Agen AI vs. asisten AI

Agen Anda berbeda. Mereka menggunakan keahlian mereka siang dan malam untuk memaksimalkan peluang dan penghasilan Anda. Mereka dapat bertindak berdasarkan prompt Anda—seperti mempromosikan produk yang Anda sukai—tetapi tidak memerlukan prompt terus-menerus untuk melanjutkan tugas mereka. Bahkan, agen Hollywood Anda mungkin mendukung Anda dengan cara yang bahkan tidak Anda ketahui untuk bertanya.

Perbedaan utama antara asisten kecerdasan buatan (AI) dan agen AI serupa. Asisten AI bersifat reaktif, melakukan tugas sesuai permintaan Anda. Agen AI proaktif, bekerja secara mandiri untuk mencapai tujuan tertentu dengan cara apa pun yang mereka miliki.

Asisten dan agen bekerja sama untuk mendukung para pemain hebat, dengan menjadikan atau menjaga mereka sebagai pemain bintang. Dengan cara yang hampir sama, asisten AI dan agen AI dapat membuat pekerja individu dan bisnis menjadi lebih baik dengan melakukan tugas-tugas sederhana dan kompleks.

Asisten AI adalah aplikasi cerdas yang memahami perintah bahasa alami dan menggunakan antarmuka AI percakapan untuk menyelesaikan tugas bagi pengguna. Banyak asisten virtual modern, seperti Alexa dari Amazon dan Siri dari Apple, mengandalkan kemampuan ini untuk meningkatkan interaksi pengguna.¹

Asisten AI pertama sebagian besar mengandalkan instruksi berbasis aturan, respons yang telah diprogram sebelumnya, dan tugas yang telah ditentukan sebelumnya. Hari ini, asisten AI hampir seluruhnya berbasis machine learning (ML) atau model dasar.

Asisten AI dibangun oleh suatu model dasar (misalnya, IBM® Granite, model Llama Meta atau model OpenAI). Model bahasa besar (LLM) adalah bagian dari model dasar yang berspesialisasi dalam tugas-tugas terkait teks. Mereka memungkinkan asisten untuk memahami pertanyaan yang diajukan oleh manusia dan menawarkan informasi yang relevan, saran atau tindakan langkah selanjutnya, yang membantu organisasi menyederhanakan akses ke informasi, mengotomatiskan tugas yang berulang, dan merampingkan alur kerja yang rumit. Dalam bisnis, asisten AI juga membantu analisis data, memungkinkan pengguna untuk mengekstrak insight secara efisien.

• AI Percakapan: Asisten AI berbasis LLM dapat menggunakan pemrosesan bahasa alami (NLP) untuk berkomunikasi dengan pengguna melalui antarmuka chatbot. Contoh chatbot AI termasuk Microsoft Copilot, ChatGPT dan IBM watsonx Assistant. Asisten ini terintegrasi dengan API untuk memperluas kemampuan mereka.
  
  
• Prompts: Asisten AI memerlukan masalah atau permintaan yang terdefinisi dengan baik untuk memulai. Asisten AI membutuhkan input pengguna yang berkelanjutan.
  
  
• Rekomendasi: Asisten AI dapat menyarankan informasi atau tindakan berdasarkan data yang dapat diaksesnya. Pengguna mesti meninjau hasil untuk memastikan keakuratannya.
  
  
• Penyetelan: Pengguna dapat menyesuaikan model AI untuk tugas yang lebih spesifik melalui penyetelan, yang menghilangkan kebutuhan untuk melatih ulang model. Dengan penyempurnaan, mereka dapat memberikan model yang diberi label contoh untuk menyesuaikannya dengan tugas target. Melalui prompt-tuning, praktisi dapat memberikan model konteks khusus tugas.

Assistants AI memiliki beberapa keterbatasan:

• Mereka membutuhkan prompt yang ditentukan untuk mengambil tindakan. Sementara asisten AI dapat menggunakan alat untuk melakukan tugas, kemampuan mereka terbatas pada fungsi yang telah ditentukan sebelumnya yang telah mereka lengkapi dan dilatih untuk ditangani. Misalnya, asisten AI dapat menggunakan spreadsheet untuk menghasilkan tabel yang membandingkan "x versus y," tetapi tidak dapat secara independen memutuskan untuk membuat perbandingan seperti itu tanpa prompt tertentu.
  
