Era AI Generatif hingga Agen: Cara Kerjanya

AI Generatif dan Agentic AI: Babak Baru Artificial Intelligence

AI generatif dan agentic AI menjadi pusat gravitasi baru dalam ekosistem artificial intelligence global pada 2024. Teknologi ini tidak lagi sekadar eksperimen laboratorium, melainkan infrastruktur strategis yang mengubah cara organisasi membangun, menerapkan, dan mengelola sistem cerdas modern. Di balik kemampuan menghasilkan teks, gambar, video, audio, hingga konten multimodal dengan kualitas mendekati produksi manusia, berdiri fondasi teknis yang telah dibangun selama lebih dari tujuh dekade: machine learning dan deep learning. Keduanya membentuk hierarki konsep AI modern yang kini menjadi tulang punggung berbagai aplikasi, dari rekomendasi konten hingga otomasi proses bisnis berskala besar.

Di bawah payung besar artificial intelligence, machine learning berfokus pada pembangunan model melalui pelatihan algoritme statistik dan komputasional yang belajar dari data. Alih-alih diprogram secara eksplisit untuk setiap tugas, model mempelajari pola dan hubungan dalam data historis untuk kemudian menyimpulkan hasil pada data baru yang belum pernah dilihat. Berbagai teknik klasik—mulai dari regresi, decision tree, random forest, support vector machine, k-nearest neighbors, hingga beragam metode clustering—telah lama diadopsi industri untuk memecahkan persoalan prediksi dan klasifikasi. Salah satu pendekatan paling berpengaruh adalah neural network, jaringan komputasi yang terinspirasi dari struktur saraf biologis di otak manusia. Terdiri dari lapisan node yang saling terhubung layaknya neuron, jaringan ini memproses informasi secara bertahap dan sangat efektif mengenali pola kompleks dalam volume data besar, menjadikannya fondasi bagi pengenalan suara, pengenalan gambar, hingga sistem rekomendasi berskala global.

Bentuk paling langsung dari machine learning adalah supervised learning, yang mengandalkan data berlabel sebagai dasar pembelajaran. Dalam pendekatan ini, setiap input dipasangkan dengan output yang diketahui, sehingga model dapat mempelajari hubungan fungsional di antara keduanya. Setelah pelatihan, model mampu mengklasifikasikan atau memprediksi label untuk data baru dengan akurasi tinggi, selama distribusi data baru tidak terlalu menyimpang dari data pelatihan. Di atasnya, deep learning muncul sebagai cabang khusus yang menggunakan deep neural network dengan banyak lapisan tersembunyi untuk memodelkan hubungan nonlinier yang sangat kompleks. Berbeda dengan neural network tradisional yang dangkal, jaringan dalam ini dapat memuat puluhan hingga ratusan lapisan, memungkinkan ekstraksi fitur secara hierarkis langsung dari data mentah. Kemampuan mendukung pembelajaran unsupervised dan semi-supervised membuat deep learning sangat cocok untuk data tidak terstruktur seperti teks, gambar, dan video, serta menjadi tulang punggung banyak aplikasi natural language processing dan computer vision yang kini digunakan sehari-hari.

Fondasi Teknologi: Dari Deep Learning ke AI Generatif

AI generatif merupakan subset deep learning yang berfokus pada penciptaan konten baru berdasarkan distribusi probabilistik yang dipelajari dari data pelatihan. Alih-alih sekadar mengulang, model generatif mempelajari representasi terkompresi dari data dan kemudian menghasilkan output baru yang menyerupai data asli tanpa menyalinnya secara literal. Hasilnya adalah teks panjang yang koheren, gambar beresolusi tinggi, video realistis, audio, dan berbagai bentuk konten lain yang dapat dihasilkan sebagai respons terhadap prompt pengguna. Secara historis, model generatif telah lama digunakan dalam statistik untuk memodelkan data numerik dan distribusi probabilitas. Namun, lompatan arsitektur deep learning dalam satu dekade terakhir memungkinkan model generatif menangani bahasa alami dan citra resolusi tinggi, menjadikannya pilar utama sistem cerdas modern di sektor kreatif, layanan profesional, hingga industri berat.

