Sejarah & Perkembangan Kecerdasan Buatan (AI) hingga “Agentic AI”

I. Pengantar: Apa itu AI & Agentic AI

Sebelum masuk ke histori dan perkembangan khusus untuk konsep Agentic AI, mari kita definisikan terlebih dahulu:

  • Artificial Intelligence (AI) secara umum adalah kemampuan sistem komputer atau mesin untuk melakukan tugas-tugas yang biasanya dikaitkan dengan “kecerdasan manusia” — seperti penalaran, pembelajaran, pengenalan pola, pengambilan keputusan. Encyclopedia Britannica

  • Agentic AI adalah generasi AI yang lebih maju — bukan hanya memberikan keluaran (output) berdasarkan input (“prompt→jawaban”), tetapi bertindak secara proaktif, menetapkan tujuan, merencanakan langkah-multi-langkah, mengambil tindakan melalui interaksi dengan sistem atau lingkungan, serta belajar dari hasil tindakannya. atfinity.swiss+2Built In+2

  • Perbedaan kunci: Generative AI (contoh: model bahasa besar yang menghasilkan teks, gambar) masih “reaktif” (menunggu prompt); Agentic AI lebih ke “inisiatif” dan “autonomi”. Aras

  • Dengan memahami evolusi ini, kita bisa melihat bagaimana dan mengapa tren saat ini menuju sistem AI yang lebih “agent-like”.

II. Sejarah Awal AI

6

  1. Akar teoritis – Pada 1930‐an dan 1940‐an, tokoh seperti Alan Turing memperkenalkan konsep mesin universal, pembelajaran mesin, dan pemikiran tentang “apakah mesin bisa berpikir”. Encyclopedia Britannica

  2. Kelahiran istilah “Artificial Intelligence” – Konferensi Dartmouth Summer Research Project on Artificial Intelligence (1956) sering dianggap sebagai titik awal formal riset AI modern (meskipun ide‐ide sebelumnya sudah muncul). Encyclopedia Britannica

  3. Era awal (1950-an sampai 1970-an) – Sistem berbasis aturan (rule‐based), expert system, jalur logika simbolik. Misalnya program seperti “Logic Theorist” atau “ELIZA”. Encyclopedia Britannica

  4. AI Winter – Karena ekspektasi yang terlalu tinggi dan hasil yang terbatas, muncul periode “AI winter” (pendanaan turun, optimisme menurun). Encyclopedia Britannica

  5. Kebangkitan kembali – Mulai 1990-an dan terutama 2000-an dengan munculnya pembelajaran mesin (machine learning), neural networks, deep learning, big data, komputasi yang lebih kuat. Encyclopedia Britannica

III. Evolusi Menuju Agentic AI

6

  1. “Intelligent Agents” dan model BDI – Riset AI sejak 1990‐an memunculkan paradigma agen: sistem yang bisa “memandang” lingkungan, “memutuskan” tindakan, dan “beraksi”. Model BDI (Belief-Desire-Intention) adalah salah satu kerangka konseptual yang mendasari. Wikipedia

  2. Generative AI & LLMs – Muncul model‐bahasa besar (Large Language Models) seperti GPT, yang memungkinkan pembuatan teks, gambar, kode secara otomatis. Ini memunculkan kemampuan baru di AI.

  3. Gabungan agent + LLM + tools – Agentic AI menggabungkan beberapa elemen: kemampuan reasoning/planning, akses ke alat (tools/APIs), memori konteks, kemampuan bertindak. atfinity.swiss+1

  4. Definisi yang lebih formal – Misalnya menurut sumber: “Agentic AI systems autonomously break down complex tasks into plans, integrate organizational knowledge, and execute workflows with minimal supervision.” Glean

  5. Karakteristik kunci Agentic AI:

    • Autonomi tinggi (minim intervensi manusia) atscale.com

    • Proaktif: bisa memulai tindakan, bukan hanya menunggu prompt. CM.com

    • Multi-langkah: merencanakan dan mengeksekusi keputusan dalam beberapa tahap. Built In

    • Adaptasi: belajar dari hasil tindakan dan menyesuaikan strategi. solo.io

  6. Contoh terkini dan laporan industri – Misalnya, laporan menunjukkan banyak proyek agentic AI masih dalam tahap eksperimen, dengan tantangan memahami business value. Reuters

IV. Arsitektur & Komponen Teknis Agentic AI

6

Memahami bagaimana sistem agentic AI dibangun akan membantu kita melihat implikasi teknis—termasuk untuk penggunaan seperti sistem lisensi, dongle, keamanan software (relevan bagi Anda). Berikut beberapa komponen umum:

  1. Perception/Observasi – Sistem mengumpulkan data dari lingkungan, API, sensor, sistem internal. (Misalnya: memonitor status lisensi, penggunaan dongle, hardware/software). Zendesk

  2. Reasoning/Perencanaan – Berdasarkan tujuan, sistem memecah ke dalam sub‐tugas, memilih aksi, menentukan prioritas. Built In+1

  3. Action/Eksekusi – Memanggil tools/API, berinteraksi dengan sistem eksternal, mengambil keputusan dan melaksanakannya. pointguardai.com

  4. Learning & Memory – Sistem memiliki memori konteks (persistent state) yang memungkinkan adaptasi dan pembelajaran dari pengalaman. Aras+1

  5. Tool Use / Ecosystem Integration – Akses ke layanan eksternal (database, API, perangkat keras) agar agentic AI bisa “bertindak” bukan hanya “menghasilkan jawaban”. atfinity.swiss

  6. Kolaborasi Multi-Agent & Orkestrasi – Dalam beberapa skenario, banyak agen kecil (specialized) bekerja sama di bawah sistem orchestration untuk mencapai tujuan kompleks. Reddit

