Jenis-Jenis AI Agent: Perbedaan dan Cara Memilihnya

AI Agent dapat dikelompokkan dari beberapa sudut pandang. Ada klasifikasi berdasarkan cara mengambil keputusan, arsitektur implementasi, serta tingkat keterlibatan manusia dalam prosesnya.

Karena setiap klasifikasi menjelaskan aspek yang berbeda, satu sistem dapat termasuk ke dalam beberapa kategori sekaligus. Coding agent, misalnya, dapat bersifat goal-based karena mengejar hasil tertentu, model-based karena menyimpan konteks project, dan human-in-the-loop karena perubahan penting tetap memerlukan persetujuan developer.

Artikel ini membahas perbedaan setiap jenis AI Agent, contoh penerapannya, serta pertimbangan yang dapat digunakan untuk memilih desain agent sesuai kebutuhan workflow.

Ringkasan Jenis-Jenis AI Agent

Secara umum, jenis AI Agent dalam artikel ini dibagi menjadi tiga kelompok berikut.

Pembagian tersebut tidak menunjukkan urutan dari agent paling sederhana menuju agent paling baik. Jenis yang tepat tetap bergantung pada kompleksitas tugas, kebutuhan konteks, risiko tindakan, biaya, dan indikator keberhasilan.

Jenis AI Agent Berdasarkan Cara Mengambil Keputusan

Klasifikasi ini membedakan agent berdasarkan informasi yang dipertimbangkan sebelum menentukan tindakan. Semakin kompleks mekanismenya, semakin banyak konteks, tujuan, atau kriteria yang perlu dikelola.

1. Simple Reflex Agent

Simple reflex agent menjalankan tindakan berdasarkan kondisi yang sedang terdeteksi. Polanya biasanya berupa aturan tetap: ketika kondisi tertentu muncul, sistem menjalankan respons yang sudah ditentukan.

Contohnya:

• Mengirim notifikasi ketika layanan tidak merespons.
• Memindahkan email ke folder tertentu berdasarkan kata kunci.
• Mengaktifkan pendingin ketika suhu melewati batas.
• Memblokir permintaan setelah jumlah percobaan login mencapai batas.

Jenis ini cocok untuk proses sederhana, berulang, dan memiliki hubungan kondisi-tindakan yang jelas. Kelebihannya adalah cepat, mudah diuji, dan relatif mudah diprediksi.

Keterbatasannya muncul ketika keputusan membutuhkan riwayat atau konteks tambahan. Status website tidak dapat diakses, misalnya, belum cukup untuk menentukan tindakan karena penyebabnya dapat berasal dari DNS, database, aplikasi, konfigurasi, atau kapasitas resource.

2. Model-Based Reflex Agent

Model-based reflex agent menggunakan kondisi saat ini sekaligus internal state. State menyimpan informasi yang membantu agent memahami langkah yang sudah dilakukan, hasil tool, perubahan lingkungan, atau kondisi yang tidak terlihat dari satu input terbaru.

Dalam pemeriksaan website, agent dapat menyimpan informasi bahwa:

• DNS sudah diperiksa dan mengarah ke tujuan yang benar.
• Koneksi database masih gagal.
• File konfigurasi belum berubah.
• Pemeriksaan sebelumnya menemukan penggunaan resource yang tinggi.

State membuat agent tidak perlu memulai analisis dari awal pada setiap putaran. Jenis ini lebih sesuai untuk workflow bertahap yang membutuhkan kontinuitas.

Namun, state harus diperbarui dan dibatasi secara tepat. Informasi yang kedaluwarsa, tidak lengkap, atau tercampur dengan task lain dapat mengarahkan agent pada keputusan yang salah. Pada sistem yang memakai banyak layanan, pengelolaan pertukaran data juga perlu mengikuti arsitektur API yang jelas.

3. Goal-Based Agent

Goal-based agent memilih tindakan berdasarkan tujuan yang ingin dicapai. Agent tidak hanya merespons kondisi, tetapi menilai apakah suatu langkah dapat mendekatkannya pada hasil akhir.

Sebagai contoh, pengguna memberikan tujuan: “Pulihkan website hingga dapat diakses tanpa mengganggu proses checkout.” Agent kemudian dapat:

1. Mengumpulkan informasi mengenai kondisi website.
2. Memecah tujuan menjadi beberapa langkah pemeriksaan.
3. Memilih tool yang sesuai.
4. Menjalankan tindakan dalam batas akses yang diberikan.
5. Menguji apakah website dan checkout kembali berfungsi.
6. Mencoba pendekatan lain jika indikator keberhasilan belum terpenuhi.

