Dari Generasi ke Agen: Menganalisis Gelombang AI Berikutnya dan Manifestasinya dalam Otomatisasi Alur Kerja Perusahaan

1.0 Ringkasan Eksekutif

Bidang kecerdasan buatan sedang mengalami pergeseran paradigma yang signifikan, berkembang dari sistem yang terutama menghasilkan konten menjadi sistem yang dapat melakukan tindakan otonom. Laporan ini memberikan analisis komprehensif tentang transisi ini, memeriksa kapabilitas yang telah mapan dari AI Generatif, kekuatan AI Agen yang sedang muncul, dan implikasi strategis untuk operasi perusahaan. Temuan intinya adalah bahwa meskipun AI Generatif telah merevolusi penciptaan konten dan sintesis informasi, AI Agen mewakili langkah logis berikutnya, mengubah potensi AI menjadi tindakan yang terarah pada tujuan dan mendefinisikan ulang lanskap otomatisasi proses bisnis.

AI Generatif, yang didukung oleh model dasar dan model bahasa besar (LLM), unggul dalam menciptakan teks, gambar, kode, dan media lainnya yang baru sebagai respons terhadap prompt pengguna tertentu. Nilainya terletak pada meningkatkan kreativitas dan produktivitas manusia dengan mengotomatiskan tugas-tugas diskrit yang berfokus pada konten. Adopsi luas alat-alat ini membuat penciptaan konten dasar menjadi komoditas, meningkatkan pentingnya strategis dari rekayasa prompt dan pengawasan manusia.

Sebaliknya, AI Agen memperkenalkan tingkat otonomi baru. Sistem-sistem ini didefinisikan oleh proaktifitas, adaptabilitas, dan orientasi tujuan mereka. Alih-alih bereaksi terhadap prompt, agen AI dirancang untuk mengejar tujuan tingkat tinggi dengan intervensi manusia minimal. Mereka beroperasi pada loop kontinu dari persepsi, penalaran, perencanaan, eksekusi, dan pembelajaran, memungkinkan mereka untuk mengelola alur kerja kompleks multi-langkah di berbagai platform digital. Arsitektur sistem-sistem ini sering melibatkan orkestrasi beberapa agen khusus, yang berkolaborasi untuk mencapai tujuan bisnis yang umum. Ini menandai perpindahan dari AI sebagai alat menjadi AI sebagai tenaga kerja digital.

Analisis kritis mengungkapkan bahwa AI Agen bukanlah pengganti AI Generatif tetapi evolusi yang dibangun di atasnya, menggunakan LLM sebagai mesin penalaran inti. Namun, perbedaannya semakin kabur karena produk komersial semakin menggabungkan kapabilitas dari kedua paradigma. Studi kasus rinci tentang SeaMeet oleh Seasalt.ai, yang dipasarkan sebagai “Copilot Rapat Agen”, menggambarkan tren ini. Meskipun fungsi intinya bersifat generatif (transkripsi, ringkasan), alur kerja berbasis email untuk membuat dokumen tindak lanjut mewakili kapabilitas “proto-agen”—otomatisasi canggih yang dipicu oleh manusia yang menandakan pergerakan pasar yang lebih luas menuju penyisipan fitur-fitur seperti agen ke dalam produk.

Bagi pemimpin bisnis, imperatif strategis adalah dua hal: memanfaatkan AI Generatif untuk keuntungan produktivitas segera sambil secara bersamaan memulai eksperimen strategis dengan AI Agen untuk merekayasa ulang proses bisnis inti guna era otomatisasi baru. Adopsi yang sukses tergantung pada penetapan kesiapan data, kerangka keamanan dan tata kelola yang kuat, serta kesadaran yang tajam tentang pertimbangan etis yang melekat dalam penerapan sistem otonom. Trajektori teknologi ini menunjuk ke masa depan di mana ekosistem kolaboratif manusia dan agen AI mendorong efisiensi perusahaan, inovasi, dan penciptaan nilai.

2.0 Revolusi Generatif: AI sebagai Pencipta Konten

Penyebaran AI yang baru-baru ini dan cepat ke aplikasi bisnis dan konsumen utama sangatlah disebabkan oleh munculnya AI Generatif. Subbidang AI ini telah menangkap imajinasi publik dan membuka keuntungan produktivitas yang signifikan dengan memberdayakan mesin dengan kemampuan untuk menciptakan konten asli. Memahami mekanisme, kapabilitas, dan batasan paradigma ini sangat penting untuk mengkontekstualisasikan lompatan berikutnya menuju sistem agen otonom.

2.1 Mendefinisikan Paradigma: Mekanisme Penciptaan

Kecerdasan Buatan Generatif adalah kelas AI yang menggunakan model pembelajaran mesin untuk menghasilkan konten baru, seperti teks, gambar, audio, video, atau bentuk data lainnya, sebagai respons terhadap input pengguna.1 Tidak seperti sistem AI tradisional yang dirancang untuk prediksi atau klasifikasi, atau mesin pencari yang menemukan dan mengelola informasi yang ada, model generatif menciptakan output yang sepenuhnya baru.2 Mereka mencapai hal ini dengan dilatih pada dataset besar konten yang dibuat manusia. Melalui proses pelatihan ini, model mempelajari pola, struktur, dan hubungan yang mendasari dalam data. Fungsi inti mereka adalah probabilistik; mereka memprediksi elemen berikutnya yang paling mungkin dalam sebuah urutan—baik itu kata dalam sebuah kalimat, piksel dalam sebuah gambar, atau catatan dalam sebuah komposisi musik—untuk membangun hasil yang koheren dan relevan secara kontekstual.2

Dasar teknis untuk Generative AI modern terletak pada arsitektur yang dikenal sebagai model dasar (FM) dan, lebih khusus, model bahasa besar (LLM).4 FM adalah model pembelajaran mesin besar yang dilatih sebelumnya pada spektrum luas data umum dan tidak berlabel, membuat mereka mampu melakukan berbagai tugas secara langsung.4 LLM, seperti seri Generative Pre-trained Transformer (GPT) dari OpenAI, adalah kelas FM yang secara khusus berfokus pada tugas berbasis bahasa seperti ringkasan, generasi teks, klasifikasi, dan percakapan terbuka.4

Skala dan kompleksitas model-model ini mewakili lompatan monumental dari pendahulunya. Bentuk awal generative AI, seperti rantai Markov yang dikembangkan lebih dari seratus tahun yang lalu, juga dapat melakukan prediksi kata berikutnya tetapi dibatasi oleh ketidakmampuannya untuk mempertimbangkan konteks yang lebih luas di luar beberapa kata sebelumnya.5 Sebaliknya, LLM modern seperti ChatGPT dibangun dengan miliaran parameter dan dilatih pada sebagian besar internet yang tersedia untuk umum, memungkinkan mereka memahami ketergantungan kompleks, nuansa, dan pola statistik dalam bahasa. Skala yang sangat besar ini memungkinkan mereka menghasilkan teks yang masuk akal, canggih, dan mirip manusia, jauh melampaui fungsi autocomplete sederhana.5 Model interaksi fundamental tetap reaktif: sistem menunggu prompt spesifik dari pengguna dan kemudian menghasilkan konten sebagai respons.6

Penyebaran alat yang powerful dan mudah diakses ini secara fundamental mengubah sifat pekerjaan yang berhubungan dengan konten. Ketika Generative AI menjadi mampu menghasilkan konten dasar berkualitas tinggi sesuai permintaan, nilai ekonomi bergeser dari tindakan manual penciptaan itu sendiri. Sebaliknya, nilai semakin ditemukan dalam arahan strategis yang diberikan kepada AI. Kemampuan untuk menyusun prompt yang tepat dan kaya konteks yang引出 output yang diinginkan—sebuah keterampilan yang sering disebut “prompt engineering”—menjadi kompetensi krusial. Dinamika ini membentuk ulang peran manusia dari seorang pencipta murni menjadi direktur kreatif, strategis, dan editor, yang memanfaatkan AI sebagai pengganda kekuatan yang powerful. Teknologi ini tidak hanya menggantikan upaya manusia tetapi menciptakan lapisan kolaboratif baru di mana kualitas input strategis manusia secara langsung menentukan kualitas output AI.