Secara teknis, AI generatif umumnya beroperasi melalui tiga tahap utama yang membentuk sebuah pipeline terstruktur. Tahap pertama dimulai dengan foundation model, yakni model deep learning berskala besar dan serbaguna yang menjadi basis berbagai aplikasi generatif lintas domain. Large language model untuk generasi teks adalah contoh paling populer, namun terdapat pula foundation model untuk gambar, video, audio, musik, hingga model multimodal yang menggabungkan beberapa jenis data sekaligus. Untuk membangun foundation model, praktisi melatih algoritme pada data mentah dalam jumlah sangat besar—mencapai ratusan miliar token atau miliaran contoh—yang umumnya tidak terstruktur dan tidak berlabel, seperti koleksi teks, gambar, atau video dari internet dan repositori terkurasi. Proses ini menghasilkan neural network dengan miliaran parameter yang mengenkode entitas, pola, dan hubungan dalam data secara laten, sehingga model mampu menghasilkan konten yang koheren, relevan secara kontekstual, dan kerap sulit dibedakan dari keluaran manusia.

Pelatihan foundation model menuntut sumber daya komputasi masif. Laporan industri menunjukkan beberapa model terkini memerlukan ribuan GPU yang bekerja paralel selama berminggu-minggu dengan biaya mencapai puluhan juta dolar Amerika Serikat. Untuk menekan biaya, banyak organisasi memanfaatkan foundation model open-source seperti Llama-2 dari Meta dan berbagai model lain yang dirilis komunitas. Setelah pelatihan awal, foundation model biasanya di-fine-tune untuk tugas atau domain tertentu menggunakan data tambahan yang lebih terarah. Proses fine-tuning ini memungkinkan model beradaptasi dengan kebutuhan spesifik organisasi—mulai dari terminologi industri, kepatuhan regulasi, hingga gaya komunikasi. Dalam praktik, sistem AI generatif disempurnakan secara berkelanjutan: pengembang dan pengguna mengevaluasi output, menyesuaikan model atau prompt, dan memperbaiki parameter untuk meningkatkan akurasi, relevansi, serta keamanan. Sementara itu, foundation model inti diperbarui jauh lebih jarang, biasanya setiap 12 hingga 18 bulan, karena proses pelatihan ulang yang sangat mahal.

Salah satu teknik penting yang mengangkat kinerja AI generatif ke level berikutnya adalah retrieval augmented generation atau RAG. Pendekatan ini menggabungkan foundation model dengan sumber data eksternal yang spesifik domain, sehingga sistem dapat mengambil informasi relevan saat kueri diajukan dan menggunakannya untuk menghasilkan respons yang lebih akurat dan kontekstual. Dengan RAG, model tidak hanya mengandalkan pengetahuan yang tertanam dalam parameter, tetapi juga memanfaatkan basis data terkini, dokumen internal, atau repositori khusus organisasi. Hasilnya adalah sistem generatif yang lebih faktual, dapat diaudit, dan lebih mudah diselaraskan dengan kebijakan serta kebutuhan bisnis.

Dari Sistem Reaktif ke Agentic AI yang Otonom

Agentic AI mewakili evolusi berikutnya setelah sistem AI generatif berbasis prompt yang bersifat reaktif dan terbatas pada respons satu kali. Alih-alih hanya menjawab pertanyaan, agentic AI berfokus pada perilaku otonom yang berorientasi tujuan dan berkelanjutan. Agen AI adalah entitas perangkat lunak otonom yang dapat melakukan tugas dan mencapai tujuan atas nama pengguna atau sistem lain dengan tingkat kemandirian tinggi. Branda sering beroperasi tanpa pengawasan manusia berkelanjutan, meski tetap berada dalam batasan kebijakan dan kontrol organisasi. Agen mampu merancang alur kerja sendiri, memilih dan menggunakan alat, serta berinteraksi dengan aplikasi dan layanan eksternal melalui application programming interface (API). Branda dapat mengoordinasikan serangkaian tindakan untuk menyelesaikan tugas kompleks yang memerlukan beberapa langkah dan keputusan, sering kali dalam konfigurasi multiagen di mana banyak agen dengan peran khusus bekerja bersama untuk mencapai tujuan yang sulit ditangani satu agen saja.