  
• Asisten AI tidak selalu memiliki memori yang persisten. Asisten AI dapat disesuaikan agar sesuai dengan kebutuhan pengguna, tetapi mereka tidak secara inheren menyimpan informasi dari interaksi pengguna sebelumnya. Model AI yang memberi daya asisten tidak terus belajar atau berkembang berdasarkan penggunaan; sebaliknya, peningkatan hanya terjadi ketika pengembang merilis versi yang diperbarui. Beberapa asisten AI dapat mereferensi percakapan sebelumnya dalam sesi dengan menyimpan detail yang relevan di jendela konteksnya atau dengan menggunakan fitur yang disebut "memori" untuk mengingat informasi yang dipilih dan meningkatkan respons di masa mendatang. 

Mengutip Elvis Presley, "Kurangi bicara, perbanyak aksi.” Masukkan Agen AI.

Agen AI merujuk pada sistem atau program yang dapat secara mandiri menyelesaikan tugas mewakili pengguna atau sistem lain dengan merancang alur kerja sendiri dan memanfaatkan alat yang tersedia.

Lebih otonom, terhubung, dan canggih daripada asisten AI, agen AI dapat mencakup berbagai fungsi di luar NLP. Ini termasuk pengambilan keputusan, pemecahan masalah, berinteraksi dengan lingkungan eksternal dan melaksanakan tindakan. 

Sementara asisten AI membutuhkan pengguna untuk memberikan prompt untuk setiap tindakan, agen AI dapat beroperasi secara independen setelah prompt kickoff awal. Mereka mengevaluasi tujuan yang ditetapkan, membagi tugas menjadi subtugas dan mengembangkan alur kerja mereka sendiri untuk mencapai tujuan tertentu.

Agen-agen ini diterapkan di berbagai aplikasi perusahaan, mulai dari desain perangkat lunak dan otomatisasi TI hingga alat pembuatan kode dan asisten percakapan. Menggunakan NLP tingkat lanjut dari LLM, agen AI memahami input pengguna langkah demi langkah, menyusun strategi tindakan mereka dan menentukan kapan harus memanggil alat eksternal.

• Otonomi yang lebih besar: Setelah prompt awal, agen AI dapat terus bekerja tanpa input lebih lanjut, sehingga mengurangi perlunya campur tangan manusia di setiap tahap. Tidak seperti asisten yang menyarankan tindakan untuk disetujui pengguna, agen AI menggunakan otonomi multikomponen untuk secara mandiri bernalar, memutuskan, dan memecahkan masalah dengan menggunakan kumpulan data dan alat eksternal. Kemampuan mereka untuk keluar dari kerangka kerja berbasis obrolan murni memungkinkan pengambilan keputusan dan pembelajaran yang proaktif, yang pada akhirnya menghemat waktu karyawan dengan menangani alur kerja yang rumit sendiri. Model yang lebih baru meningkatkan kemampuan penalaran untuk mendukung hal ini.²
  
  
• Konektivitas: Agen AI menyatukan berbagai kemampuan ke dalam satu alur kerja, menghilangkan hambatan yang timbul dari sistem yang terputus. Dengan mengintegrasikan secara mulus dengan aplikasi eksternal, sumber data, dan model AI lainnya, mereka meningkatkan produktivitas sekaligus mengurangi gesekan antara berbagai komponen proses.
  
  
• Pengambilan keputusan dan tindakan: Kemampuan untuk menggunakan alat bantu dengan sendirinya tidak menjadikan LLM sebagai agen. Agen AI juga dapat bertindak secara mandiri dan memutuskan alat mana yang akan digunakan dan kapan. Berdasarkan model dasar, agen AI melakukan tugas secara mandiri sesuai dengan tujuan tertentu dan memanfaatkan model dasar untuk mendapatkan informasi dan kemampuan tambahan. Mereka menganalisis masalah, memecahnya menjadi subtugas dan merencanakan langkah selanjutnya secara mandiri. Ini membuat mereka efektif untuk menangani masalah yang kompleks dan ambigu. Beberapa agen, seperti Anthropic's Claude, bahkan mendemonstrasikan penggunaan komputer, di mana LLM dapat mengklik, mengetik, dan mengoperasikan komputer untuk menyelesaikan tugas.³
  
  
• Memori yang persisten dan pembelajaran adaptif: Dibandingkan dengan asisten AI, agen AI memiliki kapasitas yang lebih besar untuk belajar. Mereka menyimpan tindakan sebelumnya, percakapan, dan pengalaman, memungkinkan mereka untuk memperbaiki pendekatan mereka dari waktu ke waktu. Dengan memori yang persisten, agen AI dapat mengingat interaksi masa lalu untuk meningkatkan respons di masa depan, sementara pembelajaran adaptif memungkinkan mereka untuk menyesuaikan perilaku mereka berdasarkan masukan dan hasil. Karena mereka berintegrasi dengan aplikasi dan alat eksternal, mereka dapat bertindak berdasarkan data waktu nyata daripada hanya mengandalkan pelatihan awal mereka. Melalui interaksi yang berulang, mereka menjadi lebih efisien, sadar akan konteks, dan lebih selaras dengan kebutuhan pengguna.
  
