Istilah “agentic AI” belakangan menjadi buzz word makin populer di banyak presentasi vendor teknologi. Sistem yang bisa “bertindak sendiri,” “mengambil keputusan,” dan “bekerja otonom” ditawarkan sebagai lompatan besar berikutnya setelah generative AI. Tetapi ketika istilah teknis dipakai orang untuk pemasaran, ia cenderung dilebih-lebihkan maknanya, mencakup jauh lebih banyak hal daripada yang sebenarnya dimaksudkan komunitas riset yang menciptakannya. Tulisan ini mencoba menelusuri kembali apa yang secara teknis membedakan “agentic AI” dari sekadar automation yang dibungkus istilah baru, dan menawarkan kerangka penilaian yang bisa dipakai siapa pun untuk menguji klaim yang mereka dengar di ruang presentasi. Tulisan saya buat dengan Claude AI. Daftar prompt beserta interpretasi dan kunci respon AI saya lampirkan di bawah.
Konsep “agen” dalam kecerdasan buatan sebenarnya jauh lebih tua daripada gegap gempita saat ini. Wooldridge dan Jennings, dalam makalah rujukan mereka tahun 1995, merumuskan agen cerdas lewat empat properti: otonomi (bertindak tanpa intervensi langsung, memegang kendali atas kondisi internalnya sendiri), reaktivitas (merespons perubahan lingkungan tepat waktu), proaktivitas (mengambil inisiatif menuju tujuan, bukan sekadar bereaksi), dan kemampuan sosial (berinteraksi dengan agen lain, termasuk manusia, untuk mencapai tujuannya). Definisi ini lahir dari tradisi multi-agent systems dan arsitektur belief-desire-intention pada awal 1990-an, jauh sebelum model bahasa besar dikenal publik. Artinya, “agen” sebagai istilah teknis dalam AI bukan sesuatu yang baru diciptakan bersamaan dengan ChatGPT; ia sudah punya sejarah tiga dekade lebih.
Pertanyaannya kemudian: jika kriteria otonomi, reaktivitas, dan proaktivitas sudah dipenuhi banyak sistem lama, mengapa kita masih perlu istilah baru sekarang? Untuk menjawabnya, ada baiknya kita mulai dari sistem paling sederhana yang sering keliru disebut agentic, lalu naik bertahap ke kasus yang benar-benar menguji batas definisi.
Ambil contoh lampu otomatis yang menyala saat sore dan mati saat pagi berdasarkan sensor cahaya ambien. Sistem ini memang “mengambil keputusan” dalam pengertian longgar: ada input (intensitas cahaya), ada ambang batas, ada output (nyala atau mati). Tetapi ini persis definisi sistem kendali umpan balik yang dirumuskan Norbert Wiener dalam kerangka sibernetika sejak 1948. Thermostat, autopilot pesawat generasi awal, hingga mesin cuci dengan sensor berat cucian, semuanya beroperasi dengan logika sense-compare-actuate yang sama. Kalau logika ini sudah cukup disebut agentic, maka hampir semua peralatan rumah tangga sejak pertengahan abad ke-20 sudah agentic, dan istilah itu kehilangan daya bedanya. Ruang keputusan sistem semacam ini dirancang eksplisit oleh insinyur di muka, sesempit satu ambang batas dengan dua kemungkinan hasil.
Naik satu tingkat kompleksitas, ada sistem seperti autodebit perbankan yang mempertimbangkan sisa saldo dan beberapa parameter lain sebelum mengeksekusi pembayaran, atau kontroler PID dan LQR yang dipakai luas dalam sistem kendali industri. PID menggabungkan tiga komponen (proporsional, integral, turunan) dari sinyal galat secara linear dan kontinu; LQR menghitung hukum kendali optimal dari seluruh vektor kondisi sistem lewat penyelesaian persamaan Riccati. Ditambah lagi, ada kelas sistem yang menangani ketidaktegasan kategori lewat fuzzy logic, gagasan Zadeh tahun 1965 yang diimplementasikan sebagai kontroler oleh Mamdani satu dekade kemudian: alih-alih membelah dunia secara biner, fuzzy logic membagi kondisi jadi derajat keanggotaan kontinu (“agak panas,” “cukup dekat”), lalu menyimpulkan lewat basis aturan yang tetap dirumuskan eksplisit oleh perekayasa.