Goal-based agent cocok untuk coding, riset, analisis data, customer service, dan operasi website yang membutuhkan beberapa langkah.

Tujuannya harus spesifik dan dapat diperiksa. Instruksi seperti “optimalkan website” terlalu luas karena tidak menjelaskan metrik, bagian yang boleh diubah, atau kondisi selesai. Sistem juga memerlukan batas iterasi agar agent tidak terus memakai model dan tool ketika perbaikannya sudah tidak signifikan.

4. Utility-Based Agent

Utility-based agent membandingkan beberapa tindakan yang sama-sama dapat mencapai tujuan. Sistem kemudian memilih opsi dengan nilai terbaik berdasarkan kriteria yang telah ditetapkan.

Utility dapat mempertimbangkan:

• Kecepatan.
• Biaya.
• Keamanan.
• Akurasi.
• Penggunaan resource.
• Risiko downtime.
• Dampak terhadap pengguna.

Misalnya, agent menemukan tiga cara memperbaiki konfigurasi website: mengubah file langsung di production, memulihkan versi sebelumnya, atau menguji perubahan melalui staging. Ketiganya dapat menyelesaikan masalah, tetapi staging dapat memperoleh nilai lebih tinggi karena risikonya lebih rendah.

Tantangan utama utility-based agent terletak pada penyusunan kriteria. Sistem yang hanya mengejar kecepatan dapat memilih tindakan cepat tetapi berisiko. Karena itu, batas keamanan dan kebijakan akses sebaiknya menjadi persyaratan minimum, bukan sekadar nilai tambahan.

5. Learning Agent

Learning agent menggunakan data, evaluasi, atau feedback untuk meningkatkan performa dari waktu ke waktu. Peningkatan tersebut dapat memengaruhi pemilihan tool, urutan langkah, prediksi tindakan, maupun cara sistem merespons situasi tertentu.

Proses pembelajaran dapat dilakukan melalui:

• Penyimpanan feedback manusia.
• Pembaruan knowledge base.
• Evaluasi hasil secara berkala.
• Penyesuaian aturan atau routing.
• Pelatihan model secara terpisah.
• Analisis pola keberhasilan dan kegagalan.

Learning agent tidak selalu melatih model utama setiap kali menyelesaikan tugas. Perbaikannya dapat terjadi pada komponen lain di dalam sistem.

Implementasi jenis ini berhubungan dengan machine learning, tetapi tetap membutuhkan kontrol kualitas data dan metrik evaluasi. Feedback yang salah atau data yang bias dapat membuat agent mengulang pola yang tidak diinginkan.

Perbandingan Berdasarkan Mekanisme Keputusan

Kelima jenis tersebut dapat digabungkan. Agent untuk coding dapat menyimpan state project, mengejar target perbaikan, membandingkan beberapa solusi, lalu menggunakan hasil test sebagai bahan evaluasi.

Jenis AI Agent Berdasarkan Arsitektur Implementasi

Klasifikasi berikut tidak membahas cara agent mengambil keputusan, tetapi menjelaskan jumlah agent yang terlibat dan pembagian tanggung jawab dalam workflow.

1. Single-Agent System

Single-agent system menggunakan satu agent utama untuk menerima tujuan, menyusun langkah, memilih tool, membaca hasil, dan membuat laporan.

Pendekatan ini sesuai untuk ruang lingkup terbatas, seperti:

• Menganalisis satu repository.
• Memeriksa status satu website.
• Membuat ringkasan dari sejumlah dokumen.
• Menangani satu kategori tiket customer service.

Single-agent system lebih sederhana untuk dibangun, diuji, dan diawasi. Alur keputusan juga lebih mudah ditelusuri karena seluruh proses dikelola oleh satu agent.

Keterbatasannya muncul ketika satu agent harus menangani terlalu banyak peran. Instruksi dapat menjadi panjang, konteks bercampur, dan agent kesulitan menentukan prioritas antara perencanaan, eksekusi, pemeriksaan, dan pelaporan.

2. Multi-Agent System

Multi-agent system membagi workflow kepada beberapa agent dengan peran berbeda. Setiap agent mengerjakan bagian tertentu, lalu mengirim hasilnya kepada agent lain atau koordinator.