  
• Rantaian tugas: Agen AI tidak menyelesaikan tugas secara terpisah—mereka memecah alur kerja yang kompleks menjadi langkah-langkah lebih kecil yang dapat dikelola. Agen AI mengidentifikasi dependensi antartugas, yang membantu memastikan bahwa setiap langkah secara logis mengalir ke langkah berikutnya. Kemampuan ini memungkinkan eksekusi terstruktur di seluruh proses multilangkah dan membuat otomatisasi menjadi lebih dinamis.
  
  
• Permainan tim: Agen AI sering mengkhususkan diri dalam tugas-tugas tertentu — yang satu mungkin unggul dalam memeriksa fakta, sementara yang lain lebih baik dalam penelitian. Agen-agen ini dapat berkolaborasi, membentuk tim untuk mengatasi tantangan kompleks bersama. IBM saat ini mendukung agen AI yang ditulis dalam LangChain, dengan integrasi LlamaIndex segera hadir. Kerangka kerja IBM memudahkan pengguna membuat dan mengedit agen AI dalam lingkungan kode rendah atau no-code, sehingga dapat mengurangi beban pengembang.

Agen AI dan asisten AI menawarkan banyak manfaat, mulai dari mengoptimalkan alur kerja hingga meningkatkan pengalaman pengguna. 

Solusi AI pelengkap: Agen AI mengkhususkan diri dalam melakukan tugas-tugas tertentu atau kompleks secara mandiri, sementara asisten AI unggul dalam memahami dan berinteraksi dengan pengguna secara alami. Bersama-sama mereka menciptakan solusi AI yang lebih kuat dan intuitif.

Alur kerja yang dioptimalkan dan peningkatan produktivitas: Alat AI dan gen AI merampingkan proses, mengotomatiskan tugas rutin, dan membantu manusia dalam pemecahan masalah, meningkatkan efisiensi secara keseluruhan.

Pengalaman pengguna yang ditingkatkan: Asisten AI memberikan dukungan interaktif, beradaptasi dengan kebutuhan pengguna dan belajar dari masukan dan riwayat percakapan untuk menawarkan interaksi yang lebih dipersonalisasi.

Operasi dan skalabilitas otonom: Agen AI dapat beroperasi secara independen, mengelola banyak tugas secara bersamaan, dan menskalakan untuk menangani proses yang kompleks tanpa campur tangan manusia langsung.

Manajemen tugas dan kolaborasi yang lebih baik: Agen AI dapat menafsirkan kebutuhan pengguna dan memberikan tugas kepada asisten AI. Asisten dapat menggunakan data yang dihasilkan agen untuk membuat output yang lebih intuitif. Kemampuan ini meningkatkan koordinasi.

Potensi integrasi yang ditingkatkan: Seiring berkembangnya model AI, mereka dapat mengintegrasikan komponen percakapan dan otonom dengan lebih baik, memungkinkan serah terima tugas yang mulus dan memberikan respons dengan kualitas lebih tinggi dalam waktu yang lebih singkat.

Asisten AI meningkatkan pengalaman pelanggan dengan menyediakan dukungan dunia nyata secara langsung melalui obrolan, suara, dan email. Mereka menangani pertanyaan umum pelanggan, memandu pengguna melalui opsi layanan mandiri, dan meningkatkan masalah rumit bila diperlukan. Dengan menggunakan NLP, mereka mempersonalisasi interaksi, merekomendasikan produk, dan membantu pelanggan menyelesaikan transaksi dengan cepat. Ketersediaannya kapan saja meningkatkan kepuasan pelanggan dan mengurangi biaya.

Agen AI membawa pengalaman pelanggan dan dukungan pelanggan lebih jauh dengan beradaptasi dengan perilaku pengguna secara real time. Tidak seperti asisten AI dengan tanggapan skrip, agen AI belajar dan meningkatkan interaksi, apakah itu mensimulasikan wawancara kerja atau menangani masalah dukungan yang kompleks secara mandiri. Mereka bekerja di seluruh situs web, aplikasi, dan perangkat IoT untuk menciptakan pengalaman pengguna yang lancar dan sangat personal.

