Day 8: Pengenalan Agentic AI – AI yang Bisa Merencanakan dan Mengeksekusi

Agentic AI adalah AI yang tidak hanya menjawab pertanyaan, tetapi bisa merencanakan langkah, memakai tools, mengeksekusi tugas, lalu mengevaluasi hasilnya. Konsep ini penting karena arah AI modern bergerak ke sini.

Bedanya dengan chatbot biasa

Chatbot biasa menunggu instruksi satu per satu. Agentic AI menerima tujuan, lalu memecahnya menjadi beberapa langkah. Misalnya tujuan Anda: “buat draft landing page”. Agent bisa menyusun struktur, membuat copy, memberi saran visual, lalu mengecek kekurangan.

Komponen Agentic AI

• Goal: tujuan yang ingin dicapai.
• Planning: kemampuan memecah tujuan menjadi langkah.
• Tool use: kemampuan memakai alat seperti browser, file, API, atau editor kode.
• Memory/context: memahami konteks kerja.
• Evaluation: mengecek apakah hasil sudah sesuai.

Contoh non-coding

Agentic AI bisa membantu menyusun riset kompetitor, membuat rencana konten, membuat SOP, atau mengubah hasil meeting menjadi daftar tugas prioritas.

Bertindak sebagai AI agent. Tujuan saya adalah [tujuan]. Buat rencana langkah, tanyakan informasi yang kurang, lalu berikan output tahap pertama.

Target hari kedelapan: Anda memahami bahwa Agentic AI adalah pola kerja, bukan hanya nama tools.

ReAct Pattern: Inti dari Agentic AI

Pola ReAct (Reasoning + Acting) adalah fondasi Agentic AI. Dalam pola ini, AI secara bergantian: (1) Melakukan reasoning — memikirkan langkah apa yang perlu diambil. (2) Melakukan acting — menjalankan tindakan seperti mencari informasi atau mengedit file. (3) Mengamati hasil — mengevaluasi apakah langkah berhasil. (4) Mengulang — melanjutkan ke langkah berikutnya atau selesai. Pola ini memungkinkan AI menyelesaikan tugas kompleks yang membutuhkan banyak langkah tanpa perlu instruksi manual setiap saat.

Tools yang Bisa Dipakai Agentic AI

Agentic AI bisa memakai berbagai tools: (1) File system — membaca, menulis, mengedit file. (2) Terminal — menjalankan perintah dan melihat output. (3) Web search — mencari informasi di internet. (4) API — memanggil API eksternal. (5) Database — query database. (6) Git — operasi version control. Kemampuan menggunakan tools inilah yang membedakan agentic AI dari chatbot biasa. Semakin banyak tools yang dikuasai, semakin powerful agent tersebut.

Agentic AI di Tahun 2026

Tahun 2026 adalah tahun agentic AI. Tools seperti OpenCode, Claude Code, Cursor, dan Codex CLI mempopulerkan pola agent untuk coding. Di luar coding, agentic AI mulai digunakan untuk: riset otomatis, analisis data, customer service, dan workflow bisnis. Perusahaan besar mengadopsi agentic AI untuk mengotomatiskan proses yang sebelumnya membutuhkan tim khusus. Memahami konsep ini di level pemula memberi Anda keunggulan untuk mengikuti perkembangan AI ke depan.

Perbedaan Agent, Automation, dan AI biasa

Penting membedakan tiga konsep: (1) AI biasa — menjawab pertanyaan, satu putaran. (2) Automation — menjalankan tugas berulang dengan aturan tetap, seperti zapier atau makro Excel. (3) Agentic AI — merencanakan, memutuskan, dan mengeksekusi tugas multi-langkah dengan fleksibilitas. Agentic AI adalah yang paling canggih karena bisa beradaptasi dengan situasi yang tidak terduga. Contoh: automation bisa mengirim email otomatis, agentic AI bisa memutuskan kapan dan bagaimana email terbaik dikirim berdasarkan analisis konteks.

Bahaya dan Etika Agentic AI

Dengan kekuatan agentic AI datang tanggung jawab besar. Bahaya potensial: (1) Agent bisa melakukan tindakan yang tidak diinginkan jika instruksi tidak jelas. (2) Agent bisa mengakses data sensitif jika tidak dibatasi. (3) Agent loop yang tidak terkontrol bisa menghabiskan resource (token, komputasi) tanpa batas. (4) Keputusan agent bisa bias jika tidak diawasi. Etika penggunaan: selalu batasi scope agent, review hasil sebelum dieksekusi, dan jangan pernah memberi akses penuh ke sistem produksi tanpa pengawasan.

Kesimpulan Day 8

Agentic AI adalah evolusi AI yang memungkinkan AI merencanakan dan mengeksekusi tugas multi-langkah. Konsep ini adalah fondasi tools AI modern seperti OpenCode dan Claude Code. Pahami pola ReAct, komponen agent, dan etika penggunaannya untuk memanfaatkan Agentic AI secara optimal dan aman.

Contoh Agentic AI di Dunia Nyata 2026

Beberapa contoh agentic AI yang sudah beroperasi di 2026: (1) Customer service agent — menangani refund, tracking pesanan, dan komplain secara otonom dengan eskalasi ke manusia jika perlu. (2) Coding agent — OpenCode dan Claude Code yang digunakan ribuan developer untuk mempercepat pengembangan software. (3) Research agent — AI yang mencari, membaca, dan merangkum puluhan artikel untuk riset pasar. (4) Personal assistant agent — mengelola jadwal, email, dan tugas harian. Semua contoh ini menunjukkan bahwa agentic AI bukan konsep masa depan, tetapi teknologi yang sudah berfungsi sekarang.

