Glosarium Agentic AI: 100 Istilah Penting Agen AI untuk Pembeli Enterprise

Glosarium ini dirancang untuk membekali pembeli, operator, dan pengambil keputusan dengan terminologi inti yang diperlukan untuk mengevaluasi platform dan mitra agentic AI dengan yakin, dengan penekanan pada kesiapan enterprise, otomatisasi pengalaman pelanggan (CX), dan deployment berskala produksi.

Dasar-Dasar & Konsep Inti Agentic AI

1. Agentic AI – Sistem AI yang dirancang untuk merencanakan, memutuskan, dan bertindak secara mandiri demi mencapai tujuan, bukan sekadar merespons prompt. Di lingkungan enterprise, agentic AI memungkinkan alur kerja end-to-end dengan menggabungkan LLM, tools (Actions), dan Knowledge perusahaan, seperti yang diterapkan di platform Maven.
2. Agen AI – Entitas berbasis perangkat lunak yang menangkap input, menalar konteks, dan mengambil tindakan untuk mencapai tujuan tertentu. Berbeda dengan bot tradisional, agen AI dapat menyesuaikan perilakunya secara dinamis.
3. Otonomi – Sejauh mana agen AI dapat beroperasi secara mandiri tanpa campur tangan manusia. Otonomi yang lebih tinggi meningkatkan efisiensi, tetapi menuntut tata kelola dan guardrail yang lebih kuat.
4. Perilaku Berorientasi Tujuan (Goal-Oriented Behavior) – Kemampuan agen untuk bekerja menuju hasil yang ditetapkan, bukan sekadar tugas yang terpisah-pisah. Dengan begitu, agen dapat mengurutkan tindakan secara cerdas di berbagai sistem.
5. Multi-Agent System (MAS) – Arsitektur tempat beberapa agen AI berkolaborasi atau berkoordinasi untuk memecahkan masalah kompleks. Desain MAS meningkatkan skalabilitas dan spesialisasi.
6. Action Space – Seluruh rangkaian tindakan yang diizinkan untuk dilakukan agen. Mendefinisikan action space sangat penting demi keamanan dan prediktabilitas.
7. Policy (Kebijakan) – Seperangkat aturan yang mengatur cara agen mengambil keputusan dan memilih tindakan. Policy memastikan keselarasan dengan kebutuhan bisnis dan kepatuhan.
8. Planner – Komponen yang bertugas memecah tujuan tingkat tinggi menjadi langkah-langkah yang dapat dieksekusi. Perencanaan memungkinkan agen menangani alur kerja yang kompleks dan bertahap.
9. Executor – Komponen yang menjalankan tindakan yang telah direncanakan dengan memanggil tools, API, atau alur kerja. Executor mengubah penalaran menjadi dampak nyata.
10. Reasoning Engine – Lapisan logika yang mengevaluasi konteks, batasan, dan opsi untuk menentukan tindakan berikutnya. Penalaran yang kuat adalah fondasi perilaku agen yang andal.

Memori, Pengetahuan & Manajemen Konteks

11. Memori – Mekanisme penyimpanan yang memungkinkan agen menyimpan dan mengingat kembali informasi dari waktu ke waktu. Memori memungkinkan kesinambungan, personalisasi, dan pembelajaran.
12. Short-Term Memory (Memori Jangka Pendek) – Konteks yang disimpan selama satu interaksi atau sesi. Dengan ini, agen dapat memahami alur percakapan dan maksud langsung pengguna.
13. Long-Term Memory (Memori Jangka Panjang) – Penyimpanan persisten atas fakta, preferensi, dan riwayat interaksi. Memori jangka panjang mendukung personalisasi dan pengetahuan institusional.
14. Vector Database – Database khusus yang dioptimalkan untuk pencarian kemiripan atas embedding. Vector database umum digunakan untuk menyimpan memori dan pengetahuan agen.
15. Embeddings – Representasi numerik dari teks atau data yang menangkap makna semantik. Embedding memungkinkan agen mengambil informasi yang relevan secara efisien.
16. Retrieval-Augmented Generation (RAG) – Teknik yang mendasarkan output AI pada pengetahuan perusahaan yang relevan, yang diambil sebelum respons dihasilkan. Maven menggunakan pola retrieval untuk mendasarkan jawaban pada Knowledge Base Anda, yang dibangun dari sumber seperti Salesforce, Zendesk, Freshdesk, file yang diunggah, dan URL yang di-crawl.
17. Knowledge Base – Kumpulan konten perusahaan yang terkurasi, seperti FAQ, kebijakan, dan dokumentasi. Agen mengandalkan knowledge base untuk memberikan respons yang berdasar.
18. Grounding – Praktik menambatkan respons agen pada sumber data yang terverifikasi. Grounding mengurangi halusinasi dan meningkatkan keandalan.
19. Context Window – Jumlah informasi yang dapat dipertimbangkan LLM sekaligus. Mengelola context window penting untuk kinerja dan pengendalian biaya.
20. Halusinasi – Kondisi ketika model AI menghasilkan informasi yang salah atau dibuat-buat. Platform enterprise harus secara aktif memitigasi halusinasi.

