AI Agensik

Di halaman ini

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

AI dalam pendidikan agensik: sistem AI yang secara otonom merencanakan, menjalankan, dan menyesuaikan alur kerja bertahap untuk mencapai tujuan belajar, melampaui tanya jawab satu putaran untuk bertindak sebagai kolaborator yang gigih dan berorientasi tujuan: tutor AI yang memberikan perancah sepanjang interaksi panjang, sistem multiagen yang mengorkestrasi desain instruksional, dan agen yang mengoregulasi pembelajaran. Pergeseran paradigma dari alat yang merespons prompt menjadi kolaborator aktif ini membawa janji sekaligus risiko: AI agensik dapat mempersonalisasi dan memperdalam pembelajaran, tetapi ia juga mengancam agensi, usaha kognitif, dan kendali. Artikel tinjauan cakupan, kerangka invarian alat, dan praktik terbaik pedagogis dalam basis pengetahuan ini mengkaji ketegangan tersebut.

Pertanyaan untuk Dipertimbangkan

AI agensik tidak hanya menjawab pertanyaan: ia merencanakan, menjalankan, dan menyesuaikan alur kerja bertahap menuju suatu tujuan, bertindak sebagai kolaborator yang gigih. Bagaimana belajar dengan agen yang proaktif berbeda dari belajar dengan alat yang harus Anda prompt?
Bidang ini menarik garis antara AI "percakapan" dan AI "agensik" (sebuah sistem memenuhi syarat hanya jika memenuhi beberapa kriteria seperti perencanaan, memori, otonomi, dan tindakan berorientasi tujuan). Di mana garis itu dalam praktik, dan apakah menyebut setiap chatbot "agensik" menyembunyikan lebih banyak daripada yang ia ungkap?
Semakin banyak agen mengotomatiskan, semakin sedikit kerja kognitif yang dilakukan pembelajar. Di mana garis antara AI yang memberikan perancah bagi pembelajaran Anda dan AI yang melakukan pembelajaran Anda?
Sebuah tinjauan cakupan menemukan hanya 29% studi AI agensik yang mendasarkan sistemnya pada teori pendidikan. Jika sebagian besar sistem tidak berbasis teori, apa yang seharusnya membuat Anda skeptis saat mengevaluasi agen tutoring yang 'cerdas'?
Sistem multiagen mengorkestrasi agen-agen khusus dengan peran berbeda. Ketika beberapa agen bekerja bersama di kelas, siapa yang bertanggung jawab, dan di mana manusia seharusnya masuk?
Ketegangan sentral bidang ini adalah personalisasi versus agensi pembelajar dan usaha kognitif. Jika seorang tutor menjadi begitu baik dalam beradaptasi sehingga Anda tidak pernah harus berjuang, pembelajaran apa yang sebenarnya Anda dapatkan?
Di mana posisi sebuah tugas pada spektrum Copilot ke Autopilot, dan apakah memindahkan tugas dari "agen mengusulkan, pembelajar memutuskan" ke "agen memiliki tugas itu" pernah melayani pembelajaran alih-alih sekadar efisiensi?
Agen hibrida yang didasarkan pada teori desain yang mapan mengungguli prompting murni. Mengapa sistem yang berlandaskan teori dapat mengalahkan prompt engineering mentah, dan apa artinya itu bagi cara 'kepintaran' agen diukur?

Pendahuluan

AI agensik merujuk pada sistem kecerdasan buatan yang dapat secara otonom merencanakan, menjalankan, dan menyesuaikan alur kerja bertahap untuk mencapai tujuan belajar, melampaui tanya jawab satu putaran untuk bertindak sebagai kolaborator yang gigih dan berorientasi tujuan dalam konteks pendidikan. Dalam pendidikan, AI agensik tampil sebagai tutor AI yang memberikan perancah pembelajaran sepanjang interaksi panjang, sistem multiagen yang mengorkestrasi desain instruksional yang kompleks, dan agen otonom yang menyesuaikan strategi pedagogis mereka berdasarkan kebutuhan pembelajar. Paradigma yang baru muncul ini menggeser AI dari alat yang merespons prompt menjadi kolaborator yang secara aktif memandu, menyesuaikan, dan mengoregulasi proses belajar.

Memisahkan spesifikasi dari eksekusi adalah yang membuat pipeline agensik andal. DagFlow-AI meminta agen LLM mendefinisikan setiap komponen mekanisme pembangkit data, yaitu variabel, graf asiklik berarah, distribusi, dan rumus model, sementara sebuah program mengambil sampel observasi dan skrip validasi memeriksa setiap keluaran agen (Arthur et al., 2026). Tidak ada agen yang membangkitkan data atau menulis kode pembangkitnya, yang oleh penulis disajikan sebagai jawaban atas keluaran tanpa dukungan dan penyimpangan instruksi.

Mendefinisikan dan mengklasifikasikan AI agensik

Kostopoulos et al. (2025) menyediakan definisi operasional yang tidak dimiliki bidang ini. Mereka mengusulkan daftar periksa enam kriteria: sebuah sistem dianggap agensik jika memenuhi setidaknya empat kriteria, yaitu otonomi (tindakan tanpa intervensi manusia yang berkelanjutan), penalaran atau perencanaan, memori atau kesadaran konteks, tindakan berorientasi tujuan menuju hasil belajar, kemampuan beradaptasi, dan kolaborasi atau inisiatif dinamis. Ambang ≥4 dengan sengaja mengecualikan chatbot reaktif (bot FAQ statis tanpa perencanaan atau kegigihan tidak memenuhi syarat) sekaligus mengakomodasi beragam arsitektur. Mereka juga mengorganisasi ruang itu sepanjang tiga sumbu: peran pedagogis (tutor, pelatih atau mentor belajar, pendamping, asisten instruktur, perencana kurikulum), tingkat otonomi (reaktif, adaptif, proaktif, kolaboratif), dan perwujudan (berbasis teks, avatar atau grafis, berwujud atau robotik). Taksonomi ini, khususnya spektrum otonomi dan pengecualian alat reaktif dalam daftar periksa, memberikan kosakata bersama bagi peneliti dan perancang untuk mengklasifikasikan sistem agensik dan membedakan AI yang benar-benar agensik dari AI yang sekadar percakapan.