2.2 Kemampuan Inti dan Aplikasi: Survei dari Toolkit Generatif

Aplikasi Generative AI mencakup berbagai domain, mencerminkan fleksibilitas model dasar yang mendasarinya. Alat-alat ini sedang diintegrasikan ke dalam alur kerja di berbagai industri untuk meningkatkan produktivitas, mendukung tugas kreatif, dan mengotomatiskan komunikasi.4 Survei terhadap kemampuan intinya mengungkapkan toolkit komprehensif untuk pekerjaan pengetahuan modern.

Aplikasi utama dan yang banyak diadopsi adalah generasi teks. Model generatif dapat menghasilkan berbagai konten tertulis, dari menulis email profesional, salinan pemasaran, dan laporan teknis hingga menghasilkan karya kreatif seperti puisi dan cerita.2 Kemampuan ini meluas ke

ringkasan dan sintesis konten, di mana AI dapat menyaring dokumen panjang, makalah penelitian, atau percakapan menjadi ringkasan yang ringkas dan mudah dicerna, memungkinkan pengguna untuk dengan cepat memahami informasi kunci dari sejumlah besar data tidak terstruktur.2

Di luar teks, Generative AI telah membuat kemajuan signifikan dalam penciptaan multimedia. Alat seperti DALL-E 3, Midjourney, dan Stable Diffusion dapat menghasilkan gambar dan karya seni asli berkualitas tinggi dari deskripsi teks sederhana.8 Ini meluas ke video dan audio, di mana model yang muncul dapat membuat animasi atau mensintesis ucapan yang terdengar alami untuk aplikasi seperti asisten virtual dan narasi buku audio.8

Di bidang pengembangan perangkat lunak, Generative AI berfungsi sebagai asisten yang powerful bagi programmer. Platform seperti GitHub Copilot terintegrasi langsung ke dalam lingkungan pengembangan untuk menyarankan potongan kode, melengkapi fungsi, menerjemahkan antara bahasa pemrograman, dan membantu mendebug kode yang ada.2 Hal ini mempercepat siklus hidup pengembangan dan memungkinkan insinyur untuk fokus pada masalah arsitektur tingkat tinggi.10

Aplikasi lain yang canggih adalah generasi data sintetis. Model generatif dapat membuat data baru dan buatan yang meniru sifat statistik dari dataset dunia nyata. Data sintetis ini sangat berharga untuk melatih model pembelajaran mesin lainnya, terutama di domain di mana data dunia nyata langka, sensitif, atau mahal untuk diperoleh, seperti di bidang kesehatan atau keuangan.4

Lanskap komersial diisi dengan berbagai aplikasi terkenal yang telah membawa kemampuan ini kepada jutaan pengguna. Ini termasuk AI percakapan seperti ChatGPT dan Gemini, asisten penulisan seperti Grammarly, dan solusi terintegrasi seperti Microsoft Copilot dan Adobe Firefly, yang menyematkan fitur generatif ke dalam suite produktivitas yang ada.9 Nilai bisnis yang menyeluruh dari alat-alat ini terletak pada kemampuannya untuk meningkatkan produktivitas dan mendorong inovasi dengan mengotomatiskan pembuatan konten dan menyederhanakan tugas-tugas spesifik yang didorong oleh input.4

3.0 Loncatan Agentik: Dari Generasi Konten ke Tindakan Otonom

Sementara Generative AI mewakili revolusi dalam pembuatan konten, garis depan berikutnya dalam kecerdasan buatan ditentukan oleh pergeseran dari pembuatan ke tindakan. AI Agentik menandai evolusi ini, memperkenalkan sistem yang dirancang tidak hanya untuk merespons, tetapi untuk bertindak secara mandiri untuk mencapai tujuan yang kompleks. Loncatan menuju otonomi ini berjanji untuk membuka tingkat produktivitas baru dan mengubah sifat dasar otomatisasi proses bisnis.

3.1 Munculnya Sistem Otonom: Mendefinisikan Agensi

AI Agentik adalah bentuk lanjutan dari kecerdasan buatan yang berfokus pada pengembangan sistem otonom yang mampu membuat keputusan dan melakukan tugas dengan intervensi manusia yang minimal.13 Istilah “agentik” berasal dari konsep agensi—kapasitas sistem untuk bertindak secara mandiri dan dengan tujuan dalam lingkungannya untuk mencapai seperangkat tujuan yang telah ditentukan.15 Ini sangat berbeda dengan AI tradisional, termasuk Generative AI, yang pada dasarnya reaktif. Sebuah model generatif menunggu petunjuk dan mengikuti alur kerja yang telah ditentukan untuk menghasilkan output; sebuah sistem agentik, setelah diberikan tujuan tingkat tinggi, dapat secara proaktif merumuskan dan mengeksekusi rencana untuk mencapai tujuan itu.7

Perbedaan inti terletak pada transisi dari model permintaan-respon ke model yang berorientasi tujuan. Sebuah sistem agentik tidak hanya mengikuti instruksi langkah demi langkah. Sebaliknya, ia mampu memecah tujuan yang kompleks menjadi urutan subtugas yang lebih kecil dan mudah dikelola dan mengejarnya secara mandiri.17 Sifat proaktif ini memungkinkannya untuk mengantisipasi kebutuhan, mengidentifikasi masalah potensial, dan mengambil inisiatif untuk mengatasi masalah sebelum mereka meningkat, sebuah kemampuan yang jauh melampaui cakupan sistem reaktif.15

3.2 Anatomi Agen AI: Loop Operasional

Fungsi AI Agentik dibangun di atas seperangkat karakteristik kunci yang memungkinkan perilaku otonomnya. Sistem-sistem ini dirancang untuk:

• Proaktif & Otonom: Mereka tidak menunggu perintah eksplisit untuk setiap tindakan. Sebaliknya, mereka beroperasi dengan tingkat independensi untuk melakukan tugas tanpa pengawasan manusia yang konstan, memungkinkan mereka untuk mengelola tujuan jangka panjang dan masalah multi-langkah.15
• Adaptif: Fitur kritis adalah kemampuan untuk belajar dari interaksi dan beradaptasi dengan lingkungan yang berubah. Mereka dapat menyesuaikan strategi dan tindakan mereka secara real-time berdasarkan informasi baru atau umpan balik, membuat mereka cocok untuk situasi yang dinamis dan tidak terduga.12
• Berorientasi Tujuan: Agen AI secara eksplisit dirancang untuk mencapai tujuan tertentu. Mereka bernalar tentang langkah-langkah yang diperlukan untuk mencapai tujuan dan merumuskan strategi untuk melakukannya.14
• Bernalar & Berencana: Inti dari sebuah sistem agentik adalah mesin penalaran, yang seringkali merupakan model bahasa besar (LLM) yang kuat. LLM berfungsi sebagai “otak” agen, memungkinkannya untuk menganalisis data, memahami konteks, merumuskan solusi potensial, dan merencanakan jalur tindakan.14

Operasi agen AI dapat dipahami sebagai proses siklikal yang berkelanjutan. Loop ini memungkinkan agen untuk berinteraksi secara cerdas dengan lingkungannya dan menyempurnakan kinerjanya seiring waktu 16:

1. Persepsi: Agen dimulai dengan mengumpulkan data dari lingkungannya. Ini dapat berasal dari berbagai sumber, termasuk API, database, sensor, atau interaksi langsung dengan pengguna.
2. Penalaran: Data yang dikumpulkan kemudian diproses untuk mengekstrak wawasan yang bermakna. Menggunakan kemampuan seperti pemrosesan bahasa alami, agen menafsirkan informasi, mendeteksi pola, dan memahami konteks yang lebih luas.
3. Pengambilan Keputusan: Berdasarkan penalarannya dan tujuan yang telah ditentukan, agen mengevaluasi beberapa tindakan yang mungkin. Ia memilih jalur tindakan optimal berdasarkan faktor-faktor seperti efisiensi, probabilitas keberhasilan, dan hasil yang diprediksi.
4. Eksekusi: Agen menjalankan tindakan yang dipilih. Ini sering melibatkan interaksi dengan sistem eksternal dengan memanggil API, memanipulasi data, atau berkomunikasi dengan pengguna.
5. Pembelajaran dan Adaptasi: Setelah eksekusi, agen mengevaluasi hasilnya. Umpan balik ini digunakan untuk menyempurnakan model internalnya dan meningkatkan pengambilan keputusan di masa depan, seringkali melalui teknik seperti pembelajaran penguatan.

Kerangka operasional ini mengubah potensi mentah model dasar menjadi tindakan praktis yang berorientasi pada tujuan. Sementara LLM menyediakan intelijen inti untuk penalaran dan pemahaman, adalah kerangka agentik—komponen untuk perencanaan, penggunaan alat, memori, dan interaksi lingkungan—yang memungkinkan intelijen ini diterapkan pada tugas dunia nyata. Hubungan ini analog dengan sistem operasi komputer dan perangkat lunak aplikasinya. LLM adalah sistem operasi yang powerful yang menyediakan kemampuan dasar, sedangkan sistem agentik adalah lapisan aplikasi yang memanfaatkan kemampuan ini untuk melakukan fungsi spesifik dan berharga bagi pengguna, jauh melampaui antarmuka obrolan sederhana.

3.3 Kekuatan Kolaborasi: Orkestrasi dan Sistem Multi-Agen

Kompleksitas masalah bisnis dunia nyata sering membutuhkan seperangkat keterampilan dan pengetahuan domain yang beragam. Untuk mengatasi ini, sistem agentik canggih sering dirancang sebagai sistem multi-agen, di mana beberapa agen AI yang sangat spesialis berkolaborasi untuk mencapai tujuan umum.15 Misalnya, dalam pengaturan layanan keuangan, satu agen mungkin mengkhususkan diri dalam kepatuhan peraturan, yang lain dalam deteksi penipuan, dan yang ketiga dalam optimisasi portofolio. Agen-agen ini mengoordinasikan aktivitas mereka, berbagi wawasan, dan menyerahkan tugas sesuai kebutuhan untuk memberikan solusi menyeluruh yang akan melebihi kemampuan agen tunggal yang umum.15

Model kolaboratif ini membutuhkan fungsi penting yang dikenal sebagai orkestrasi. Orkestrasi adalah manajemen dan koordinasi menyeluruh dari berbagai agen AI dan sistem dalam suatu ekosistem.16 Platform orkestrasi bertanggung jawab untuk mengotomatiskan alur kerja, melacak kemajuan menuju tujuan, mengelola alokasi sumber daya, dan menangani kegagalan. Ini memastikan bahwa agen individu bekerja bersama-sama dengan harmonis dan efisien. Hal ini menjelaskan perbedaan antara “agen AI”, yang dapat dilihat sebagai alat individu atau spesialis, dan “AI Agentik”, yang mengacu pada sistem terkoordinasi yang mengelola agen-agen ini untuk mencapai tujuan yang lebih luas dan kompleks.14 Platform teknologi seperti Amazon Bedrock dan Google’s Vertex AI Agent Builder sedang dikembangkan untuk menyediakan infrastruktur untuk membangun dan mengorkesrasi sistem multi-agen canggih ini, menandakan pergeseran arsitektur yang signifikan dalam pengembangan AI dari model monolitik ke tenaga kerja digital kolaboratif.14

4.0 Kerangka Perbandingan: Sistem Generatif vs. Agentik

Memahami perbedaan dan hubungan antara AI Generatif dan Agentik sangat penting bagi setiap organisasi yang ingin mengembangkan strategi AI yang koheren. Meskipun keduanya memanfaatkan teknologi dasar yang serupa, tujuannya, model interaksi, dan cakupan operasionalnya berbeda secara fundamental. AI Agentik bukanlah pesaing AI Generatif melainkan evolusi fungsional yang membangun pada kapabilitasnya untuk beralih dari penciptaan konten ke eksekusi tugas.

4.1 Prompt Reaktif vs. Tujuan Proaktif: Perbedaan Inti

Perbedaan paling mendasar antara dua paradigma ini terletak pada postur operasionalnya: AI Generatif bersifat reaktif, sedangkan AI Agentik bersifat proaktif.7 Sistem generatif dirancang untuk menciptakan konten sebagai tanggapan langsung terhadap prompt pengguna tertentu. Ini adalah alat pasif yang menunggu instruksi.17 Sebaliknya, sistem agentik dirancang untuk bertindak dalam mengejar tujuan tingkat tinggi. Ini adalah peserta aktif yang mengambil inisiatif berdasarkan tujuan dan persepsi lingkungannya.15

Perbedaan ini dapat dijelaskan dengan analogi praktis. AI Generatif mirip dengan spesialis yang sangat terampil, seperti penulis salinan atau desainer grafis. Seseorang memberikan ringkasan terperinci kepada spesialis ini (“tulis posting blog 500 kata tentang topik X dengan nada profesional”), dan mereka mengeksekusi tugas spesifik itu. Namun, mereka tidak akan secara mandiri memutuskan bahwa posting blog diperlukan, meneliti topik tanpa diminta, atau menjadwalkan publikasinya.6 AI Agentik, sebaliknya, analog dengan manajer proyek otonom. Seseorang memberi manajer ini tujuan tingkat tinggi (“tingkatkan keterlibatan dengan audiens target kita pada kuartal ini”). Manajer agentik kemudian akan secara mandiri merancang rencana, yang mungkin termasuk memesan serangkaian posting blog (tugas yang akan didelegasikan ke model generatif), menjadwalkan pembaruan media sosial, menganalisis data keterlibatan, dan menyesuaikan strategi berdasarkan kinerja, semuanya tanpa memerlukan instruksi langkah demi langkah untuk setiap tindakan.7

