Ketika kecerdasan buatan berevolusi dari chatbot sederhana menjadi “agen” otonom yang mampu menjalankan alur kerja yang kompleks, perdebatan arsitektur mendasar telah muncul. Bagi perusahaan, tantangannya bukan lagi sekedar bagaimana membangun agen, namun bagaimana mengelola, mengatur, dan meningkatkan skalanya.
Industri saat ini menyaksikan perpecahan strategis dalam cara “tumpukan” AI dibangun. Google sedang membangun lapisan manajemen terpusat yang berfokus pada tata kelola, sementara Amazon Web Services (AWS) berfokus pada pendekatan berbasis eksekusi yang dirancang untuk kecepatan.
Dua Filsafat Manajemen
Perbedaan antara kedua raksasa teknologi ini menggambarkan bagaimana berbagai organisasi memprioritaskan penerapan AI mereka:
1. Google: Pendekatan yang Mengutamakan Tata Kelola
Google memposisikan suite Gemini Enterprise sebagai “bidang kendali” terpusat. Dengan mengintegrasikan penawarannya di bawah satu payung, Google memperlakukan agen AI seperti infrastruktur perangkat lunak modern (seperti Kubernetes).
– Struktur: Google menyediakan platform terpadu tempat keamanan, identitas, dan penegakan kebijakan dimasukkan ke dalam sistem.
– Tujuan: Untuk menyediakan “pintu depan” bagi perusahaan, memastikan bahwa ketika agen menjadi lebih otonom, mereka tetap berada dalam batasan perusahaan yang ketat.
– Fokus: Stabilitas jangka panjang dan pengawasan terpusat.
2. AWS: Pendekatan Kecepatan-Pertama
AWS, melalui Bedrock AgentCore, mengambil rute berbeda dengan mengoptimalkan lapisan eksekusi. Alih-alih lapisan manajemen yang berat, AWS menyediakan “harness”.
– Struktur: Dengan menggunakan titik awal berbasis konfigurasi (didukung oleh kerangka kerja Strands Agents sumber terbuka), pengembang dapat dengan cepat menentukan tugas, model, dan alat agen.
– Sasaran: Mengurangi waktu yang diperlukan untuk memindahkan agen dari konsep ke produk langsung.
– Fokus: Penerapan cepat dan kemudahan integrasi.
Tantangan yang Muncul: “State Drift”
Kesenjangan arsitektur ini didorong oleh fenomena teknis yang dikenal sebagai state drift.
Pada masa-masa awal AI, interaksi bersifat “tanpa kewarganegaraan”—Anda mengajukan pertanyaan, dan AI menjawab. Namun, agen modern bersifat “stateful”; mereka memiliki ingatan, konteks, dan tujuan yang terus berkembang. Ketika agen-agen ini berjalan dalam jangka waktu yang lebih lama, “keadaan” internal mereka dapat terputus dari kenyataan. Sumber data berubah, alat mengembalikan informasi yang bertentangan, dan konteks agen menjadi ketinggalan jaman.
Hal ini menjadikan keandalan agen sebagai masalah rekayasa sistem dan bukan sekadar masalah linguistik. Jika seorang agen kehilangan jejak konteksnya, maka ia menjadi kurang jujur dan lebih rentan terhadap kesalahan. Model tata kelola Google berupaya mencegah hal ini melalui pengawasan, sedangkan model pemanfaatan AWS berupaya mengelolanya melalui eksekusi yang efisien.
Manajemen Risiko: Bangun vs. Beli
Pilihan antara kedua pendekatan ini pada akhirnya tergantung pada selera risiko perusahaan. Pasar saat ini terbagi menjadi dua lapisan tumpukan AI yang berbeda:
- Lapisan Penerapan Cepat: Dipimpin oleh AWS, Anthropic, dan OpenAI, alat-alat ini bertujuan untuk menurunkan hambatan masuk. Mereka ideal untuk tugas atau proses eksperimental yang tidak berdampak langsung pada aliran pendapatan inti.
- Lapisan Tata Kelola: Dipimpin oleh Google, pendekatan ini dirancang untuk proses bisnis yang penting dan berisiko tinggi di mana kesalahan dapat menimbulkan konsekuensi yang signifikan.
“Meskipun pertanyaan tentang pemanfaatan agen vs. runtime sering dianggap sebagai membangun vs. membeli, hal ini terutama merupakan masalah manajemen risiko,” catat Rafael Sarim Oezdemir dari EZContacts.
Kesimpulan
Lanskap AI sedang beralih dari “rantai cepat” yang terfragmentasi menuju sistem yang canggih dan otonom. Bagi perusahaan, keputusan strategis tidak lagi hanya bergantung pada model mana yang paling cerdas, namun apakah mereka memerlukan sistem yang dirancang untuk eksperimen cepat atau sistem yang dibangun untuk kontrol ketat.
