36 Contoh Nyata Agen AI di Dunia

Meskipun agen AI sering jadi sorotan di dunia teknologi, contoh nyata agen AI di kehidupan sehari-hari seringkali tidak terlihat jelas.

Dalam artikel ini, saya akan membahas jenis-jenis agen AI beserta contohnya masing-masing.

Namun perlu diingat: meskipun dibagi berdasarkan jenis, kebanyakan sistem AI canggih merupakan kombinasi dari beberapa jenis agen AI.

Misalnya, dalam manajemen rantai pasok berbasis AI, mereka akan menggunakan beberapa jenis agen untuk mengoptimalkan logistik, manajemen inventaris, pengisian stok, dan pengiriman. Begitu juga dengan mobil otonom – menggabungkan agen berbasis utilitas (utility-based agents), agen berbasis tujuan (goal-based agents), agen refleks berbasis model (model-based reflex agents), dan agen pembelajar (learning agents) untuk menjalankan proses yang kompleks.

‍

Namun untuk memahami prinsip dasarnya, mari kita bahas apa yang ingin dicapai oleh setiap jenis AI agentik, beserta beberapa contoh penerapannya di dunia nyata.

Bahkan jika Anda tidak memiliki mobil otonom atau bekerja di gudang yang didukung AI, kemungkinan besar Anda sudah pernah berinteraksi dengan bot enterprise agentik seperti:

• Agen AI e-commerce yang memproses pesanan, memberikan pembaruan pengiriman, dan menawarkan rekomendasi produk yang dipersonalisasi kepada pengguna.
• Chatbot dukungan pelanggan yang menjawab pertanyaan umum, memproses pengembalian dana, dan membantu mengatasi masalah teknis (seperti contoh dari Ruby Labs ini).
• Agen lead generation yang mengobrol, mengkualifikasi prospek, dan menjadwalkan pertemuan (seperti contoh dari Waiver Consulting Group).
• Chatbot penjualan dan fungsi pemasaran, seperti lead generation AI atau cara lain menggunakan AI untuk penjualan.

Namun tidak semua agen AI dibuat oleh ahli teknis. Faktanya, dengan platform pembuatan AI terbaru, Anda bisa dengan mudah merancang dan menjalankan agen AI kustom sendiri.

Jika Anda tertarik untuk membuat agen AI sendiri, silakan coba hari ini dengan panduan pembuatan agen AI kami.

Sekarang, mari kita bahas 9 jenis agen AI beserta 36 contoh penerapannya di dunia nyata.

1. Agen Berbasis Utilitas

Berbeda dengan agen sederhana yang hanya bereaksi terhadap rangsangan lingkungan, agen berbasis utilitas mengevaluasi tindakan potensial berdasarkan utilitas yang diharapkan. Mereka memprediksi seberapa berguna atau menguntungkan setiap opsi terhadap tujuan yang telah ditetapkan.

Agen berbasis utilitas unggul dalam lingkungan pengambilan keputusan kompleks dengan banyak kemungkinan hasil – seperti menyeimbangkan berbagai risiko untuk membuat keputusan investasi, atau mempertimbangkan efek samping dari pilihan pengobatan.

Fungsi utilitas dari agen cerdas ini adalah representasi matematis dari preferensinya. Fungsi utilitas ini memetakan dunia di sekitarnya, menentukan dan mengurutkan opsi mana yang paling diinginkan. Setelah itu, agen utilitas dapat memilih tindakan yang paling optimal.

Karena mampu memproses data dalam jumlah besar, mereka sangat berguna di bidang yang melibatkan pengambilan keputusan berisiko tinggi.

Perdagangan Keuangan

Agen berbasis utilitas sangat cocok untuk pasar saham dan kripto – mereka dapat membeli atau menjual berdasarkan algoritma yang bertujuan memaksimalkan keuntungan atau meminimalkan kerugian. Fungsi utilitas ini dapat mempertimbangkan data historis maupun data pasar waktu nyata.

Sistem Penetapan Harga Dinamis

Pernah membayar lebih mahal untuk Uber atau Lyft saat hujan? Itu adalah contoh agen berbasis utilitas yang bekerja – mereka bisa menyesuaikan harga secara real-time untuk penerbangan, hotel, atau layanan ride-sharing, berdasarkan permintaan, persaingan, atau waktu pemesanan.