Sebuah pembeda yang dikerjakan membuat garis itu konkret. Chatbot FAQ statis yang hanya dapat menjawab sekumpulan pertanyaan tetap memenuhi nol kriteria (tanpa perencanaan, tanpa kegigihan, tanpa inisiatif) dan jelas tidak agensik. Tutor percakapan yang mengingat sesi saat ini tetapi tidak pernah bertindak kecuali diminta, tidak memiliki model pembelajar lintas sesi, dan tidak dapat menetapkan subtujuan mungkin hanya memenuhi satu atau dua kriteria (memori, sebagian penalaran), yaitu percakapan, bukan agensik. Sebaliknya, tutor yang merencanakan pelajaran multi-putaran, menyimpan kemajuan pembelajar dalam profil yang gigih, secara proaktif memicu petunjuk ketika pembelajar terhenti, dan merencanakan ulang langkah berikutnya berdasarkan profil itu memenuhi perencanaan, memori, otonomi, dan interaksi berorientasi tujuan: setidaknya empat kriteria, sehingga ia memenuhi syarat sebagai agensik. Nilai menjalankan uji ini bukan kepicikan: melabeli setiap antarmuka obrolan LLM sebagai "agensik" mengaburkan justru pertanyaan desain, yaitu apa yang diprakarsai sistem versus apa yang harus diprakarsai pembelajar, yang menentukan apakah ia memberikan perancah atau menggantikan pembelajaran.

Agensi terbatas sebagai sikap desain pendidikan. Kerangka AGAI-HE dari Ilieva et al. (2026) menerima daftar kemampuan yang diuraikan definisi seperti daftar periksa enam kriteria, lalu dengan sengaja membatasinya: tujuan, peran, sumber data, alat, titik pemeriksaan, kondisi berhenti, dan keputusan akhir ditetapkan atau disetujui oleh pendidik, dan setiap fungsi agensik harus dapat dilacak ke suatu kebutuhan belajar, tujuan penilaian, atau kendali tata kelola. Kerangka itu juga menarik garis antara orkestrasi agensik dan prompting lanjutan: alur kerja agensik mempertahankan status tugas, mengalokasikan fungsi, memeriksa kondisi penyelesaian, kembali ke tahap sebelumnya ketika bukti tidak memadai, dan mencatat keputusan yang bersifat material. Menarik, studi persepsi eksploratifnya dengan 130 mahasiswa pendidikan tinggi tidak menemukan perbedaan signifikan antara pembelajaran yang didukung agen dan yang didukung chatbot, yang oleh penulis dibaca sebagai bukti bahwa kemampuan agensik tidak dengan sendirinya menghasilkan keunggulan pedagogis yang dipersepsikan (pengawasan manusia).

Bidang ini: ekspansi cepat dan bentuknya saat ini

Tinjauan cakupan dalam basis pengetahuan ini, sintesis paling menyeluruh atas bidang tersebut sampai saat ini, yang memetakan 474 studi (2020-2026), mendokumentasikan bidang yang tumbuh meledak sejak 2025, tetapi yang literaturnya masih didominasi makalah konferensi yang terkonsentrasi di pendidikan tinggi, disiplin STEM, dan skenario tutoring berbasis teks. Tinjauan itu menganalisis karakteristik publikasi, desain studi, peran agen, model dan arsitektur AI, enam dimensi kemampuan agensik, dan sejauh mana integrasi teori pendidikan dilakukan, sehingga menyediakan peta jalan bagi batas depan dan celah bidang tersebut. Menarik, hanya 29% studi yang ditinjau (138 dari 474) yang secara eksplisit mendasarkan sistemnya pada teori pendidikan, sehingga menyingkap pemisahan disipliner antara kerja yang berorientasi teknis dan yang berorientasi pedagogis.

Peta bidang berdasarkan peran

Jika tinjauan cakupan 474 studi dan survei konseptual Kostopoulos et al. memetakan keluasan penelitian dan kemampuannya, Baradziej (2026) mengorganisasi AI agensik berdasarkan peran yang dimainkannya, sebuah pembingkaian institusional untuk memutuskan di mana sistem ini dikerahkan dan ditata kelola. Pada 48 studi pendidikan tinggi, muncul enam peran menurut bobot buktinya: pembelajaran terpersonalisasi dan tutoring adaptif (18/48), penilaian otomatis dan umpan balik (12), bantuan dan pengayaan pengajaran (11), dukungan administratif dan dukungan siswa (8), desain kurikulum dan keselarasan dengan dunia kerja (5), serta dukungan penelitian dan operasi akademik (4). Lensa peran menonjolkan pilihan desain yang berulang di setiap penerapan: seberapa banyak kendali dari saat ke saat yang dipertahankan manusia (relasi "Copilot") versus seberapa banyak yang dimiliki agen (relasi "Autopilot"), yaitu sumbu otonomi yang menentukan apakah agen memberikan perancah bagi pembelajaran atau menggantikannya.

Desain dan evaluasi sistem agensik

Penelitian dalam basis pengetahuan ini mencakup desain dan evaluasi:

Agen hibrida yang berlandaskan teori mengungguli prompting murni: ISD-Agent-Bench, sebuah tolok ukur berisi 25.795 skenario desain instruksional, menemukan bahwa pendekatan dengan kinerja terbaik memadukan kerangka ISD klasik (ADDIE, Dick & Carey, Rapid Prototyping) dengan penalaran bergaya ReAct modern: hibrida (teori + teknik) > teori murni > hanya teknik. Mendasarkan agen LLM pada teori desain pendidikan yang mapan memberikan keunggulan struktural yang tidak dapat ditiru prompting mentah.
Kerangka penilaian untuk alat agensik: Kerangka invarian alat mengusulkan cara mengajarkan dan menilai metode komputasional yang tidak bergantung pada alat AI tertentu, dengan menekankan dasar berpikir komputasional, penilaian autentik melalui pembelaan lisan, dan verifikasi, yang relevan bagi kekhawatiran ketergantungan berlebih.
Skala pelaporan dan tata kelola: kerangka Autonomy-Oversight-Evidence (AOE). Dey (2026) berargumen bahwa istilah AI agensik diterapkan begitu tidak konsisten sehingga bukti dan pengawasan tidak dapat dibandingkan antarkajian: sistem yang merencanakan, mengingat, menggunakan alat, atau mengoordinasikan beberapa agen dicampur dengan antarmuka GenAI statis dan agen pedagogis konvensional. Tinjauan integratif kritisnya atas lima belas tinjauan sejawat menemukan bukti terkuat untuk keluaran tingkat artefak (akurasi umpan balik, pengurangan halusinasi) dan terlemah untuk pembelajaran yang tahan lama, ekuitas, beban kerja, atau hasil institusional, dengan penerapan autentik yang lazimnya singkat, berlokasi tunggal, dan lemah kaitannya dengan pengawasan. Perbaikannya adalah triplet pelaporan yang konkret: tingkat otonomi A0-A4 (generasi reaktif, orkestrasi terbatas, otonomi tugas terdelegasi, otonomi alur kerja, otonomi berkonsekuensi atas penilaian, penerimaan, atau kelulusan), tingkat pengawasan O0-O4 (tidak ditentukan, audit retrospektif, persetujuan sebelum penggunaan, kendali dengan titik pemeriksaan, supervisi berkelanjutan yang terbatas), dan tahap kedewasaan bukti M0-M5 (konsep, prototipe atau tolok ukur, evaluasi partisipan, penerapan autentik, diperluas atau multisitus, direplikasi atau skala institusi), ditambah aturan proporsionalitas: otonomi yang diizinkan tidak boleh melampaui kedewasaan bukti atau kekuatan pengawasan (misalnya sistem berkonsekuensi A4 menuntut bukti M4-M5, validasi hukum, dan O4 dengan otoritas akhir pada manusia). Melaporkan A2-O3-M3 mengubah klaim "penerapan agensik" yang kabur menjadi spesifikasi yang dapat dibandingkan dan diuji serta memberikan tata bahasa adopsi bertahap, pencatatan, dan pengembalian kepada institusi, yaitu pelengkap bukti bagi spektrum Copilot ke Autopilot di atas.
Pengujian ketahanan adversarial: Pengujian stres multiagen mengoordinasikan agen Interrogator, Target, dan Judge untuk menyingkap mode kegagalan yang tak terlihat oleh pengujian strategi tunggal, menurunkan skor ketahanan sebesar 0,17-0,20 poin, yang krusial bagi konsistensi persona dan penerapan yang aman bersama pembelajar.
Aplikasi domain: sistem agensik muncul di berbagai domain, termasuk agen pembelajaran adaptif, agen LLM pedagogis, perancah LLM terpandu, agen pembelajaran keamanan siber bergamifikasi, dan agen simulasi klinis.
Agen web sebagai evaluator pengalaman belajar: satu agen web otonom yang "mendeskripsikan" dan menavigasi pelajaran daring seperti seorang siswa, yaitu Wang, Mitchell & Piech (2025), menghasilkan deskripsi yang cukup kaya untuk memprediksi putus kuliah siswa dan memberikan umpan balik yang dapat ditindaklanjuti kepada perancang sebelum pembelajar nyata terlibat, mengungguli kohort simulasi penuh dan setiap garis dasar pada mata kuliah CS1 global. Ini menempatkan evaluasi agensik (agen sebagai kritikus pengganti atas suatu pengalaman belajar) sebagai penggunaan AI agensik yang berbeda dan berbiaya rendah, di samping agen yang mengajar atau merancang.

Sistem multiagen

Salah satu untaian AI agensik yang tumbuh dan berbeda melibatkan sistem multiagen yang mengorkestrasi beberapa agen khusus dengan peran berbeda. Basis pengetahuan mendokumentasikan beberapa arsitektur: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation memasangkan agen generator dengan agen validator untuk generasi pertanyaan dengan manusia dalam lingkar; pengujian adversarial mengoordinasikan agen Interrogator/Target/Judge; ruang kelas multiagen (misalnya MAIC dengan arketipe guru, asisten pengajar, dan teman sekelas) menciptakan dinamika belajar sebaya yang beragam; dan pembelajaran sosial multiagen mengeksplorasi bagaimana agen yang saling berinteraksi membentuk pembelajaran. Desain multiagen memunculkan pertanyaan khas tentang pengawasan manusia (agen mana yang bertanggung jawab, dan di mana manusia masuk?), biaya koordinasi, dan bagaimana diferensiasi peran mendukung atau memperumit perancah.

Dua sistem tahun 2026 mempertajam apa yang diperoleh dari spesialisasi peran, dan di mana ia berhenti berbuah. MeduAI-SP (Yang et al., 2026) membagi pengajaran wawancara klinis ke dalam empat agen LLM, yaitu agen pasien, agen tutor Sokratik, evaluator tingkat giliran, dan evaluator akhir, masing-masing membawa fungsi instruksional yang berbeda. Arsitektur itu menahan jawaban secara desain: tutor dilarang mengungkap diagnosis atau jawaban kasus, dan skor OSCE evaluator akhir disembunyikan selama pertemuan langsung. Spesialisasi peran, bukan kemampuan model mentah, adalah yang oleh uji coba itu dikreditkan atas perbaikan perilaku konsultasi (71,8% versus 55,6% pada ujian akhir), menawarkan templat konkret bagi desain multiagen yang selaras dengan pedagogi. Studi kedua menunjukkan batas pola tersebut: dalam sistem diskusi etika 45 siswa dan 15 kelompok (Seo et al., 2026), tiga persona LLM yang mewujudkan etika kepedulian, deontologis, dan pragmatis tidak menghasilkan perbedaan signifikan di antara mereka sendiri, dan semuanya dinilai lebih rendah daripada rekan manusia dalam kontribusi, keragaman, dan pengaruh (semua p Kruskal-Wallis < 0,001). Penulis menghubungkan celah itu dengan kesepakatan sikofantik (agen menerima hampir setiap kontribusi kecuali yang sepenuhnya salah) dan dengan kurangnya penalaran yang terlihat, dan berargumen bahwa desain agen yang berfokus pada tugas harus memasangkan transparansi proses dengan pengaman (pembingkaian rekan yang bisa salah, fase Bertanya yang khusus) untuk menghindari ketergantungan berlebih.

