AI Agents Sedang Belajar Memprediksi Apa yang Diinginkan Pengguna—Sebelum Mereka Memintanya

📄Artikel lengkap· Diambil secara otomatis oleh trafilaturaGemini 翻譯4134 kata

Secara singkat - Para peneliti di Shanghai Jiao Tong University dan Tencent mengembangkan ProAct, agen AI yang dirancang untuk memprediksi kemungkinan kebutuhan pengguna sebelum pengguna bertanya. - Sistem ini memanfaatkan waktu jeda antara pesan untuk meninjau percakapan sebelumnya dan menyiapkan informasi terlebih dahulu. - Para peneliti mengatakan ProAct berkinerja lebih baik daripada sistem AI proaktif sebelumnya dalam pengujian benchmark, meskipun eksperimen tersebut tidak melibatkan pengguna nyata. Para peneliti di Shanghai Jiao Tong University dan konglomerat teknologi Tiongkok Tencent mengklaim telah membangun agen AI yang menggunakan waktu senggang di antara percakapan untuk memprediksi apa yang mungkin ditanyakan pengguna selanjutnya—dan menyiapkan jawaban sebelum mereka bertanya. Sistem yang dinamai ProAct ini bekerja berbeda dari kebanyakan agen AI yang menunggu pengguna mengajukan pertanyaan sebelum merespons. Sebaliknya, ProAct memanfaatkan waktu jeda antara pesan untuk meninjau percakapan sebelumnya dan informasi pengguna yang tersimpan, kemudian menyiapkan informasi yang berguna di latar belakang sebelum pertanyaan berikutnya tiba. "Meskipun agen AI menunjukkan kemampuan luar biasa dalam penalaran dan penggunaan alat, mereka pada dasarnya tetap reaktif: Mereka menghitung respons hanya setelah perintah eksplisit dari pengguna," tulis para peneliti. "Paradigma ini mengabaikan peluang penting: Waktu menganggur antara interaksi sebagian besar terbuang, membuat agen tidak dapat bersiap untuk kebutuhan pengguna di masa depan." Sistem ini bekerja dalam beberapa tahap. Tahap pertama, yang disebut Future-State Prediction, memprediksi kemungkinan pertanyaan lanjutan dengan menganalisis percakapan sebelumnya, preferensi pengguna, dan informasi yang hilang. Tahap kedua, yang disebut Idle-Time Acquisition, memutuskan prediksi mana yang layak diteliti berdasarkan relevansi, waktu, dan seberapa berguna informasi baru tersebut nantinya. Sebuah sistem terpisah kemudian memutuskan apakah akan menyajikan informasi yang sudah disiapkan, menyimpannya untuk nanti, atau menyimpannya hingga dibutuhkan, menciptakan sistem "closed-loop" yang dirancang untuk mengantisipasi dan merespons kebutuhan pengguna. "Setelah setiap interaksi latar depan, agen memperbarui memorinya, memprediksi kemungkinan kebutuhan di masa depan, mengalokasikan komputasi waktu menganggur untuk kandidat yang berharga, dan memutuskan bagaimana persiapan yang dihasilkan harus ditangani," tulis mereka. "Formulasi ini mengikat prediksi, akuisisi, dan penyampaian ke dalam satu kebijakan tunggal, daripada memperlakukan komputasi waktu menganggur sebagai pencarian latar belakang yang tidak terbatas." Menurut para peneliti, ProAct diuji dalam 200 simulasi di 40 domain, termasuk perencanaan keuangan, manajemen rilis perangkat lunak, dan keamanan siber. Menurut makalah tersebut, sistem ini mengurangi giliran percakapan sebesar 14,8% dan memotong permintaan lanjutan sebesar 11,7%. Dalam perbandingan menggunakan benchmark bernama ProActEval, ProAct mengantisipasi 703 kebutuhan pengguna yang dapat diprediksi dibandingkan 32 untuk sistem sebelumnya. Para peneliti juga melaporkan pengurangan halusinasi sebesar 28,1%. Penelitian ini muncul saat agen AI otonom menyebar di seluruh industri teknologi, dengan proyek-proyek seperti OpenClaw dan Hermes Agent yang menghadirkan asisten AI persisten yang dapat menangani tugas yang lebih panjang dan lebih mandiri—seperti coding, penjadwalan, penelitian, dan otomatisasi alur kerja—dengan masukan manusia langsung yang lebih sedikit. Studi ini juga muncul saat peneliti terpisah awal bulan ini memperingatkan bahwa agen AI mungkin menyelesaikan tugas berbahaya tanpa memahami konsekuensinya. "Seperti Mr. Magoo, agen-agen ini terus maju menuju tujuan tanpa sepenuhnya memahami konsekuensi dari tindakan mereka," kata penulis utama Erfan Shayegani, mahasiswa doktoral UC Riverside, dalam sebuah pernyataan. "Agen-agen ini bisa sangat berguna, tetapi kita memerlukan perlindungan karena mereka terkadang dapat memprioritaskan pencapaian tujuan di atas pemahaman gambaran yang lebih besar." Para peneliti mengakui bahwa studi ProAct memiliki beberapa keterbatasan, termasuk bahwa dalam 3% kasus, sistem membuat respons menjadi lebih buruk dengan memunculkan informasi yang tidak relevan. Makalah tersebut juga mengatakan bahwa versi dunia nyata mana pun akan memerlukan perlindungan privasi, karena sistem secara terus-menerus menganalisis percakapan dan menyimpan data pengguna. "Analisis anggaran kami lebih lanjut menunjukkan bahwa anggaran Idle-Time Acquisition yang lebih besar meningkatkan biaya token aktif dan menghasilkan keuntungan yang semakin berkurang," tulis mereka, "sehingga komputasi proaktif adalah trade-off titik operasi daripada sesuatu yang harus dimaksimalkan."

Status data✓ Teks lengkap telah diambilBaca artikel asli (Decrypt)

🔍Peristiwa serupa dalam sejarah· Pencocokan kata kunci + aset6 berita

2026-05-25

Indonesia Memblokir Polymarket Setelah Pengguna Bertaruh Prabowo Akan Meninggalkan Jabatan Sebelum 2029

Tingkat kemiripan 130%關鍵字 users/before

2026-05-25

Dogecoin Millionaires Kembali Bergerak, Inilah yang Sedang Mereka Lakukan Sekarang

Tingkat kemiripan 130%關鍵字 what/they

2026-05-15

Pasar Obligasi Global Sedang Runtuh: Tetapi Apa yang Mereka Katakan Tentang China, Minyak, dan Ekonomi?

Tingkat kemiripan 130%關鍵字 what/they

2026-05-09