Glosarium Agen AI: 60 Istilah AI Dijelaskan dengan Bahasa Sederhana (2026)

Setiap halaman produk AI sekarang terasa seperti ujian ejaan: agentik, MCP, RAG, context window, tool calling, guardrail, orkestrasi. Ide di balik istilah-istilah itu sebenarnya kebanyakan sederhana, tetapi tidak ada yang menjelaskannya di satu tempat, dan celah itulah alasan mengapa begitu banyak orang "menggunakan AI" tanpa pernah benar-benar menyerahkan pekerjaan sungguhan kepadanya.

Glosarium AI ini memperbaiki itu. Glosarium ini mencakup 60 istilah yang akan Anda temui saat membaca tentang agen AI, model bahasa besar dan otomatisasi di 2026, dikelompokkan berdasarkan tema dan dijelaskan dengan bahasa sederhana lengkap dengan contoh konkret. Simpan halaman ini, bagikan ke tim Anda, dan gunakan bersama panduan kami tentang apa itu AI agentik dan bagaimana AI subagent bekerja. Saat sebuah istilah relevan untuk penggunaan Jobbit, kami akan menyebutkannya.

Konsep inti: istilah yang dipakai semua orang

• Kecerdasan buatan (AI): perangkat lunak yang menjalankan tugas yang biasanya membutuhkan kecerdasan manusia, seperti memahami bahasa, mengenali gambar atau membuat keputusan. Di 2026, istilah ini sebagian besar merujuk pada sistem yang dibangun di atas model bahasa besar.

• Machine learning (ML): teknik melatih perangkat lunak menggunakan contoh-contoh, bukan menuliskan aturan secara eksplisit. Sebuah filter spam belajar dari jutaan email yang sudah diberi label; ia tidak diberi tahu setiap aturan secara manual.

• Deep learning: machine learning yang menggunakan jaringan saraf tiruan dengan banyak lapisan. Inilah yang membuat pengenalan gambar, suara dan model bahasa modern menjadi mungkin.

• AI generatif (generative AI): AI yang menciptakan konten baru, teks, gambar, kode, audio atau video, dari sebuah prompt. ChatGPT, Claude, Gemini dan Midjourney adalah produk AI generatif.

• Model bahasa besar (LLM): jaringan saraf tiruan yang dilatih dengan teks dalam jumlah sangat besar, yang memprediksi token berikutnya dalam sebuah urutan dan, dengan melakukan itu, belajar bernalar, menulis dan mengikuti instruksi. GPT, Claude, Gemini, Llama, DeepSeek dan Mistral adalah keluarga LLM.

• Model fondasi (foundation model): model besar yang dilatih dengan data yang luas sehingga bisa diadaptasi untuk banyak tugas. LLM adalah model fondasi untuk bahasa; ada padanannya untuk gambar dan video.

• Model multimodal: model yang memahami dan menghasilkan lebih dari satu jenis input, biasanya teks, gambar, audio dan kadang video. Model multimodal memungkinkan sebuah agen membaca tangkapan layar atau faktur hasil pindaian.

• Prompt: instruksi yang Anda berikan ke sebuah model. Menulis prompt dengan baik adalah sebuah keterampilan; lihat cara menulis prompt untuk agen AI.

• System prompt: instruksi tersembunyi yang ditetapkan oleh pembuat produk, yang membentuk bagaimana model berperilaku di setiap percakapan: perannya, nadanya, aturannya dan alat-alatnya.

• Inferensi (inference): tindakan menjalankan model yang sudah dilatih untuk menghasilkan sebuah jawaban. Pelatihan terjadi sekali; inferensi terjadi setiap kali Anda mengirim pesan, dan inilah yang Anda bayar.

Bagaimana model berpikir: token, konteks dan penalaran

• Token: satuan yang dibaca dan ditulis oleh model, kira-kira tiga perempat dari satu kata bahasa Inggris. Harga, batas pemakaian dan kecepatan semuanya diukur dalam token. "Satu juta token" setara kira-kira 750.000 kata.