Pengendali Smart Grid

Jenis agen cerdas inilah yang membuat jaringan listrik menjadi 'smart': agen berbasis utilitas yang mengatur distribusi dan penyimpanan listrik.

Mereka mengoptimalkan penggunaan sumber daya berdasarkan perkiraan permintaan dan harga energi untuk meningkatkan efisiensi dan menurunkan biaya.

Rekomendasi Konten yang Dipersonalisasi

Kamu selesai menonton sebuah film dan Netflix merekomendasikan 3 film serupa.

Layanan streaming seperti Netflix dan Spotify menggunakan agen berbasis utilitas untuk menyarankan konten serupa kepada pengguna. Utilitas yang dioptimalkan di sini adalah seberapa besar kemungkinan kamu akan mengkliknya.

2. Agen Berbasis Tujuan

Agen AI berbasis tujuan memang – sesuai namanya – dirancang untuk mencapai tujuan tertentu dengan kecerdasan buatan.

Alih-alih hanya merespons rangsangan, agen rasional ini mampu mempertimbangkan konsekuensi masa depan dari tindakannya, sehingga dapat mengambil keputusan strategis untuk mencapai tujuannya.

Berbeda dengan agen refleks sederhana yang merespons langsung berdasarkan aturan kondisi-tindakan, agen berbasis tujuan mengevaluasi dan merencanakan tindakan untuk mencapai tujuan mereka.

Yang membedakan mereka dari jenis agen cerdas lain adalah kemampuan menggabungkan prediksi dan perencanaan strategis untuk mencapai hasil yang spesifik.

Roomba

Penyedot debu robotik – seperti Roomba yang terkenal – dirancang dengan satu tujuan: membersihkan seluruh lantai yang dapat dijangkau. Agen berbasis tujuan ini memiliki tujuan sederhana, dan melakukannya dengan baik.

Semua keputusan yang diambil agen berbasis tujuan ini (seperti kapan harus berputar) dilakukan demi mencapai tujuan utamanya. Kucing yang duduk di atasnya hanyalah bonus.

Perangkat Lunak Manajemen Proyek

Meskipun juga bisa menggunakan agen berbasis utilitas, perangkat lunak manajemen proyek biasanya berfokus pada pencapaian tujuan proyek tertentu.

Agen AI ini sering kali menjadwalkan tugas dan mengalokasikan sumber daya agar tim dapat menyelesaikan proyek tepat waktu. Agen akan mengevaluasi jalur keberhasilan yang paling mungkin dan bertindak atas nama tim.

AI dalam Video Game

Dalam game strategi dan role-playing, karakter AI bertindak sebagai agen berbasis tujuan – tujuan mereka bisa mulai dari mempertahankan suatu lokasi hingga mengalahkan lawan.

Agen AI ini mempertimbangkan berbagai strategi dan sumber daya – serangan mana yang digunakan, power-up mana yang dipakai – agar bisa mencapai tujuannya.

3. Agen Refleks Berbasis Model

Saat kamu perlu beradaptasi dengan informasi yang tidak selalu terlihat atau bisa diprediksi, agen refleks berbasis model adalah solusinya.

Berbeda dengan agen refleks sederhana yang hanya bereaksi berdasarkan persepsi saat ini, agen refleks berbasis model mempertahankan keadaan internal yang memungkinkan mereka memprediksi lingkungan yang sebagian dapat diamati. Ini adalah model internal dari bagian dunia yang relevan dengan tugasnya.

Model ini terus diperbarui dengan data baru dari lingkungan, sehingga agen AI dapat membuat inferensi tentang bagian lingkungan yang tidak terlihat dan mengantisipasi kondisi di masa depan.

Mereka menilai kemungkinan hasil dari tindakan mereka sebelum mengambil keputusan, sehingga mampu menangani situasi rumit. Ini sangat berguna untuk tugas kompleks, seperti mengemudikan mobil di kota, atau mengelola sistem rumah pintar otomatis.