Asisten AI menyediakan dukungan perbankan yang aman dan real-time dengan menangani pertanyaan saldo, peringatan penipuan, dan aplikasi pinjaman. Mereka juga membantu pelanggan mengelola keuangan mereka dengan menganalisis kebiasaan belanja dan menawarkan saran penganggaran yang dipersonalisasi.

Agen AI secara proaktif mencegah penipuan dengan memantau transaksi secara real-time, mendeteksi aktivitas yang mencurigakan, dan memblokir ancaman sebelum meningkat. Tidak seperti asisten yang hanya mengirim peringatan penipuan, agen AI menyesuaikan protokol keamanan, memperbaiki model risiko, dan berkoordinasi dengan sistem deteksi penipuan untuk tetap berada di depan ancaman yang muncul. Dalam trading dan investasi, agen AI menganalisis tren pasar, mengeksekusi trade, dan menyesuaikan portofolio tanpa campur tangan manusia.

Asisten AI membantu organisasi merampingkan perekrutan dengan membuat deskripsi pekerjaan, menyortir resume, dan menyusun pesan yang dipersonalisasi. Selain perekrutan, mereka membantu orientasi dengan membimbing karyawan baru melalui kebijakan, manfaat, dan materi pelatihan.

Agen AI membawa otomatisasi SDM lebih jauh dengan mengelola dan mengoptimalkan akuisisi bakat, keterlibatan karyawan, dan perencanaan tenaga kerja. Mereka menyaring kandidat, menjadwalkan wawancara, dan menyempurnakan strategi perekrutan dengan menggunakan data sebelumnya. Untuk manajemen kinerja, agen AI menganalisis masukan, deteksi tren, dan merekomendasikan program pelatihan. Mereka juga mengotomatiskan proses onboarding, administrasi manfaat, dan pelacakan kepatuhan, sehingga operasi HR menjadi lebih berbasis data dan efisien.

Asisten AI memainkan peran penting dalam otomatisasi proses sumber daya manusia (SDM) dengan membantu meningkatkan pengalaman pasien dan merampingkan tugas-tugas administratif. Mereka menjawab pertanyaan pasien secara real-time, membantu penjadwalan janji temu, penagihan dan pengisian ulang resep, serta menyediakan akses layanan mandiri ke rekam medis. Asisten AI membantu dokter dengan merangkum riwayat pasien dan menandai kasus mendesak. Asisten AI juga membantu mengatur dokumentasi, membantu memastikan bahwa pemformatan tetap konsisten agar lebih mudah diakses.

Agen AI mendukung pengambilan keputusan medis di lingkungan yang kompleks. Di ruang gawat darurat, sistem multi-agen membantu melakukan triase pasien, menyesuaikan prioritas berdasarkan data waktu nyata dari sensor. Agen AI juga mengoptimalkan manajemen pasokan obat, memprediksi kekurangan dan menyesuaikan rencana perawatan berdasarkan respons pasien.

Ada risiko dan keterbatasan dengan teknologi didukung AI yang perlu dipertimbangkan. LLMs rentan, yaitu peka terhadap perubahan prompt terkecil yang menyebabkan struktur yang tidak valid, muatan yang salah, atau halusinasi. Ini berarti bahwa agen AI dan asisten AI mungkin gagal jika, misalnya, model dasar yang mendasarinya berhalusinasi atau rusak. 

Untuk agen AI, ini adalah awal masa depan. Jika agen AI kesulitan menyusun rencana yang komprehensif atau gagal menganalisis temuan secara menyeluruh, sistemnya dapat terjebak dalam loop masukan tanpa akhir. Dan karena agen AI mempertimbangkan lingkungan dan alat eksternal, mereka harus menangani perubahan pada alat tersebut. Seiring waktu, perubahan tersebut dapat menyebabkan pengaturan agen rusak. Asisten AI, di sisi lain, dapat digunakan dengan andal dalam banyak kasus, karena mereka tidak menggunakan alat eksternal.

Untuk tugas yang kompleks, agen AI membutuhkan pelatihan intensif dan mungkin tetap memerlukan waktu yang cukup lama untuk menyelesaikannya. Juga, mereka sering bisa mahal.

Model dasar saat ini belum cukup cerdas untuk berfungsi sebagai agen mandiri, namun perkembangan dalam kemampuan penalaran model di masa depan diharapkan dapat mengatasi keterbatasan ini. Oleh karena itu, kita masih dalam masa-masa awal untuk memahami dan melihat apa yang dapat dilakukan agen AI. Masa depan teknologi AI mungkin melihat aplikasi AI yang dipandu mandiri yang lebih luas. Tetapi pada tahap perkembangan ini, intervensi manusia seringkali masih diperlukan untuk menawarkan bimbingan atau pengalihan.