• Jendela konteks (context window): jumlah teks yang bisa dipertimbangkan model dalam satu waktu, termasuk percakapan Anda, dokumen dan balasan model itu sendiri. Jendela yang lebih besar memungkinkan sebuah agen menyimpan seluruh codebase atau kontrak seratus halaman dalam "ingatannya".

• Rekayasa konteks (context engineering): keterampilan memutuskan apa yang masuk ke jendela konteks: dokumen, contoh, hasil alat dan memori mana saja, sehingga model punya apa yang dibutuhkannya dan tidak ada yang mengalihkan perhatiannya. Istilah ini sebagian besar telah menggantikan "prompt engineering" sebagai keterampilan penting dalam merancang agen.

• Model penalaran (reasoning model): model yang dilatih untuk "berpikir" sebelum menjawab, menghasilkan langkah-langkah antara yang meningkatkan akurasi pada matematika, kode dan perencanaan. Mode penalaran menghabiskan lebih banyak token, tetapi membuat agen jauh lebih bisa diandalkan.

• Rantai pemikiran (chain of thought): penalaran langkah demi langkah yang dituliskan model dalam perjalanan menuju sebuah jawaban. Model penalaran melakukan ini secara bawaan; model yang lebih lama bisa diminta melakukannya lewat prompt.

• Temperature: sebuah pengaturan yang mengontrol tingkat keacakan. Temperature rendah menghasilkan output yang konsisten dan bisa diprediksi; temperature yang lebih tinggi menghasilkan output yang lebih bervariasi dan kreatif.

• Halusinasi (hallucination): pernyataan yang disampaikan dengan percaya diri tetapi salah dari sebuah model, seperti kutipan yang dikarang atau fitur produk yang sebenarnya tidak ada. Agen mengurangi halusinasi dengan memeriksa sumber dan menguji hasil, bukan hanya memercayai satu jawaban saja.

• Grounding: mengaitkan jawaban model dengan data nyata, dokumen, hasil pencarian atau output alat, sehingga ia melaporkan apa yang sungguh-sungguh ada, bukan apa yang terdengar masuk akal.

• Fine-tuning: melatih lebih lanjut sebuah model dengan contoh-contoh milik Anda sendiri sehingga ia mengadopsi gaya, format atau pengetahuan domain tertentu. Berguna untuk tugas yang sempit; biasanya tidak diperlukan untuk agen, yang mendapatkan pengetahuannya dari alat dan konteks.

• Retrieval-augmented generation (RAG): mengambil dokumen yang relevan pada saat pertanyaan diajukan dan memasukkannya ke jendela konteks sehingga model menjawab berdasarkan data Anda. Begitulah cara kerja produk-produk "chat dengan dokumen Anda".

• Embeddings: representasi numerik dari teks yang menangkap makna, sehingga bagian-bagian teks yang mirip berada saling berdekatan. Embeddings menjadi tenaga penggerak di balik pencarian semantik dan RAG.

• Vector database: basis data yang dioptimalkan untuk menyimpan dan mencari embeddings. Pinecone, Weaviate, pgvector dan Chroma adalah pilihan yang umum digunakan.

• Knowledge cutoff: tanggal yang setelahnya sebuah model tidak lagi punya data pelatihan. Agen mengatasi ini dengan mencari di web dan membaca sumber-sumber terkini.

Agen: kosakata otonomi

• Agen AI: perangkat lunak yang menggunakan model plus alat untuk menyelesaikan tugas secara mandiri: ia merencanakan, bertindak, mengamati hasil dan menyesuaikan diri. Inilah subjek dari sebagian besar glosarium ini.

• AI agentik (agentic AI): pendekatan yang lebih luas dalam membangun sistem AI yang digerakkan tujuan dan menggunakan alat, sering kali dengan beberapa agen bekerja bersama. Dijelaskan lengkap di apa itu AI agentik?.

• Asisten AI / copilot: bantuan mirip agen yang tetap berada di bawah kendali langsung Anda, menyarankan alih-alih bertindak. GitHub Copilot di dalam editor adalah contoh klasiknya; "agent mode" adalah titik di mana sebuah copilot berubah menjadi agen.