Model, Prompt & Tooling

21. Large Language Model (LLM) – Model yang dilatih dengan korpus teks berukuran masif untuk memahami dan menghasilkan bahasa. LLM menjadi inti penalaran bagi banyak agen.
22. Foundation Model – Model serbaguna yang dapat disesuaikan untuk berbagai tugas turunan. Foundation model memberikan fleksibilitas di berbagai use case.
23. Prompt Engineering – Praktik merancang prompt yang memandu perilaku dan output agen. Prompt yang efektif meningkatkan konsistensi dan keandalan.
24. System Prompt – Instruksi yang menentukan peran, gaya bahasa, batasan, dan tujuan agen. System prompt menyelaraskan perilaku agen.
25. Tool Calling – Memungkinkan agen memanggil tools, API, atau sistem eksternal untuk menyelesaikan tugas. Tool calling memungkinkan tindakan nyata.
26. Function Calling – Pendekatan terstruktur bagi model untuk memanggil fungsi yang telah ditentukan dengan input yang tervalidasi. Ini meningkatkan presisi dan keamanan.
27. Integrasi API – Menghubungkan agen ke sistem perusahaan seperti ticketing, penagihan, atau platform data. Integrasi membuka otomatisasi dalam skala besar.
28. Integrasi CRM – Menggunakan data pelanggan untuk mempersonalisasi dan memberi konteks pada tindakan agen. Integrasi CRM sangat penting untuk use case CX.
29. Event-Driven Architecture – Desain di mana agen merespons event atau pemicu, bukan permintaan statis. Ini mendukung otomatisasi proaktif.
30. Otomatisasi Alur Kerja (Workflow Automation) – Eksekusi proses bisnis secara end-to-end tanpa intervensi manual. Alur kerja agentic melampaui otomatisasi sederhana berbasis aturan.

Orkestrasi, Keandalan & Skala

31. Orkestrasi – Mengoordinasikan berbagai agen, tools, dan alur kerja menjadi satu sistem yang padu. Pelanggan Maven menggunakan orkestrasi untuk menghubungkan Actions, Knowledge, dan alur kerja menjadi proses dukungan end-to-end (lihat studi kasus MavenAGI di dunia nyata).
32. Concurrency – Kemampuan menjalankan beberapa proses agen secara bersamaan. Concurrency diperlukan untuk lingkungan bervolume tinggi.
33. Latensi – Waktu yang dibutuhkan agen untuk merespons atau bertindak. Latensi rendah sangat penting untuk use case yang berhadapan langsung dengan pelanggan.
34. Throughput – Jumlah tugas yang dapat ditangani sistem agen dalam rentang waktu tertentu. Throughput mencerminkan skalabilitas.
35. Skalabilitas – Mempertahankan kinerja dan keandalan seiring meningkatnya permintaan. Agen enterprise harus dapat diskalakan secara terprediksi.
36. Fallback Strategy – Jalur alternatif yang telah ditentukan saat agen gagal atau kurang yakin. Fallback melindungi pengalaman pelanggan.
37. Escalation Path (Jalur Eskalasi) – Mengarahkan masalah ke manusia atau agen khusus bila diperlukan. Eskalasi yang efektif menyeimbangkan otomatisasi dengan kepercayaan.
38. Self-Healing – Deteksi dan pemulihan otomatis dari error atau kegagalan. Self-healing meningkatkan ketahanan.
39. State Management – Melacak konteks dan progres agen di seluruh interaksi. State management memastikan kesinambungan.
40. Session Management – Menangani setiap interaksi pengguna-agen secara aman dan efisien.