Berbeda dengan chatbot tradisional yang memerlukan panduan manusia terus-menerus dan hanya merespons input langsung, agen AI menunjukkan otonomi dan kemampuan adaptasi tinggi terhadap perubahan konteks. Istilah agentic menyoroti kapasitas agen untuk bertindak secara mandiri, berorientasi tujuan, dan mengelola sumber daya yang tersedia. Dalam perspektif ini, agentic AI dapat dipandang sebagai evolusi alami dari AI generatif yang sebelumnya berfokus pada produksi konten. Model generatif menghasilkan konten berdasarkan pola yang dipelajari dari data pelatihan; agen AI menggunakan konten tersebut untuk berinteraksi dengan alat, agen lain, dan sistem eksternal, membuat keputusan, memecahkan masalah, dan mengeksekusi tindakan nyata yang berdampak pada dunia digital maupun fisik.

Ilustrasi sederhana menggambarkan perbedaan keduanya. AI generatif dapat memberikan rekomendasi waktu terbaik mendaki Gunung Everest berdasarkan jadwal kerja dan preferensi Anda. Sebaliknya, agen AI dapat melangkah lebih jauh: menentukan waktu optimal, memesan penerbangan, mengatur akomodasi, mengurus perizinan, dan mengoordinasikan logistik perjalanan secara end-to-end. Agen memanfaatkan layanan perjalanan daring, sistem pembayaran, dan kalender digital untuk mengeksekusi rencana tersebut tanpa intervensi manual berulang. Pergeseran dari AI generatif yang pasif menuju agentic AI yang aktif dan proaktif ini membuka peluang baru—namun sekaligus menambah kompleksitas risiko—karena sistem tidak lagi sekadar memberi saran, melainkan bertindak dan mengambil keputusan atas nama manusia.

Manfaat Nyata di Industri: Produktivitas, Kecepatan, dan Keselamatan

Di berbagai sektor, AI generatif dan agentic AI telah menunjukkan manfaat yang terukur terhadap produktivitas dan efisiensi. AI mampu mengotomatisasi tugas berulang dan rutin, baik digital maupun fisik, sehingga mengurangi beban kerja manual. Pengumpulan data, entri data, prapemrosesan data, pengambilan barang di gudang, hingga operasi lini perakitan yang memerlukan konsistensi tinggi dapat dialihkan ke sistem cerdas. Otomatisasi ini membebaskan pekerja manusia untuk fokus pada aktivitas bernilai tambah lebih tinggi seperti inovasi, desain, dan pengambilan keputusan strategis. Di sisi lain, AI meningkatkan kecepatan dan akurasi prediksi dalam berbagai konteks bisnis dan teknis, mendukung pengambilan keputusan berbasis data baik sebagai alat pendukung maupun bagian dari pipeline keputusan otomatis yang terintegrasi.

Ketika digabungkan dengan otomasi, AI memungkinkan organisasi merespons peluang dan krisis secara hampir real time dengan intervensi manusia minimal, meningkatkan ketahanan operasional. AI juga membantu mengurangi kesalahan manusia dengan menyediakan panduan langkah demi langkah dan validasi otomatis. Sistem dapat membimbing pengguna melalui prosedur yang benar dan menandai potensi kesalahan sebelum terjadi, sehingga menurunkan risiko kegagalan—terutama di domain berisiko tinggi seperti layanan kesehatan. Robot bedah berbantuan AI misalnya, memberikan presisi konsisten dan mengurangi variasi antaroperator. Seiring terpapar lebih banyak data, model machine learning terus menyempurnakan prediksi dan menurunkan tingkat kesalahan. Keunggulan lain: sistem AI dapat beroperasi 24 jam sehari tanpa kelelahan, menjaga kinerja konsisten sepanjang waktu.