• Otonomi: seberapa banyak yang dilakukan sebuah agen tanpa bertanya dulu. Sistem yang berguna menyesuaikan otonomi dengan seberapa mudah tindakan itu dibatalkan: bebas membuat draf, tetapi hanya membelanjakan uang dengan persetujuan.

• Tool use / function calling: mekanisme yang digunakan sebuah model untuk memanggil perangkat lunak: mencari di web, menjalankan kode, menanyakan basis data, mengirim email. Alat-alat inilah yang mengubah sebuah chatbot menjadi agen.

• Model Context Protocol (MCP): standar terbuka, yang diperkenalkan oleh Anthropic, untuk menghubungkan model ke alat dan sumber data dengan cara yang konsisten. Anggap saja ini sebagai colokan universal untuk agen; dukungan terhadapnya menyebar ke platform-platform AI besar sepanjang 2025 dan 2026.

• Agent-to-agent protocol (A2A): standar agar agen-agen dari vendor yang berbeda bisa saling menemukan dan berkomunikasi, diusulkan oleh Google. Bersama MCP, ini mengarah pada agen-agen yang berkolaborasi lintas perusahaan.

• Orkestrasi: mengoordinasikan banyak langkah, alat atau agen ke dalam satu alur kerja: memutuskan apa yang dijalankan, dalam urutan apa, dan apa yang terjadi jika gagal.

• Sistem multi-agen: beberapa agen dengan peran berbeda yang bekerja menuju satu tujuan, biasanya sebuah agen utama yang merencanakan dan mendelegasikan, ditambah agen-agen spesialis yang meriset, membangun atau memeriksa.

• Subagent: agen yang dibuat oleh agen lain untuk menangani satu bagian pekerjaan secara paralel. Jobbit menggunakan subagent untuk meriset banyak sumber atau membangun dan menguji beberapa fitur sekaligus; lihat AI subagent dijelaskan.

• Planner: bagian dari agen yang memecah sebuah tujuan menjadi beberapa langkah dan merevisi rencananya seiring masuknya hasil.

• Memori: apa yang tetap diingat oleh sebuah agen di luar satu pesan saja. Memori jangka pendek adalah konteks yang sedang berjalan; memori jangka panjang menyimpan preferensi, keputusan masa lalu dan fakta tentang Anda sehingga agen menjadi lebih baik seiring waktu.

• Agent loop: siklus berulang berupa rencana, tindak, amati, sesuaikan, yang berjalan sampai tujuan tercapai atau agen membutuhkan sebuah keputusan.

• Human in the loop: sebuah desain di mana seseorang meninjau atau menyetujui langkah-langkah tertentu, seperti mengirim email ke pelanggan atau melakukan pembayaran.

• Computer use / agen browser: agen yang mengoperasikan perangkat lunak dengan melihat layar serta mengeklik dan mengetik seperti manusia, yang memungkinkannya bekerja dengan alat-alat yang tidak punya API. Dijelaskan di agen AI computer-use.

• Deep research: alur kerja agentik di mana agen membaca puluhan sumber, menyilangkan klaim dan menghasilkan sebuah laporan bersumber jelas. Lihat cara menjalankan riset mendalam dengan AI.

• Otomatisasi alur kerja (workflow automation): urutan tindakan lintas aplikasi yang telah ditentukan sebelumnya dan berbasis aturan, wilayahnya Zapier, Make dan n8n. Agen menambahkan penilaian ke alur kerja; kami membandingkan keduanya di Zapier vs Make vs n8n vs agen AI.

• Agen AI serbaguna: satu agen yang menangani banyak jenis pekerjaan, riset, menulis, membangun perangkat lunak, desain, otomatisasi, dari satu chat, alih-alih menggunakan alat terpisah untuk masing-masing. Jobbit dibangun dengan cara ini.

Membangun perangkat lunak dengan AI

• Vibe coding: membangun perangkat lunak dengan mendeskripsikan apa yang Anda inginkan dalam bahasa sehari-hari dan membiarkan agen AI menulis, menjalankan dan memperbaiki kodenya, lalu menilai hasilnya dari cara aplikasinya berperilaku, bukan dengan membaca setiap barisnya. Panduan lengkap: apa itu vibe coding?.

