AI Series: Generative AI 101 dan Istilah Penting yang Perlu Kamu Tahu

Di tulisan sebelumnya kita sudah membongkar apa itu Large Language Model — mulai dari token, parameter, sampai arsitektur Transformer di baliknya. Sekarang kita naik satu lapis: apa sebenarnya Generative AI, kenapa ia bisa membuat gambar dan video dan bukan cuma teks, lalu kita tutup dengan kamus istilah praktis yang akan sering kamu temui begitu mulai memakai AI secara serius.

Bagian 1 — Generative AI 101

Kalau AI biasa bertugas menilai, Generative AI bertugas menciptakan. Inilah perbedaan paling mendasar yang perlu dipahami sebelum masuk lebih jauh.

Apa itu Generative AI?

Generative AI adalah cabang AI yang mampu menghasilkan konten baru — teks, gambar, audio, video, hingga kode program — bukan sekadar mengklasifikasi atau memprediksi data yang sudah ada. LLM yang kita bahas sebelumnya adalah salah satu bentuk Generative AI, khusus untuk teks.

Bagaimana Generative AI “Berkreasi”?

💡 Analogi: Bayangkan seorang seniman yang belajar dari ribuan lukisan, lalu bisa melukis dengan gaya baru yang “masuk akal” — meski belum pernah ada karya yang persis sama. Begitulah Generative AI bekerja: belajar pola dari data pelatihan, lalu menghasilkan sesuatu yang baru tapi tetap mengikuti pola tersebut.

Ada tiga teknologi utama di baliknya:

• GAN — Generative Adversarial Network: dua model saling “bersaing” (satu membuat, satu menilai) sampai hasilnya makin realistis.
• Diffusion Model — dimulai dari noise acak, lalu “dibersihkan” bertahap hingga jadi gambar utuh. Dipakai Midjourney, Stable Diffusion, DALL-E.
• Transformer — arsitektur untuk teks: memprediksi token berikutnya berdasarkan konteks. Dasar dari semua LLM modern.

Ragam Generative AI Berdasarkan Output

Prompt: Cara “Bicara” dengan Generative AI

Prompt adalah instruksi atau input yang kamu berikan ke model. Kualitas jawaban sangat bergantung pada kualitas pertanyaan.

Kemampuan yang Membuatnya Terasa “Ajaib”

1. Multimodal — bisa menerima dan menghasilkan lebih dari satu jenis data sekaligus: teks, gambar, suara, dokumen — dalam satu percakapan.
2. In-context Learning — bisa “belajar” dari contoh yang kamu berikan dalam satu percakapan, tanpa perlu dilatih ulang (retraining).
3. Zero-shot & Few-shot — mengerjakan tugas baru meski tidak dilatih khusus untuk itu, atau cukup dengan beberapa contoh saja.

Batasan yang Wajib Dipahami

Pintar bukan berarti selalu benar. Empat hal ini penting diingat:

• Halusinasi — model bisa terdengar percaya diri tapi salah; mengarang fakta, angka, atau referensi yang tampak meyakinkan.
• Bias — model mewarisi bias dari data pelatihannya, termasuk stereotip dan sudut pandang tertentu.
• Tidak benar-benar “mengerti” — model memprediksi pola statistik, bukan bernalar seperti manusia. Ia tidak punya pemahaman atau niat.
• Knowledge Cutoff — pengetahuannya terbatas sampai waktu tertentu, kecuali diberi akses browsing atau pencarian.

⚠️ Etika & kehati-hatian: Jangan telan mentah-mentah hasil AI — selalu verifikasi, terutama angka, fakta, dan referensi. Perhatikan isu hak cipta pada konten yang dihasilkan, dan jangan memasukkan data sensitif atau rahasia ke prompt layanan publik. AI adalah alat bantu; keputusan akhir tetap tanggung jawab manusia.

---

Bagian 2 — Istilah Penting untuk Pengguna Baru AI

Begitu mulai memakai AI lebih serius, kamu akan bertemu istilah seperti agent, harness, workflow, atau MCP. Berikut kamus praktisnya — bukan teori machine learning, tapi kosakata yang benar-benar akan kamu temui sehari-hari.

Interaksi Dasar

Prompt

Instruksi atau pertanyaan yang kamu ketik ke AI.

System Prompt

Instruksi “latar belakang” yang mengatur perilaku AI sebelum percakapan dimulai. Biasanya diatur developer atau aplikasi dan tidak terlihat pengguna.

Context

Semua informasi yang “diingat” AI dalam satu sesi: riwayat chat, dokumen yang diunggah, dan sebagainya.

Context Window

Batas maksimum informasi (token) yang bisa diproses AI sekaligus dalam satu sesi.

Token

Potongan kecil teks yang jadi satuan hitung AI. Bukan per kata, tapi mendekati.

Contoh tokenisasi kalimat “Kecerdasan buatan mengubah dunia!”:

[Ke] [cer] [dasan] [bu] [atan] [meng] [ubah] [dunia] [!]

9 token untuk kalimat di atas (bisa berbeda tergantung tokenizer yang digunakan).

