MR.Cole_Photographer/Getty Images
Memperkenalkan dan meluncurkan sistem berbasis AI mungkin terlihat seperti proyek besar dan sulit, penuh dengan risiko. Namun, mode pengiriman lainnya mulai muncul: agen berbasis AI.
AI generatif telah menambahkan bobot dan kemampuan baru ke agen yang sering sulit diatur dan dikelola. Penelitian baru menunjukkan bahwa layanan yang lebih mudah diatur ini menarik perhatian para teknolog dan pemimpin bisnis mereka.
Juga: 6 cara AI dapat membantu meluncurkan usaha bisnis Anda berikutnya
Agen berbasis AI mewakili “frontier” berikutnya dari AI, menurut laporan dari konsultan McKinsey. Laporan tersebut memprediksi pengaruh sistem agensial – yang didefinisikan sebagai “sistem digital yang dapat berinteraksi secara independen dalam dunia dinamis” – akan meningkat.
Sementara sistem agensial telah ada sejak beberapa waktu, “kemampuan bahasa alamiah dari gen AI mengungkapkan kemungkinan baru, memungkinkan sistem untuk merencanakan tindakan mereka, menggunakan alat online untuk menyelesaikan tugas-tugas tersebut, berkolaborasi dengan agen dan orang lain, dan belajar untuk meningkatkan kinerja mereka,” tim penulis McKinsey, yang dipimpin oleh Lareina Yee, menyatakan.
Juga: 8 kasus penggunaan teratas untuk AI tahun ini
Tahap selanjutnya dari AI generatif kemungkinan akan menjadi lebih “transformasional,” Yee dan rekan-rekannya menyarankan. “Kita memulai evolusi dari alat berbasis pengetahuan, didukung oleh gen AI – misalnya, chatbot yang menjawab pertanyaan dan menghasilkan konten – ke agen yang diaktifkan oleh gen AI yang menggunakan model dasar untuk mengeksekusi alur kerja kompleks, multi-langkah di dunia digital. Singkatnya, teknologi ini bergerak dari pemikiran ke tindakan.”
Mayoritas dari 1.100 eksekutif teknologi (82%) yang merespons survei terbaru dari konsultan Capgemini mengindikasikan niat mereka untuk mengintegrasikan agen berbasis AI di seluruh organisasi mereka dalam tiga tahun mendatang – naik dari 10% dengan agen yang berfungsi pada saat ini.
Laporan tersebut menemukan bahwa tujuh dari sepuluh responden (70%) akan percaya pada agen AI untuk menganalisis dan mensintesis data, dan 50% akan percaya pada agen AI untuk mengirim email profesional atas nama mereka. Sekitar tiga perempat responden (75%) menyatakan niat mereka untuk menggunakan agen AI untuk menangani tugas-tugas seperti menghasilkan dan secara iteratif meningkatkan kode. Tugas potensial lain untuk agen termasuk menghasilkan dan mengedit laporan draf (70%) dan konten situs web (68%), serta generasi email, coding, dan analisis data.
Agen yang didukung oleh AI mampu mengambil berbagai peran. “Asisten virtual, misalnya, dapat merencanakan dan memesan jadwal perjalanan yang dipersonalisasi, menangani logistik di berbagai platform perjalanan,” laporan McKinsey mengatakan. “Menggunakan bahasa sehari-hari, seorang insinyur bisa menjelaskan fitur perangkat lunak baru kepada agen pemrogram, yang kemudian akan membuat kode, menguji, mengulangi, dan mendeploy alat yang membantu menciptakannya.”
Dalam contoh lain, sebuah vendor, Qventus, menawarkan asisten berbasis AI yang menghadapai pelanggan yang disebut Patient Concierge, yang menelepon pasien dan mengingatkan mereka akan janji temu, mengulang pedoman pra dan pasca operasi, dan menjawab pertanyaan perawatan umum.