Perbedaan fungsi ini secara langsung memengaruhi sifat interaksi manusia. Dengan AI Generatif, pengguna berada “dalam loop”, memberikan arahan konstan dan membuat keputusan di setiap tahap proses. Untuk AI Agentik, pengguna berada “pada loop”, menetapkan tujuan keseluruhan dan memberikan pengawasan, tetapi campur tangan terutama untuk menangani pengecualian atau memberikan panduan strategis ketika agen menghadapi situasi di luar pemrogramannya.6

4.2 Hubungan Simbiosis: Evolusi, Bukan Revolusi

Sangat penting untuk mengenali bahwa Agentic AI tidak menggantikan Generative AI; sebaliknya, ia memperluas kapabilitasnya dalam hubungan simbiosis.16 Sistem agentik bergantung pada model generatif, khususnya LLM, sebagai unit pemrosesan pusat atau “otak” mereka.14 LLM menyediakan fungsi kognitif penting yaitu penalaran, pemahaman bahasa, dan perencanaan yang memungkinkan agen untuk menafsirkan tujuan, menganalisis situasi, dan merumuskan strategi.

Contoh yang jelas menggambarkan sinergi ini. Seorang perwakilan penjualan dapat menggunakan alat Generative AI murni dengan memintanya, “Tulis email follow-up yang sopan kepada Maria Wang tentang proposal kami.” AI akan menghasilkan teks, tetapi perwakilan kemudian perlu menyalinnya secara manual ke dalam klien email, menemukan informasi kontak Maria, mengirim email, dan kemudian memperbarui sistem manajemen hubungan pelanggan (CRM) mereka. Ini adalah serangkaian tugas diskrit yang digerakkan oleh manusia yang diperkuat oleh AI.7

Sistem agentik akan menangani tujuan yang sama dengan cara yang berbeda. Perwakilan akan menetapkan aturan atau tujuan tingkat tinggi, seperti, “Untuk setiap lead yang ditandai ‘Perlu follow-up,’ kirim email follow-up setelah dua hari kerja.” Sistem agentik kemudian akan mengeksekusi alur kerja multi-langkah secara otonom. Ia akan memantau CRM untuk pemicu, menunggu waktu yang ditentukan, mengambil detail Maria dari CRM, menggunakan model generatif untuk menyusun email pribadi, mengirim email melalui panggilan API, dan akhirnya, memperbarui CRM untuk mencatat aksi tersebut. Dalam alur kerja ini, Generative AI adalah komponen penting—alat yang digunakan agen untuk menyelesaikan satu langkah dari rencana otonomnya yang lebih luas.7

Hubungan ini menyoroti bahwa garis batas antara dua konsep ini menjadi semakin kabur dalam aplikasi komersial. Perbedaan teoritis antara generasi konten reaktif dan pencapaian tujuan proaktif adalah jelas, tetapi dalam prakteknya, produk yang menempati posisi tengah mulai muncul. Alat generatif canggih seperti ChatGPT sedang memasukkan fitur seperti “pemanggilan fungsi”, yang memungkinkan mereka untuk berinteraksi dengan alat eksternal dan melakukan aksi sederhana yang terhubung, sehingga menunjukkan perilaku agentik yang baru muncul.2 Sebaliknya, sistem agentik secara fundamental bergantung pada kapabilitas generatif untuk intelijen inti mereka.14 Konvergensi ini menunjukkan bahwa pasar sedang berevolusi bukan sebagai pilihan biner antara dua teknologi yang berbeda, melainkan sebagai spektrum kapabilitas AI. Hal ini menciptakan tantangan bagi pemimpin bisnis, yang harus melihat lebih jauh dari label pemasaran untuk menilai secara akurat tingkat otonomi dan intelijen yang sebenarnya ditawarkan oleh suatu produk.

4.3 Tabel 1: Generative AI vs. Agentic AI - Perbandingan Fitur per Fitur

Tabel berikut memberikan perbandingan tingkat fitur yang ringkas untuk meringkas perbedaan utama antara paradigma Generative dan Agentic AI.

Aspek	Generative AI (Pencipta Konten)	Agentic AI (Aktor Otonom)	Cuplikan Pendukung
Fungsi Utama	Menciptakan konten baru (teks, gambar, kode) berdasarkan pola yang dipelajari.	Bertindak dan mencapai tujuan tingkat tinggi dengan mengeksekusi tugas multi-langkah.	2
Model Interaksi	Reaktif: Menanggapi prompt pengguna yang spesifik dan langsung.	Proaktif: Mengambil inisiatif berdasarkan tujuan dan data lingkungan.	7
Tingkat Otonomi	Rendah (Manusia dalam Loop): Membutuhkan panduan manusia langkah demi langkah untuk setiap output.	Tinggi (Manusia di atas Loop): Beroperasi secara mandiri dengan pengawasan manusia untuk pengecualian.	6
Metode Input	Prompt Spesifik: “Tulis email tentang X.”	Tujuan Tingkat Tinggi: “Kelola follow-up untuk semua lead penjualan baru.”	7
Cakupan Pekerjaan	Tugas Sempit dan Ditetapkan: Generasi konten, ringkasan, terjemahan.	Alur Kerja Luas dan Kompleks: Otomatisasi proses, pemecahan masalah, manajemen sistem.	19
Mekanisme Inti	Pengenalan Pola & Prediksi: Memprediksi item berikutnya dalam sebuah urutan.	Loop Persepsi-Penalaran-Tindakan: Merasakan, merencanakan, memutuskan, mengeksekusi, dan belajar.	2
Integrasi Alat	Terbatas: Dapat diintegrasikan sebagai fitur dalam aplikasi yang lebih besar.	Ekstensif: Dirancang secara asli untuk memanggil alat eksternal, API, dan sistem lain untuk bertindak.	14
Analogi Bisnis	Seorang spesialis atau asisten yang sangat terampil (misalnya, penulis salinan, programmer, peneliti).	Seorang manajer proyek otonom atau karyawan digital.	6

5.0 Perusahaan Agentik: Mengubah Industri dengan Alur Kerja Otonom

Janji teoretis dari Agentic AI dengan cepat diterjemahkan menjadi aplikasi praktis yang siap untuk mendefinisikan ulang efisiensi operasional dan kemampuan strategis di berbagai industri. Dengan mengotomatiskan tidak hanya tugas sederhana tetapi alur kerja kompleks dari awal hingga akhir, sistem agentik memungkinkan paradigma baru dalam produktivitas perusahaan. Ini mewakili evolusi signifikan dari teknologi otomatisasi sebelumnya, meningkatkan potensi manusia daripada hanya menggantikan tenaga kerja manual.

5.1 Analisis Dampak lintas Sektor

Versatilitas Agentic AI, yang berasal dari kemampuannya untuk bernalar, merencanakan, dan berinteraksi dengan sistem digital, memungkinkan penerapannya di hampir semua domain yang bergantung pada pemrosesan informasi kompleks dan pengambilan keputusan.

