Pernah melihat robot di film yang bisa mengenali lingkungan, mengambil keputusan, lalu belajar dari kesalahannya? Dulu hal seperti itu hanya ada di dunia fiksi. Namun, seiring berkembangnya teknologi Agentic AI, konsep tersebut mulai diterapkan dalam berbagai sistem AI modern.
Meski begitu, bukan berarti AI benar-benar memiliki kesadaran seperti manusia. Yang terjadi adalah AI menjalankan serangkaian proses yang saling terhubung. Dalam dunia Agentic AI, proses tersebut sering dikenal sebagai Perception, Reasoning, Action, dan Learning Loop.
Keempat komponen ini dapat diibaratkan seperti siklus kerja yang terus berulang. AI menerima informasi, menganalisisnya, melakukan tindakan, lalu mempelajari hasilnya agar dapat bekerja lebih baik di kesempatan berikutnya.
Lalu, bagaimana sebenarnya siklus ini bekerja?
Mengapa Siklus Ini Penting?
Coba bayangkan seorang kurir yang sedang mengantarkan paket.
Pertama, ia melihat alamat tujuan. Setelah itu, ia menentukan rute tercepat. Kemudian ia mengantarkan paket ke alamat tersebut. Jika ternyata jalan yang dipilih macet, ia akan mengingat pengalaman itu dan memilih rute lain pada pengiriman berikutnya.
Agentic AI bekerja dengan pola yang hampir sama. AI tidak hanya menerima perintah, tetapi juga melalui beberapa tahap sebelum menghasilkan tindakan yang tepat.
Karena itulah siklus ini menjadi dasar dari banyak sistem Agentic AI.
Perception: Memahami Informasi yang Diterima
Tahap pertama adalah Perception.
Pada tahap ini, AI menerima berbagai informasi dari lingkungan atau pengguna. Informasi tersebut bisa berupa teks, gambar, suara, data sensor, atau informasi dari sistem lain.
Sebagai contoh, ketika Anda mengetik pertanyaan di ChatGPT, teks yang Anda kirim menjadi informasi awal yang harus dipahami oleh AI.
Jika AI digunakan pada mobil tanpa pengemudi, informasi yang diterima bisa berasal dari kamera, radar, GPS, atau sensor lainnya.
Semakin baik AI memahami informasi yang diterima, semakin baik pula keputusan yang dapat diambil.
Reasoning: Menentukan Langkah Terbaik
Setelah memperoleh informasi, AI masuk ke tahap Reasoning.
Pada tahap ini, AI mulai menganalisis data yang tersedia, membandingkan beberapa kemungkinan, lalu memilih solusi yang dianggap paling sesuai.
Misalnya, AI menerima pertanyaan yang memiliki beberapa kemungkinan jawaban. Sistem akan mengevaluasi informasi yang tersedia sebelum memberikan respons.
Reasoning membantu AI agar tidak sekadar menjawab secara acak, tetapi memilih hasil yang paling relevan berdasarkan tujuan pengguna.
Action: Menjalankan Keputusan
Keputusan yang baik tentu harus diikuti dengan tindakan.
Inilah fungsi dari tahap Action.
Setelah AI menentukan langkah terbaik, sistem mulai menjalankan tugas yang diperlukan. Tindakan tersebut bisa berupa membuat ringkasan dokumen, mengirim email, memperbarui data, menjalankan aplikasi tertentu, atau memberikan jawaban kepada pengguna.
Pada Agentic AI, tahap Action sering kali melibatkan Tool Use, Function Calling, maupun API yang telah kita bahas pada artikel sebelumnya.
Dengan kata lain, Action merupakan tahap ketika semua rencana mulai diwujudkan menjadi hasil nyata.
Learning Loop: Belajar dari Hasil Sebelumnya
Tahap terakhir adalah Learning Loop.
Sesuai namanya, tahap ini berhubungan dengan proses evaluasi terhadap hasil yang telah diperoleh.
Misalnya, AI menyelesaikan sebuah tugas tetapi hasilnya kurang sesuai dengan harapan pengguna. Informasi tersebut dapat digunakan sebagai bahan evaluasi agar proses berikutnya menjadi lebih baik.
Perlu dipahami bahwa “belajar” di sini tidak selalu berarti AI langsung mengubah model atau menambah pengetahuan secara otomatis. Dalam banyak sistem, Learning Loop lebih mengacu pada proses mengevaluasi hasil pekerjaan, memperbaiki strategi, atau memanfaatkan umpan balik untuk meningkatkan kualitas penyelesaian tugas.
Contoh dalam Kehidupan Sehari-hari
Bayangkan Anda meminta Agentic AI untuk membuat jadwal perjalanan bisnis.
Pertama, AI membaca tujuan dan tanggal perjalanan (Perception). Setelah itu, AI membandingkan beberapa pilihan transportasi dan hotel (Reasoning).
Selanjutnya, AI membantu melakukan pemesanan atau menyusun jadwal perjalanan (Action). Setelah perjalanan selesai, pengguna memberikan masukan mengenai hasil yang diperoleh. Masukan tersebut dapat digunakan sebagai evaluasi untuk penyusunan perjalanan berikutnya (Learning Loop).
Contoh sederhana ini menunjukkan bahwa keempat tahap tersebut saling berhubungan dan membentuk satu siklus kerja.
Hal yang Sering Disalahpahami
Banyak orang mengira Learning Loop berarti AI selalu menjadi lebih pintar setiap kali digunakan.
Anggapan ini kurang tepat.
Dalam praktiknya, tidak semua Agentic AI langsung menyimpan pengalaman atau memperbarui model setiap selesai menjalankan tugas. Pada banyak sistem, proses pembelajaran dilakukan melalui evaluasi, umpan balik pengguna, atau pembaruan yang dilakukan oleh pengembang.
Karena itu, kemampuan belajar AI bergantung pada bagaimana sistem tersebut dirancang.
Kesimpulan
Perception, Reasoning, Action, dan Learning Loop merupakan empat tahapan penting yang membentuk cara kerja Agentic AI. Perception membantu AI memahami informasi, Reasoning digunakan untuk menentukan keputusan, Action menjalankan tugas, sedangkan Learning Loop membantu sistem mengevaluasi hasil agar proses berikutnya menjadi lebih baik.
Memahami siklus ini membuat kita menyadari bahwa Agentic AI bukan sekadar mesin yang memberikan jawaban. Di balik respons yang terlihat sederhana, terdapat proses yang saling berkaitan sehingga AI mampu bekerja secara lebih terarah, efisien, dan terus berkembang sesuai kebutuhan pengguna.
