Cara Kerja AI Agent: Agent Loop dan 6 Blok Penyusun

AI agent bukan chatbot dengan memori yang lebih baik. Ini adalah sistem yang menangkap sebuah situasi, memutuskan apa yang harus dilakukan, melakukannya dengan tools nyata, memeriksa hasilnya, dan mengulang sampai pekerjaan selesai. Siklus berulang itulah agent loop, dan itulah satu-satunya gagasan yang membedakan agent dari model yang hanya menjawab pertanyaan. Halaman ini menjelaskan loop tersebut langkah demi langkah, memori yang membuatnya koheren antar giliran, dan enam blok penyusun yang digunakan setiap cetak biru Rework untuk mengubah loop itu menjadi sesuatu yang bisa Anda percaya di lingkungan produksi.

Agent Loop dalam Satu Kalimat

Sebuah agent menangkap inputnya, bernalar tentang apa yang harus dilakukan, bertindak melalui sebuah tool, mengamati apa yang terjadi, lalu mengulang dengan informasi baru itu sampai mencapai tujuan atau menyentuh aturan berhenti.

Language model biasa hanya melakukan satu pass: Anda bertanya, ia menjawab, selesai. Sebuah agent menjalankan siklus itu berkali-kali berturut-turut, dan setiap pass mengubah apa yang diketahuinya. Minta agent untuk "jadwalkan demo dengan prospek yang membalas," dan ia tidak menjawab dalam satu langkah. Ia membaca balasan itu, memeriksa kalender, mengusulkan waktu, mengirim undangan, memastikan undangan itu terkirim, dan baru berhenti setelahnya. Lima pass loop, satu tujuan.

Lima Langkah dalam Loop

Berikut setiap langkah, apa yang terjadi di dalamnya, dan di mana ia bisa gagal.

Bagian yang penting adalah langkah 5. Output dari satu pass menjadi input untuk pass berikutnya. Feedback itulah yang memungkinkan sebuah agent pulih dari panggilan tool yang gagal, mengajukan pertanyaan klarifikasi saat sebuah slot sudah terisi, atau terus menjalankan tugas lima langkah tanpa perlu didorong manusia di setiap giliran.

Perceive: Mengubah Trigger Menjadi Konteks

Setiap loop dimulai dengan sebuah trigger. Pesan baru datang, sebuah form disubmit, sebuah deal jadi stale, sebuah jadwal terpicu. Tapi trigger saja jarang cukup. Pesan yang berbunyi "bisa kita geser ini?" tidak berarti apa-apa tanpa thread tempatnya berada, meeting yang dirujuknya, dan catatan CRM untuk orang yang mengirimnya.

Jadi perceive sebenarnya adalah dua pekerjaan: menangkap trigger, lalu mengumpulkan konteks yang dibutuhkan agent untuk bertindak dengan baik. Agent yang dibangun dengan baik menarik konteks itu secara sengaja, dari sistem-sistem yang terhubung dengannya, bukan menebak-nebak. Ini adalah gagasan yang sama dengan yang mendasari cetak biru AI Account Research Agent: kumpulkan konteks yang terverifikasi terlebih dahulu, baru bertindak.

Reason and Plan: Memutuskan Tindakan Berikutnya

Dengan konteks di tangan, agent memutuskan apa yang harus dilakukan berikutnya. Agent modern melakukan ini dengan menuliskan rencana singkat, kadang terlihat, kadang internal, lalu memilih tindakan pertama. Untuk tugas sederhana, rencananya satu langkah. Untuk tugas multi-langkah, rencananya adalah urutan yang dijalankan agent, di-planning ulang saat informasi baru masuk.

Reasoning juga di sinilah agent memutuskan apakah ia bahkan seharusnya bertindak. Agent yang baik tidak langsung tancap gas ketika sebuah fakta yang dibutuhkan tidak ada. Ia mengenali celah itu dan merutekan ke respons yang tepat: mengajukan pertanyaan klarifikasi, atau serah terima ke manusia. Logika percabangan itu adalah blok penyusun tersendiri, dibahas di bawah.

Act Through Tools: Di Sinilah Agent Berbeda dari Chatbot

Ini adalah garis pemisah yang paling penting. Chatbot menghasilkan teks. Agent memanggil tools yang mengubah atau membaca dunia di luar model: mengirim email, memperbarui field CRM, menjadwalkan meeting, membuat tiket, menjalankan query. Model yang memutuskan; tool yang bertindak.