Dalam customer service, chatbot dan asisten virtual bertenaga AI menjawab pertanyaan tentang pesanan, produk, dan kebijakan dengan bahasa alami, memberikan respons instan untuk pertanyaan umum dan membebaskan agen manusia untuk menangani kasus kompleks yang memerlukan empati dan penilaian. Di sektor keuangan dan keamanan, model machine learning dan deep learning menganalisis pola transaksi untuk mendeteksi anomali yang berpotensi menunjukkan penipuan—mulai dari perilaku belanja tidak biasa hingga lokasi login mencurigakan. Pengecer, bank, dan bisnis lain memanfaatkan AI untuk mempersonalisasi pengalaman dan kampanye pemasaran berdasarkan data perilaku, brandomendasikan produk dan layanan yang relevan, serta menghasilkan pesan yang disesuaikan dan disampaikan secara real time melalui berbagai kanal digital.

Dalam sumber daya manusia, platform rekrutmen bertenaga AI mengotomatisasi penyaringan resume dan pencocokan kandidat dengan pekerjaan berdasarkan kriteria yang telah ditentukan, bahkan mendukung wawancara awal melalui analisis video dan pengenalan pola perilaku. Di pengembangan perangkat lunak, alat pengkodean AI generatif merampingkan tugas pemrograman repetitif, menghasilkan kerangka kode dan dokumentasi, meningkatkan konsistensi, mengurangi kesalahan, dan mempercepat pengiriman. Di sektor industri, sistem AI menganalisis data dari sensor, perangkat Internet of Things (IoT), dan teknologi operasional untuk mendukung pemeliharaan prediktif—memprediksi kapan peralatan memerlukan perawatan dan mendeteksi potensi kegagalan sebelum terjadi, sehingga mengurangi downtime dan mengoptimalkan penggunaan aset.

AI juga berkontribusi pada peningkatan keselamatan dengan mengambil alih pekerjaan berbahaya yang sebelumnya dilakukan manusia, seperti penanganan bahan peledak, operasi di lingkungan ekstrem, dan tugas di luar angkasa. Kendaraan otonom—meski masih dalam tahap pengembangan—berpotensi mengurangi kecelakaan dengan meminimalkan kesalahan mengemudi manusia, yang menurut berbagai studi menyumbang mayoritas kecelakaan lalu lintas. Di banyak kasus, kombinasi AI generatif dan agentic AI memungkinkan sistem tidak hanya memprediksi risiko, tetapi juga merancang dan mengeksekusi respons mitigasi secara otomatis.

Risiko, Etika, dan Tata Kelola: Sisi Gelap yang Tak Boleh Diabaikan

Di balik manfaat yang mengesankan, adopsi AI generatif dan agentic AI dalam skala luas membawa tantangan signifikan. Sistem AI sangat bergantung pada data, yang rentan terhadap ancaman seperti data poisoning, pengubahan, bias, dan serangan siber yang menargetkan integritas serta kerahasiaan. Kebocoran data, manipulasi model, dan serangan terhadap infrastruktur komputasi dapat berujung pada kerusakan reputasi dan kerugian finansial substansial. Mitigasi risiko memerlukan perlindungan integritas data dan penyematan keamanan di seluruh siklus hidup AI—mulai dari desain, pengembangan, pelatihan, penerapan, hingga operasi berkelanjutan. Model AI itu sendiri dapat menjadi target: aktor jahat dapat mencoba mencuri model, melakukan reverse engineering, atau memanipulasi arsitektur, bobot, dan parameter untuk mengubah perilaku dan akurasi.