• Layanan Pelanggan: Agentic AI sedang mengubah dukungan pelanggan dari chatbot reaktif berbasis skrip menjadi agen layanan proaktif. Sistem ini dapat secara otonom mengelola pertanyaan pelanggan, mengakses basis pengetahuan untuk menyelesaikan masalah kompleks, memproses pengembalian uang atau barang, dan memberikan dukungan pribadi di berbagai saluran, hanya meningkatkan ke agen manusia untuk interaksi yang paling halus atau empati.14
• Keuangan dan Perbankan: Di sektor keuangan yang intensif data, agen AI sedang digunakan untuk mengotomatiskan deteksi penipuan dengan memantau transaksi secara real-time dan mengambil tindakan untuk memblokir aktivitas mencurigakan. Mereka juga dapat melakukan penilaian risiko terus-menerus, mengelola portofolio investasi berdasarkan kondisi pasar dan strategi yang telah ditentukan, dan memastikan kepatuhan peraturan dengan memantau perubahan hukum dan memperbarui kebijakan internal sesuai dengan itu.14
• Kesehatan: Dampak potensial di bidang kesehatan sangat besar. Sistem agentik dapat membantu dokter dengan menganalisis catatan medis, makalah penelitian, dan data uji klinis untuk membantu dengan diagnosis dan perencanaan pengobatan. Mereka juga dapat digunakan untuk pemantauan pasien proaktif, menggunakan data dari perangkat wearable untuk mendeteksi tanda-tanda awal masalah kesehatan dan memberi tahu tim perawatan, atau bahkan untuk secara otomatis menjadwalkan janji temu lanjutan.14
• Rantai Pasokan dan Logistik: Agentic AI dapat menciptakan rantai pasokan yang sangat tangguh dan efisien. Dengan menganalisis data dari penjualan, inventaris, cuaca, dan pengiriman, sistem ini dapat memprediksi permintaan, mengoptimalkan logistik, dan secara proaktif mengalihkan rute pengiriman untuk menghindari keterlambatan, semuanya sambil meminimalkan biaya dan pengawasan manusia.14
• Pengembangan Perangkat Lunak dan Operasi IT: Di luar generasi kode sederhana, agen AI dapat mengotomatiskan seluruh siklus hidup pengembangan perangkat lunak, termasuk debugging, pengujian, dan penerapan. Dalam manajemen layanan IT, agen dapat melampaui menjadi bot helpdesk sederhana untuk menyelesaikan tiket IT kompleks secara otonom, memecahkan masalah jaringan, dan mengelola penyediaan perangkat lunak.14
• Sumber Daya Manusia: Departemen HR dapat memanfaatkan alur kerja agentik untuk mengotomatiskan proses yang memakan waktu seperti penyaringan resume, di mana agen dapat menganalisis dan memberi skor calon terhadap kriteria pekerjaan. Mereka juga dapat menangani penjadwalan wawancara dengan mengoordinasikan kalender antara calon dan manajer perekrutan, dan mengelola proses onboarding karyawan dan gaji.25

Dampak jangka panjang yang sebenarnya dari aplikasi-aplikasi ini kemungkinan akan melampaui otomatisasi tugas yang ada. Pengenalan agen otonom memungkinkan pemikiran ulang mendasar tentang bagaimana proses bisnis dirancang. Alur kerja yang sebelumnya dibatasi oleh kecepatan dan kapasitas pengambilan keputusan manusia dapat direkayasa ulang untuk menjadi lebih dinamis, responsif, dan berbasis data. Misalnya, alih-alih agen hanya menandai potensi gangguan rantai pasokan untuk ditinjau oleh manusia, sistem agentik yang sepenuhnya terealisasi dapat secara otonom memodelkan dampak keuangan dari gangguan tersebut, mengevaluasi rute pengiriman alternatif, menegosiasikan ketentuan baru dengan operator melalui API, memperbarui sistem perencanaan sumber daya perusahaan (ERP) dengan rencana baru, dan memberitahu semua pemangku kepentingan yang relevan secara real-time. Ini bukan hanya otomatisasi tugas; ini adalah transformasi lengkap dari proses bisnis itu sendiri, memungkinkan tingkat kelinciran operasional dan ketahanan yang sebelumnya tidak dapat dicapai.

5.2 Mendefinisikan Ulang Produktivitas: Melampaui Robotic Process Automation (RPA)

Munculnya otomatisasi agentik menandai kemajuan signifikan dibandingkan dengan teknologi otomatisasi tradisional seperti Robotic Process Automation (RPA). RPA telah sangat efektif dalam mengotomatiskan tugas terstruktur, berulang, dan berbasis aturan, seperti pengisian data atau pemrosesan faktur. Namun, ia seringkali kesulitan ketika dihadapkan dengan data tidak terstruktur atau perubahan dalam aplikasi atau proses yang mendasarinya.7 Bot screen-scraping, misalnya, dapat dengan mudah rusak jika antarmuka pengguna situs web target diperbarui.7

AI Agentik mengatasi batasan-batasan ini. Dengan memanfaatkan kemampuan penalaran LLM, agen AI dapat memahami konteks, menangani ambiguitas, dan beradaptasi dengan perubahan dalam lingkungannya. Hal ini memungkinkan mereka untuk mengotomatiskan kelas pekerjaan yang jauh lebih luas, termasuk proses kompleks dari awal hingga akhir yang melibatkan data tidak terstruktur dan pengambilan keputusan dinamis.17 Ini mewakili pergeseran dari mengotomatiskan tugas sederhana “robotik” ke mengotomatiskan alur kerja “kognitif”.

Pentingnya, gelombang otomatisasi baru ini paling baik dipahami sebagai bentuk peningkatan manusia.17 Tujuannya bukan untuk menggantikan pekerja manusia tetapi untuk meningkatkan kemampuan dan produktivitas mereka. Dengan mendelegasikan tugas-tugas kompleks, memakan waktu, dan berulang ke agen AI, karyawan manusia dibebaskan untuk fokus pada aktivitas yang membutuhkan keterampilan unik manusia: pemikiran strategis, pemecahan masalah kreatif, negosiasi kompleks, dan membangun hubungan interpersonal.17 Kolaborasi antara manusia dan agen AI ini berjanji untuk memperluas kapasitas organisasi dalam menangani tantangan kompleks, mendorong inovasi, dan memberikan hasil yang lebih berkualitas. Pentinge tren ini ditegaskan oleh peramalan pasar, dengan Gartner memprediksi bahwa pada tahun 2028, sepertiga dari semua perangkat lunak perusahaan akan menyertakan kemampuan AI agentik, dan setidaknya 15% dari keputusan bisnis sehari-hari akan dibuat secara otonom oleh agen AI.19

6.0 Studi Kasus: Mendekonstruksi “Agentic Meeting Copilot” - SeaMeet oleh Seasalt.ai

Untuk memposisikan diskusi teoretis tentang AI Agentik dalam contoh komersial dunia nyata, bagian ini memberikan analisis rinci tentang SeaMeet, sebuah produk dari Seasalt.ai. Dengan memeriksa fitur, pemasaran, dan posisi strategisnya, dimungkinkan untuk mendekonstruksi bagaimana konsep “keagenan” diinterpretasikan dan diimplementasikan di pasar saat ini, mengungkap realitas yang nuansa yang terletak antara kemampuan generatif murni dan otonomi penuh.