Ada pula estimator seperti Kalman filter, yang bukan pengendali melainkan penaksir kondisi sistem dari observasi yang berderau atau tidak lengkap, lewat siklus prediksi-koreksi Bayesian rekursif sejak 1960. Semua sistem ini, betapapun canggih secara matematis, tetap sepenuhnya deterministik: masukan yang sama selalu menghasilkan keluaran yang sama, dan model atau aturan yang dipakai selalu dirumuskan manusia di muka untuk satu domain spesifik. Fuzzy logic menghaluskan batas kategori, Kalman filter menghaluskan ketidakpastian data, tetapi keduanya adalah dua peningkatan matematis yang independen atas automation klasik, tidak satu pun menggesernya keluar dari domain yang sempit tempat ia direkayasa.
Sistem penjadwalan (scheduling) yang mengatur ulang jadwal rapat berdasarkan ketersediaan banyak peserta juga sering disalahpahami sebagai agentic, padahal ia adalah constraint satisfaction dan optimasi klasik, cabang riset operasi dan kecerdasan buatan simbolik sejak 1970-an. Ruang kondisinya memang jauh lebih besar dari sekadar lampu, tetapi tetap dirumuskan formal sejak awal: variabel, batasan, dan fungsi objektif semuanya ditentukan manusia sebelum sistem berjalan.
Kasus yang jauh lebih menarik untuk menguji batas definisi adalah mobil otonom. Berbeda dari semua contoh di atas, mobil otonom menghadapi ruang kondisi yang tidak dienumerasi di muka: kombinasi skenario jalan, pejalan kaki, dan kendaraan lain yang nyaris tak terhingga, sehingga ia harus benar-benar bernalar terhadap situasi yang tidak pernah secara eksplisit diprogram satu per satu. Ia bahkan bisa mengubah rute secara dinamis ketika menerima informasi baru, misalnya kabar kecelakaan di depan.
Tetapi ini penting dicermati: yang berubah hanyalah rencana, bukan tujuan. Destinasi tetap sama, fungsi objektifnya tetap sama, hanya jalur menuju tujuan itu yang dihitung ulang. Ini disebut dynamic replanning, teknik yang sudah dipakai aplikasi navigasi lebih dari satu dekade dan tidak pernah disebut agentic. Substrat penalaran mobil otonom, sekuat apa pun, tetap direkayasa dan divalidasi khusus untuk satu domain: mengemudi. Ia tidak bisa dipindahkan untuk menyusun jadwal rapat atau menulis kode tanpa direkayasa ulang total. Dalam kerangka Wooldridge dan Jennings, mobil otonom kuat pada properti otonomi dan reaktivitas, tetapi nyaris nol pada kemampuan sosial lintas domain, dan lemah pada proaktivitas dalam pengertian merumuskan tujuannya sendiri.
Titik pembeda yang sesungguhnya baru muncul jelas ketika kita bandingkan semua ini dengan sistem berbasis model bahasa besar yang dilengkapi kemampuan memanggil alat (tool-calling) secara mandiri. Literatur riset terbaru mulai memformalkan pembedaan ini lewat dua konsep yang berbeda: otonomi, yaitu kemampuan beroperasi independen tanpa supervisi eksternal terus-menerus, dan agency, konsep yang lebih kaya yang mencakup otonomi ditambah intensionalitas, keberorientasian tujuan, dan perilaku adaptif. Sistem yang otonom saja beroperasi independen dalam batasan yang sudah ditentukan; sistem yang punya agency sejati mengejar tujuan secara independen lewat penalaran kontekstual dan pengambilan tindakan yang adaptif. Mobil otonom, PID, LQR, fuzzy logic, dan Kalman filter berhenti pada otonomi. Yang disebut agentic AI hari ini mencoba melangkah lebih jauh ke agency, karena dua hal yang dimilikinya sekaligus: instruksi yang diterima under-specified dalam bahasa natural, dan sistem itu sendiri yang menyusun representasi masalah serta memutuskan langkah-langkah untuk mencapainya, bukan insinyur yang merumuskannya di muka.
Menariknya, kerangka ini juga membantu menjernihkan kerancuan lain yang sering muncul: apakah agentic AI sama dengan artificial general intelligence? Jawabannya tidak, meski keduanya beririsan pada satu titik. Definisi AGI yang dipakai luas dalam riset, misalnya rumusan Legg dan Hutter tahun 2007, murni soal level kompetensi: sistem yang menyamai atau melampaui manusia pada hampir semua tugas kognitif, tanpa syarat apa pun soal otonomi tindakan. Sebuah AGI hipotetis bisa saja berupa sistem pasif yang hanya menjawab satu pertanyaan sekali panggil, tanpa pernah bertindak sendiri di dunia, dan tetap disebut AGI selama kompetensinya setara manusia lintas domain. Sebaliknya, agentic AI hari ini otonom dalam eksekusi tetapi kompetensinya masih jauh dari menyamai manusia secara konsisten lintas domain kompleks. Ia agentic tanpa menjadi AGI. Yang membuat keduanya beririsan adalah generalitas substrat: baik agentic AI maupun AGI sama-sama menuntut kapabilitas yang tidak direkayasa khusus untuk satu domain, berbeda dari mobil otonom atau kontroler PID yang substratnya total task-specific.
