Evolusi Kecerdasan Buatan saat ini sedang menemui hambatan struktural. Meskipun kita sudah sangat mahir dalam membangun model individu yang kuat dan “menyambungkannya” ke dalam alur kerja, masih ada kesenjangan mendasar: Agen AI dapat terhubung, namun mereka belum dapat berpikir bersama.
Vijoy Pandey, SVP dan GM Outshift by Cisco, berpendapat bahwa terobosan besar berikutnya dalam AI bukan hanya tentang membuat model menjadi lebih cerdas—tetapi tentang beralih dari konektivitas sederhana ke kognisi bersama.
Masalahnya: Koneksi vs. Kognisi
Saat ini, sebagian besar sistem multi-agen beroperasi secara terpisah. Anda dapat menghubungkan beberapa agen ke dalam satu model “supervisor”, namun mereka tidak memiliki penyelarasan semantik dan konteks bersama. Setiap kali agen melakukan suatu tugas, pada dasarnya ia memulai dari awal, tanpa menyadari nuansa “proses berpikir” atau konteks spesifik yang dipegang oleh agen yang mendahuluinya.
Pandey menarik persamaan dengan evolusi manusia. Manusia tidak hanya menjadi cerdas jika terisolasi; kami membuka “revolusi kognitif” melalui komunikasi. Dengan mengembangkan bahasa dan niat bersama, kita beralih dari kecerdasan individu ke kecerdasan kolektif, sehingga memungkinkan kita berkoordinasi, bernegosiasi, dan berinovasi sebagai sebuah kelompok.
Untuk mencapai hal ini dalam silikon, AI memerlukan lebih dari sekadar transfer data berkecepatan tinggi; itu membutuhkan cara untuk mentransfer pemahaman.
Solusi: Protokol Baru untuk Kecerdasan Terdistribusi
Untuk mengatasi “masalah bantuan yang didistribusikan secara horizontal” ini, tim Pandey sedang mengerjakan sebuah konsep yang disebut “Internet of Cognition”. Tujuannya adalah untuk beralih dari pertukaran data sederhana ke sistem di mana agen dapat berbagi alasan dan konteks internal mereka melalui lapisan infrastruktur baru.
Mereka sedang mengembangkan tiga protokol khusus untuk memfasilitasi hal ini:
- Semantic State Transfer Protocol (SSTP): Beroperasi pada tingkat bahasa, memungkinkan sistem menganalisis komunikasi semantik sehingga dapat secara akurat menyimpulkan alat atau tugas yang diperlukan.
- Latent Space Transfer Protocol (LSTP): Metode lebih canggih yang mentransfer “seluruh ruang laten” (representasi informasi matematis internal) dari satu agen ke agen lainnya. Hal ini menghindari “pajak” dalam mengkonversi data ke bahasa alami dan sebaliknya, sehingga membuat komunikasi jauh lebih efisien.
- Compressed State Transfer Protocol (CSTP): Berfokus pada efisiensi dengan mengompresi data dan hanya meng-ground-kan varian yang paling relevan. Hal ini penting untuk edge computing, yang bandwidthnya terbatas namun diperlukan transfer status dengan akurasi tinggi.
Dengan menggabungkan protokol-protokol ini dengan “mesin kognisi” (yang menyediakan pagar pembatas) dan struktur infrastruktur baru, tim ini bertujuan untuk menciptakan kecerdasan super terdistribusi.
Dampak Dunia Nyata: Efisiensi di Parit
Meskipun “Internet of Cognition” adalah visi masa depan, Cisco sudah melihat manfaat alur kerja agen dalam operasinya saat ini.
Tim Site Reliability Engineering (SRE) perusahaan menghadapi masalah penskalaan klasik: produksi kode meningkat, namun ukuran tim tetap statis. Dengan mengerahkan lebih dari 20 agen AI—sebagian bersifat internal dan sebagian pihak ketiga—untuk mengelola alur kerja yang kompleks seperti pipeline CI/CD dan penerapan Kubernetes, Cisco mencapai hasil yang signifikan:
- Kecepatan: Waktu penerapan diturunkan dari “jam dan jam menjadi detik”.
- Keandalan: Agen mengurangi 80% masalah yang sebelumnya ditemui dalam alur kerja Kubernetes.
- Integrasi: Agen ini menggunakan kerangka kerja seperti Model Context Protocol (MCP) untuk mengakses lebih dari 100 alat dan platform keamanan yang berbeda.
Pandangan Pragmatis: AI sebagai Alat, Bukan Pengganti
Meskipun terdapat kemajuan-kemajuan ini, Pandey tetap mempertahankan perspektif yang mendasar mengenai peran AI. Dia memperingatkan terhadap godaan untuk menggunakan AI hanya karena AI tersedia, dengan menyatakan bahwa “Anda tidak hanya berkeliling mencari paku karena Anda memiliki palu baru.”
Sistem yang paling efektif tidak hanya mengandalkan sifat non-deterministik AI (yang hasilnya dapat bervariasi), namun akan menggabungkan AI dengan kode deterministik —logika berbasis aturan yang andal yang telah mendukung komputasi selama beberapa dekade.
Tujuan utamanya adalah untuk beralih dari sekedar konektivitas menuju niat bersama dan inovasi kolektif, mengubah model yang terisolasi menjadi struktur yang tersinkronisasi dan cerdas.