Satu langkah melampaui mengorkestrasi beberapa agen khusus adalah ekosistem multiagen agensik penuh yang diusulkan Sudarshan et al. (2026): platform seluas institusi yang mengoordinasikan agen pembelajaran, pengajaran, dan administratif melalui loop umpan balik lintas fungsi dan kecerdasan terdistribusi. Langkah khasnya adalah memperlakukan inklusi sebagai persoalan arsitektural kelas satu, dengan mengoordinasikan agen aksesibilitas, dukungan kognitif, dan kesejahteraan sehingga pembelajar dengan kebutuhan pendidikan khusus didukung di dimensi kognitif, sensorik, dan emosional secara waktu nyata, alih-alih dilayani alat asistif yang terisolasi. Makalah itu menempatkan ini di dalam loop koevolusi manusia-AI (perilaku dan keputusan manusia membentuk adaptasi AI, yang pada gilirannya meningkatkan kemampuan manusia) yang menjaga manusia tetap dalam lingkar.

Agen LLM spesifik partisipan untuk pemecahan masalah kolaboratif. Fang (2026) menyetel secara halus agen LLM individual pada data dialog partisipan nyata untuk merepresentasikan setiap partisipan dalam simulasi pemecahan masalah kolaboratif, dengan pemilihan pembicara dan kode tematik yang probabilistik serta memori jendela geser plus ringkasan. Divalidasi dengan Analisis Jaringan Epistemik, dialog yang disimulasikan secara statistik tak dapat dibedakan dari yang nyata (jarak ENA 0,17, p permutasi = 0,65), sebuah demonstrasi AI agensik yang mereproduksi wacana kolaboratif autentik.
Tutoring multiagen yang cerdas secara sosial. Prototipe tutoring multiagen yang cerdas secara sosial seperti ASTRA mempelajari bagaimana pembelajar berkoordinasi dengan AI dalam pasangan, menggunakan agen Tutor dan Fasilitator yang berbeda untuk mendorong koordinasi dan partisipasi yang seimbang. Evaluasi berbasis jejak dalam kerangka itu memungkinkan analisis yang dapat direproduksi atas interaksi, keseimbangan partisipasi, dan verifikasi dalam pemrograman pengantar.

Ketegangan sentral: otomatisasi versus pembelajaran

Karya praktik terbaik pedagogis mengartikulasikan ketegangan yang mendefinisikan bidang ini: ketika AI pendidikan bergeser dari chatbot pasif menjadi agen proaktif yang memprakarsai dan mengejar tujuan, personalisasi membaik tetapi agensi pembelajar dan usaha kognitif terancam. Semakin banyak agen mengotomatiskan, semakin sedikit kerja kognitif yang dilakukan pembelajar. Respons desainnya, yaitu gesekan yang disengaja, perancah dinamis, pengawasan human-in-the-loop, dan pemanfaatan AI yang dipertimbangkan, bertindak sebagai pagar pengaman yang berprinsip. Ini terhubung ke kesulitan yang diinginkan, pembelajaran sosiokultural, dan risiko ketergantungan berlebih, serta ke tema yang lebih luas tentang mempertahankan agensi dalam pembelajaran yang dimediasi AI.

Satu pemeriksaan empiris datang dari laporan praktik tentang Spec-Driven Development dalam mata kuliah PBL perangkat lunak (Tanaka et al. 2026): siswa yang menggunakan agen AI di seluruh fase pengembangan menghasilkan lebih banyak kode tetapi menunjukkan penurunan pemahaman kode yang baru pulih setelah wawancara satu lawan satu dengan instruktur, bukti lapangan konkret bagi ketegangan otomatisasi versus pembelajaran dan bagi pemantauan human-in-the-loop sebagai mitigasinya.

Literatur survei mengubah prinsip-prinsip ini menjadi pagar pengaman desain yang terukur alih-alih niat yang kabur. Pada perancah, Kostopoulos et al. (2025) merekomendasikan protokol pemudaran, yaitu secara bertahap mengurangi frekuensi petunjuk setelah setiap upaya yang berhasil, dan menargetkan rasio pencarian bantuan (petunjuk yang diprakarsai AI dibagi total tindakan siswa) di bawah 0,3, sehingga agen bukan pihak yang menggerakkan sebagian besar interaksi. Mereka memasangkannya dengan titik pemeriksaan reflektif (misalnya meminta pembelajar menjelaskan penalarannya sebelum agen menawarkan isyarat berikutnya) dan kurva pemudaran adaptif yang peluang intervensinya menurun seiring naiknya penguasaan. Pada transparansi, agen harus memaparkan rasional "Mengapa saran ini?" dan menyimpan log ketertelusuran keputusan bertanda waktu (rasional agen, sumber data, keputusan) yang tersedia untuk audit instruksional. Pada keadilan, mereka menyarankan pengujian dampak berbeda lintas setidaknya tiga kelompok demografis (misalnya gender, bahasa, geografi) sebelum penerapan dan melibatkan guru yang beragam dalam desain. Metrik ini memberikan tuas audit bagi instruktur atau perancang: alih-alih bertanya "apakah agen terlalu membantu?", ukurlah apakah petunjuk memudar, apakah pembelajar yang memprakarsai, dan apakah penalaran agen dapat diperiksa.

Kosakata pelengkap untuk pertanyaan otonomi datang dari analogi penerbangan yang dimunculkan dalam sintesis Baradziej (2026): seberapa jauh suatu penerapan berada pada spektrum Copilot ke Autopilot, dari agen yang membantu manusia yang mempertahankan kendali dari saat ke saat, sampai agen yang memiliki seluruh tugas dengan manusia hanya mengawasi. Sistem dasar yang sama dapat dikonfigurasi ke arah salah satu ujung, dan pilihannya bersifat pedagogis sebelum teknis. Konfigurasi bergaya Copilot (agen mengusulkan, pembelajar memutuskan, manusia memegang keputusan akhir) cenderung mempertahankan agensi dan mendukung proses menuntut usaha yang membangun pembelajaran; konfigurasi bergaya Autopilot memaksimalkan penyelesaian tugas dan efisiensi tetapi memindahkan beban kognitif dari pembelajar. Memilih posisi pada spektrum ini, per tugas dan bukan sekali secara global, adalah cara konkret untuk mengoperasionalkan prinsip "gesekan yang disengaja" bidang ini.

