apa yang perlu Anda pantau sebagai pemilik dibahas di artikel yang terlihat pemilik setelah agent berjalan.

Cara kerja agent di Bikinin.ai.id

Di Bikinin.ai.id, setiap agent dibangun lewat empat tahap yang sama, seperti dijelaskan di panduan agent AI untuk bisnis:

1. Prompt. Anda menjelaskan pekerjaannya dengan bahasa biasa, seperti menjelaskan ke rekan tim.
2. Workflow. Dari kalimat itu tersusun langkah-langkah. Sumber data yang dihubungkan mengikuti apa yang Anda sebut; yang tidak disebut tidak dibaca.
3. Uji. Agent dijalankan dengan contoh sebelum menyentuh data sungguhan, dan hasil tiap langkah tercatat, termasuk bagian yang berhenti karena datanya tidak cocok.
4. Pesan. Setelah lolos uji, agent disambungkan ke penyedia pesan yang dipakai tim.

Pendekatan ini sejalan dengan bentuk workflow yang dibahas di atas: langkahnya terlihat dan bisa diperiksa, dan agent dirancang untuk berhenti dan bertanya saat ragu. Menurut halaman harga, paket Starter dan Pro sama-sama menyertakan editor node manual, eval dan jejak proses, serta routine terjadwal. Perkiraan biaya secara umum dibahas di artikel biaya AI agent untuk bisnis.

Bila Anda sudah punya satu pekerjaan berulang yang ingin diserahkan ke agent, lihat paket di halaman harga atau ceritakan pekerjaannya ke tim kami. Kami membalas lewat email dengan perkiraan lingkupnya.