Dalam workflow pengembangan aplikasi, pembagian perannya dapat berupa:

• Agent perencana membagi kebutuhan menjadi task.
• Agent coding membuat perubahan.
• Agent reviewer memeriksa kode.
• Agent testing menjalankan pengujian.

Pembagian tersebut dapat membuat instruksi setiap agent lebih fokus. Namun, sistem perlu mengatur pertukaran konteks, kewenangan, penyelesaian konflik, dan kondisi selesai.

Multi-agent tidak otomatis menghasilkan kualitas yang lebih baik. Untuk tugas sederhana, koordinasi antarsistem dapat menambah biaya, latency, dan titik kegagalan. Gunakan pendekatan ini hanya ketika pembagian peran memberikan manfaat yang dapat diukur.

Jenis AI Agent Berdasarkan Tingkat Kontrol Manusia

Tingkat otonomi menentukan tindakan yang dapat dijalankan agent secara langsung dan tindakan yang tetap membutuhkan persetujuan.

1. Human-in-the-Loop Agent

Human-in-the-loop agent melibatkan manusia pada titik keputusan tertentu. Agent dapat mengumpulkan data, menganalisis kondisi, dan menyiapkan tindakan, tetapi eksekusi berisiko harus dikonfirmasi.

Contohnya:

• Agent boleh membaca database, tetapi perubahan data memerlukan persetujuan.
• Agent boleh menyiapkan deployment, tetapi penerbitan ke production dilakukan setelah review.
• Agent boleh menyusun rekomendasi refund, tetapi transaksi tetap disetujui petugas.
• Agent boleh mengubah file di staging, tetapi tidak langsung di website utama.

Pola ini sesuai untuk proses yang membutuhkan kecepatan sekaligus kontrol. Manusia tidak perlu memeriksa setiap langkah kecil, tetapi tetap memegang kendali atas tindakan yang sulit dipulihkan.

2. Autonomous Agent

Autonomous agent dapat menjalankan beberapa langkah tanpa menunggu instruksi manusia pada setiap tindakan. Ruang otonominya dapat dibatasi berdasarkan tool, akun, direktori, lingkungan, nilai transaksi, atau tingkat risiko.

Agent otonom tidak harus memperoleh akses penuh. Sistem dapat tetap bekerja secara mandiri dalam sandbox, staging, atau akun dengan izin terbatas.

Pendekatan ini sering digunakan dalam implementasi Agentic AI. Semakin luas tindakan yang diizinkan, semakin penting penerapan guardrail, logging, approval, batas iterasi, dan mekanisme rollback.

Contoh Kombinasi Jenis AI Agent dalam Praktik

Nama seperti coding agent atau customer service agent menunjukkan fungsi penggunaan, bukan mekanisme keputusan. Di dalamnya, sistem dapat menggabungkan beberapa jenis agent sekaligus.

1. Coding Agent

Coding agent dapat membaca struktur project, mencari bagian kode yang relevan, mengubah file, menjalankan test, dan mengevaluasi error.

Sistem ini biasanya bersifat model-based karena menyimpan konteks project dan goal-based karena mengejar target seperti memperbaiki bug. Komponen utility dapat digunakan untuk memilih perubahan yang paling kecil atau aman. Contoh alat pada kategori ini dapat dilihat dalam daftar AI coding assistant.

2. Customer Service Agent

Customer service agent dapat membaca knowledge base, memahami percakapan, mencari data akun, menyusun respons, dan mengeskalasi kasus.

Agent ini dapat menggabungkan model-based untuk menyimpan konteks percakapan, goal-based untuk menyelesaikan kebutuhan pelanggan, serta human-in-the-loop untuk refund, perubahan akun, atau akses data sensitif.

3. Data Analysis Agent

Data analysis agent dapat mengambil data, menjalankan query, membandingkan hasil, membuat visualisasi, dan menyusun ringkasan.

Agent tersebut membutuhkan state untuk mencatat sumber yang sudah diperiksa dan goal yang menjelaskan hasil akhir. Izin akses juga perlu dibatasi. Agent yang hanya membuat laporan tidak memerlukan hak untuk menghapus tabel atau mengubah data transaksi.

4. Website Operations Agent

Website operations agent dapat membaca log, memeriksa file, mengecek database, memantau domain, menjalankan deployment, dan menguji respons website.

Untuk terhubung dengan tool eksternal, sistem dapat menggunakan MCP sebagai mekanisme integrasi. Agent tetap perlu bekerja dengan izin minimum, terutama ketika dapat mengubah file, database, DNS, atau konfigurasi website.