Juga: Kapan waktu yang tepat untuk berinvestasi dalam AI? 4 cara untuk membantu Anda memutuskan
Ada enam tingkatan agen AI, masing-masing menawarkan fungsionalitas yang meningkat, seperti yang diuraikan dalam tutorial AWS:
Agen refleks sederhana: Cocok untuk tugas-tugas sederhana seperti mereset password. “Beroperasi secara ketat berdasarkan aturan yang telah ditentukan dan data segera. Tidak akan merespons situasi di luar aturan tindakan kondisi peristiwa tertentu.”
Agen refleks berbasis model: Mirip dengan agen refleks sederhana, tetapi “daripada hanya mengikuti aturan tertentu, mengevaluasi hasil dan konsekuensi yang mungkin sebelum memutuskan. Membangun model internal dari dunia yang dilihatnya dan menggunakannya untuk mendukung keputusannya.”
Agen berbasis tujuan/aturan: Memiliki kemampuan penalaran yang lebih kokoh daripada agen refleks, membuat mereka cocok untuk “tugas-tugas yang lebih kompleks seperti pemrosesan bahasa alami dan aplikasi robotika.” Agen tujuan/aturan “membandingkan pendekatan yang berbeda untuk membantu mencapai hasil yang diinginkan, dan selalu memilih jalur yang paling efisien.”
Agen berbasis utilitas: “Membandingkan skenario berbeda dan nilai manfaat atau keuntungan masing-masing” – seperti membantu pelanggan mencari penawaran maskapai terbaik. “Menggunakan algoritma penalaran yang kompleks untuk membantu pengguna memaksimalkan hasil yang diinginkan.”
Agen pembelajaran: “Terus belajar dari pengalaman sebelumnya untuk meningkatkan hasilnya. Menggunakan input sensorik dan mekanisme umpan balik, agen menyesuaikan elemen pembelajarannya dari waktu ke waktu untuk memenuhi standar tertentu. Di atas itu, ia menggunakan generator masalah untuk merancang tugas-tugas baru untuk melatih dirinya dari data yang dikumpulkan dan hasil yang telah dicapai.”
Agen hirarkis: Ini menempatkan agen sebagai kepala agen lainnya. “Agen tingkat tinggi memecah tugas-tugas kompleks menjadi yang lebih kecil dan menugaskan mereka ke agen tingkat lebih rendah. Setiap agen berjalan secara independen dan mengajukan laporan kemajuan kepada agennya yang mengawasi. Agen tingkat tinggi mengumpulkan hasil dan mengkoordinasikan agen bawahan untuk memastikan mereka mencapai tujuan bersama.”
Sampai sekarang, agen perangkat lunak “sulit diimplementasikan, memerlukan pemrograman berbasis aturan yang melelahkan, atau pelatihan model pembelajaran mesin yang sangat spesifik,” tim McKinsey mencatat. Namun, sekarang terjadi pergeseran besar.
“Gen AI mengubah itu. Ketika sistem agensial dibangun menggunakan model dasar – yang telah dilatih pada set data tidak terstruktur yang sangat besar dan bervariasi – daripada aturan yang telah ditentukan sebelumnya, mereka memiliki potensi untuk beradaptasi dengan skenario yang berbeda dengan cara yang sama seperti LLMs dapat merespons dengan cerdas pada masalah pada yang mereka tidak secara eksplisit diinstruksikan.”
Juga: 4 cara untuk membantu organisasi Anda mengatasi inersia AI
Penggunaan pemrosesan bahasa alami agen AI juga mengubah persamaan. “Saat ini, untuk mengotomatisasi kasus penggunaan, itu harus terlebih dahulu diuraikan menjadi serangkaian aturan dan langkah-langkah yang dapat dikodekan,” tim McKinsey mengatakan.
“Langkah-langkah ini biasanya diterjemahkan menjadi kode komputer dan diintegrasikan ke dalam sistem perangkat lunak – proses yang sering kali mahal dan rumit yang memerlukan keahlian teknis yang signifikan. Karena sistem agensial menggunakan bahasa alamiah sebagai bentuk instruksi, bahkan alur kerja yang kompleks dapat dienkripsi dengan lebih cepat dan mudah. Apa yang lebih penting, proses tersebut potensial bisa dilakukan oleh karyawan non-teknis, bukan insinyur perangkat lunak.”
“