Implikasi positif agen AI bagi pendidikan

Ketika dirancang dengan baik, AI agensik menawarkan manfaat yang besar:

Personalisasi yang lebih mendalam dan lebih adaptif. Agen yang gigih dapat mempertahankan percakapan belajar selama banyak putaran, melacak apa yang diketahui pembelajar, menyesuaikan tingkat kesulitan, dan mengurutkan perancah bertahap, melampaui respons sekali jalan dari chatbot sebelumnya. Ini mendukung pembelajaran adaptif dan terpersonalisasi dalam skala besar. Dalam sintesis Baradziej (2026), bukti terkuat untuk peran ini melaporkan keuntungan akademik sebesar 15-25% dan kenaikan keterlibatan hingga +40%, dengan potensi khusus bagi pembelajar yang secara historis kurang terlayani oleh pengajaran seragam (mahasiswa generasi pertama, perbedaan belajar, pembelajar bahasa kedua).
Meringankan pekerjaan instruksional rutin. Agen dapat merencanakan pelajaran, menghasilkan dan memvalidasi pertanyaan, menyusun draf umpan balik, dan mengorkestrasi subagen khusus (misalnya generator + validator untuk pembuatan pertanyaan), sehingga membebaskan guru untuk interaksi bernilai lebih tinggi. Inilah janji alur kerja multiagen yang berorientasi guru. Agen penilaian khususnya melaporkan kesepakatan 90-95% dengan penilai manusia dan pengurangan waktu penilaian 50-70%, meskipun bukti yang sama menandai bias dan biaya metakognitif dari umpan balik instan yang tanpa refleksi.
Interaksi yang kaya dan beragam. Ruang kelas multiagen dan rekan simulasi menciptakan dinamika interaksi yang beragam (wacana seperti sebaya, ketidaksepakatan konstruktif, bermain peran) yang tidak dapat diciptakan sistem agen tunggal, mendukung pembelajaran kolaboratif, penyelidikan bergaya Sokratik, dan simulasi.
Gesekan produktif. Agen yang dirancang untuk menantang alih-alih menyetujui dapat mendorong pembelajar ke pertimbangan ulang yang lebih mendalam. Penelitian tentang agen desain adversarial menunjukkan bahwa agen konflik konstruktif mendorong iterasi desain yang jauh lebih banyak, eksplorasi alternatif yang lebih luas, dan desain akhir dengan penilaian lebih tinggi (N=48), suatu bentuk kesulitan yang diinginkan.
Latihan dan simulasi yang dapat diskalakan. Simulasi berbasis agen (siswa simulasi, skenario klinis) memungkinkan pembelajar berlatih di lingkungan berisiko rendah sebelum penerapan di dunia nyata, seperti pada simulasi klinis dan pembelajar simulasi.
Perancah yang sadar bukti. Agen yang berlandaskan baik dapat menerapkan teori pembelajaran dan pedagogi yang diketahui dalam interaksinya, dan tolok ukur menunjukkan agen berlandaskan teori mengungguli prompting mentah.

Kelas agen yang lebih sempit dan dibangun instruktur mendapat argumen tersendiri dalam usulan ruang ketiga El Khoury dan Ma: GPT kustom, Gems, dan agen Copilot Studio yang dirancang instruktur untuk tujuan pedagogis tertentu dan secara eksplisit bukan sistem otonom. Nilai yang mereka klaim adalah sebagai ruang latihan berisiko rendah: simulator ujian lisan, simulasi komunikasi klinis, avatar pelafalan ESL, tempat siswa berlatih sebelum penilaian sementara peran evaluatif instruktur tetap utuh, dengan agen berada di luar hierarki sosial yang dijalani siswa bersama rekan dan instruktur. Dua batas patut dicatat: penulis mengecualikan penilaian berbasis agen dari cakupan secara desain, dan mereka berargumen bahwa penilaian harus tetap relasional; peran instruktur tidak dapat digantikan mesin, meskipun dapat diperluas dan dibuat lebih berkelanjutan melalui desain yang cermat.

Implikasi negatif dan risiko agen AI bagi pendidikan

Otonomi yang sama yang memungkinkan manfaat tersebut juga menciptakan risiko signifikan:

Erosi agensi pembelajar dan usaha kognitif. Semakin banyak agen mengotomatiskan, semakin sedikit kerja kognitif yang dilakukan pembelajar. Agen proaktif yang memprakarsai, merencanakan, dan menyelesaikan tugas dapat meninggalkan pembelajar sebagai konsumen pasif, mengosongkan proses menuntut usaha, yaitu menyusun draf, mengingat, merevisi, yang membangun pembelajaran tahan lama. Ini adalah kekhawatiran inti ketergantungan berlebih dan agensi. Efeknya terukur: dalam sintesis Baradziej (2026), pembelajar pasif di lingkungan tutoring agensik berkinerja 8,7% lebih rendah daripada siswa pembelajaran aktif, bukti bahwa kerugiannya mengikuti desain penerapan (membiarkan agen melakukan kerja kognitif) lebih daripada teknologinya sendiri.
Otomatisasi berlebih atas proses belajar. Jika agen mengoptimalkan penyelesaian tugas alih-alih pembelajaran, ia dapat menghasilkan "jawaban" yang melewati pemahaman, justru risiko yang diperingatkan kerangka invarian alat, ketika artefak tidak lagi mensertifikasi pembelajar.
Keterlibatan metakognitif dan pengaturan diri yang berkurang. Ketika agen menangani perencanaan dan pemantauan, pembelajar mungkin tidak mengembangkan metakognisi dan pengaturan diri yang ingin dibangun pendidikan. Agen harus dirancang untuk memunculkan proses tersebut, bukan menggantikannya.
Kepercayaan yang salah tempat dan celah verifikasi. Agen otonom dapat menghasilkan keluaran yang masuk akal tetapi tidak tervalidasi; pembelajar dan guru mungkin terlalu mempercayainya. Kebutuhan akan verifikasi yang kokoh dan literasi AI tumbuh seiring agen mengambil lebih banyak otonomi.
Ketidakjelasan, koordinasi, dan akuntabilitas. Sistem multiagen memperumit pengawasan manusia: agen mana yang bertanggung jawab atas kesalahan, dan di mana manusia masuk? Kegagalan koordinasi, penyimpangan persona, dan perilaku yang muncul dapat meruntuhkan keandalan dan keselamatan pedagogis.
Bias dan ekuitas. Agen yang dilatih pada data yang memuat bias dapat mereproduksinya dalam skala besar, dan akses yang tidak setara ke sistem agensik yang mumpuni dapat memperlebar ketidakadilan pendidikan. Bias beroperasi pada banyak tingkat, yaitu data pelatihan, arsitektur, kriteria evaluasi, dan populasi uji, sehingga ia memerlukan mitigasi institusional (audit bias, kumpulan data yang beragam, dokumentasi yang transparan, keterlibatan pemangku kepentingan), bukan pemeriksaan sekali jalan. Bentuk yang lebih halus dan khas budaya adalah hegemoni epistemik: karena sebagian besar sistem agensik dilatih pada data berbahasa Inggris dan diproduksi Barat, mereka menyematkan asumsi tertentu tentang pengetahuan, argumentasi, dan register akademik. Bukti sintesis mendokumentasikan alat pendidikan bahasa yang memarginalkan tradisi retorika non-Barat dan menghukum ciri linguistik budaya akademik non-Inggris, dan analisis Global Selatan menunjukkan pedagogi agensik mereproduksi ketidakadilan ketika mengabaikan keragaman epistemologis dan kendala infrastruktur.
Integritas penilaian dan peluruhan keterampilan. Ketika agen dapat menghasilkan pekerjaan sesuai permintaan, menilai pembelajaran yang sebenarnya menjadi lebih sulit, dan ketergantungan berlebih dapat mengikis keterampilan dasar, yaitu masalah "utang pemahaman" dan sertifikasi yang ditandai bidang ini.
Siswa hantu dan celah verifikasi. Bozkurt, Crompton & Fell Kurban (2026) menggambarkan "siswa hantu", yaitu pengganti digital yang diciptakan dengan memasangkan LLM ("pikiran") dengan peramban AI agensik ("tubuh") yang dapat menavigasi Sistem Manajemen Pembelajaran, terlibat dengan konten, dan menyelesaikan penilaian dengan peniruan seperti manusia, sehingga kehadiran pembelajar sebenarnya menjadi opsional. Ini menciptakan celah verifikasi yang secara struktural tidak dapat ditutup alat proktoring dan deteksi tradisional, dan ia mengakumulasi utang kognitif pada pembelajar yang dilewati. Seiring AI bergeser dari generatif ke agensik, ancaman integritas dan verifikasi ini tumbuh, sebuah risiko khas agensik di luar risiko GenAI satu putaran.