V. Aplikasi & Implementasi Agen­tic AI

6

Beberapa domain yang sudah mulai menerapkan atau menguji agentic AI:

  • Automasi bisnis/enterprise: Sistem agentic AI yang bisa menjalankan proses end-to-end seperti manajemen onboarding karyawan, layanan pelanggan otomatis, routing tugas. Zendesk

  • Supply chain / logistik: Agen yang memantau lingkungan, merencanakan ulang aliran barang ketika ada gangguan, dan mengeksekusi perubahan tanpa manusia terus-menerus. Reddit

  • Telekom & jaringan: Penelitian menunjukkan agentic AI digunakan untuk optimasi jaringan radio (RAN) 5G/6G, mengambil keputusan waktu nyata dalam pengaturan jaringan. arXiv

  • Sistem lisensi/perangkat lunak/hardware: Meski belum diadopsi secara penuh, potensi besar di sana — misalnya dongle yang secara otomatis memonitor penggunaan lisensi, mendeteksi pelanggaran, bertindak (mengunci, memberi peringatan) secara real-time.

  • Contoh lainnya: Sistem yang memulai dari satu komando pengguna (“atur kampanye pemasaran”) lalu secara otomatis merencanakan, menjalankan, mengukur, menyesuaikan kampanye sampai selesai.

VI. Manfaat & Tantangan Agentic AI

6

Manfaat:

  • Efisiensi tinggi: agen yang bisa bekerja secara mandiri mengurangi beban manusia dalam proses rutin.

  • Fleksibilitas & adaptasi: bisa beradaptasi terhadap kondisi baru, tanpa harus diprogram ulang setiap kali.

  • Skala: karena bisa menyusun workflow multi-langkah, bisa menangani tugas kompleks yang sulit dengan automasi tradisional saja.

Tantangan:

  • Keamanan & privasi: agentic AI sering menggunakan API, mengakses data sensitif, memiliki potensi pelanggaran. Skyflow

  • Akuntabilitas & regulasi: siapa yang bertanggung jawab jika agen membuat keputusan yang salah? Kajian akademis menyebut zona abu-abu (“moral crumple zone”). arXiv

  • Nilai bisnis & implementasi: banyak proyek agentic AI yang belum matang; menurut laporan sejumlah besar akan dibatalkan karena tidak memberikan return yang diharapkan. Reuters

  • Kompleksitas teknis & integrasi: membangun agen-yang-rupa-manusia membutuhkan arsitektur lebih rumit dibanding automasi biasa.

  • Transparansi & kontrol manusia: Karena tingkat otonomi yang tinggi, diperlukan mekanisme agar manusia tetap bisa memahami dan mengawasi tindakan agen.

VII. Relevansi & Implikasi untuk Pengembangan Dongle / Sistem Lisensi

Karena Anda sedang mengembangkan alat dongle kunci software menggunakan VB6, mari sesuaikan relevansi khusus:

  • Anda bisa memanfaatkan konsep agentic AI untuk monitoring lisensi secara dinamis: dongle dapat terhubung ke sistem cloud, agen yang berjalan di server memantau pola penggunaan, jika ada anomali (lisensi disalahgunakan) maka agen bertindak (misalnya: mengirim peringatan, memblokir, meminta validasi) tanpa Anda harus intervensi manual.

  • Agen bisa merencanakan dan mengambil beberapa langkah secara otomatis: misalnya mendeteksi pelanggaran → mengumpulkan bukti → mengirim laporan ke admin → menonaktifkan sementara lisensi → melakukan verifikasi otomatis pengguna.

  • Penting untuk memperhatikan aspek keamanan dongle & data: ketika agen berinteraksi dengan sistem lisensi, harus ada enkripsi, otentikasi, audit log. Jika tidak, menjadi titik lemah.

  • Dari sudut bisnis: sistem agentic bisa jadi nilai jual tambah (“lisensi yang pintar & otomatis”), tapi juga membutuhkan investasi lebih tinggi dalam pengembangan dan integrasi.

  • Pastikan memiliki jalur pengawasan manusia (human-in-the-loop) dan kemampuan rollback jika agen melakukan kesalahan—agar Anda tidak kehilangan kontrol atas sistem lisensi.

  • Akhirnya, karena teknologi bergerak cepat—pastikan Anda tetap memperbarui arsitektur Anda, atau mempertimbangkan modul yang bisa diupgrade ke agentic AI di masa depan.

VIII. Ringkasan & Pandangan ke Depan

6

  • AI telah berkembang dari sistem berbasis aturan sederhana menjadi pembelajaran mesin, neural networks, hingga model-bahasa besar. Encyclopedia Britannica

  • Agentic AI adalah evolusi yang menggabungkan kemampuan berpikir, merencanakan, bertindak dan belajar secara mandiri—menjadikan AI bukan hanya “alat” tetapi “agen” dalam arti yang lebih nyata.

  • Meskipun potensinya besar, teknologi ini juga membawa tantangan besar: etika, keamanan, regulasi, nilai bisnis.

  • Untuk masa depan: kita bisa memperkirakan bahwa agentic AI akan semakin menjadi bagian dari aplikasi sehari-hari, termasuk enterprise software, IoT, sistem otonom. Tetapi adopsi luas memerlukan kesiapan teknis, governance yang matang, serta mindset perubahan.

  • Bagi pengembang seperti Anda, memahami tren ini berarti Anda bisa proaktif memposisikan produk Anda agar siap untuk integrasi agentic AI—baik sekarang maupun dalam jangka menengah.

Kembali Kehalaman Sebelumnya