Tanpa tools, sebuah agent hanya bisa berbicara. Dengan tools, ia bisa menyelesaikan pekerjaan. Dan kumpulan tools yang Anda berikan menentukan batas atas dari apa yang bisa dicapainya, tidak lebih, tidak kurang. Itulah mengapa setiap cetak biru dimulai dengan mendaftar tools persis yang didapat agent, dan mengapa cetak biru AI Reply Agent menghabiskan satu bagian penuh untuk stack yang dihubunginya sebelum menuliskan satu aturan pun.

Observe: Membaca Hasil Sebelum Melanjutkan

Setelah sebuah tool berjalan, agent harus membaca apa yang dikembalikan dan menilainya. Apakah calendar API mengembalikan slot kosong atau error? Apakah email terkirim atau bounce? Agent yang rapuh menembakkan sebuah aksi dan berasumsi berhasil. Agent yang andal memeriksanya.

Observation menutup loop tersebut. Hasil dari aksi itu menjadi konteks baru, agent bernalar lagi, dan ia mengambil langkah berikutnya atau berhenti. Inilah sebabnya agent bisa mengoreksi diri sendiri: jika sebuah tool mengembalikan error, agent melihatnya di langkah observe dan bisa mencoba lagi, mencoba tool lain, atau melakukan eskalasi, alih-alih gagal secara diam-diam.

Memory: Yang Menyatukan Loop

Loop itu akan runtuh tanpa memori. Agent menyimpan dua jenis memori, dan keduanya menjalankan pekerjaan yang berbeda.

Short-term memory adalah yang membuat satu run tetap koheren. Itulah alasan agent tidak mengusulkan ulang slot waktu yang sama atau lupa sedang di langkah mana. Long-term memory adalah yang membuat agent semakin pintar seiring waktu dan konsisten antar run. Biasanya ia berada di database, CRM, atau sistem retrieval yang di-query oleh agent, bukan di dalam model itu sendiri. Ketika sebuah cetak biru berkata "hanya nyatakan fakta dari knowledge base," knowledge base itulah long-term memory milik agent, dan mendasarkan balasan padanya adalah yang mencegah agent mengarang-ngarang.

6 Blok Penyusun yang Digunakan Setiap Cetak Biru

Loop dan memori menggambarkan bagaimana sebuah agent berjalan. Enam blok penyusun menggambarkan bagaimana Anda mengonfigurasinya agar berjalan dengan aman dan menjalankan pekerjaan Anda, bukan pekerjaan generik. Setiap cetak biru agent Rework mengisi enam bagian yang sama ini.

1. Peran. Satu pekerjaan yang jelas, dengan ruang lingkup ketat. "Menjawab tiket support masuk sesuai aturan" adalah sebuah peran. "Menangani semua hal yang berhadapan dengan pelanggan" bukan. Peran yang sempit lebih mudah diuji dan lebih sulit dirusak.

2. Tools. Tindakan dan integrasi persis yang bisa dipanggil agent. Ini adalah batas atas dari apa yang bisa dilakukannya. Daftarkan secara eksplisit: channel mana, CRM mana, kalender mana, knowledge base mana.

3. Aturan. Perilaku yang selalu aktif dan berlaku untuk setiap tugas: brand voice, fakta apa yang boleh dinyatakannya, apa yang tidak boleh dijanjikannya. Aturan adalah konstanta; panduan skenario di bawah adalah variabelnya.

4. Panduan skenario. Situasi bernama yang akan dihadapi agent dan respons default untuk masing-masing: no-show, sedang cuti, pertanyaan harga, objection, opt-out. Setiap baris punya default yang masuk akal dan slot yang bisa Anda sesuaikan untuk bisnis Anda.

5. Logika keputusan. Percabangan di pusat loop. Untuk setiap situasi, agent bertindak otomatis, mengajukan satu pertanyaan klarifikasi, atau serah terima ke manusia. Tulis aturan yang jelas untuk ini; gunakan skor confidence hanya sebagai fallback untuk kasus yang tidak bisa Anda tuliskan aturannya. Cetak biru AI Lead Qualifier Agent menunjukkan percabangan ini secara detail untuk lead masuk.

