Selama ini perkembangan AI sering diukur dari seberapa pintar satu model.
Model baru dibuat lebih besar, lebih cepat, dan memiliki kemampuan reasoning yang semakin tinggi.
Namun, sebuah riset terbaru menunjukkan pendekatan berbeda.
Alih-alih membuat satu AI menjadi semakin pintar, bagaimana jika beberapa AI diberi kemampuan untuk bekerja sebagai sebuah tim?
Hasil eksperimen tersebut cukup mengejutkan.
Empat agen AI yang dapat berkomunikasi secara real-time berhasil menyelesaikan tugas pemrograman kompleks dengan tingkat keberhasilan 62,1 persen.
Angka tersebut hampir dua kali lipat dibanding satu agen AI yang menggunakan model yang sama, yang hanya mencapai 32,3 persen.
Bahkan, empat agen tersebut berhasil mengungguli satu agen dengan model AI yang lebih baru.
Empat AI Bekerja Seperti Sebuah Tim
Riset ini menggunakan sistem bernama AgentRadio.
Sistem tersebut dikembangkan oleh peneliti dari Coral AI Labs bersama sejumlah universitas.
Konsep dasarnya cukup sederhana.
Daripada memberikan sebuah pekerjaan kompleks kepada satu agen AI, pekerjaan tersebut diberikan kepada beberapa agen.
Masing-masing agen dapat melakukan penyelidikan terhadap bagian masalah yang berbeda.
Namun, ada satu perbedaan penting. Mereka tidak harus menunggu sampai pekerjaan selesai untuk bertukar informasi.
Para agen dapat saling berkomunikasi ketika pekerjaan masih berlangsung. Dengan demikian, penemuan satu agen dapat langsung memengaruhi pekerjaan agen lainnya.
AI Bisa "Ngobrol" Saat Sedang Bekerja
Dalam sistem multi-agent biasa, beberapa AI dapat bekerja secara paralel.
Masalahnya, komunikasi sering kali terjadi setelah masing-masing agen selesai mengerjakan bagiannya.
AgentRadio mencoba mengubah pola tersebut.
Sistem ini memungkinkan agen tetap mengerjakan tugas utama sambil menerima informasi dari agen lainnya di latar belakang.
Mekanisme tersebut disebut passive awareness.
Bayangkan empat programmer manusia sedang mencari bug dalam sebuah aplikasi.
Jika programmer pertama menemukan bahwa masalah berasal dari konfigurasi server, ia dapat langsung memberi tahu tiga rekannya.
Ketiga programmer lainnya kemudian bisa mengubah arah penyelidikan tanpa harus menghabiskan waktu mengejar dugaan yang sudah terbukti salah. AgentRadio mencoba membuat AI bekerja dengan pola yang serupa.
Hasilnya Naik dari 32,3 Persen Menjadi 62,1 Persen
Peneliti menguji sistem tersebut menggunakan 124 tugas dari benchmark SWE-Atlas QnA.
Tugas-tugas tersebut berhubungan dengan analisis repository software yang kompleks.
AI harus memahami codebase dalam jumlah besar, menemukan akar masalah, menganalisis desain sistem, memeriksa keamanan, dan menangani integrasi API.
Ketika satu agen Claude Code yang menggunakan Claude Opus 4.6 bekerja sendiri, tingkat keberhasilannya hanya 32,3 persen.
Namun ketika empat agen Claude Opus 4.6 bekerja bersama menggunakan AgentRadio, tingkat keberhasilan meningkat menjadi 62,1 persen. Dengan kata lain, performanya meningkat hampir dua kali lipat.
Bahkan Mengalahkan Model yang Lebih Baru
Yang membuat hasil eksperimen ini semakin menarik adalah perbandingan dengan model yang lebih baru.
Satu agen yang menggunakan Claude Opus 4.8 hanya mencatat tingkat keberhasilan sekitar 57,2 persen.
Sementara empat agen Claude Opus 4.6 dengan AgentRadio mencapai 62,1 persen.
Artinya, beberapa agen dengan model yang lebih lama dapat mengalahkan satu agen dengan model yang lebih baru ketika mereka diberi kemampuan untuk bekerja sama.
Temuan tersebut memberikan perspektif baru dalam pengembangan AI.
Peningkatan kemampuan tidak selalu harus berasal dari model yang lebih besar atau lebih baru.
Arsitektur kerja AI juga dapat memberikan peningkatan yang signifikan.
Bukan Sekadar Menambah Jumlah AI
Sekilas, hasil tersebut mungkin terlihat sederhana.
Jika satu AI memiliki kemampuan tertentu, tentu empat AI seharusnya mampu melakukan lebih banyak pekerjaan.
Tetapi penelitian ini menunjukkan bahwa keuntungan AgentRadio bukan hanya karena jumlah agen ditambah.
Peneliti juga menguji enam agen Opus yang bekerja secara independen tanpa mekanisme komunikasi real-time.
Hasilnya hanya mencapai 37,9 persen.