Seperti teknologi kompleks lainnya, model AI rentan terhadap risiko operasional, termasuk model drift, bias, dan kegagalan tata kelola yang dapat muncul seiring waktu. Mengabaikan keselamatan dan etika dalam pengembangan AI dapat menimbulkan dampak serius bagi individu dan masyarakat: pelanggaran privasi, hasil diskriminatif, hingga pengambilan keputusan yang tidak transparan. Jika data pelatihan mencerminkan bias historis, model dapat memperkuat stereotip gender atau ras dan memperluas ketidakadilan yang sudah ada. Sistem perekrutan berbasis AI, misalnya, dapat secara sistematis menguntungkan kelompok tertentu dan merugikan kelompok lain jika tidak dirancang dengan prinsip keadilan. Di sinilah etika AI menjadi bidang krusial yang memerlukan perhatian pengembang, regulator, dan organisasi pengguna.

Etika AI adalah bidang multidisipliner yang berupaya memaksimalkan manfaat sambil meminimalkan risiko melalui prinsip yang jelas dan dapat dioperasionalkan. Prinsip-prinsip tersebut diimplementasikan melalui tata kelola AI yang terstruktur dan terdokumentasi, mencakup kerangka kerja dan proses untuk memastikan sistem tetap aman, adil, dan selaras dengan nilai sosial serta regulasi. Tata kelola yang efektif memerlukan mekanisme pengawasan dan keterlibatan pemangku kepentingan beragam—pengembang, pengguna, pembuat kebijakan, pakar etika, hingga perwakilan kelompok terdampak. Dalam konteks ini, explainable AI atau XAI menjadi komponen penting karena membantu menjembatani kesenjangan antara kompleksitas teknis dan kebutuhan transparansi. Explainable AI adalah seperangkat metode dan alat yang dirancang untuk membuat sistem AI lebih transparan dan dapat dipahami, sehingga pengguna dapat menafsirkan, mengevaluasi, dan memercayai keputusan AI dengan penjelasan yang dapat diaudit.

Seiring model menjadi semakin kompleks, sulit bagi manusia memahami bagaimana output dan keputusan dihasilkan. Transparansi menjadi sangat penting di lingkungan teregulasi atau berisiko tinggi seperti layanan kesehatan, keuangan, dan sektor publik. Machine learning secara inheren melibatkan diskriminasi statistik—model membedakan kasus berdasarkan pola dalam data yang diamati. Hal ini menjadi problematis ketika model secara sistematis menguntungkan kelompok yang sudah diistimewakan dan merugikan kelompok lain, terutama kelompok terpinggirkan. Untuk mempromosikan keadilan, praktisi perlu mengurangi bias algoritmik melalui pendekatan menyeluruh: pengumpulan dan kurasi data yang cermat, desain model yang matang, pengujian fairness, serta pembentukan tim yang beragam dengan sensitivitas terhadap isu keadilan. Sistem AI yang tangguh atau robust dirancang untuk menangani kondisi tidak biasa—input abnormal, noise, atau serangan berbahaya—dan tetap berfungsi dengan baik.

Organisasi perlu menetapkan peran, tanggung jawab, dan struktur tata kelola yang jelas untuk pengelolaan AI. Pengguna harus memahami cara kerja layanan AI, menilai kemampuan dan keterbatasannya, serta mengetahui bagaimana layanan tersebut dibuat dan diuji. Transparansi yang lebih besar membantu membangun kepercayaan antara penyedia dan pengguna, serta memfasilitasi akuntabilitas. Regulator dan konsumen dapat mengevaluasi sistem AI secara lebih efektif ketika informasi tersedia dan dapat diakses. Banyak kerangka regulasi, termasuk GDPR Uni Eropa, mengharuskan organisasi mengikuti prinsip privasi ketat dan perlindungan data. Organisasi harus melindungi model AI yang mungkin mengandung informasi pribadi atau dapat digunakan untuk brandonstruksi data sensitif, serta mengendalikan data yang digunakan untuk pelatihan dan inferensi. Sistem juga harus dirancang agar adaptif terhadap regulasi yang berkembang dan ekspektasi sosial yang berubah, termasuk dalam konteks etika dan privasi AI generatif dan agentic AI.