• AI app builder: produk yang mengubah sebuah deskripsi menjadi aplikasi yang berfungsi, sering kali lengkap dengan hosting. Lovable, Bolt, v0, Replit dan Jobbit adalah contohnya; dibandingkan di alat vibe coding terbaik.

• Agen coding: agen yang bekerja di dalam sebuah codebase: membaca berkas, menulis kode, menjalankan pengujian dan memperbaiki kegagalan. Claude Code, OpenAI Codex, agent mode milik Cursor dan Devin adalah agen coding.

• No-code / low-code: alat visual untuk membangun perangkat lunak tanpa (atau dengan sedikit) pemrograman, seperti Bubble, Webflow, Airtable dan Retool. Perbandingannya dengan vibe coding dibahas di vibe coding vs no-code vs low-code.

• Sandbox: lingkungan terisolasi tempat sebuah agen bisa menjalankan kode dengan aman tanpa menyentuh sistem asli Anda. Wajib ada untuk agen mana pun yang mengeksekusi kode.

• Deployment (penerbitan): menaruh perangkat lunak secara aktif di sebuah server sehingga orang bisa menggunakannya. Agen yang menerbitkan untuk Anda, lengkap dengan hosting, menghilangkan langkah yang selama ini menghentikan sebagian besar orang non-developer.

• API (application programming interface): cara terstruktur bagi satu perangkat lunak untuk berkomunikasi dengan perangkat lunak lain. Agen menggunakan API untuk membaca dan mengubah data di sistem lain.

• Webhook: pesan yang dikirim satu sistem ke sistem lain saat sesuatu terjadi ("pesanan baru dibuat"), umum digunakan untuk memicu otomatisasi.

• MVP (minimum viable product): versi terkecil dari sebuah produk yang sudah bisa dicoba oleh pengguna sungguhan. Agen telah memampatkan garis waktu pembuatan MVP dari hitungan bulan menjadi hitungan hari; lihat cara membangun SaaS dengan AI.

• Utang teknis (technical debt): jalan pintas dalam kode yang membuat perubahan di masa depan menjadi lebih lambat dan lebih berisiko. Kode hasil AI bisa menumpuknya dengan cepat jika tidak ada yang meninjau strukturnya, salah satu risiko yang dibahas di kesalahan vibe coding dan keamanan.

Keamanan, kualitas dan kepercayaan

• Guardrail: aturan dan pemeriksaan yang membatasi apa yang boleh dilakukan atau dikatakan sebuah agen: tindakan yang diblokir, batas pengeluaran, filter konten, persetujuan yang diwajibkan.

• Injeksi prompt (prompt injection): serangan di mana teks yang dibaca agen (sebuah halaman web, email, dokumen) berisi instruksi yang dirancang untuk membajaknya. Agen yang tangguh memperlakukan semua yang dibacanya sebagai data, tidak pernah sebagai perintah.

• Alignment (keselarasan): upaya luas untuk membuat model berperilaku selaras dengan niat dan nilai manusia, mulai dari menolak permintaan berbahaya sampai mengikuti instruksi dengan setia.

• Evaluasi (evals): pengujian sistematis terhadap kualitas model atau agen pada sekumpulan tugas yang tetap. Tim yang serius menjalankan evals sebelum memercayakan sebuah alur kerja kepada agen.

• Benchmark: evaluasi publik yang digunakan untuk membandingkan model, seperti SWE-bench untuk tugas rekayasa perangkat lunak. Sinyal ini berguna, tetapi performa dunia nyata pada tugas Anda sendiri jauh lebih penting.

• Observabilitas (observability): mencatat apa yang dilakukan sebuah agen, alat apa yang dipanggilnya dan mengapa, sehingga Anda bisa mengaudit hasil dan men-debug kegagalan.

• Red teaming: menyerang sebuah model atau agen secara sengaja untuk menemukan kelemahannya sebelum ditemukan orang lain.

