Agentic AI: Ketika Mesin Bukan Sekadar Menjawab, Tapi Bertindak Sendiri

Agentic AI merujuk kepada sistem kecerdasan buatan yang mampu membuat keputusan dan bertindak secara autonomi untuk mencapai matlamat tertentu. Artikel ini menghuraikan secara mendalam konsep, cara kerja, perbezaan dengan AI tradisional, serta impaknya terhadap pelbagai industri.

Di pejabat futuristik sebuah syarikat teknologi di Kuala Lumpur, seorang eksekutif muda bernama Amir hanya perlu menyebut, "Cari pilihan terbaik untuk pengembangan pasaran di Asia Tenggara." Dalam beberapa saat, sistem agentic AI di hadapannya bukan sekadar memaparkan data—ia menganalisis ribuan pemboleh ubah, merangka strategi, dan menghantar draf cadangan kepada pasukan. Mesin itu tidak menunggu arahan selanjutnya; ia bertindak. Inilah dia agentic AI, satu anjakan paradigma yang mengubah peranan AI daripada pembantu pasif kepada rakan sekerja proaktif.

Apa Itu Agentic AI?

Agentic AI, atau AI agentik, merujuk kepada sistem kecerdasan buatan yang memiliki keupayaan untuk bertindak secara autonomi dalam persekitaran digital atau fizikal bagi mencapai matlamat yang telah ditetapkan. Berbeza dengan AI konvensional yang hanya merespons input tertentu (seperti chatbot yang menjawab soalan), agentic AI dilengkapi dengan elemen "agensi"—ia boleh merancang, melaksanakan tugas, dan menyesuaikan diri berdasarkan maklum balas tanpa campur tangan manusia secara berterusan.

Konsep ini berakar daripada bidang kecerdasan buatan klasik, khususnya agent theory, di mana satu "agen" ialah entiti yang melihat persekitaran melalui sensor dan bertindak menggunakan aktuator. Namun, agentic AI moden memanfaatkan model bahasa besar (LLM), pembelajaran pengukuhan, dan rangkaian saraf mendalam untuk membuat keputusan kompleks dalam masa nyata.

Cara Kerja Agentic AI

Sistem agentic AI biasanya beroperasi dalam kitaran persepsi-pertimbangan-tindakan (perception-cognition-action). Pertama, ia mengumpul data dari pelbagai sumber—pengkalan data, penderia Internet of Things, atau API luaran. Kemudian, ia memproses maklumat tersebut menggunakan algoritma pembelajaran mesin untuk memahami konteks dan meramal kesan tindakan yang mungkin. Akhirnya, ia memilih dan melaksanakan tindakan terbaik berdasarkan matlamat yang diprogramkan (contoh: memaksimumkan keuntungan, meminimumkan kos, atau mematuhi etika tertentu).

Seiring dengan kemajuan pembelajaran pengukuhan dalam (deep reinforcement learning), agentic AI boleh belajar daripada pengalaman melalui cuba-jaya, sama seperti manusia. Ini membolehkan ia menyesuaikan strategi dalam persekitaran yang dinamik, seperti pasaran saham atau trafik bandar.

Perbezaan dengan AI Tradisional

Untuk memahami keunikan agentic AI, kita bandingkan dengan AI tradisional. Sebagai contoh, sebuah chatbot biasa hanya menjawab soalan berdasarkan data latihan—ia pasif. Sebaliknya, agen AI perkhidmatan pelanggan bukan sahaja menjawab aduan, tetapi juga boleh menyemak status pesanan, memulakan proses pemulangan, dan menghidupkan semula diskaun secara automatik jika pelanggan kecewa. Ia bertindak, bukan sekadar berinteraksi.

Satu lagi perbezaan utama ialah kebolehan merancang. AI tradisional cenderung reaktif; agentic AI bersifat proaktif. Contohnya, dalam rumah pintar, agentic AI bukan sekadar menghidupkan lampu apabila gelap, tetapi boleh menjadualkan penyelenggaraan peralatan jika ia mengesan anomali penggunaan elektrik.

Aplikasi Agentic AI dalam Industri

Kewangan: Agen AI boleh mengurus portfolio pelaburan secara autonomi, melaksanakan dagangan berfrekuensi tinggi, dan mengesan fraud dalam masa nyata. Ia juga boleh merundingkan semula kontrak dengan vendor berdasarkan analisis pasaran.

Penjagaan kesihatan: Sistem agentic AI di hospital boleh memantau keadaan pesakit secara berterusan, menyesuaikan ubat berdasarkan bacaan vital, dan menjadualkan semula janji temu doktor apabila berlaku kecemasan.

Logistik: Dalam rantaian bekalan, agen AI boleh mengoptimumkan laluan penghantaran secara dinamik jika berlaku kesesakan lalu lintas atau cuaca buruk, serta memesan semula inventori apabila stok hampir habis.

Pendidikan: Platform pembelajaran adaptif menggunakan agentic AI untuk menyesuaikan sukatan pelajaran mengikut kelemahan dan kekuatan pelajar, serta memberi dorongan motivasi apabila prestasi menurun.

Cabaran dan Risiko

Walaupun menjanjikan, agentic AI membawa risiko signifikan. Kebolehjelasan (explainability) menjadi isu utama—apabila agen membuat keputusan sendiri, sukar untuk mentafsir proses pemikirannya. Ini boleh membawa kepada keputusan berat sebelah atau berbahaya. Selain itu, keselamatan perlu diberi perhatian; agen yang berniat jahat atau digodam boleh melakukan kerosakan besar secara autonomi.

Dari segi etika, timbul persoalan tentang tanggungjawab—siapa yang dipersalahkan apabila agen AI membuat kesilapan? Pengaturcara, pengguna, atau agen itu sendiri? Isu ini masih dalam perdebatan hangat dalam kalangan penggubal dasar.

Masa Depan Agentic AI

Kita sedang menuju ke arah multi-agent system di mana berbilang agen AI berinteraksi dan bekerjasama seperti pasukan pekerja digital. Ini akan merevolusikan bidang seperti penyelidikan saintifik, di mana agen AI boleh merancang eksperimen, menganalisis data, dan menulis kertas kerja secara kolaboratif.

Walaupun masih di peringkat awal, agentic AI sudah menunjukkan potensi luar biasa. Namun, perkembangan ini perlu diimbangi dengan tadbir urus yang kukuh untuk memastikan teknologi ini digunakan demi kebaikan manusia. Seperti kata Profesor Stuart Russell, perintis AI: "Cabaran sebenar bukanlah mencipta mesin pintar, tetapi memastikan ia sentiasa selaras dengan nilai-nilai kemanusiaan."

Rujukan:

Russell, S. & Norvig, P. (2021). *Artificial Intelligence: A Modern Approach*. Pearson.
Wang, L. et al. (2023). "Agentic AI: A Comprehensive Survey." *arXiv preprint*.