Klasifikasi Jenis AI dan Perjalanan Historisnya

Untuk menggambarkan spektrum kapabilitas, peneliti sering membedakan beberapa jenis AI berdasarkan cakupan dan fleksibilitas. Weak AI atau narrow AI merujuk pada sistem yang dirancang untuk tugas spesifik dengan ruang lingkup terbatas—seperti asisten suara, chatbot customer service, dan kendaraan otonom yang beroperasi dalam kondisi tertentu. Sistem ini mungkin sangat mumpuni dalam domainnya, tetapi tidak memiliki kecerdasan umum yang dapat ditransfer ke tugas lain. Di sisi lain, strong AI atau artificial general intelligence (AGI) akan mampu memahami, belajar, dan menerapkan pengetahuan di berbagai tugas dengan fleksibilitas tinggi, setara atau melampaui kecerdasan manusia dalam banyak domain, termasuk penalaran abstrak dan kreativitas. AGI masih bersifat hipotetis; belum ada sistem yang diakui secara konsensus memenuhi definisi tersebut. Banyak peneliti percaya pencapaian AGI memerlukan kemajuan besar dalam daya komputasi, desain algoritme, dan pemahaman kognisi manusia. Sementara itu, gagasan AI yang sadar diri—sering digambarkan dalam fiksi ilmiah—bahkan lebih spekulatif dan belum memiliki definisi operasional yang disepakati.

Gagasan mesin yang dapat berpikir telah lama hadir, namun sejarah modern AI ditandai sejumlah tonggak penting. Pada 1950, Alan Turing menerbitkan “Computing Machinery and Intelligence” dan mengajukan pertanyaan fundamental: dapatkah mesin berpikir? Ia memperkenalkan konsep yang kini dikenal sebagai Turing Test, yang menguji kemampuan mesin meniru percakapan manusia. Pada 1956, John McCarthy menciptakan istilah artificial intelligence pada Konferensi Dartmouth yang sering dianggap sebagai kelahiran AI sebagai bidang formal. McCarthy kemudian mengembangkan bahasa pemrograman Lisp yang berpengaruh dalam penelitian AI selama beberapa dekade. Pada era yang sama, Allen Newell, J.C. Shaw, dan Herbert Simon membangun Logic Theorist, yang kerap disebut sebagai program AI fungsional pertama.

Pada 1967, Frank Rosenblatt mengembangkan Mark 1 Perceptron, komputer berbasis neural network yang belajar melalui trial and error. Namun, pada 1968, Marvin Minsky dan Seymour Papert menerbitkan “Perceptrons”, analisis kritis yang menyoroti keterbatasan arsitektur jaringan sederhana dan untuk sementara meredam antusiasme serta pendanaan untuk penelitian neural network. Minat terhadap pendekatan koneksionis bangkit kembali pada 1980 seiring kemajuan komputasi dan algoritme, ketika neural network dengan algoritme backpropagation mulai diadopsi luas. Pada 1995, Stuart Russell dan Peter Norvig menerbitkan “Artificial Intelligence: A Modern Approach”, yang menjadi referensi standar di banyak universitas dan menguraikan empat perspektif utama tentang AI: sistem yang berpikir seperti manusia, bertindak seperti manusia, berpikir secara rasional, dan bertindak secara rasional.

Pada 1997, Deep Blue milik IBM mengalahkan juara dunia catur Garry Kasparov dalam pertandingan yang banyak disorot media, menunjukkan kekuatan sistem AI khusus di domain kompleks berbasis aturan. Pada 2004, John McCarthy menerbitkan “What Is Artificial Intelligence” yang menawarkan definisi AI yang banyak dikutip. Sekitar waktu ini, pertumbuhan big data dan cloud computing memungkinkan organisasi menyimpan dan memproses himpunan data besar dengan biaya lebih rendah, meletakkan dasar bagi AI modern dan deep learning yang bergantung pada data skala besar. Pada 2011, sistem Watson milik IBM mengalahkan juara Ken Jennings dan Brad Rutter dalam kuis Jeopardy! yang menuntut pemahaman bahasa alami, menunjukkan kemampuan AI memproses bahasa, mengambil informasi dari basis pengetahuan besar, dan merespons secara real time. Pada periode ini, data science muncul sebagai disiplin yang memadukan statistik, ilmu komputer, dan keahlian domain.