• Residensi data dan privasi: di mana data Anda disimpan dan siapa saja yang bisa melihatnya. Periksa apakah sebuah penyedia AI melatih modelnya menggunakan input Anda, dan di mana lokasi servernya, sebelum mengunggah apa pun yang sensitif.

Istilah bisnis dan harga

• Kredit: mata uang pemakaian yang dijual banyak platform agen sebagai ganti token mentah, sehingga satu kredit mungkin mencakup satu pesan, satu langkah pembangunan atau satu proses riset. Baca konversinya dengan saksama; kami mengupasnya di berapa biaya agen AI?.

• Rate limit: batas maksimum jumlah permintaan atau token yang bisa Anda gunakan dalam satu periode. Menyentuh batas ini di tengah tugas adalah alasan paling umum sebuah proses agen macet.

• Latensi: berapa lama sebuah respons membutuhkan waktu. Agen menukar latensi dengan kelengkapan hasil: sebuah riset dua menit lebih baik daripada tebakan dua detik.

• Harga berbasis kursi vs berbasis pemakaian: membayar per pengguna per bulan dibandingkan membayar sesuai apa yang Anda konsumsi. Produk-produk agen semakin sering mencampurkan keduanya.

• ROI otomatisasi: pengembalian dari sebuah otomatisasi, biasanya diukur dari jam yang dihemat, waktu respons yang lebih cepat atau pendapatan yang terpengaruh, dibandingkan dengan biaya alatnya dan waktu untuk menyiapkannya.

• Pekerja digital / karyawan AI: istilah pemasaran untuk agen level 4 yang memegang sebuah peran, bukan sekadar sebuah tugas. Perlakukan istilah ini dengan skeptisisme yang sama seperti Anda memperlakukan sebuah CV.

Pertanyaan yang sering diajukan

Apa perbedaan antara agen AI dan LLM?

LLM adalah model yang membaca dan menulis teks. Agen AI adalah sebuah sistem yang dibangun di sekitar model tersebut, yang menambahkan perencanaan, alat, memori dan loop umpan balik sehingga ia bisa menyelesaikan tugas, bukan sekadar menjawab pertanyaan. LLM adalah mesinnya; agen adalah mobilnya.

Apa arti MCP dalam AI?

MCP adalah singkatan dari Model Context Protocol, sebuah standar terbuka untuk menghubungkan model AI ke alat dan sumber data dengan cara yang konsisten. Alih-alih setiap produk membangun integrasi khusus masing-masing, alat-alat cukup menyediakan sebuah server MCP dan agen kompatibel mana pun bisa menggunakannya.

Apa itu context window dan mengapa itu penting?

Context window adalah seberapa banyak teks yang bisa dipertimbangkan model dalam satu waktu, diukur dalam token. Ini penting karena semua yang diketahui agen tentang pekerjaan yang sedang berjalan, instruksi Anda, dokumen-dokumennya, hasil dari alat-alatnya, harus muat di dalamnya. Jendela yang lebih besar memungkinkan agen menangani codebase yang lebih besar dan dokumen yang lebih panjang.

Apa perbedaan antara RAG dan fine-tuning?

RAG mengambil dokumen yang relevan pada saat pertanyaan diajukan dan memberikannya ke model, sehingga model menjawab dari data terkini tanpa perlu dilatih ulang. Fine-tuning mengubah modelnya sendiri dengan melatihnya menggunakan contoh-contoh, yang cocok untuk gaya atau format yang tetap. Bagi sebagian besar bisnis, RAG ditambah alat yang baik sudah cukup, dan agen membuat keduanya menjadi kurang diperlukan karena cukup membaca sumbernya langsung.

Apa itu vibe coding dalam satu kalimat?

Vibe coding adalah membangun perangkat lunak dengan mendeskripsikan apa yang Anda inginkan dan membiarkan agen AI menulis, menjalankan dan memperbaiki kodenya, sehingga Anda menilai hasilnya dari cara aplikasi itu berperilaku, bukan dengan membaca setiap barisnya.

Sekarang setelah kosakatanya masuk akal, saatnya mempraktikkannya: mulai gratis di Jobbit dan berikan sebuah agen pekerjaan yang layak dikerjakan.