Apa itu AI agent?

Satu pertanyaan yang membedakan agent dari chatbot

Siapa yang memutuskan apa yang terjadi selanjutnya?

Pada chatbot, tidak ada yang memutuskan. Anda mengirim pesan, model menghasilkan satu balasan, dan giliran itu selesai. Jika balasannya butuh tindak lanjut, Anda yang menuliskannya. Model tidak pernah bertindak terhadap dunia nyata; ia hanya menulis teks.

Pada agent, model yang memutuskan. Diberi sebuah tujuan, ia memilih tindakan, seperti mencari di web, menjalankan potongan kode, membuka halaman, atau mengedit file, menerima hasilnya kembali sebagai teks, membacanya, lalu memilih tindakan berikutnya. Ia terus berjalan sampai menilai tujuan tercapai atau batas langkah menghentikannya. Model adalah pengendali perulangan tersebut.

Panduan rekayasa Anthropic "Building effective agents", diterbitkan Desember 2024, menarik garis di tempat yang sama: workflow adalah sistem tempat model berjalan di dalam kode yang mengunci jalurnya, dan agent adalah sistem tempat model mengarahkan proses dan penggunaan tool-nya sendiri. Panduan itu juga blak-blakan soal mana dari keduanya yang sebaiknya dibangun lebih dulu, dan jawabannya adalah workflow.

Chatbot, workflow, agent: model yang sama, tiga perulangan berbeda

Ketiganya bisa berjalan di atas model bahasa yang sama. Yang berbeda adalah apa yang mengelilinginya.

Kolom workflow adalah tempat sebagian besar otomasi yang berguna hidup. Pipeline yang meringkas dokumen, lalu mengekstrak tanggal, lalu menyusun draf balasan adalah tiga panggilan model dalam urutan tetap. Ini andal karena developer yang menentukan jalurnya. Ini bukan agent, apa pun yang dikatakan landing page-nya, dan menyebutnya begitu mengaburkan trade-off sebenarnya: jalur tetap itu bisa diprediksi dan murah, jalur pilihan model itu fleksibel dan bukan keduanya.

Seperti apa perulangan itu, langkah demi langkah

Contoh perjalanan konkret. Tujuannya: "Cari tahu apakah kompetitor kita mengubah harga bulan ini dan tuliskan ringkasan dua paragraf untuk saya."

1. Model membaca tujuan dan memutuskan tindakan pertama: mencari di web halaman harga kompetitor.
2. Tool pencarian mengembalikan daftar hasil sebagai teks. Model membacanya dan memilih satu untuk dibuka.
3. Tool browser mengembalikan halamannya. Model mengekstrak harga saat ini.
4. Model memutuskan perlu harga lama, mencari salinan arsipnya, dan membukanya.
5. Ia membandingkan keduanya, menilai sudah cukup, dan menulis ringkasannya.

Lima langkah, empat panggilan tool, enam panggilan model. Setiap langkah adalah jawaban lengkap dari model, dengan seluruh riwayat sejauh ini sebagai input. Detail terakhir itulah pemicu biayanya: pada langkah kelima model membaca ulang empat halaman hasil pencarian dan teks halaman di setiap panggilan. Apa itu token dalam AI menjelaskan mengapa input yang membesar setiap giliran adalah bentuk yang mahal.

Dan setiap langkah adalah tempat yang bisa salah. Jika pencarian di langkah 1 mengembalikan perusahaan yang salah, langkah 2 sampai 5 dengan percaya diri meringkas harga yang salah. Perulangan ini menumpuk kesalahan sama seperti menumpuk kemajuan. Batas langkah dan pemeriksaan manusia sebelum apa pun terkirim bukan pilihan opsional.

Berapa biaya satu perjalanan agent dibanding satu jawaban

Hitungannya sederhana dan orang sering melewatkannya. Satu jawaban standar, 1.000 token masuk dan 500 keluar, punya harga daftar per model di indeks biaya model AI, dengan tarif OpenRouter yang diambil pada 2026-08-20. Perjalanan agent 20 langkah setidaknya setara 20 jawaban seperti itu, dan dalam praktiknya lebih banyak lagi, karena input membesar di setiap langkah.