Tata Kelola, Keamanan & Kepatuhan

41. Guardrails – Batasan yang mencegah tindakan yang tidak aman, tidak patuh, atau tidak diinginkan. Guardrail adalah kebijakan, batasan, dan pemeriksaan yang menjaga perilaku agen tetap aman dan patuh, terutama saat agen memanggil Actions atau menggunakan Knowledge perusahaan (lihat praktik Trust & Security Compliance MavenAGI).
42. Human-in-the-Loop (HITL) – Peninjauan oleh manusia yang tertanam dalam alur kerja agen. HITL sering digunakan pada tahap awal deployment.
43. Human-on-the-Loop – Manusia mengawasi agen dan hanya turun tangan saat ambang batas terlampaui. Ini memungkinkan skala dengan tetap ada pengawasan.
44. Tata Kelola (Governance) – Kebijakan, kontrol, dan proses yang memastikan perilaku agen yang bertanggung jawab. Tata kelola sangat penting bagi adopsi di enterprise.
45. Kepatuhan (Compliance) – Ketaatan terhadap standar regulasi, hukum, dan organisasi. Persyaratan kepatuhan berbeda-beda di tiap industri.
46. Privasi Data – Melindungi data sensitif pelanggan dan perusahaan yang digunakan agen. Privacy-by-design sangat penting.
47. Keamanan – Perlindungan terhadap akses tidak sah, penyalahgunaan, atau kebocoran data. Keamanan adalah fondasi kepercayaan.
48. Access Control – Mengelola izin atas tindakan agen dan akses data. Kontrol yang terperinci mengurangi risiko.
49. Audit Log – Catatan yang tidak dapat diubah atas tindakan dan keputusan agen. Auditabilitas mendukung kepatuhan dan akuntabilitas.
50. Explainability – Kemampuan untuk memahami dan menjelaskan alasan agen mengambil tindakan tertentu.

Evaluasi, Optimasi & Pembelajaran

51. Observability – Visibilitas atas perilaku, keputusan, dan hasil kerja agen. Observability memungkinkan perbaikan berkelanjutan.
52. Telemetri – Data operasional yang dihasilkan agen untuk pemantauan dan analisis. Telemetri menjadi masukan bagi sistem evaluasi.
53. Evaluasi (Eval) – Mengukur akurasi, kualitas, dan dampak bisnis agen. Eval harus dilakukan berkelanjutan, bukan sekali saja.
54. Benchmarking – Membandingkan kinerja agen dengan baseline atau alternatif. Benchmark menjadi dasar keputusan investasi.
55. A/B Testing – Menguji beberapa varian agen untuk menemukan kinerja optimal. A/B testing mengurangi risiko.
56. Refleksi – Kemampuan agen menilai dan memperbaiki output-nya sendiri. Refleksi meningkatkan ketangguhan.
57. Feedback Loop – Memasukkan umpan balik pengguna atau sistem ke dalam siklus perbaikan agen.
58. Continuous Learning – Penyempurnaan perilaku agen secara berkelanjutan dari waktu ke waktu. Continuous learning mendukung nilai jangka panjang.
59. Data Sintetis – Data buatan yang digunakan untuk pengujian atau pelatihan. Data sintetis mengurangi ketergantungan pada data sensitif.
60. Simulasi – Menguji perilaku agen di lingkungan terkendali sebelum deployment ke produksi.

CX, Otomatisasi & Hasil Bisnis

61. Conversational AI – Agen yang berinteraksi dengan pengguna melalui bahasa alami. Agen percakapan menjadi inti otomatisasi CX.
62. Natural Language Understanding (NLU) – Menafsirkan maksud, entitas, dan konteks pengguna. NLU memungkinkan routing dan penyelesaian yang akurat.
63. Natural Language Generation (NLG) – Menghasilkan respons yang koheren dan menyerupai manusia. NLG memengaruhi persepsi kualitas.
64. Analisis Sentimen – Mendeteksi nada emosional dalam pesan pengguna. Sentimen menjadi dasar eskalasi dan personalisasi.
65. Intent Classification – Mengategorikan permintaan pengguna ke dalam intent yang telah ditentukan. Akurasi intent menentukan tingkat penyelesaian.
66. Slot Filling – Mengekstrak informasi terstruktur dari input yang tidak terstruktur. Slot filling mendukung otomatisasi.
67. Personalisasi – Menyesuaikan perilaku agen berdasarkan konteks dan riwayat pengguna. Personalisasi meningkatkan CSAT.
68. Otomatisasi CX – Menggunakan agen dan alur kerja untuk menangani interaksi pelanggan dan tugas back-end tanpa upaya manual. Di Maven, otomatisasi CX ditenagai oleh platform Maven, tempat agen menggunakan Actions dan Knowledge untuk menyelesaikan percakapan serta terintegrasi dengan sistem seperti CRM dan help desk.
69. Autonomous Resolution – Menyelesaikan tugas pelanggan tanpa keterlibatan manusia. Autonomous resolution menurunkan cost-to-serve.
70. Case Deflection – Menyelesaikan masalah tanpa perlu membuat tiket dukungan. Deflection meningkatkan efisiensi operasional.