6.1 Gambaran Produk dan Kemampuan Generatif Inti

SeaMeet dipasarkan sebagai asisten rapat AI atau “copilot” yang dirancang untuk meningkatkan produktivitas individu dan tim.31 Fitur dasarannya berfokus pada pengolahan konten rapat. Sistem ini terintegrasi dengan platform konferensi video populer seperti Google Meet dan Microsoft Teams, dan juga dapat memproses file audio yang diunggah dari rapat tatap muka.31

Fungsi inti produk ini adalah:

• Transkripsi Real-Time: SeaMeet memberikan transkripsi percakapan rapat secara real-time dengan akurasi tinggi, lengkap dengan identifikasi pembicara dan stempel waktu.31
• Ringkasan Cerdas: Setelah rapat, sistem secara otomatis menghasilkan ringkasan cerdas yang menangkap topik dan diskusi utama.31
• Deteksi Tugas Aksi: AI menganalisis transkrip untuk secara otomatis mengidentifikasi dan mencantumkan tugas yang dapat diambil tindakan atau item “to-do” yang dibahas.31

Fitur utama ini adalah aplikasi yang jelas dari Generative AI. Sistem ini menggunakan model speech-to-text canggih untuk membuat transkrip (menghasilkan teks dari audio) dan kemudian menggunakan LLM untuk mensintesis transkrip ini menjadi bentuk baru yang ringkas (ringkasan) dan mengklasifikasikan pernyataan tertentu sebagai tugas aksi. Ulasan pengguna secara konsisten menyoroti nilai dari kemampuan generatif ini, mencatat bahwa mereka menghilangkan kebutuhan akan pencatatan manual dan memberikan cara mudah untuk melacak tanggung jawab, sehingga memecahkan masalah besar bagi banyak profesional.34

6.2 Menganalisis Klaim “Agentik”: Alur Kerja Berbasis Email

SeaMeet membedakan dirinya di pasar dengan membangun merek sebagai “Agentic Meeting Copilot”.32 Justifikasi untuk klaim ini tampaknya terletak pada fitur inovatif spesifik: alur kerja berbasis email yang dirancang untuk mengotomatiskan tugas pasca-rapat. Setelah rapat selesai, SeaMeet mengirimkan ringkasan yang dihasilkan ke pengguna melalui email. Pengguna kemudian dapat membalas langsung email ini dengan perintah bahasa alami seperti “buat draf email follow-up ke klien”, “buat Statement of Work (SOW) berdasarkan diskusi kita”, atau “hasilkan laporan untuk pemangku kepentingan”.32 Sistem kemudian memproses permintaan ini dan mengembalikan dokumen dengan format profesional, siap dikirim.

Evaluasi kritis terhadap alur kerja ini terhadap definisi ketat AI Agentik yang ditetapkan sebelumnya dalam laporan ini mengungkap gambaran yang nuansa. Meskipun fitur ini mewakili bentuk otomatisasi alur kerja yang kuat dan canggih, ia tidak menunjukkan otonomi yang benar-benar didorong oleh tujuan. Tindakan sistem sepenuhnya reaktif; ia menunggu perintah spesifik yang dimulai oleh manusia melalui email sebelum bertindak. Ini adalah tugas berantai—menggabungkan ringkasan awal dengan prompt pengguna baru untuk menghasilkan dokumen berikutnya—tetapi tidak proaktif.

Sebuah sistem yang benar-benar agentik, sebaliknya, mungkin diberi tujuan tingkat tinggi seperti “kelola onboarding untuk proyek klien baru ini.” Berdasarkan isi rapat awal, ia dapat secara mandiri mengenali kebutuhan akan SOW, menyusunnya tanpa perlu diberitahu secara eksplisit, dan bahkan mungkin mengirimkannya untuk persetujuan internal. Alur kerja SeaMeet, meskipun sangat efisien, masih bergantung pada manusia untuk berada “dalam loop,” memicu setiap tindakan utama pasca-rapat. Kurangnya dokumentasi yang tersedia untuk umum yang menguraikan fitur-fitur untuk delegasi atau penyelesaian tugas otonom lebih mendukung penilaian bahwa sistem ini beroperasi sebagai asisten canggih yang dipandu perintah daripada agen yang sepenuhnya otonom.33

6.3 Konteks Strategis: SeaMeet dalam Ekosistem Seasalt.ai yang Lebih Luas

Untuk sepenuhnya memahami posisi SeaMeet, ia harus dilihat dalam kerangka strategis yang lebih besar dari perusahaan induknya, Seasalt.ai. Didirikan pada tahun 2020, Seasalt.ai memposisikan dirinya sebagai platform pusat kontak all-in-one dan otomatisasi AI yang terutama menargetkan usaha kecil dan menengah (SMBs).22 Paket produk perusahaan yang lebih luas dirancang untuk mengotomatiskan berbagai komunikasi bisnis dan alur kerja operasional. Ini termasuk voicebot dan chatbot berbasis AI untuk dukungan pelanggan 24/7, penjadwalan janji temu otomatis, kualifikasi dan penanganan lead, serta manajemen komunikasi omni-channel (misal, WhatsApp, SMS, suara) dari kotak masuk terpadu.22

Dalam ekosistem ini, SeaMeet berfungsi sebagai komponen kunci yang berfokus pada intelijen rapat internal dan menghadap klien. Ia melengkapi alat otomatisasi komunikasi eksternal perusahaan dengan menangkap dan menyusun data berharga yang dihasilkan dalam rapat. Hal ini sejalan dengan misi utama perusahaan untuk menyediakan solusi otomatisasi AI end-to-end yang dapat diakses untuk pasar SMB, segmen yang mungkin kekurangan sumber daya untuk membangun atau mengintegrasikan sistem kelas enterprise yang lebih kompleks.38

6.4 Posisi Pasar: Differensiator “Proto-Agentik”

Keputusan untuk memasarkan SeaMeet sebagai “agentik” adalah langkah yang disengaja dan cerdas secara strategis. Di pasar yang padat dengan alat transkripsi dan ringkasan rapat, label “agentik” berfungsi sebagai differentiator yang kuat. Ini memberi sinyal kepada calon pelanggan bahwa produk ini menawarkan kemampuan di luar Generative AI standar, memanfaatkan kegembiraan industri yang tumbuh sekitar sistem otonom.

Klasifikasi yang lebih tepat untuk kategori alat ini mungkin “proto-agentik” atau “agent-assisted”. Sistem-sistem ini mewakili langkah menengah pada spektrum antara alat generatif murni dan agen otonom sepenuhnya. Mereka unggul dalam mengotomatiskan tugas multi-langkah yang kompleks tetapi masih memerlukan pemicu manusia untuk memulai alur kerja. Posisi ini memungkinkan Seasalt.ai untuk mengklaim posisi yang canggih secara teknis tanpa perlu mengembangkan sistem dengan kemampuan proaktif dan pencarian tujuan yang penuh.