Satu hal perlu ditegaskan eksplisit di sini agar tidak menimbulkan kesan keliru: seluruh pembedaan di atas, generalitas substrat maupun otonomi dalam membentuk tujuan, sama sekali tidak bergantung pada apakah sistemnya deterministik atau tidak. Model bahasa besar dengan bobot yang telah dibekukan dan strategi pengambilan keputusan yang tetap (greedy decoding, atau temperature nol) adalah fungsi matematis yang sepenuhnya deterministik, masukan yang sama akan selalu menghasilkan keluaran yang sama, persis seperti PID, LQR, fuzzy logic, dan Kalman filter yang sudah dibahas sebelumnya. Pengambilan sampel dengan temperature di atas nol memang menambahkan unsur acak, tetapi itu adalah keacakan semu berbasis seed, kategori yang sama dengan randomness pada perangkat lunak mana pun, bukan indeterminisme yang berbeda secara fundamental. Dengan kata lain, agentic AI tidak lebih “tidak deterministik” dibanding kontroler klasik yang sudah kita bahas. Yang membedakannya bukan sifat deterministik atau tidaknya, melainkan asal-usul fungsi tersebut, direkayasa eksplisit oleh manusia untuk satu domain sempit versus dipelajari lewat optimasi atas data berskala besar dan generik, serta dimensi ruang fungsinya, segelintir parameter yang tuning-nya bisa ditelusuri manusia versus miliaran parameter yang perilaku agregatnya tidak lagi bisa ditelusuri satu per satu meski tetap sepenuhnya mekanistis.
Dari seluruh penelusuran ini, dua sumbu independen bisa dipakai untuk memetakan posisi setiap sistem yang mengklaim dirinya agentic: sumbu generalitas substrat (task-specific di satu ujung, generik lintas domain di ujung lain) dan sumbu otonomi-agency (reaktif atau sekadar menjalankan rencana yang tujuannya tetap, hingga otonom membentuk dan merevisi tujuannya sendiri). Hasilnya bisa disusun sebagai berikut.
| Reaktif / rencana tetap | Otonom, membentuk tujuan sendiri | |
|---|---|---|
| Task-specific | Lampu ambien, autodebit, PID, LQR, fuzzy logic, Kalman filter, mobil otonom (replanning rute) | Robot industri dengan replanning terbatas dalam domain sempit |
| Generik lintas domain | Model bahasa besar tanpa kemampuan memanggil alat | Agentic AI masa kini, dan AGI bila kompetensinya sudah setara manusia |
Kuadran kanan bawah inilah yang secara arsitektur memang baru: kombinasi penalaran generik berbasis bahasa dengan kemampuan memanggil alat secara dinamis pada ruang tindakan yang tidak dienumerasi di muka. Tetapi arsitektur yang baru tidak otomatis berarti kompetensi yang andal. Di sinilah letak kehati-hatian yang perlu dipegang setiap kali mendengar klaim “agentic AI” dalam presentasi bisnis: klaim itu bisa saja sah secara arsitektur, sistemnya memang punya bentuk generik dan otonom yang dimaksud, tetapi belum tentu sah secara kompetensi, karena keandalannya di luar skenario demo belum teruji.
Pengamatan pribadi saya sejauh ini, setelah menghadiri cukup banyak presentasi yang mempromosikan agentic AI, konsisten mendukung kehati-hatian ini: belum satu pun profesional atau korporasi yang saya temui bersedia mempercayakan aspek penting dalam kehidupan atau operasionalnya, terutama keputusan yang berkonsekuensi hukum serius, sepenuhnya kepada agentic AI. Ketika ditanya langsung apakah presenter sendiri memakai agentic AI sebagai asisten pribadinya, atau apakah perusahaannya sudah menerapkan agentic AI untuk operasional nyata, jawabannya nyaris selalu belum, diikuti penjelasan panjang tentang pentingnya “human in the loop.” Konsistensi jawaban “belum” ini, di berbagai forum dan dari berbagai vendor, adalah data kecil yang layak diperhatikan: ia menunjukkan jarak antara klaim kesiapan yang dipasarkan dan kepercayaan yang benar-benar diberikan pada sistem tersebut untuk hal-hal yang taruhannya nyata.
