Era 'suap' prompt ke AI bakal berakhir. Ini era seterusnya.
Era ejen telah bermula. AI Agent kini berfungsi di sebalik tabir tanpa prompt setiap hari.
Bagaimana nak tahu sesuatu teknologi itu betul-betul berjaya atau tidak?
Jawapan: sesuatu teknologi itu dikira betul-betul berjaya jika kita hanya perasan kehadirannya bila dia ‘rosak’ atau ‘tiada’.
Kita hanya hargai kemajuan teknologi pembekalan elektrik bila ada gangguan bekalan (blackout). Kita hanya hargai teknologi kereta bila kita kena memarkir kereta lama yang tiada power steering.
Logik sama juga akan berlaku dalam teknologi AI. Tiga tahun lepas, AI memerlukan input kita secara langsung (prompts) untuk berfungsi; sekarang AI boleh bertindak sendiri. Dulu AI tunggu arahan; sekarang AI boleh bekerja di belakang tabir sebagai enjin automasi bisnes.
Selamat datang ke era AI yang bertindak sendiri—atau Agentic AI.
Dalam edisi ini, kita menyelami perspektif Nicholas Eayrs, VP Field Engineering (APAC & Japan) di Databricks, tentang bagaimana Agentic AI sedang mengubah cara kita menjalankan bisnes. Teruskan membaca jika anda nak tahu jawapan kepada tiga soalan berikut:
Bagaimana AI boleh mengurangkan kos operasi sehingga 70% seperti yang dibuat oleh Digital Nasional Berhad (DNB)?
Apa beza pembantu AI (AI Assistant) yang kita selalu pakai sekarang dengan ejen AI (AI Agent)?
Adakah bisnes saya perlukan AI Agent? Jika ya, bagaimana caranya untuk buat AI Agent?
Era AI Halimunan & Kes Digital Nasional Berhad (DNB)
Nicholas menekankan bahawa AI yang terbaik adalah AI yang halimunan (invisible). Maksudnya AI yang ditenun ke dalam fabrik perniagaan (woven into the fabric of business) untuk membantu keputusan manusia dalam masa nyata (real-time).
Contoh: dulu kita biasanya akan bawa data ke model AI. Strategi yang terbaik adalah membawa AI terus ke dalam data syarikat.
Apabila AI dibawa terus kepada data, ia dapat memahami konteks khusus tersebut untuk memberikan respons yang lebih tepat dan relevan.
Menghantar data ke model AI boleh menimbulkan risiko keselamatan. Membawa AI ke data membolehkan anda menetapkan kawalan akses yang ketat supaya model hanya melihat data yang dibenarkan sahaja.
Kes Digital Nasional Berhad (DNB): Sebagai GLC yang menerajui rangkaian 5G Malaysia, DNB telah menenun AI ke dalam aliran kerja dan operasi mereka.
Dengan memproses maklumat rangkaian secara besar-besaran secara real-time, DNB berjaya mencapai penjimatan kos sebanyak 70%.
Apa maknanya buat Malaysia? Ini adalah pemacu utama yang membolehkan kita memiliki antara rangkaian 5G dengan kos per gigabait terendah di dunia, sekali gus meningkatkan daya saing ekonomi digital negara.
Perbezaan "AI Assistant" vs "AI Agent"
Tahun 2023 adalah tahun "Pembantu" (Assistants), namun kini kita melangkah ke era "Ejen" (Agents). Perbezaan utamanya terletak pada agensi (Agency) atau autonomi.
Nicholas menjelaskan bahawa dalam sistem "multi-agent", ejen-ejen AI ini bekerjasama dan melakukan (reasoning) sesama sendiri. Cabaran utamanya ialah menguruskan masa lengah (lag time) dan memastikan komunikasi antara ejen efisien.
Apabila syarikat mempunyai beribu-ribu ejen, anda memerlukan seorang ‘penyelia’ untuk memantau aliran kerja agar tidak berlaku ralat.
Bagaimana AI Agent berinteraksi dengan sistem sedia ada?
Untuk membolehkan ejen AI berfungsi, ia memerlukan "penterjemah universal" untuk ‘berinteraksi’ dengan sistem sedia ada seperti sistem CRM (contoh: Salesforce) atau sistem ERP anda (contoh: SAP, Oracle Netsuite, Microsoft Dynamics 365).
Di sinilah Model Context Protocol (MCP) memainkan peranan sebagai jambatan digital antara ejen AI dengan sistem yang anda pakai sedia ada.
MCP membolehkan AI mengakses sistem seperti Salesforce atau sistem akaun secara langsung untuk mengambil data tanpa integrasi API yang rumit.