Angka tersebut jauh di bawah 62,1 persen yang dicapai oleh empat agen dengan AgentRadio. Artinya, faktor pentingnya bukan sekadar jumlah AI.
Kemampuan untuk berbagi informasi ketika pekerjaan berlangsung menjadi bagian penting dari peningkatan performa.
Masalah "Coverage" pada AI
Mengapa kerja kelompok bisa memberikan hasil yang jauh lebih baik? Salah satu jawabannya adalah masalah yang disebut coverage problem.
Ketika satu AI harus memahami codebase yang sangat besar, ia harus menjelajahi banyak file, memahami hubungan antar-komponen, menjalankan software, menggunakan berbagai tools, dan menyimpan banyak informasi dalam konteksnya.
Semakin kompleks masalahnya, semakin sulit bagi satu agen untuk mencakup seluruh bagian masalah. Satu agen mungkin menemukan satu petunjuk penting tetapi melewatkan petunjuk lain.
Dengan beberapa agen, area penyelidikan dapat diperluas.
Satu agen dapat memeriksa arsitektur. Agen lain mencari bug. Agen ketiga memeriksa keamanan. Agen keempat menelusuri integrasi API.
Komunikasi Membuat Mereka Tidak Bekerja dalam Ruang Terpisah
Namun, membagi pekerjaan saja belum cukup.
Dalam software yang kompleks, satu temuan dapat mengubah arah seluruh penyelidikan.
Misalnya, agen pertama menemukan bahwa masalah berasal dari konfigurasi database.
Informasi tersebut dapat membuat agen kedua menghentikan pemeriksaan terhadap modul yang ternyata tidak relevan.
Agen ketiga dapat menggunakan informasi tersebut untuk memeriksa hubungan antara database dan API.
Agen keempat kemudian dapat memeriksa kemungkinan dampak keamanan. Dengan komunikasi real-time, informasi tersebut menyebar ketika masih relevan.
Inilah yang menjadi salah satu kekuatan AgentRadio.
DeepSeek Juga Mengalami Peningkatan
Eksperimen tidak hanya dilakukan menggunakan model dari Anthropic.
Peneliti juga menguji sistem dengan DeepSeek V4 Pro. Hasilnya kembali menunjukkan peningkatan.
Satu agen mencapai tingkat keberhasilan sekitar 29 persen. Ketika menggunakan AgentRadio, tingkat keberhasilan meningkat menjadi 50,8 persen.
Dengan demikian, konsep multi-agent tersebut tidak hanya terlihat bekerja pada satu jenis model.
Namun, tentu saja penelitian lebih lanjut masih diperlukan untuk memastikan seberapa luas pendekatan ini dapat diterapkan.
Ada Harga yang Harus Dibayar
Peningkatan performa tersebut tidak gratis.
Menggunakan beberapa agen AI berarti membutuhkan lebih banyak komputasi. Dalam pengujian, AgentRadio membutuhkan sekitar 19,45 dollar AS per tugas.
Sebagai perbandingan, satu agen Opus membutuhkan rata-rata sekitar 2,96 dollar AS per tugas.
Artinya, AgentRadio dalam eksperimen tersebut membutuhkan biaya sekitar 6,6 kali lebih besar.
Jadi, perusahaan tidak bisa begitu saja menggunakan puluhan agen AI untuk semua pekerjaan.
Untuk tugas sederhana, biaya tambahan tersebut mungkin tidak sebanding dengan peningkatan hasil.
Multi-Agent Tidak Selalu Lebih Baik
Ada situasi ketika satu AI tetap menjadi pilihan yang lebih masuk akal.
Jika tugas hanya membutuhkan perubahan sederhana pada satu file, misalnya, menggunakan empat atau enam agen mungkin justru membuang sumber daya.
Beberapa agen juga dapat saling mengganggu. Informasi dari satu agen bisa membantu agen lainnya.
Tetapi informasi yang salah juga dapat menyebar ke seluruh kelompok.
Jika satu agen memberikan asumsi yang keliru dan agen lain mempercayainya, kesalahan tersebut dapat memengaruhi seluruh proses.
AI Bisa Saling Memperkuat Kesalahan
Ini merupakan salah satu risiko penting dari sistem multi-agent. Bayangkan empat AI memiliki asumsi awal yang sama-sama salah.
Jika mereka tidak saling mengoreksi, komunikasi justru dapat membuat kesalahan tersebut semakin kuat. Mereka mungkin saling memberikan bukti yang mendukung asumsi awal.
Akibatnya, seluruh tim AI bergerak ke arah yang salah. Karena itu, sistem multi-agent tetap membutuhkan mekanisme evaluasi, verifikasi, dan koreksi.
Tidak Bisa Menemukan Ide yang Tidak Dimiliki Siapa Pun
Ada batas lain yang perlu dipahami.
Jika tidak satu pun agen menemukan solusi tertentu, komunikasi antar-agen tidak akan secara ajaib menciptakan solusi tersebut.