Ini juga menjelaskan mengapa hampir semua presentasi yang mempromosikan agentic AI berujung pada penjelasan tentang pentingnya “human in the loop,” namun ketika ditanya lebih jauh, penjelasannya sering kali tidak lebih dari manusia memeriksa keputusan AI lalu memutuskan mengeksekusi atau tidak. Ini bukan human-in-the-loop dalam pengertian aslinya, yang berarti manusia terlibat dalam proses pengambilan keputusan di titik-titik menengah. Yang dideskripsikan itu lebih tepat disebut human-as-veto: sistem menyelesaikan seluruh penalaran secara otonom, menghasilkan satu rekomendasi jadi, dan manusia hanya diberi dua pilihan, setuju atau tolak, tanpa akses ke ruang alternatif yang sempat dipertimbangkan atau dibuang oleh sistem. Manusia hanya menilai keluaran, bukan proses, dan literatur interaksi manusia-komputer sudah lama mengenal risiko dari pola ini sebagai automation bias: semakin sering sistem otomatis benar, semakin manusia berhenti memeriksa dengan sungguh-sungguh, sampai persetujuan itu berubah jadi formalitas belaka.
Bagi siapa pun yang menghadiri presentasi agentic AI berikutnya, dua pertanyaan sederhana dari kerangka ini cukup untuk menguji substansi di balik istilah yang dipakai. Pertama, apakah sistem ini pernah mengubah apa yang ia coba capai, atau hanya mengubah cara mencapai apa yang sudah ditetapkan sejak awal? Jika jawabannya yang kedua, itu automation atau optimasi, betapapun canggih secara teknis, bukan agentic dalam pengertian yang sesungguhnya. Kedua, jika sistem salah dan manusia gagal mendeteksinya karena persetujuan sudah menjadi formalitas, siapa yang menanggung akibatnya secara hukum dan operasional? Pertanyaan ini memaksa presenter menjelaskan apakah desain “human in the loop” mereka benar-benar mekanisme kontrol, atau sekadar mekanisme pemindahan tanggung jawab kepada manusia yang secara praktis tidak punya kapasitas riil untuk menolak.
Bagi wacana digital sovereignty di Indonesia, pembedaan ini bukan sekadar kejelasan istilah teknis. Klaim “agentic AI” yang tidak diuji akan dengan mudah menggeser diskusi kebijakan dan literasi publik ke arah yang salah, seolah otonomi pengambilan keputusan sudah jauh melampaui apa yang sesungguhnya terjadi di lapangan, sementara pertanyaan yang sebenarnya lebih mendesak, yaitu siapa yang menetapkan tujuan sistem, sejauh mana wewenang otonom yang diberikan, dan siapa yang bertanggung jawab ketika sistem keliru, justru tertutup oleh kekaguman pada istilah yang belum tentu terbukti substansinya.
Lampiran: Rangkaian Prompt
Berikut rangkaian prompt yang membentuk artikel ini, interpretasi atas maksudnya, dan respons kunci yang dihasilkan, sebagai bentuk keterbukaan proses penulisan berbantuan AI.
Prompt 1: Refleksi awal bahwa contoh agentic AI yang terbayang adalah lampu otomatis sore-pagi dan autodebit perbankan. Interpretasi: Titik tolak awam untuk menguji apa sebenarnya yang membedakan agentic AI dari automation biasa. Respons kunci: Pembedaan awal antara rule-based automation (kondisi tetap, deterministik) dan empat ciri agentic AI (penetapan tujuan, penalaran adaptif, penggunaan alat otonom, iterasi berbasis umpan balik).
Prompt 2: Koreksi bahwa lampu ambient-sensing dan autodebit berbasis saldo juga “mengambil keputusan,” dan scheduling bukan lebih dari optimasi. Interpretasi: Tantangan bahwa kriteria awal terlalu longgar, karena sense-decide-act dan optimasi klasik sudah ada sejak lama. Respons kunci: Revisi total ke kerangka sibernetika Wiener (1948) untuk feedback control, dan dua kriteria baru yang lebih ketat: ruang keputusan terbuka versus tertutup, dan substrat penalaran generik versus task-specific.
Prompt 3: Observasi dari pengalaman menghadiri presentasi agentic AI, di mana presenter maupun perusahaannya sendiri belum memakainya untuk hal operasional nyata, dan “human in the loop” ternyata berarti manusia sekadar menyetujui atau menolak keputusan AI. Interpretasi: Kritik terhadap kesenjangan antara klaim pemasaran dan praktik nyata, serta kekaburan istilah “human in the loop.” Respons kunci: Pembedaan human-in-the-loop asli (manusia terlibat dalam proses) dari human-as-veto (manusia hanya menilai keluaran jadi), dikaitkan dengan automation bias dalam literatur HCI.