Nicholas menyarankan agar kita tidak bergantung kepada satu model besar (LLM) untuk semua benda.
Gunakan model kecil yang spesifik (contoh: Microsoft Phi, Google Gemma, Meta Llama dsb) untuk tugas yang berulang, predictable dan high-volume (seperti monitor thresholds, analisis dokumen, data retrieving dsb).
Guna model besar (contoh: GPT-5.2, Claude Opus 4.5, Gemini 3 Pro) yang mahal untuk tugas penjanaan kreatif.
Risiko AI Halimunan
Risiko terbesar "AI Halimunan" adalah jika ia membuat keputusan bisnes yang salah secara senyap. Nicholas memberi amaran tentang bahayanya flying blind tanpa rangka kerja penilaian yang teliti.
Uji dulu: Databricks menggunakan Agent Bricks untuk memudahkan pembinaan sistem multi-ejen. Bagi memastikan sistem ini selamat, data sintetik digunakan untuk menjana ribuan kes ujian bagi menguji ejen pada skala besar sebelum ia dilepaskan ke dunia nyata.
Kes Cycle & Carriage: Pengedar Mercedes Benz di Malaysia ini menggunakan AI untuk berinteraksi dengan pelanggannya secara dinamik. Jika anda sedang menghadapi masalah teknikal, AI mereka akan bertindak sebagai ejen sokongan; jika anda sedang mencari produk, ia akan menjadi ejen jualan. Dengan sistem penilaian yang ketat, Cycle & Carriage mencapai ketepatan model sehingga 99% dan peningkatan 100% dalam pengalaman pengguna.
Jangan percaya terus: Kepercayaan (trust) terhadap ejen AI anda tidak boleh dibina secara buta. Anda mesti mempunyai bukti empirikal bagaimana sesuatu keputusan dicapai—data apa yang digunakan dan apakah "logik" di sebaliknya.
Garbage In, Garbage Out
Ejen AI hanya akan sehebat data yang menjadi asasnya. Jika data syarikat anda bersepah, ejen AI tersebut akan menghasilkan chaos dengan lebih pantas.
Syarat: data perlu disatukan ke dalam satu “sistem rekod” yang dipercayai (central store).
Kriteria:
Kesegaran data: Jika anda berinteraksi dengan pelanggan hari ini berdasarkan data dua bulan lepas, AI anda akan memberikan maklumat basi.
Kesempurnaan data: Adakah rekod pelanggan mempunyai semua maklumat yang diperlukan untuk membuat keputusan?
Ketepatan data: Adakah angka-angka yang dihasilkan boleh diyakini untuk audit kewangan?
Adakah bisnes saya perlukan AI Agent?
Untuk menjawab soalan ini, anda perlu jawab tiga soalan ini:
Adakah anda mahu AI yang “bertindak”, bukan sekadar “menjawab”? Jika perniagaan anda memerlukan sistem yang boleh membuat keputusan secara autonomi dan berinteraksi dengan sistem lain untuk menyelesaikan tugas (bukan sekadar menulis draf teks), maka anda memerlukan ejen AI.
Adakah anda ingin menjimatkan kos dan meningkatkan kecekapan? Jika ya, maka anda memerlukan ejen AI.
Adakah anda mahu meningkatkan pengalaman pelanggan secara drastik? Jika ya, maka anda memerlukan ejen AI.
Adakah saya perlu belajar coding untuk buat AI Agent?
Jawapannya: Tidak semestinya. Ia bergantung kepada sejauh mana “halimunan” yang anda mahukan ejen tersebut.
Ada tiga jalan utama untuk membina ejen AI:
No-code
Sesuai untuk: tugas ringkas seperti membalas emel atau menjadualkan mesyuarat.
Tools: Zapier Central, MindStudio, atau GPT Builder.
Low-code
Sesuai untuk: ejen yang perlu berinteraksi dengan pangkalan data (databases) atau CRM.
Alatan: Make.com, n8n, atau Flowise.
Full-code
Sesuai untuk: ejen tahap perusahaan (enterprise-grade) yang memerlukan kawalan penuh dan kos rendah.
Alatan: LangChain, CrewAI, atau AutoGPT.
Untuk bermula, anda boleh guna platform n8n (low-code). Ia membolehkan anda membina ejen yang kompleks dengan kos serendah USD20/bulan (kira-kira RM88.70), jauh lebih murah daripada mengupah software developer yang mungkin memakan kos puluhan ribu Ringgit.
Sumber: BFM | From Chatbots to Do-Bots: Rise of the Agentic Enterprise