Kerja kelompok dapat membantu menyebarkan informasi. Tetapi tidak menjamin bahwa salah satu agen akan menemukan terobosan.
Karena itu, kualitas model dasar tetap penting. Multi-agent bukan pengganti model yang pintar.
Ia lebih tepat dipandang sebagai cara untuk memanfaatkan kemampuan beberapa model secara lebih efektif.
AI Mulai Meniru Struktur Tim Manusia
Eksperimen AgentRadio memperlihatkan kemungkinan menarik untuk masa depan AI. Perusahaan mungkin tidak hanya menggunakan satu AI sebagai asisten. Mereka dapat membangun struktur organisasi digital.
Misalnya:
- AI researcher mencari informasi.
- AI analyst menganalisis data.
- AI programmer menulis kode.
- AI security agent memeriksa kerentanan.
- AI reviewer mengevaluasi hasil.
- AI manager mengoordinasikan semuanya.
Setiap agen memiliki fungsi berbeda.
Dan semuanya dapat berkomunikasi.
Dengan demikian, AI mulai bergerak dari konsep "satu chatbot" menuju konsep tim digital.
Dari Chatbot ke Organisasi AI
Perubahan ini bisa menjadi salah satu tahap penting perkembangan agentic AI. Generasi awal AI terutama bekerja berdasarkan satu perintah.
Pengguna bertanya. AI menjawab.
Kemudian muncul AI agent yang mampu merencanakan dan menjalankan serangkaian tindakan.
Kini muncul gagasan yang lebih jauh: beberapa agen AI bekerja bersama untuk mencapai satu tujuan.
Jika teknologi ini terus berkembang, organisasi digital dapat memiliki banyak agen khusus yang saling berkoordinasi.
Manusia mungkin cukup menentukan tujuan dan memantau hasil.
Pekerjaan Kompleks Bisa Dibagi ke Banyak Agen
Keunggulan utama pendekatan multi-agent kemungkinan akan terlihat pada pekerjaan yang sangat kompleks.
Contohnya:
- Analisis software berukuran besar.
- Riset ilmiah.
- Analisis cybersecurity.
- Pengembangan produk.
- Data analysis.
- Penelitian pasar.
- Perencanaan bisnis.
- Pengembangan software.
- Pemecahan masalah teknis.
Pekerjaan tersebut memiliki banyak bagian yang saling berhubungan.
Karena itu, membagi pekerjaan ke beberapa agen dapat memberikan keuntungan yang lebih besar dibandingkan menggunakan satu agen.
Tetapi Efisiensi Tetap Menjadi Tantangan
Perusahaan yang ingin menerapkan multi-agent AI perlu mempertimbangkan tiga hal.
1. Kemampuan
Apakah pekerjaan tersebut cukup kompleks untuk mendapatkan manfaat dari banyak agen?
2. Biaya
Apakah peningkatan performa sebanding dengan biaya komputasi tambahan?
3. Koordinasi
Apakah agen dapat berkomunikasi tanpa menyebarkan kesalahan?
Jika jawabannya tidak, satu agen yang lebih sederhana mungkin justru lebih efisien.
Masa Depan AI Mungkin Bukan Satu Model Super Pintar
Selama ini industri AI banyak mengejar satu model yang semakin besar dan semakin pintar.
Namun, penelitian seperti AgentRadio memberikan kemungkinan lain.
Masa depan AI bisa saja tidak hanya terdiri dari satu model superintelligent yang mengerjakan semuanya.
Sebaliknya, kita mungkin melihat ekosistem yang terdiri dari banyak agen dengan kemampuan khusus.
Satu agen tidak harus mengetahui semuanya. Yang penting, mereka dapat: membagi tugas → menemukan informasi → berbagi temuan → mengoreksi arah → menyatukan hasil.
Fakta Penting
- Riset menggunakan sistem multi-agent bernama AgentRadio.
- Sistem memungkinkan beberapa agen AI berkomunikasi secara real-time ketika sedang bekerja.
- Empat agen Claude Opus 4.6 dengan AgentRadio mencapai keberhasilan 62,1 persen.
- Satu agen Claude Opus 4.6 hanya mencapai 32,3 persen.
- Satu agen Claude Opus 4.8 mencapai sekitar 57,2 persen.
- Enam agen Opus yang bekerja independen hanya mencapai 37,9 persen.
- Pengujian menggunakan 124 tugas dari benchmark SWE-Atlas QnA.
- Pada pengujian DeepSeek V4 Pro, performa meningkat dari 29 persen menjadi 50,8 persen.
- AgentRadio membutuhkan sekitar 19,45 dollar AS per tugas, dibanding sekitar 2,96 dollar AS untuk satu agen Opus.
- Multi-agent paling menjanjikan untuk pekerjaan kompleks yang memiliki banyak bagian saling berkaitan.
- Untuk pekerjaan sederhana, menggunakan banyak agen dapat menjadi tidak efisien.