Studi kasus ini mengungkapkan tren yang lebih luas dalam komersialisasi AI. Ketika konsep baru yang kuat seperti “agency” mendapatkan daya tarik, bahasa pemasaran seringkali mendahului pematangan penuh teknologi. Perusahaan secara strategis mengadopsi terminologi ini untuk membentuk persepsi produk mereka dan menarik perhatian pasar. Bagi pemimpin bisnis dan evaluator teknologi, hal ini menekankan pentingnya kritis untuk mengembangkan pemahaman yang halus tentang konsep-konsep ini. Tidak cukup lagi untuk menerima klaim pemasaran secara permukaan; sebaliknya, analisis yang lebih mendalam tentang model operasional sebenarnya produk—tingkat proaktivitas, adaptabilitas, dan orientasi tujuannya—diperlukan untuk membuat keputusan pembelian dan strategis yang terinformasi.

7.0 Imperatif Strategis dan Pandangan Masa Depan

Evolusi dari Generative AI ke Agentic AI bukan hanya kemajuan teknis incremental; ia mewakili pergeseran mendasar dalam cara bisnis dapat memanfaatkan kecerdasan buatan untuk menciptakan nilai. Transisi ini memerlukan tanggapan strategis yang proaktif dan dipikirkan dengan matang dari pemimpin perusahaan. Menavigasi perbatasan baru ini membutuhkan pemahaman yang jelas tentang peluang segera, rencana untuk adopsi strategis, dan pendekatan yang waspada terhadap risiko dan pertimbangan etis yang terkait.

7.1 Rekomendasi untuk Adopsi: Menavigasi Perbatasan AI Baru

Untuk organisasi yang ingin memanfaatkan kekuatan lanskap AI yang berkembang ini, pendekatan pragmatis dengan dua aspek disarankan. Pertama, bisnis harus menyambut dan menskalakan penggunaan Generative AI sekarang untuk keuntungan produktivitas yang segera dan terlihat. Teknologi ini cukup matang dan dapat diakses untuk digunakan di berbagai fungsi untuk mengotomatiskan pembuatan konten, mempercepat penelitian dan sintesis data, serta membantu dalam pengembangan perangkat lunak.4 Ini tidak hanya memberikan ROI jangka pendek tetapi juga membantu membangun budaya “siap AI” yang mendasar dalam organisasi, membuat karyawan terbiasa dengan kolaborasi manusia-AI.

Kedua, para pemimpin harus mulai bereksperimen secara strategis dengan Agentic AI. Hal ini harus dimulai dengan mengidentifikasi proses bisnis yang terdefinisi dengan baik dan berdampak tinggi yang cocok untuk otomatisasi oleh agen otonom atau semi-otonom. Kasus penggunaan awal di bidang-bidang seperti manajemen layanan IT, resolusi tiket dukungan pelanggan, atau pemantauan rantai pasokan dapat berfungsi sebagai program percontohan yang berharga untuk membangun keahlian internal dan menunjukkan potensi alur kerja agentic.17

Implementasi yang sukses dari salah satu paradigma, tetapi terutama Agentic AI, tergantung pada beberapa prasyarat kritis:

• Data Readiness: Agen AI hanya sebegitu efektifnya data yang dapat mereka akses dan proses. Organisasi harus berinvestasi dalam menciptakan infrastruktur data perusahaan yang bersih, dikelola dengan baik, dan dapat diakses. Dasar data “siap AI” ini sangat penting untuk memungkinkan agen membuat keputusan yang akurat dan sadar konteks.30
• Security and Governance: Kekuatan Agentic AI terkait langsung dengan integrasinya yang mendalam dengan sistem perusahaan dan aksesnya ke data sensitif. Hal ini menciptakan risiko keamanan dan privasi yang mendalam.20 Protokol keamanan yang kuat, kontrol akses, dan jejak audit yang transparan bukanlah opsional tetapi merupakan persyaratan mendasar. Model tata kelola “human-on-the-loop” dengan pembatasan dan pengawasan yang jelas sangat penting untuk mengurangi risiko dan memastikan bahwa agen beroperasi dengan andal dan aman.15
• Ethical Considerations: Agen AI beroperasi berdasarkan algoritma dan data; mereka tidak memiliki pemahaman bawaan tentang nilai-nilai manusia, etika, atau moral. Hal ini menciptakan risiko konsekuensi yang tidak diinginkan secara signifikan, terutama di domain dengan risiko tinggi seperti kesehatan, keuangan, atau penegakan hukum.20 Organisasi harus secara proaktif merancang dan menguji sistem agentic mereka untuk keadilan, bias, dan keselarasan dengan nilai-nilai manusia untuk memastikan mereka bertindak tidak hanya secara efektif tetapi juga bertanggung jawab.

7.2 The Trajectory of AI Agency: The Road Ahead

Pengembangan Agentic AI masih dalam tahap awal, tetapi lintasannya menunjuk ke masa depan sistem otonom yang semakin canggih dan terintegrasi. Fokus saat ini pada agen tunggal atau kelompok kecil yang menangani alur kerja spesifik kemungkinan akan berkembang menjadi multi-agent systems skala besar dan terdesentralisasi. Dalam visi masa depan ini, agen heterogen dengan spesialisasi yang beragam—beberapa dimiliki oleh perusahaan, beberapa oleh mitra, beberapa oleh individu—akan berkolaborasi dalam lingkungan digital umum untuk memecahkan masalah yang sangat kompleks dan dinamis.40

Perkembangan teknologi ini akan memiliki dampak mendalam pada sifat pekerjaan dan struktur organisasi. Seperti yang telah disoroti oleh World Economic Forum, peran yang menekankan pengambilan keputusan kompleks, pemecahan masalah, dan pengawasan strategis menjadi semakin kritis dalam ekonomi global.41 Munculnya sistem agentic akan mempercepat tren ini, mengotomatiskan sebagian besar “pipaan” kognitif perusahaan modern dan meninggikan peran manusia menjadi salah satu strategi, kreativitas, dan tata kelola.

Pada akhirnya, transisi dari sistem generatif ke agentic menandai momen krusial dalam evolusi kemitraan manusia-komputer. Ini menggerakkan AI dari menjadi alat yang kita instruksikan menjadi kolaborator yang kita berikan kekuasaan. Bagi perusahaan yang berhasil menavigasi pergeseran ini, hadiahnya akan menjadi tingkat baru dari fleksibilitas operasional, ketahanan, dan inovasi, membuka jalan untuk masa depan yang didefinisikan oleh integrasi yang mulus antara kecerdasan manusia dan mesin.