Karena kemampuan mereka menggabungkan pengetahuan masa lalu dan data waktu nyata, agen refleks berbasis model dapat mengoptimalkan kinerjanya, apa pun tugasnya. Seperti manusia, mereka dapat mengambil keputusan yang sesuai dengan konteks, bahkan ketika kondisinya tidak dapat diprediksi.

Kendaraan Otonom

Meskipun mobil-mobil ini termasuk dalam beberapa jenis agen cerdas, mereka adalah contoh yang baik dari agen refleks berbasis model.

Sistem kompleks seperti lalu lintas dan pergerakan pejalan kaki adalah tantangan yang memang dirancang untuk dihadapi oleh agen refleks berbasis model.

Model internal mereka digunakan untuk mengambil keputusan secara waktu nyata di jalan, seperti mengerem saat mobil lain menerobos lampu merah, atau melambat dengan cepat saat mobil di depan melakukan hal yang sama. Sistem internal mereka terus diperbarui berdasarkan masukan dari lingkungan: mobil lain, aktivitas di penyeberangan, cuaca.

Sistem irigasi modern

Agen refleks berbasis model menjadi kekuatan utama di balik sistem irigasi modern. Kemampuan mereka merespons umpan balik lingkungan yang tak terduga sangat cocok untuk kondisi cuaca dan tingkat kelembapan tanah.

Model internal agen AI ini merepresentasikan dan memprediksi berbagai faktor lingkungan, seperti tingkat kelembapan tanah, kondisi cuaca, dan kebutuhan air tanaman.

Agen-agen ini terus mengumpulkan data dari sensor di ladang mereka, termasuk informasi waktu nyata tentang kelembapan, suhu, dan curah hujan.

Dengan menganalisis data ini, agen refleks berbasis model dapat mengambil keputusan yang tepat tentang kapan harus menyiram, berapa banyak air yang diberikan, dan zona mana di ladang yang membutuhkan perhatian lebih. Kemampuan prediktif ini memungkinkan sistem irigasi mengoptimalkan penggunaan air, memastikan tanaman mendapatkan kebutuhan air yang tepat tanpa pemborosan.

Sistem otomasi rumah

Model internal di sini adalah lingkungan rumah—sistem ini terus diperbarui dengan data dari sensor, dan menggunakan informasi tersebut untuk mengambil keputusan.

Termostat akan mendeteksi perubahan suhu dan menyesuaikan sesuai kebutuhan. Atau sistem pencahayaan mungkin mendeteksi kegelapan di luar dan menyesuaikan secara otomatis—karena kegelapan ini bisa berasal dari malam hari, atau dari badai mendadak, sehingga dibutuhkan agen cerdas untuk mengantisipasi sekaligus bereaksi terhadap perubahan.

4. Agen Pembelajar

Agen pembelajar menonjol karena kemampuannya untuk beradaptasi dan berkembang seiring waktu berdasarkan pengalaman mereka.

Berbeda dengan agen AI yang lebih statis dan hanya bekerja berdasarkan aturan atau model yang sudah diprogram, agen pembelajar dapat mengubah perilaku dan strateginya. Karena unsur pembelajaran ini, mereka paling sering digunakan di lingkungan yang terus berubah.

Deteksi Penipuan

Sistem deteksi penipuan bekerja dengan terus mengumpulkan data dan kemudian menyesuaikan diri agar lebih efektif mengenali pola penipuan. Karena pelaku penipuan selalu mengubah taktik, agen deteksi penipuan juga harus terus beradaptasi.

Rekomendasi Konten

Platform seperti Netflix dan Amazon menggunakan sistem dengan agen pembelajar untuk meningkatkan rekomendasi film, acara, dan produk mereka.

Meskipun profil Anda menunjukkan Anda menyukai film horor dan thriller, jika Anda tiba-tiba beralih ke film komedi romantis, rekomendasi Anda akan ikut berubah. Seperti kita, sistem ini selalu belajar.

Perangkat Lunak Pengenalan Suara

Aplikasi seperti Google Assistant dan Siri memanfaatkan agen pembelajar untuk lebih memahami upaya bicara kita yang tidak jelas atau kacau.

Berkat agen pembelajar, sistem ini semakin baik dalam memahami aksen dan bahasa gaul—jadi kita bisa bertanya ke Siri seperti, “Och, Siri, bisakah kamu carikan tempat makan terdekat? Aku lapar banget!”