Prompt 4: Pertanyaan apakah mobil otonom termasuk agentic AI. Interpretasi: Pengujian kasus batas untuk kriteria yang sudah dibangun. Respons kunci: Mobil otonom bersifat autonomous tapi bukan agentic, dengan rujukan properti agen Wooldridge dan Jennings (1995): kuat di otonomi dan reaktivitas, nyaris nol di kemampuan sosial lintas domain.
Prompt 5: Sanggahan bahwa mobil otonom bisa mengubah rute berdasarkan informasi tambahan seperti kecelakaan. Interpretasi: Tantangan bahwa kemampuan adaptif ini seharusnya sudah cukup untuk disebut agentic. Respons kunci: Pembedaan antara mengubah rencana (dynamic replanning, sudah lama ada di aplikasi navigasi) dan mengubah tujuan itu sendiri, hanya yang terakhir yang memenuhi kriteria agentic.
Prompt 6: Pengamatan bahwa definisi yang sedang dibangun mendekati definisi artificial general intelligence. Interpretasi: Kebutuhan memisahkan dua istilah yang sering dicampuradukkan. Respons kunci: Dua sumbu ortogonal, generalitas substrat dan otonomi-agency, dengan definisi AGI Legg dan Hutter (2007) yang murni soal kompetensi tanpa syarat otonomi, disusun jadi matriks dua sumbu.
Prompt 7: Permintaan referensi akademik untuk matriks yang dibangun. Interpretasi: Kebutuhan grounding ilmiah sebelum dipakai dalam tulisan publik. Respons kunci: Rujukan ke Sapkota, Roumeliotis, dan Karkee (2025) tentang taksonomi AI Agents versus Agentic AI, literatur autonomy-versus-agency, serta Legg-Hutter dan Wooldridge-Jennings sebagai fondasi masing-masing sumbu, dengan pengakuan jujur bahwa kombinasi spesifik dua sumbu itu adalah sintesis, bukan kutipan langsung satu sumber.
Prompt 8: Pertanyaan soal sumbu level determinisme algoritma, dan di mana posisi sistem kontrol seperti PID/LQR. Interpretasi: Pengujian apakah determinisme bisa jadi sumbu ketiga yang berdiri sendiri. Respons kunci: PID dan LQR tetap sepenuhnya deterministik, bedanya hanya kekayaan representasional; LQG diperkenalkan sebagai contoh penanganan data hilang lewat Kalman filter, dengan kesimpulan bahwa sumbu ini ortogonal terhadap sumbu agency tapi menyatu dengan sumbu generalitas substrat hanya pada level inferensi semantik.
Prompt 9: Permintaan memisahkan posisi fuzzy logic dan Kalman filter secara lebih presisi. Interpretasi: Kebutuhan memisahkan dua masalah berbeda yang tercampur dalam sumbu sebelumnya. Respons kunci: Pemisahan sumbu penanganan ketidaktegasan kategori (fuzzy logic, Zadeh 1965 dan Mamdani 1975) dari sumbu penanganan data noisy/parsial (Kalman filter, 1960), keduanya tetap pada kuadran task-specific.
Prompt 10: Permintaan menulis artikel ilmiah populer untuk socioinformatics.id berdasarkan seluruh percakapan. Interpretasi: Sintesis akhir seluruh alur diskusi menjadi tulisan utuh untuk pembaca umum. Respons kunci: Draf artikel lengkap dari definisi klasik agen, DSS deterministik, mobil otonom, hingga matriks penutup.
Prompt 11: Permintaan memasukkan observasi subyektif penulis bahwa belum ada profesional atau korporasi yang mempercayakan keputusan berkonsekuensi hukum serius pada agentic AI. Interpretasi: Penguatan argumen dengan bukti anekdotal langsung dari pengalaman penulis. Respons kunci: Paragraf baru yang memframing pengamatan itu sebagai data kecil yang konsisten mendukung kehati-hatian terhadap klaim pemasaran.
Prompt 12: Sanggahan bahwa artikel tidak punya alasan kuat untuk menyiratkan keputusan agentic AI bersifat non-deterministik. Interpretasi: Audit konsistensi logis terhadap kesan implisit yang keliru dalam artikel. Respons kunci: Pengakuan bahwa klaim itu memang tidak berdasar, dengan penegasan eksplisit bahwa agentic AI berbasis LLM tetap sepenuhnya deterministik secara mekanistis (bobot tetap, decoding deterministik), dan pembeda sesungguhnya adalah asal-usul fungsi serta generalitas substrat, bukan determinisme.