Pada 2015, superkomputer Minwa milik Baidu menggunakan convolutional neural network untuk mengklasifikasikan gambar dengan akurasi yang melampaui rata-rata manusia, menegaskan kemampuan deep learning dalam computer vision. Setahun kemudian, pada 2016, AlphaGo milik DeepMind mengalahkan juara dunia Go Lee Sedol dalam pertandingan yang dianggap tonggak sejarah. Didukung deep neural network dan reinforcement learning yang mempelajari strategi melalui simulasi intensif, AlphaGo menaklukkan permainan dengan ruang pencarian sangat besar—lebih dari 14,5 triliun kemungkinan konfigurasi papan setelah hanya empat langkah. Google kemudian mengakuisisi DeepMind dengan nilai besar, mencerminkan pentingnya teknologi ini. Pada 2022, large language model seperti ChatGPT dari OpenAI menandai lompatan besar dalam kinerja AI generatif, mampu menghasilkan teks mirip manusia dalam berbagai gaya dan domain, mendukung penyusunan dokumen, penulisan kode, pembuatan konten, hingga menjawab pertanyaan kompleks.

Masa Depan AI Generatif dan Agentic AI: Antara Peluang dan Pengawasan

Memasuki 2024, AI generatif dan agentic AI terus berkembang pesat dengan inovasi arsitektur dan teknik pelatihan baru. Model multimodal yang mampu memproses dan menghasilkan berbagai jenis input—teks, gambar, audio, video—mulai menghadirkan pengalaman pengguna yang lebih kaya dan interaktif, menggabungkan computer vision, pengenalan gambar, dan natural language processing dalam satu kerangka terpadu. Pada saat yang sama, muncul minat terhadap model yang lebih kecil dan efisien yang dapat dijalankan pada perangkat dengan sumber daya terbatas, memberikan kinerja kuat tanpa hanya bergantung pada jumlah parameter sangat besar. Tren ini membuka jalan bagi penerapan AI yang lebih luas, termasuk di negara berkembang dan organisasi dengan kapasitas infrastruktur terbatas.

AI generatif dan agentic AI mengubah cara organisasi membangun, menerapkan, dan mengelola sistem cerdas dengan pendekatan yang lebih adaptif dan otonom. Namun, tantangan etika, keamanan, dan tata kelola tetap besar dan memerlukan perhatian serius dari seluruh pemangku kepentingan. Tanpa kerangka pengawasan yang memadai, risiko penyalahgunaan, bias, dan kegagalan sistem dapat meningkat seiring skala adopsi. Sebaliknya, dengan pendekatan yang hati-hati, berbasis bukti, dan bertanggung jawab, teknologi ini berpotensi memberikan manfaat luas bagi masyarakat—dari peningkatan produktivitas dan inovasi hingga perbaikan layanan publik dan kualitas hidup.

Pengembangan kerangka regulasi yang seimbang, investasi pada literasi digital, dan kolaborasi erat antara sektor publik dan swasta akan menjadi kunci untuk memaksimalkan manfaat AI generatif dan agentic AI. Regulasi yang terlalu longgar berisiko membuka celah penyalahgunaan; regulasi yang terlalu ketat dapat menghambat inovasi. Menemukan titik tengah yang dinamis—yang dapat berevolusi seiring perkembangan teknologi—akan menjadi tantangan kebijakan utama dekade ini. Jika dikelola dengan tata kelola yang kuat dan transparan, AI generatif dan agentic AI berpotensi menjadi infrastruktur umum baru, setara listrik dan internet, yang mendukung produktivitas, inovasi, dan kesejahteraan di seluruh lapisan masyarakat.