Agen AI dan integritas akademik

AI agensik menimbulkan ancaman integritas yang khas dan melampaui kasus GenAI satu putaran yang sudah dihadapi bidang ini. Karena agen bertindak secara otonom dalam horizon panjang, dan karena "siswa hantu" (pikiran LLM dipasangkan dengan "tubuh" peramban agensik) dapat menavigasi Sistem Manajemen Pembelajaran, terlibat dengan konten, dan menyelesaikan penilaian dengan peniruan seperti manusia, mereka membuat kehadiran sejati pembelajar menjadi opsional dan menciptakan celah verifikasi yang tidak dapat ditutup proktoring dan deteksi. Beberapa implikasi integritas mengikuti:

Artefak tidak lagi mensertifikasi pembelajar. Ketika agen dapat menghasilkan, merencanakan, dan menjalankan seluruh pengumpulan tugas, mutu produk mencerminkan kemampuan agen, bukan pembelajar. Ini adalah masalah sertifikasi invarian alat pada bentuk paling ekstrem: penilaian tradisional "kumpulkan pekerjaan" kehilangan nilai evidensialnya.
Verifikasi, bukan deteksi, adalah satu-satunya respons yang layak. Kepolisian berbasis deteksi secara struktural tidak mampu mengikuti agen otonom. Pertanyaan integritas bergeser dari "dapatkah kita menangkap agen AI?" menjadi "dapatkah kita memverifikasi apa yang sebenarnya dapat dilakukan pembelajar?", yang menguntungkan penilaian berbasis proses, interaktif, dan verifikasi human-in-the-loop.
Penyelesaian tugas kuliah yang dinilai oleh agen kini telah didemonstrasikan, dan itu kegagalan validitas, bukan hanya integritas. Hadjisolomou & El-Haddad (2026) mendokumentasikan agen (Claude for Chrome, Perplexity Comet, Claude Opus) yang masuk ke mata kuliah LMS sarjana yang aktif dan menyelesaikan pekerjaan yang benar-benar dinilai dari satu instruksi: kuis 10 pertanyaan mendapat skor 10/10 dalam waktu kurang dari 5 menit, dan sebuah pos papan diskusi di mana agen mengarang kisah hidup pribadi yang meyakinkan setelah menambang pos rekan. Dengan menerapkan kerangka validitas berbasis argumen Kane, mereka menempatkan "asumsi produksi manusia" di dasar inferensi penskoran: penyelesaian oleh agen menghapus landasannya, sehingga setiap skor asinkron tanpa proktoring, termasuk yang diperoleh dengan jujur, kehilangan dukungan interpretatif karena kepengarangan tidak dapat diverifikasi. Membingkai masalah sebagai validitas alih-alih integritas penting karena institusi dapat menghukum pelanggaran dan tetap tidak memiliki dasar bagi skor yang dilaporkannya, dan karena artefak yang sama memasok rantai bukti tinjauan program dan akreditasi. Obat mereka, sejalan dengan "verifikasi di atas deteksi" di halaman ini, adalah perancangan ulang penilaian untuk kehadiran manusia yang terverifikasi (kehadiran di atas produk, integrasi di atas isolasi, autentisitas di atas keseragaman, latihan berisiko rendah dan kehadiran bertaruh tinggi) dengan menu opsi momen terverifikasi yang menjaga ekuitas.
Akuntabilitas menjadi tersebar. Dalam sistem multiagen, ketika agen otonom menghasilkan keluaran bermasalah, tidak jelas siapa yang bertanggung jawab: pembelajar, sistem, atau institusi. Ini mengaburkan atribusi yang diasumsikan proses integritas akademik.
Utang kognitif terakumulasi secara diam-diam. Siswa hantu memungkinkan pembelajar melewati proses menuntut usaha yang membangun pemahaman, mengakumulasi utang kognitif yang baru muncul ketika kinerja mandiri dituntut. Dengan demikian integritas terikat pada pembelajaran sejati, bukan hanya kepatuhan aturan.
Ini memperlebar kesenjangan ekuitas. Pembelajar dengan akses ke sistem agensik yang lebih mumpuni memperoleh keunggulan yang tidak proporsional, dan dukungan otomatis dapat mengikis bantuan bagi mereka yang paling membutuhkannya, sebuah dimensi ekuitas dari integritas.