Termostat Adaptif

Bahkan termostat pintar—seperti Nest—belajar dari perilaku pengguna, seperti kapan pengguna biasanya berada di rumah atau pergi, dan suhu yang mereka sukai.

Informasi ini bisa selalu berubah, jadi termostat harus mampu beradaptasi seiring waktu—itulah mengapa mereka juga merupakan contoh agen pembelajar.

5. Agen Hierarkis

Agen hierarkis berbeda dari jenis agen AI lainnya terutama karena pendekatan mereka yang terstruktur dan berlapis-lapis dalam menyelesaikan masalah.

Agen hierarkis mirip dengan struktur organisasi yang kompleks, dengan berbagai tingkat pengambilan keputusan. Agen yang berbeda dalam sistem ini memiliki bidang spesialisasi masing-masing, sehingga lebih efisien dalam menangani tugas yang rumit dan bertahap.

Agen hierarkis merupakan salah satu cara paling kompleks dalam menerapkan agen AI, karena terdiri dari beberapa agen AI kecil di dalamnya.

Singkatnya: Struktur agen hierarkis berfokus pada proses pengambilan keputusan yang terstruktur di berbagai tingkat dalam suatu sistem.

Robot Manufaktur

Dalam sistem manufaktur canggih, agen hierarkis mengatur jalannya lini produksi.

Agen tingkat atas merencanakan dan membagi tugas di seluruh sistem, sementara agen tingkat bawah mengendalikan mesin tertentu seperti lengan robot untuk tugas perakitan.

Masing-masing dapat berkomunikasi satu sama lain untuk memastikan proses produksi berjalan lancar—itulah pengambilan keputusan multi-level.

Sistem Pengendali Lalu Lintas Udara

Sistem ini menggunakan agen hierarkis untuk mengelola arus lalu lintas udara agar tetap aman dan efisien. Karena tugas ini sangat kompleks dan mencakup banyak fungsi, sistem agen hierarkis diperlukan agar pelaksanaannya berjalan baik.

Agen tingkat atas menangani manajemen lalu lintas udara secara regional, sementara agen tingkat bawah fokus pada tugas spesifik seperti lepas landas, pendaratan, dan pergerakan pesawat di bandara tertentu.

Robot Gudang Otonom

Agen hierarkis adalah yang mengelola inventaris dan penanganan paket di gudang yang didukung pembelajaran mesin.

Agen tingkat atas mengoptimalkan tata letak gudang dan distribusi inventaris, sementara agen tingkat bawah mengoperasikan forklift robotik dan mesin sortir untuk menjalankan tugas fisik memindahkan dan mengatur barang.

6. Agen Robotik

Inilah yang biasanya kita bayangkan saat memikirkan agen cerdas: agen robotik.

Dengan unsur kinerja tambahan, agen robotik adalah ikon dari agen kecerdasan buatan. Agen cerdas ini beroperasi di lingkungan fisik, bukan hanya sebagai perangkat lunak.

Wujud fisik agen AI ini biasanya dilengkapi sensor seperti kamera atau sensor sentuh. Jenis agen AI ini sangat berguna untuk tugas yang berbahaya atau sangat berulang—lebih efisien dan hemat biaya jika agen kecerdasan buatan yang melakukannya.

Jenis agen AI ini dikombinasikan dengan tipe kecerdasan buatan lain, sehingga dapat menjalankan tugas utilitas atau tugas tujuan secara fisik, kadang dalam sistem multi-agen atau sistem hierarkis.

Robot Lini Perakitan

Ada banyak robot di lini perakitan. Agen AI ini melakukan tugas seperti pengelasan, pengecatan, dan merakit komponen, semuanya dengan presisi dan kecepatan tinggi.

Karena mereka adalah agen cerdas, mereka dapat mengoptimalkan waktu produksi sambil menjaga standar kinerja yang tetap.

Robot Bedah

Bedah adalah pekerjaan yang berisiko tinggi dan membutuhkan presisi, sehingga sangat cocok untuk agen AI.