Metrik, ROI & Pertimbangan Pembeli

71. First Contact Resolution (FCR) – Menyelesaikan masalah pelanggan dalam satu kali interaksi. FCR adalah metrik CX utama.
72. CSAT – Customer Satisfaction Score, yang mengukur persepsi kualitas pengalaman.
73. Net Promoter Score (NPS) – Metrik yang menunjukkan loyalitas dan advokasi pelanggan.
74. ROI – Imbal hasil finansial dari investasi agentic AI. Justifikasi ROI sangat penting untuk penskalaan.
75. Time to Value (TTV) – Seberapa cepat organisasi merasakan manfaat dari deployment.
76. Optimasi Biaya – Mengelola biaya komputasi, tooling, dan model. Pengendalian biaya mendukung keberlanjutan.
77. Token Management – Mengendalikan penggunaan input dan output LLM. Efisiensi token berdampak langsung pada biaya.
78. Metrik Adopsi – Melacak penggunaan dan engagement agen di berbagai tim atau pelanggan.
79. Change Management – Mempersiapkan orang dan proses untuk adopsi agen. Change management mengurangi resistensi.
80. Enablement – Melatih tim agar dapat bekerja efektif dengan sistem agentic.

Strategi Platform & Kesiapan Enterprise

81. Agent Framework – Framework perangkat lunak untuk membangun dan mengelola agen. Pilihan framework memengaruhi fleksibilitas.
82. Pendekatan Platform – Menstandarkan satu sistem untuk men-deploy, memantau, dan mengatur agen, alih-alih merangkai berbagai point tool. Maven mengikuti model ini dengan platform yang menyatukan Knowledge, Actions, kontrol kualitas, dan Insights.
83. Best-of-Breed – Menggabungkan tools khusus alih-alih satu platform. Ini menambah fleksibilitas, tetapi juga kompleksitas.
84. Interoperabilitas – Kemampuan agen untuk bekerja lintas sistem dan vendor.
85. Vendor Lock-In – Ketergantungan pada satu penyedia teknologi. Pembeli perlu mengevaluasi exit strategy.
86. Open Standards – Protokol bersama yang memungkinkan portabilitas dan integrasi.
87. Roadmap – Rencana pengembangan kapabilitas dan fitur agen.
88. Proof of Concept (POC) – Deployment terbatas untuk memvalidasi nilai sebelum diskalakan.
89. Production Readiness – Stabilitas, keamanan, dan skalabilitas yang dibutuhkan untuk lingkungan live.
90. Enterprise-Grade – Memenuhi persyaratan keandalan, tata kelola, keamanan, dan skala agar agen dapat berjalan dengan aman di produksi. Maven dirancang untuk deployment kelas enterprise, termasuk integrasi mendalam, analitik, dan kontrol atas Actions dan Knowledge (lihat studi kasus MavenAGI di dunia nyata).

Kapabilitas Agen Tingkat Lanjut

91. Proaktivitas – Agen memulai tindakan tanpa prompt eksplisit. Agen proaktif membuka efisiensi baru.
92. Recommendation Engine – Menyarankan next-best action berdasarkan konteks dan data.
93. Decision Support – Membantu manusia dengan insight, sementara keputusan akhir tetap di tangan manusia.
94. Contextual Awareness – Memahami nuansa situasi di luar input mentah.
95. Confidence Scoring – Mengestimasi tingkat keandalan output agen.
96. Maturity Model – Kerangka yang menggambarkan tahapan pertumbuhan kapabilitas agen.
97. Build vs. Buy – Mengevaluasi apakah akan membangun agen kustom atau mengadopsi platform.
98. Knowledge Grounding Strategy – Pendekatan sistematis untuk memastikan akurasi faktual.
99. Operational AI – AI yang tertanam langsung dalam proses bisnis yang sedang berjalan.
100. Autonomous Enterprise – Organisasi tempat agen menangani sebagian besar operasi dan alur kerja yang berulang dalam batas guardrail, sementara manusia fokus pada penilaian, hubungan, dan pengecualian. Di Maven, wujudnya adalah tim hybrid yang terdiri dari manusia dan agen, bukan operasi yang sepenuhnya dijalankan AI.

Untuk panduan implementasi dan contoh nyata, jelajahi kisah pelanggan kami atau hubungi tim kami untuk walkthrough langsung.