Cara Memilih Jenis AI Agent yang Tepat

Pemilihan agent sebaiknya dimulai dari kebutuhan workflow, bukan dari arsitektur yang terlihat paling canggih.

1. Periksa Kompleksitas Tugas

Gunakan aturan sederhana ketika kondisi dan tindakannya tetap. Pertimbangkan goal-based agent ketika tugas membutuhkan beberapa langkah dan urutannya dapat berubah berdasarkan hasil.

Mengirim notifikasi ketika server mati dapat menggunakan simple reflex. Mencari penyebab server mati membutuhkan state, tool, dan evaluasi bertahap.

2. Tentukan Kebutuhan State

Workflow yang berlangsung dalam beberapa putaran memerlukan state agar agent mengetahui langkah yang sudah dijalankan.

Simpan hanya informasi yang relevan dan masih berlaku. State yang terlalu besar atau tidak diperbarui dapat menurunkan kualitas keputusan.

3. Tetapkan Indikator Keberhasilan

Tujuan harus dapat diperiksa. Indikatornya dapat berupa:

• Seluruh test berhasil.
• Website memberikan respons normal.
• Data laporan sesuai dengan sumber.
• Tiket telah dijawab atau dieskalasikan.
• Perubahan tidak menambah error baru.

Indikator tersebut membantu agent dan sistem pengawas menentukan kapan workflow harus dihentikan.

4. Identifikasi Trade-Off

Gunakan pendekatan utility-based ketika agent harus memilih di antara beberapa solusi. Tentukan prioritas antara kecepatan, biaya, keamanan, akurasi, dan penggunaan resource.

Kriteria keamanan sebaiknya menjadi batas minimum. Agent tidak boleh memilih tindakan berisiko hanya karena lebih cepat atau murah.

5. Tentukan Batas Otonomi

Pisahkan tindakan menjadi tiga kelompok:

• Boleh dijalankan otomatis.
• Membutuhkan persetujuan.
• Tidak boleh dijalankan agent.

Mulailah dari akses read-only atau lingkungan pengujian. Izin dapat diperluas setelah perilaku agent dipahami melalui pengujian dan log.

6. Gunakan Multi-Agent Hanya Jika Diperlukan

Multi-agent cocok ketika perencanaan, eksekusi, review, dan pengujian memang perlu dipisahkan.

Jika satu agent dengan instruksi dan tool terbatas sudah dapat menyelesaikan tugas, single-agent biasanya lebih mudah dipelihara dan diawasi.

Risiko dan Perlindungan yang Perlu Diterapkan

Setiap jenis agent memiliki risiko berbeda. Reflex agent dapat menjalankan aturan yang salah secara konsisten. Goal-based atau autonomous agent dapat menghasilkan rangkaian tindakan dengan dampak lebih luas.

Beberapa perlindungan yang perlu disiapkan meliputi:

• Batasi tool dan ruang kerja.
• Terapkan akses minimum sesuai tugas.
• Tetapkan batas iterasi dan kondisi penghentian.
• Simpan log tindakan serta hasil tool.
• Gunakan approval untuk tindakan berisiko.
• Siapkan backup dan mekanisme rollback.
• Uji hasil melalui proses terpisah.
• Pisahkan lingkungan staging dan production.

Kompleksitas sebaiknya ditambahkan secara bertahap. Sistem paling sederhana yang mampu mencapai hasil biasanya lebih mudah diuji, lebih murah, dan lebih dapat diprediksi.

Kesimpulan

Jenis AI Agent dapat dibedakan berdasarkan mekanisme keputusan, arsitektur implementasi, dan tingkat kontrol manusia. Berdasarkan cara mengambil keputusan, klasifikasi yang umum mencakup simple reflex, model-based reflex, goal-based, utility-based, dan learning agent.

Dari sisi implementasi, workflow dapat menggunakan single-agent atau multi-agent. Sementara itu, kewenangan tindakan dapat dirancang dengan pola human-in-the-loop atau otonomi terbatas.

Satu sistem dapat menggabungkan beberapa kategori sekaligus. Karena itu, pemilihannya perlu dimulai dari kompleksitas tugas, kebutuhan state, indikator keberhasilan, trade-off, dan risiko tindakan. Tujuannya bukan memberikan otonomi seluas mungkin, melainkan membangun agent yang efektif, terukur, dan tetap dapat diawasi.