Ini menghubungkan diskusi AI agensik dengan cakupan integritas akademik dalam basis pengetahuan, yang membingkai responsnya sebagai perancangan ulang penilaian dan literasi AI alih-alih deteksi semata.

Gesekan produktif dan interaksi sosial

Tidak semua perilaku agensik harus berupa bantuan yang mulus. Penelitian tentang agen desain adversarial menunjukkan bahwa agen yang menjalankan konflik konstruktif mendorong iterasi desain yang jauh lebih banyak, eksplorasi alternatif yang lebih luas, dan desain akhir dengan penilaian lebih tinggi di kalangan perancang interaksi pemula (N=48), sebuah dinamika gesekan produktif, di mana agen konflik membuat frustrasi tetapi pada akhirnya membantu. Ini terhubung ke pertanyaan Sokratik dan berpikir desain, dan menggambarkan bagaimana AI agensik dapat mendukung pertimbangan ulang yang mendalam alih-alih penerimaan pasif.

Sebuah studi tentang bagaimana AI agensik mencapai hasil belajar melalui jalur psikologis alih-alih teknologis memasok sudut pengukuran yang hilang. Pramod dan Patil (2026) menyurvei 398 mahasiswa bisnis di India dan memodelkan otonomi, kompetensi, dan keterhubungan bersama interaktivitas, berbagi informasi, dan kehadiran sosial yang dipersepsikan; otonomi adalah pendorong motivasional terkuat (β = 0,504) dan interaktivitas pendorong sosial terkuat (0,468), dengan motivasi dan kehadiran sosial mengalir ke keterlibatan pada kekuatan yang hampir sama (0,533 dan 0,493) sebelum keterlibatan memprediksi kinerja belajar yang dipersepsikan (0,671). Pelajaran desainnya adalah bahwa jalur sosial tidak otomatis: konstruk lingkungan kolaboratif menggerakkan kehadiran sosial yang dipersepsikan lebih sedikit daripada responsivitas dan berbagi informasi biasa, sehingga memperlakukan agen sebagai antarmuka obrolan alih-alih sebagai partisipan membuat sebagian besar jalur itu tidak terpakai.

Implikasi bagi instruktur dan perancang pembelajaran

Bagi guru, dosen, dan perancang pembelajaran, AI agensik mengubah baik apa yang mungkin maupun apa yang harus dijaga:

Realokasikan usaha ke pekerjaan bernilai lebih tinggi. Agen dapat mengambil alih perencanaan pelajaran, generasi dan validasi pertanyaan, triase umpan balik, dan pengambilan sumber daya. Instruktur harus memperlakukan ini sebagai perancah yang dapat diotomatiskan yang membebaskan waktu untuk hal yang tidak dapat dilakukan agen: pengajaran relasional, pertimbangan kontekstual, dan desain pengalaman belajar. Alur kerja multiagen yang berorientasi guru adalah model yang menjanjikan.
Jaga kerja kognitif pembelajar tetap di depan dan di tengah. Pertanyaan desain sentralnya bukan "apa yang dapat dilakukan agen?" melainkan "apa yang harus dilakukan pembelajar?" Perancang pembelajaran harus mengonfigurasi sistem agensik sehingga ia memberikan perancah alih-alih menggantikan perencanaan, pemantauan, dan usaha pembelajar, dengan menggunakan perancah dinamis dan gesekan yang disengaja untuk melindungi agensi dan menghindari ketergantungan berlebih.
Rancang untuk verifikasi dan proses, bukan hanya keluaran. Ketika agen dapat menghasilkan pekerjaan sesuai permintaan, artefak tidak lagi mensertifikasi pembelajaran. Instruktur harus memasangkan alat agensik dengan penilaian berbasis proses (pembelaan lisan, tugas invarian alat, pemeriksaan verifikasi) sehingga pemahaman, bukan hanya produksi, yang diukur.
Kurasi dan landaskan agen pada pedagogi. Bukti tolok ukur menunjukkan agen berlandaskan teori mengungguli prompting mentah. Perancang harus mendasarkan perilaku agen pada kerangka instruksional yang mapan (misalnya pelepasan bertahap, pertanyaan Sokratik, teori pembelajaran) alih-alih mengandalkan perangkaian alat generik.
Pertahankan pengawasan dan pertimbangan manusia. Sistem multiagen dan otonom membuat desain human-in-the-loop menjadi esensial: tentukan di mana manusia masuk, siapa yang bertanggung jawab, dan bagaimana kegagalan ditangkap. Pengujian adversarial membantu menyingkap mode kegagalan sebelum penerapan.
Bangun literasi AI instruktur. Guru dan perancang perlu model mental yang akurat tentang AI agensik untuk mengonfigurasi, memantau, dan mengkritik sistem ini, serta untuk menjadi teladan penggunaan yang bertanggung jawab bagi pembelajar. Ini terhubung ke kompetensi AI guru dan pengembangan dosen.
Perhatikan ekuitas. Alat agensik berisiko memperlebar kesenjangan jika akses tidak setara atau jika otomatisasi mengikis dukungan bagi pembelajar yang paling membutuhkannya; rancanglah dengan ekuitas dalam pikiran.
Siapkan perancah institusional sebelum menskalakan. Pertanyaan penerapan bukan hanya pada tingkat desain tetapi pada tingkat institusi. Sintesis Baradziej (2026) memadatkan bukti tata kelola menjadi tiga pilar: kembangkan literasi AI di kalangan siswa dan staf; bangun infrastruktur etis (kebijakan perlindungan data, kerangka akuntabilitas algoritmik dan integritas akademik) sebelum penerapan skala besar; dan sediakan pelatihan pendidik berbasis kompetensi yang melampaui pengenalan alat menuju kerangka pedagogis yang mempertahankan agensi manusia. Mengingat hanya sekitar 6,5% dosen di beberapa konteks nasional yang melaporkan penggunaan AI secara langsung, celah pelatihan adalah kendala pengikat bagi adopsi yang bertanggung jawab.