Agen robotik seperti da Vinci Surgical System membantu dokter bedah saat melakukan prosedur yang presisi dan minimal invasif. Agen AI ini tidak melakukan operasi secara mandiri, tetapi memperluas kemampuan dokter bedah.

Robot Pertanian

Robot sering digunakan dalam siklus pertanian, mulai dari menanam benih, memanen hasil, hingga memantau kondisi lahan.

Agen AI ini membantu meningkatkan produktivitas, karena lebih mudah bagi mesin untuk menanam 10.000 benih wortel daripada meminta manusia melakukannya.

Robot Layanan

Robot layanan paling terkenal—benar sekali, itu WALL-E. Pesaing jauhnya adalah robot restoran yang mengantarkan pesanan sushi sepuasnya langsung ke meja Anda.

Kami menggunakan robot layanan di mana-mana: robot penyedot debu, memberikan informasi kepada tamu di hotel, dan mengantarkan barang ke pelanggan di berbagai jenis usaha.

7. Asisten Virtual

Asisten virtual didukung oleh pemrosesan bahasa alami dan kecerdasan buatan – dan mungkin merupakan contoh agen AI yang paling dikenal oleh masyarakat umum.

Asisten pribadi cerdas ini memahami dan memproses bahasa manusia (dengan pemrosesan bahasa alami) untuk menjalankan tugas, seperti mengatur pengingat dan mengelola email.

Jenis agen AI ini juga memiliki unsur pembelajaran: mereka dapat belajar dari interaksi pengguna, sehingga menjadi semakin personal dan efektif seiring waktu.

Siri

Salah satu asisten virtual pertama yang populer, Siri terintegrasi di sebagian besar perangkat Apple, termasuk iPhone, iPad, Mac, dan Apple Watch.

Siri membantu berbagai tugas, seperti melakukan panggilan, mengirim pesan, mengatur pengingat, memberikan petunjuk arah, dan menjawab pertanyaan umum.

Alexa

Tersedia di perangkat Amazon Echo dan produk lain yang mendukung Alexa, asisten virtual ini memutar musik, mengontrol perangkat rumah pintar, membuat daftar belanja, dan memberikan pembaruan berita. Dan membuat nama 'Alexa' menjadi kurang disukai untuk manusia.

Google Assistant

Anda mengenal program agen ini dari ponsel Android dan perangkat Google Home. Google Assistant unggul dalam mengambil informasi dari web, menjadwalkan acara, mengelola produk rumah pintar, dan membantu terjemahan waktu nyata.

Integrasi mendalam dengan layanan Google membuatnya sangat kuat untuk tugas-tugas yang melibatkan peta, YouTube, dan fungsi pencarian.

8. Sistem Multi-Agen

Keunggulan sistem multi-agen terletak pada keragaman dan kekayaan interaksinya.

Agen dalam sistem ini seringkali sangat beragam, mulai dari agen perangkat lunak sederhana yang menyaring data hingga entitas kompleks yang mengelola fungsi penting di jaringan listrik pintar atau sistem transportasi.

Setiap agen beroperasi secara semi-otomatis namun dirancang untuk berinteraksi dengan agen lain, membentuk ekosistem dinamis di mana perilaku kolektif muncul dari tindakan individu. Untuk jenis program agen ini, kolaborasi adalah kunci.

Sistem Manajemen Lalu Lintas

Anda dapat menemukan agen cerdas ini dalam manajemen lalu lintas, di mana beberapa agen mewakili lampu lalu lintas, kamera pengawas, dan sistem informasi yang berbeda.

Agen AI ini bekerja sama untuk mengoptimalkan arus lalu lintas, mengurangi kemacetan, dan merespons kondisi nyata seperti kecelakaan atau perbaikan jalan. Setiap agen menangani data dari wilayahnya dan berkomunikasi dengan agen lain untuk menyesuaikan lampu lalu lintas – jadi kerja sama sangat penting.

Jaringan Listrik Pintar untuk Manajemen Energi

Jaringan listrik pintar juga melibatkan banyak agen AI, masing-masing mengendalikan aspek berbeda dari distribusi listrik, mulai dari pembangkit hingga meteran pintar di rumah.

Agen AI ini bekerja sama untuk menyeimbangkan pasokan dan permintaan energi secara efisien, mengintegrasikan sumber energi terbarukan, dan menjaga stabilitas jaringan.