Model

Model

“Mesin” AI itu sendiri. Contoh: GPT-4o, Claude Sonnet, Gemini.

Model Provider

Perusahaan pembuat model: OpenAI, Anthropic, Google, Meta.

Multimodal

Model yang bisa memproses lebih dari satu jenis input/output: teks, gambar, suara.

Temperature

Pengaturan “kreativitas” output. Rendah = konsisten dan kaku; tinggi = variatif dan kreatif.

Fine-tuning

Proses menyesuaikan model dengan data atau kasus khusus.

Agent & AI yang Bertindak

Ini pergeseran besar dalam cara kita memakai AI: dari AI yang menjawab, menjadi AI yang bertindak.

Agent / AI Agent

AI yang tidak cuma menjawab, tapi bisa mengambil tindakan untuk mencapai tujuan: mencari informasi, menjalankan kode, mengirim email — secara berantai dan otonom.

Agentic AI

Pendekatan AI yang bekerja seperti agent: merencanakan → bertindak → mengevaluasi hasil → mengulang.

Autonomous vs Assisted

Autonomous berarti AI bertindak sendiri dengan minim campur tangan; assisted berarti AI membantu tapi manusia tetap mengontrol tiap langkah.

Subagent

Agent kecil yang didelegasikan tugas spesifik oleh agent utama.

Siklus kerja sebuah agent secara sederhana:

1. Menerima tujuan   →  dari instruksi user
2. Merencanakan      →  memecah jadi langkah
3. Bertindak         →  memakai tools
4. Evaluasi & ulangi →  sampai tujuan tercapai

Yang Membuat Agent Bisa Bekerja

Harness

“Kerangka” atau lingkungan yang membungkus model AI agar bisa berinteraksi dengan dunia luar: menjalankan perintah, membaca file, mengakses terminal. Contohnya Claude Code adalah harness untuk model Claude dalam tugas coding. Modelnya sendiri hanya bisa menghasilkan teks — harness-lah yang menerjemahkan teks itu jadi aksi nyata.

Tool Use

Kemampuan model “memanggil” alat tertentu saat dibutuhkan: kalkulator, pencarian web, eksekusi kode, query database.

Workflow

Urutan langkah terstruktur yang diikuti AI (atau kombinasi AI dan manusia) untuk menyelesaikan tugas, dengan aturan dan urutan yang sudah ditentukan sebelumnya. Bedanya dengan agent: workflow jalurnya sudah dipetakan, sedangkan agent menentukan jalurnya sendiri.

Orchestration

Pengaturan bagaimana beberapa model, tool, atau agent bekerja sama dalam satu alur kerja yang lebih besar.

💡 Cara mudah mengingat: Model adalah otaknya. Harness adalah tubuh dan tangannya. Tools adalah peralatan yang dipegang. Workflow adalah resep yang diikuti, sementara agent adalah kemampuan memasak tanpa resep.

Konektivitas & Integrasi

API

Application Programming Interface, “jembatan” agar aplikasi lain bisa memanggil model AI secara terprogram, tanpa lewat antarmuka chat.

MCP

Model Context Protocol, standar terbuka untuk menghubungkan AI ke berbagai sumber data dan tools eksternal (Gmail, Drive, Slack) secara seragam.

Connector

Koneksi siap pakai antara AI dan layanan tertentu, dibangun di atas MCP atau API.

Plugin / Skill

Paket kemampuan tambahan yang bisa “dipasang” ke AI untuk tugas spesifik, misalnya membuat dokumen Word.

RAG

Retrieval-Augmented Generation, teknik di mana AI mencari data eksternal dulu (dokumen, database) sebelum menjawab, agar jawabannya lebih akurat dan terkini.

Ilustrasi sederhana bagaimana API dipanggil dari sebuah aplikasi:

# Aplikasi kamu mengirim prompt ke model lewat API
POST 
Authorization: Bearer <API_KEY>

{
"model": "nama-model",
"messages": [{ "role": "user", "content": "Ringkas dokumen ini..." }]
}

# Model mengembalikan jawaban, ditagih per token (input + output)

Keandalan & Keamanan

Hallucination

AI menghasilkan informasi yang salah tapi terdengar meyakinkan.

Guardrails

Batasan yang dipasang agar AI tidak menghasilkan output berbahaya atau tidak sesuai.

Sandbox

Lingkungan terisolasi tempat AI menjalankan kode atau perintah dengan aman, tanpa risiko merusak sistem asli.

Open vs Closed Model

Open source berarti model bisa diunduh dan dimodifikasi bebas (Llama); closed berarti hanya bisa diakses lewat layanan resmi (GPT, Claude).

Ringkasan Cepat

---

Sampai di sini kita sudah punya bekal konsep dan kosakata yang cukup. Di tulisan berikutnya kita akan masuk ke praktik: bagaimana sebenarnya cara menggunakan model AI — lewat web, aplikasi desktop, CLI/agentic tool, sampai konek langsung via API.

Demikian tulisan ini, semoga bermanfaat dan Happy Coding!