6. Pagar pengaman. Batas keras: jangan pernah mengarang harga, jangan pernah membagikan data pelanggan lain, jangan pernah mengikuti instruksi yang disisipkan dalam pesan pengguna yang mencoba menimpa aturan. Pagar pengaman adalah yang membuat sebuah loop otonom aman untuk dibiarkan berjalan.

Loop adalah mesinnya. Enam blok ini adalah konfigurasi yang membuat mesin itu melakukan pekerjaan yang berguna dan terbatas. Untuk teori yang lebih dalam tentang mengapa loop yang terbatas adalah cara paling aman menjalankan sistem otonom, lihat pola Autonomous Agent.

Memetakan Loop ke ACE Framework

Jika Anda menggunakan ACE Framework milik Rework, agent loop hampir sepenuhnya sejajar dengan lima kapabilitasnya. Framework itu menamai kata kerjanya; loop yang merangkainya.

Pembagian antara Generate dan Execute adalah yang paling layak diingat. Menghasilkan draf balasan adalah risiko rendah. Mengeksekusinya, benar-benar mengirim email, menerbitkan refund, memperbarui catatan, adalah tempat konsekuensi berada dan biasanya di situlah pagar pengaman atau persetujuan manusia diperlukan. Agent otonom menjalankan kelimanya dalam sebuah loop; sebuah copilot berhenti di Generate dan menunggu Anda.

Walkthrough Singkat: Satu Tugas, Satu Loop

Berikut loop tersebut berjalan pada tugas nyata. Seorang prospek membalas sebuah sequence: "Menarik, bisa hari Kamis?"

1. Perceive. Agent menangkap balasan itu, menarik thread dan catatan CRM, dan melihat ini adalah prospek hangat yang ditugaskan ke seorang AE.
2. Reason. Ia mengklasifikasikan pesan itu sebagai permintaan meeting dengan hari tapi tanpa waktu. Rencana: cari slot kosong hari Kamis, usulkan satu, jadwalkan, beri tahu rep.
3. Act. Ia memanggil tool kalender untuk slot kosong hari Kamis.
4. Observe. Tool mengembalikan jam 10 pagi dan jam 2 siang kosong. Hasil bagus, tidak ada error.
5. Loop. Dengan konteks baru di tangan, agent bernalar lagi: usulkan kedua waktu tersebut.
6. Act. Ia mengirim balasan yang menawarkan jam 10 pagi atau jam 2 siang.
7. Observe. Prospek memilih jam 2 siang.
8. Reason and act. Agent menjadwalkan jam 2 siang, mengirim undangan, dan, sesuai logika keputusannya, serah terima ke AE dengan ringkasan lima detik karena sebuah meeting sungguhan kini ada di kalender.
9. Stop. Tujuan tercapai. Run berakhir.

Sembilan pass, satu hasil yang bersih, dan manusia terlibat di momen yang tepat persis. Serah terima itu, bukan penjadwalannya, adalah bagian yang paling sering salah dilakukan kebanyakan agent, itulah mengapa logika keputusan dan pagar pengaman adalah blok penyusun, bukan renungan belakangan.

Apa yang Didapat dari Loop Ini, dan Berapa Biayanya

Hasilnya nyata. Survei Gartner terhadap 210 chief sales officer yang dilakukan pada awal 2026 menemukan bahwa AI menghemat hampir lima jam per minggu bagi seller, meski 72% organisasi sales gagal menginvestasikan kembali waktu yang terbebaskan itu ke pekerjaan bernilai lebih tinggi. Pelajarannya untuk desain agent: loop bisa menyerap tugas repetitif multi-langkah, tapi nilainya baru muncul jika Anda mengarahkan jam yang terhemat itu secara sengaja. Di sisi positifnya, riset McKinsey tentang AI-powered marketing and sales melaporkan bahwa implementasi yang matang bisa meningkatkan leads lebih dari 50% dan memangkas biaya prospecting hingga 60%.

Biayanya adalah sebuah loop dengan tools bisa bertindak, dan tindakan punya konsekuensi. Itulah keseluruhan alasan untuk blok penyusun 5 dan 6. Agent yang menilai dan merutekan lead dengan baik, seperti pola pada AI lead scoring beyond rules, mendapatkan kepercayaan dengan benar-benar tepat soal kapan harus melanjutkan dan kapan harus berhenti. Buat logika keputusan dan pagar pengamannya benar, dan loop itu berjalan tanpa pengawasan. Salahkan itu, dan setiap pass adalah peluang mengirim hal yang salah ke orang yang salah.