Membuat Agent Sederhana dengan Prompt

Anda bisa membuat “agent sederhana” hanya dengan prompt yang terstruktur. Contoh: “Kamu adalah asisten riset. Tujuan: cari informasi tentang [topik]. Langkah: (1) Buat daftar 5 pertanyaan kunci. (2) Jawab setiap pertanyaan dengan web search. (3) Identifikasi sumber terpercaya. (4) Buat ringkasan eksekutif. (5) Beri rekomendasi langkah selanjutnya. Jangan lanjut ke langkah berikutnya sampai saya setuju.” Dengan prompt ini, AI bertindak seperti agent yang mengikuti workflow terstruktur.

Cognitive Load dalam Prompt Engineering

Cognitive load adalah jumlah informasi yang harus diproses otak dalam satu waktu. Prompt yang baik mengurangi cognitive load — baik untuk AI maupun untuk Anda. Cara mengurangi cognitive load dalam prompt: (1) Gunakan format yang terstruktur — bullet points, tabel, atau numbered list. (2) Pisahkan instruksi kompleks menjadi langkah-langkah kecil. (3) Gunakan bahasa yang konsisten — jangan berganti-ganti istilah untuk konsep yang sama. (4) Letakkan instruksi terpenting di awal prompt. (5) Hindari instruksi negatif — “jangan gunakan X” bisa diganti “gunakan Y”. Prompt yang rendah cognitive load menghasilkan output yang lebih akurat dan lebih mudah diedit.

Teknik Prompt Chaining

Prompt chaining adalah teknik memecah tugas kompleks menjadi rantai prompt kecil yang saling terhubung. Contoh chaining untuk membuat course online: Chain 1: “Buat outline 10 modul untuk course [topik]. Sertakan learning objective setiap modul.” Chain 2: “Untuk modul 1 dari outline di atas, buat sub-topik detail dan durasi belajar yang disarankan.” Chain 3: “Buat konten untuk sub-topik pertama modul 1. Format: penjelasan 300 kata, contoh konkret, dan latihan.” Chain 4: “Buat 5 soal evaluasi untuk modul 1 dengan kunci jawaban.” Keuntungan chaining: setiap prompt fokus pada satu tugas spesifik, memudahkan kontrol kualitas, dan memungkinkan revisi di setiap tahap tanpa mengulang dari awal.

Framework AI Collaboration untuk Proyek Besar

Untuk proyek besar (buku, course, research paper), gunakan framework kolaborasi AI 5 tahap: (1) Planning — AI membantu menentukan scope, struktur, dan milestone. (2) Research — AI mengumpulkan dan mensintesis informasi dari berbagai sumber. (3) Drafting — AI membuat draf awal berdasarkan outline yang sudah disetujui. (4) Review — AI dan Anda saling mereview dan memberikan feedback. (5) Refinement — AI melakukan polish final berdasarkan arahan Anda. Setiap tahap menggunakan prompt chaining yang terhubung. Framework ini memastikan kualitas output konsisten di seluruh proyek dan meminimalkan revisi besar di akhir.

Contoh Extended Workflow: Membuat E-book

Workflow e-book dengan AI: Step 1 — “Analisis topik [X] dan identifikasi 5 angle unik yang belum banyak dibahas.” Step 2 — “Pilih angle terkuat. Buat outline 12 bab dengan sub-bab.” Step 3 — “Riset kata kunci SEO untuk setiap bab menggunakan Google Trends.” Step 4 — “Buat draf bab 1: 2000 kata, dengan data statistik, contoh, dan referensi.” Step 5 — “Review draf bab 1: identifikasi bagian yang lemah, repetitif, atau kurang didukung data.” Step 6 — “Revisi bab 1 berdasarkan review.” Step 7 — “Buat grafik dan infografis prompt untuk bab 1.” Step 8 — “Ulangi untuk bab 2-12.” Step 9 — “Buat pendahuluan dan kesimpulan yang mengikat seluruh bab.” Step 10 — “Proofreading final: grammar, konsistensi gaya, dan format.” Total waktu: 3-5 hari (vs 2-3 bulan tanpa AI). Kualitas: setara e-book komersial dengan bimbingan yang tepat.

Manajemen Proyek dengan AI

AI juga bisa menjadi project manager virtual. Contoh prompt: “Saya akan mengerjakan proyek [deskripsi] dalam 30 hari dengan sumber daya [tim/budget/waktu]. Bantu saya: (1) Breakdown proyek menjadi 30 task harian. (2) Identifikasi dependencies antar task. (3) Tentukan prioritas menggunakan Eisenhower Matrix. (4) Buat sistem tracking progress. (5) Identifikasi 5 risiko utama dan mitigasinya. (6) Tentukan milestone per minggu. (7) Buat template daily standup report. Simpan semua output dalam format yang bisa sayaakses setiap hari.” Dengan prompt ini, Anda punya project plan lengkap dalam hitungan menit.

Kesimpulan: Extended Prompting untuk Produktivitas Maksimal

Extended prompting — menggunakan prompt chaining, context building, dan workflow terstruktur — adalah puncak dari skill prompt engineering. Dengan teknik ini, Anda bisa mengerjakan proyek besar yang biasanya memakan waktu berminggu-minggu dalam hitungan hari. Kuncinya: jangan mencoba membuat sempurna dalam satu prompt. Pecah menjadi langkah kecil, review setiap langkah, dan iterasi. AI adalah kolaborator yang sangat kuat — asalkan Anda tahu cara memandunya dengan prompt yang terstruktur dan kontekstual.

---

Lanjut Belajar AI

Jika artikel ini membantu, lanjutkan ke materi terstruktur agar pemahaman AI lebih rapi dan praktis.

Buka Materi Belajar AILihat AI Tools