Works cited

1. en.wikipedia.org, diakses September 6, 2025, https://en.wikipedia.org/wiki/Generative_artificial_intelligence
2. Apa itu Generative AI? - University Center for Teaching and Learning, diakses September 6, 2025, https://teaching.pitt.edu/resources/what-is-generative-ai/
3. Generative Artificial Intelligence | NNLM, diakses September 6, 2025, https://www.nnlm.gov/guides/data-thesaurus/generative-artificial-intelligence
4. Apa itu Generative AI? - Gen AI Explained - AWS - Updated 2025, diakses September 6, 2025, https://aws.amazon.com/what-is/generative-ai/
5. Dijelaskan: Generative AI | MIT News | Massachusetts Institute of Technology, diakses September 6, 2025, https://news.mit.edu/2023/explained-generative-ai-1109
6. Agentic AI vs. generative AI: Perbedaan inti | Thomson Reuters, diakses September 6, 2025, https://www.thomsonreuters.com/en/insights/articles/agentic-ai-vs-generative-ai-the-core-differences
7. Agentic AI vs. generative AI - Red Hat, diakses September 6, 2025, https://www.redhat.com/en/topics/ai/agentic-ai-vs-generative-ai
8. Apa itu Generative AI? - IBM, diakses September 6, 2025, https://www.ibm.com/think/topics/generative-ai
9. 10 Alat Generative AI Teratas untuk 2025: Kekuatan Kreatif Saat Ini - eWeek, diakses September 6, 2025, https://www.eweek.com/artificial-intelligence/generative-ai-apps-tools/
10. Apa itu Generative AI? Contoh & Kasus Penggunaan - Google Cloud, diakses September 6, 2025, https://cloud.google.com/use-cases/generative-ai
11. www.google.com, diakses September 6, 2025, https://www.google.com/search?q=generative+ai+applications
12. Agentic AI vs Generative AI - Mana yang Harus Anda Gunakan? - Atera, diakses September 6, 2025, https://www.atera.com/blog/agentic-ai-vs-generative-ai/
13. en.wikipedia.org, diakses September 6, 2025, https://en.wikipedia.org/wiki/Agentic_AI
14. Apa itu agentic AI? Definisi dan pembeda - Google Cloud, diakses September 6, 2025, https://cloud.google.com/discover/what-is-agentic-ai
15. Apa itu Agentic AI? - Agentic AI Explained - AWS - Updated 2025, diakses September 6, 2025, https://aws.amazon.com/what-is/agentic-ai/
16. Apa Itu Agentic AI? | IBM, diakses September 6, 2025, https://www.ibm.com/think/topics/agentic-ai
17. Apa itu Agentic AI? | UiPath, diakses September 6, 2025, https://www.uipath.com/ai/agentic-ai
18. Apa itu Agentic AI? | Salesforce US, diakses September 6, 2025, https://www.salesforce.com/agentforce/what-is-agentic-ai/
19. Agentic AI vs Generative AI: Memahami Perbedaan Utama - ThoughtSpot, diakses September 6, 2025, https://www.thoughtspot.com/data-trends/artificial-intelligence/agentic-ai-vs-generative-ai
20. Apa yang perlu Anda ketahui tentang agen AI - CSAIL Alliances - MIT, diakses September 6, 2025, https://cap.csail.mit.edu/agentic-ai-what-you-need-know-about-ai-agents
21. GenAI vs. Agentic AI: Apa yang Perlu Diketahui Pengembang - Docker, diakses September 6, 2025, https://www.docker.com/blog/genai-vs-agentic-ai/
22. Hentikan Beralih-Beralih Antara Aplikasi. Gabungkan Setiap Panggilan Pelanggan, Teks, WhatsApp, dan Chat ke dalam Satu Kotak Masuk yang Sederhana. - Seasalt.ai, diakses September 6, 2025, https://seasalt.ai/en/
23. Apa itu agen AI? Definisi, contoh, dan jenis | Google Cloud, diakses September 6, 2025, https://cloud.google.com/discover/what-are-ai-agents
24. 10 Kasus Penggunaan Agentic AI untuk Pusat Kontak - CX Today, diakses September 6, 2025, https://www.cxtoday.com/conversational-ai/10-agentic-ai-use-cases-for-contact-centers-ringcentral/
25. 6 Contoh dan Kasus Penggunaan Agentic AI yang Mengubah Bisnis - Moveworks, diakses September 6, 2025, https://www.moveworks.com/us/en/resources/blog/agentic-ai-examples-use-cases
26. Kasus Penggunaan Agen AI - IBM, diakses September 6, 2025, https://www.ibm.com/think/topics/ai-agent-use-cases
27. 21 Kasus Penggunaan & Contoh Agentic AI yang Membentuk Masa Depan AI - Akka, diakses September 6, 2025, https://akka.io/blog/agentic-ai-use-cases
28. 14 kasus penggunaan agentic AI di dunia nyata - Valtech, diakses September 6, 2025, https://www.valtech.com/thread-magazine/14-real-world-agentic-ai-use-cases/
29. 40+ Kasus Penggunaan Agentic AI dengan Contoh Nyata - Research AIMultiple, diakses September 6, 2025, https://research.aimultiple.com/agentic-ai/
30. Agen berbasis AI dalam tindakan: Bagaimana kami menerima momen ‘agentic’ baru ini di Microsoft, diakses September 6, 2025, https://www.microsoft.com/insidetrack/blog/ai-powered-agents-in-action-how-were-embracing-this-new-agentic-moment-at-microsoft/
31. SeaMeet: Catat Catatan Rapat ChatGPT Secara Real-Time - Chrome Web Store, diakses September 6, 2025, https://chromewebstore.google.com/detail/seameet-take-chatgpt-meet/gkkhkniggakfgioeeclbllpihmipkcmn
32. SeaMeet | Agentic Meeting Copilot untuk Individu yang Produktif dan Tim dengan Kinerja Tinggi, diakses September 6, 2025, https://seameet.ai/
33. FAQ - Seasalt.ai, diakses September 6, 2025, https://wiki.seasalt.ai/seameet/seameet-manual/00-seameet-faq/
34. Ulasan, Peringkat & Fitur SeaMeet Seasalt.ai 2025 | Gartner Peer Insights, diakses September 6, 2025, https://www.gartner.com/reviews/market/office-productivity-solutions-others/vendor/seasalt-ai/product/seameet
35. Temukan peluang bisnis dalam rekaman dengan SeaMeet, diakses September 6, 2025, https://usecase.seasalt.ai/transcribe-audio-to-discover-insights/
36. Seasalt.ai | Pusat Kontak Omni-Channel untuk Usaha Kecil - Seasalt.ai, diakses September 6, 2025, https://seasalt.ai/
37. Solusi Otomatisasi AI - Seasalt.ai, diakses September 6, 2025, https://seasalt.ai/en/solutions/ai-automation
38. Haptik meluncurkan ‘AI for All’ untuk membawa Agen AI kelas enterprise ke SMB, diakses September 6, 2025, https://timesofindia.indiatimes.com/technology/tech-news/haptik-launches-ai-for-all-to-bring-enterprise-grade-ai-agents-to-smbs/articleshow/123671151.cms
39. DIGITIMES Biz Focus - Taiwan Tech Arena, diakses September 6, 2025, https://www.digitimes.com/biz/index.asp?topic=617
40. Bisnis bertemu Agentic AI: Keyakinan pada solusi otonom dan agentic - Capgemini, diakses September 6, 2025, https://www.capgemini.com/insights/research-library/business-meet-agentic-ai/
41. IITM Pravartak dan Emeritus Meluncurkan Program Sertifikat Profesional dalam Agentic AI dan Aplikasi, diakses September 6, 2025, https://www.ptinews.com/story/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications/2878978
42. IITM Pravartak dan Emeritus Meluncurkan Program Sertifikat Profesional dalam Agentic AI dan Aplikasi, diakses September 6, 2025, https://www.aninews.in/news/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications20250902174614