Dua puluh langkah di Claude Sonnet 5 adalah $0.14 pada tarif terendah, dibanding $0.007 untuk satu balasan; di Claude Opus 5 adalah $0.35, dan bila dijalankan tiap jam itu sekitar $250 sebulan sebelum pengganda input yang terus membesar. Dalam kredit Whizi, hitungan yang sama terbaca dari tangga Auto di atas: 100 kredit setara 100 pertanyaan cepat di model rumahan atau 5 giliran reasoning di GPT-5.6 Sol, jadi perulangan 20 langkah pada anak tangga reasoning adalah 400 kredit, sekitar seperenam dari bulan Pro 2.500 kredit, sementara perulangan yang sama di model rumahan adalah 20. Itulah sebabnya desain yang tepat mengarahkan langkah perencanaan ke model kuat dan langkah rutin ke model murah, dan mengapa workspace multi model adalah rumah alami untuk pekerjaan agent, bukan langganan satu model.

Produk mana yang benar benar agent

Asisten coding yang mengedit file dan menjalankan test adalah agent dalam arti ketat: diberi laporan bug, mereka membaca kode, membuat perubahan, menjalankan rangkaian test, membaca kegagalannya, dan mencoba lagi. Perulangannya nyata dan model yang mengarahkannya.

Mode Deep Research di ChatGPT, Gemini, dan Perplexity adalah agent: mereka mencari, membaca, mencari lagi berdasarkan apa yang ditemukan, dan berhenti saat menilai pertanyaannya sudah terjawab. Jumlah langkahnya berbeda beda tiap pertanyaan, dan itulah tandanya.

Kebanyakan "agent" di menu produk sebenarnya adalah persona atau workflow. Baris di pemilih model yang diberi label agen pajak atau mentor belajar biasanya hanyalah system prompt tetap ditambah satu atau dua tool. Bagian Agents milik Whizi sendiri jujur soal ini: baris CPA Kanada adalah preset yang memaksa pencarian web di setiap giliran, dibatasi tujuh pencarian, dengan anggaran token lebih besar sebesar 55.000 masuk dan 40.000 keluar. Itu persona dengan satu tool terpasang dan anggaran lebih besar, dan berguna justru karena jalurnya tetap. Ini bukan perulangan yang diarahkan model, dan panduan Auto routing menjelaskan apa yang sebenarnya memilih model di balik setiap pesan.

Kosakata sedang bergeser ke arah menyebut segalanya agent. Pertanyaan yang perlu diajukan ke sebuah produk adalah pertanyaan di awal halaman ini: siapa yang memutuskan langkah berikutnya? Jika jawabannya "skrip" atau "tidak ada", Anda membeli workflow atau chatbot, dan itu bisa jadi memang yang Anda butuhkan.

Kapan agent adalah alat yang tepat, dan kapan bukan

Agent layak dengan biayanya saat jalurnya tidak bisa diketahui sebelumnya: riset di mana pencarian kedua bergantung pada hasil pertama, debugging di mana perbaikan bergantung pada hasil test, penjelajahan di mana klik berikutnya bergantung pada halaman yang sedang dibuka. Fleksibilitas itulah produknya.

Agent adalah alat yang salah saat jalurnya sudah diketahui. Meringkas, mengekstrak, menerjemahkan, memformat ulang, mengklasifikasikan: ini semua satu panggilan atau urutan panggilan tetap, dan membungkusnya dalam perulangan hanya menambah biaya, latensi, dan cara baru untuk gagal tanpa menambah kemampuan. Saran dari panduan Anthropic tetap berlaku: mulai dengan satu panggilan, pindah ke workflow saat satu panggilan tidak cukup, dan gunakan agent hanya saat workflow terus membutuhkan percabangan yang tidak bisa Anda prediksi.

Aturan keputusannya: jika Anda bisa menggambar langkah langkahnya di papan tulis sebelum mulai, jangan bangun agent.