Koordinasi sistem multi-agen memastikan distribusi energi yang optimal dan efisiensi biaya di seluruh jaringan.

Rantai Pasok dan Logistik

Dalam manajemen rantai pasok, agen mewakili berbagai pihak seperti pemasok, produsen, distributor, dan pengecer. Agen-agen ini berkoordinasi untuk mengoptimalkan proses rantai pasok, mulai dari pengadaan hingga pengiriman, memastikan efisiensi dan menekan biaya.

Robotika Swarm Otonom

Kadang-kadang dalam misi eksplorasi atau penyelamatan, sekelompok robot dikerahkan.

Setiap agen robotik beroperasi secara semi-independen namun berkoordinasi dengan agen AI lain untuk menjangkau area yang lebih luas, berbagi data sensor, atau memindahkan objek secara kolaboratif.

Ini sangat berguna di lingkungan yang menantang – seperti bangunan runtuh atau permukaan planet – di mana kerja sama dalam sistem AI besar dapat mencapai lebih banyak dibandingkan agen AI individu.

9. Agen Refleks Sederhana

Agen refleks sederhana adalah yang paling lemah di antara semuanya. Kecerdasannya sangat terbatas dan bekerja berdasarkan aturan kondisi-tindakan langsung.

Agen berbasis aturan ini tidak cocok untuk tugas kompleks. Namun, mereka sangat andal untuk tugas spesifik yang memang dirancang untuknya.

Agen refleks sederhana cocok untuk tugas-tugas sederhana di lingkungan yang dapat diprediksi. Tindakan agen jenis ini memengaruhi dunia di sekitarnya, namun hanya pada tugas tertentu.

Termostat

Jam 6 sore di musim dingin? Tingkatkan suhu pemanas. Jam 12 siang di musim panas? Agen refleks sederhana ini, dengan kecerdasan terbatas, akan menyalakan AC.

Pintu otomatis

Meskipun kecerdasannya tampak rendah, pintu otomatis sering menjadi contoh agen refleks sederhana. Agen AI ini mendeteksi manusia di depan pintu, lalu membukanya. Sederhana dan efektif.

Detektor asap

Agen AI ini bekerja dari langit-langit dapur Anda. Ya, ini juga agen refleks sederhana. Ia mendeteksi asap, lalu membunyikan alarm.

Penyaring spam dasar

Beberapa agen dalam kecerdasan buatan telah membantu kita setiap hari selama bertahun-tahun. Penyaring spam email adalah salah satunya. Versi dasarnya tidak menggunakan pemrosesan bahasa alami, melainkan kata kunci atau reputasi pengirim.

Bangun agen AI Anda sendiri

Ada banyak jenis agen AI, beberapa jauh lebih sulit dibuat daripada yang lain.

Namun jika Anda ingin membangun chatbot agen – yang bisa melakukan aksi di sistem harian Anda, seperti mengirim email dan menjadwalkan rapat – kami bisa membantu.

Platform kami memiliki antarmuka drag-and-drop yang mudah untuk pemula, dan sangat fleksibel untuk pengembang profesional.

Kami juga memiliki komunitas aktif dengan lebih dari 20.000 pembuat bot, jika Anda ingin mendapat dukungan selama prosesnya.

Mulai membangun hari ini. Gratis.

FAQ

Apakah agen AI itu sadar?

Tidak, agen AI tidak memiliki kesadaran. Mereka mengikuti program perangkat lunak yang menentukan tujuan mereka, meskipun mereka dapat bertindak secara otonom untuk mencapai hasil tertentu.

Bagaimana proses pengambilan keputusan dan tindakan pada agen AI?

Berbagai jenis agen AI akan mengamati lingkungan dan bertindak dengan cara yang berbeda. Beberapa menggunakan data pemodelan, yang lain menggunakan sensor. Mereka memiliki tujuan berbeda sesuai dengan logika yang diprogramkan.

Apa itu agen berbasis model?

Agen berbasis model adalah istilah lain untuk agen refleks berbasis model, yaitu jenis agen AI yang menggabungkan data masa lalu dan masukan saat ini untuk menentukan tindakan terbaik.