Teknik memastikan integritas akademik dengan AI agensik

Karena agen otonom membuat deteksi menjadi sia-sia, instruktur harus fokus pada teknik yang memverifikasi pembelajaran dan membuat pekerjaan jujur terlihat, alih-alih pada kepolisian:

Utamakan verifikasi di atas deteksi. Ganti atau lengkapi "kumpulkan pekerjaan" dengan interaksi yang menuntut pembelajar menunjukkan pemahaman yang tidak dapat mereka alihdayakan: pembelaan lisan, tugas invarian alat, pemecahan masalah langsung, dan penilaian berbasis proses. Tujuannya adalah menetapkan apa yang dapat dilakukan pembelajar secara mandiri, bukan menangkap agen.
Gunakan penilaian interaktif dan bertahap. Tuntut pengumpulan bertahap (draf, revisi, refleksi) dan pemeriksaan percakapan lanjutan yang menyelidiki apakah siswa memahami pekerjaan yang mereka kumpulkan, yaitu pendekatan "AI Viva" dan penatalayanan kognitif. Siswa hantu tidak dapat mempertahankan interogasi langsung yang tidak pernah mereka jalankan.
Tetapkan ekspektasi yang jelas dan digerakkan tujuan. Dasarkan ekspektasi integritas pada tujuan mata kuliah, yaitu penggunaan AI apa yang diizinkan, kapan, dan mengapa, alih-alih aturan abstrak. Kejelasan kebijakan yang selaras dengan pedagogi mengurangi ambiguitas yang dimanfaatkan siswa dan salah penilaian yang didokumentasikan dalam penelitian integritas.
Buat penggunaan AI terlihat dan dideklarasikan. Deklarasi penggunaan AI yang terstruktur dan spesifik tugas (memetakan penggunaan ke tahap kognitif) memaksa refleksi dan menormalkan pengungkapan yang jujur, menggeser budaya dari penyembunyian ke transparansi.
Bangun literasi AI sebagai pendidikan integritas. Ajarkan siswa cara menggunakan agen secara bertanggung jawab dan menilai keluaran secara kritis, membingkai integritas sebagai pembelajaran sejati alih-alih kepatuhan aturan. Ini mencakup literasi AI, pemahaman tentang apa yang dapat dan tidak dapat dilakukan agen, serta biaya belajar dari melewati usaha.
Jaga manusia tetap dalam lingkar. Pertahankan pengawasan manusia atas keputusan penilaian, verifikasi pengumpulan bertaruh tinggi secara interaktif, dan rancang alat agensik sehingga instruktur selalu dapat masuk.
Tutup celah verifikasi dengan interaksi. Untuk konteks sepenuhnya daring atau asinkron, gunakan komponen terproktoring atau interaktif yang menuntut kehadiran langsung, menangani ancaman siswa hantu secara langsung alih-alih mengasumsikan deteksi akan menangkapnya.

Intisari yang seimbang

AI agensik bukan panasea dan bukan kerugian yang tak terhindarkan: nilainya bergantung pada desain. Digunakan untuk memberikan perancah bagi agensi pembelajar, berlandaskan pedagogi, dan menjaga manusia dalam lingkar, agen dapat mempersonalisasi dan memperdalam pembelajaran; digunakan untuk memaksimalkan otomatisasi dan penyelesaian tugas, mereka dapat mengikis usaha yang justru menghasilkan pembelajaran. Prinsip desain yang berulang adalah kesengajaan, yaitu memutuskan secara eksplisit apa yang dilakukan agen dan apa yang sengaja ditinggalkannya untuk pembelajar.

Miskonsepsi Umum

"Chatbot apa pun yang tersambung ke alat adalah sistem agensik." Pembedanya ditarik pada struktur kemampuan, bukan pada akses alat: sebuah sistem memenuhi syarat sebagai agensik hanya jika memenuhi kriteria seperti perencanaan, memori, otonomi, dan tindakan berorientasi tujuan lintas langkah. Alat prompt-respons yang dapat memanggil kalkulator tetap bersifat percakapan. Pembedaan itu penting karena risikonya dan metode evaluasinya berbeda: tindakan bertahap yang otonom memunculkan mode kegagalan yang tidak dimunculkan satu pertukaran.

"Model dasar yang lebih baik adalah yang membuat sistem agensik berhasil dalam pendidikan." Dalam uji coba yang dikutip halaman ini, spesialisasi peran dan bukan kemampuan model mentah yang dikreditkan atas perbaikan perilaku konsultasi (71,8% terhadap pembandingnya). Arsitektur dan pembagian kerja antaragen adalah keputusan desain dengan efek yang terukur, yang berarti model yang lebih kuat yang dimasukkan ke pipeline tanpa spesialisasi tidak akan mereproduksi hasil itu.

"Sistem agensik dalam pendidikan berlandaskan pedagogi karena peneliti pendidikan yang membangunnya." Bukti mengatakan sebaliknya: tinjauan cakupan menemukan hanya 29% studi AI agensik (138 dari 474) yang secara eksplisit mendasarkan sistemnya pada teori pendidikan. Pemisahan disipliner antara kerja berorientasi teknis dan berorientasi pedagogis adalah kondisi bidang ini, bukan kelalaian penulis individual, sehingga demo yang berfungsi adalah keluaran yang diharapkan dan demo yang berfungsi untuk pembelajaran adalah kasus minoritas.

"Agen yang mempersonalisasi dan memperdalam pembelajaran adalah keuntungan bersih dibanding chatbot." Ia membawa pertukaran yang khas: sistem agensik mengancam agensi dan mengundang offloading atas usaha kognitif yang menjadi tumpuan pembelajaran, dan dengan melakukan lebih banyak langkah tanpa pengawasan mereka membuat offloading itu lebih sulit disadari. Ketegangan otomatisasi versus pembelajaran adalah masalah analitis sentral kategori ini, bukan catatan tambahan pada manfaatnya.

Konsep Terkait

FAQ terkait

Sumber daya terkait

DeepTutor
The open-source release of the DeepTutor agentic tutoring framework: one workspace for tutoring, question generation, mastery practice, research and visualization, with inspectable learner memory.

Metadata

Disiplin	Stem Education
Tingkat	Higher Ed, K 12
Audiensi sasaran	Learners
Pembelajaran dan pengajaran	Scaffolding
Teknologi dan teknik	Generative AI, Human-in-the-Loop, Intelligent Tutoring, Large Language Models (LLMs)
Dasar-dasar AI dalam pendidikan	Learner Agency, AI Agensik, Literasi AI, Offloading Kognitif

Sumber Riwayat Sunting Obrolan