Perkembangan AI Setelah Chatbot: Teknologi AI Apa yang Sedang Berkembang?

PASUNDANEKSPRES.ID - Artificial intelligence (AI) selama beberapa tahun terakhir semakin dekat dengan kehidupan sehari-hari.

Perkembangan AI melalui large language model (LLM) membuat AI mampu menghasilkan teks, menjawab pertanyaan, menulis kode, menganalisis dokumen, membuat gambar, hingga membantu berbagai pekerjaan.

Namun, perkembangan AI tidak berhenti pada chatbot.

Di balik popularitas chatbot dan generative AI, berbagai bidang lain juga berkembang dengan cepat. AI mulai mampu memproses berbagai jenis informasi melalui multimodal AI, menjalankan tugas melalui AI agent, memahami lingkungan menggunakan computer vision, berinteraksi dengan dunia fisik melalui robotics dan embodied AI, hingga digunakan dalam neuroscience, brain-computer interface, dan scientific discovery.

Artinya, perkembangan AI modern tidak hanya mengarah pada model yang semakin pintar dalam menghasilkan jawaban.

AI juga bergerak menuju sistem yang mampu memahami lingkungan, mengambil keputusan, melakukan tindakan, berinteraksi dengan manusia, dan membantu proses penemuan ilmiah.

Dari Chatbot ke Generative AI

Salah satu bentuk perkembangan AI yang paling dikenal saat ini adalah generative AI. Teknologi ini memungkinkan sistem AI menghasilkan berbagai bentuk konten, mulai dari teks, gambar, audio, video, hingga kode.

Large language model atau LLM menjadi salah satu fondasi penting dalam perkembangan teknologi AI tersebut. Model bahasa modern tidak hanya digunakan untuk percakapan, tetapi juga dapat digunakan untuk analisis informasi, pemrograman, summarization, reasoning, dan berbagai aplikasi berbasis bahasa.

Perkembangan ini membuat chatbot menjadi salah satu bentuk interface untuk berinteraksi dengan AI.

Namun, chatbot hanyalah satu bagian dari ekosistem tersebut.

Perkembangan AI setelah era chatbot kemudian bergerak menuju kemampuan yang lebih luas. Sistem tidak lagi hanya menerima teks dan memberikan teks, tetapi mulai menggabungkan berbagai jenis informasi sekaligus. Di sinilah multimodal AI menjadi penting.

Multimodal AI: Ketika AI Tidak Lagi Hanya Memahami Teks

Manusia memahami dunia melalui berbagai indera. Kita dapat melihat objek, mendengar suara, membaca tulisan, berbicara, dan menggabungkan semua informasi tersebut untuk memahami sebuah situasi.

Multimodal AI mencoba melakukan sesuatu yang serupa dengan menggabungkan berbagai jenis data.

Sistem AI dapat bekerja dengan:

teks,
gambar,
audio,
video,
data sensor,
dan berbagai bentuk data terstruktur.

Dengan kemampuan tersebut, AI tidak hanya perlu memahami apa yang tertulis, tetapi juga dapat menghubungkan informasi dari beberapa sumber.

Misalnya, sebuah sistem dapat menerima gambar sebuah ruangan, instruksi berbentuk teks, dan informasi suara untuk menentukan tindakan yang sesuai.

Perkembangan AI modern memang semakin bergerak ke arah kemampuan lintas modality. AI Index 2026 melacak kemajuan AI tidak hanya pada bahasa, tetapi juga vision, video, speech, reasoning, robotics, dan agentic systems.

Perubahan ini penting karena dunia nyata sendiri bersifat multimodal. Jika AI ingin berinteraksi dengan manusia atau lingkungan fisik, kemampuan memahami teks saja tidak cukup.

AI Agent: Dari Menjawab Pertanyaan ke Menjalankan Tugas

Tahap berikutnya dalam perkembangan AI adalah AI agent.

Chatbot pada dasarnya bekerja melalui pola sederhana:

Input → Respons

AI agent memiliki pola yang lebih kompleks. Sistem dapat menerima sebuah tujuan, memahami kondisi, menyusun rencana, menggunakan tools, mengamati hasil, lalu menentukan tindakan berikutnya.

Secara sederhana, prosesnya dapat digambarkan sebagai:

Goal → Perception → Reasoning → Planning → Action → Observation → Evaluation

Perubahan ini membuat AI bergerak dari sistem yang terutama menghasilkan respons menjadi sistem yang dapat menjalankan rangkaian pekerjaan.

Misalnya, pengguna tidak hanya meminta AI menjelaskan sebuah produk, tetapi meminta AI mencari beberapa pilihan, membandingkan spesifikasi, memeriksa informasi, lalu membuat rekomendasi berdasarkan kebutuhan tertentu.

Agent harus menentukan informasi apa yang diperlukan, menggunakan tools yang tersedia, mengevaluasi hasilnya, dan menyesuaikan tindakan berikutnya.

Perkembangan AI agent sudah terlihat dalam evaluasi AI modern. AI Index 2026 mencatat kemampuan agent dalam menyelesaikan tugas komputer meningkat pesat, meskipun sistem masih gagal pada sebagian signifikan percobaan.

Karena itu, AI agent bukan berarti AI sudah sepenuhnya otonom. Justru semakin besar kemampuan sebuah agent untuk bertindak, semakin penting kemampuan sistem untuk melakukan verification, evaluation, dan menangani ketidakpastian.

Computer Vision: AI yang Belajar Melihat Dunia

Jika multimodal AI memperluas jenis informasi yang dapat diproses AI, computer vision memberikan kemampuan untuk memahami informasi visual.

Computer vision memungkinkan AI menganalisis:

gambar,
video,
objek,
wajah,
lingkungan,
pergerakan,
dan hubungan spasial.

Perkembangannya juga semakin bergerak dari sekadar mengenali objek menuju pemahaman terhadap sebuah situasi.

Misalnya, sistem tidak hanya mengetahui bahwa terdapat mobil di dalam sebuah gambar.

Sistem yang lebih kompleks perlu memahami bahwa mobil tersebut berada di jalan, terdapat kendaraan lain di sekitarnya, seseorang sedang menyeberang, dan kondisi lingkungan tertentu dapat memengaruhi tindakan yang harus dilakukan.

Kemampuan semacam ini menjadi salah satu fondasi penting bagi robot dan autonomous systems. AI harus dapat mengetahui apa yang ada di sekitarnya sebelum menentukan apa yang harus dilakukan.

Embodied AI: Ketika AI Masuk ke Dunia Fisik

Selama bertahun-tahun, sebagian besar sistem AI beroperasi di lingkungan digital. AI menerima data, memprosesnya, lalu menghasilkan output digital. Embodied AI membawa persoalan tersebut ke dunia fisik.

Sistem embodied AI tidak hanya perlu memahami informasi, tetapi juga harus berinteraksi dengan lingkungan melalui sebuah tubuh atau platform fisik.

Siklusnya dapat terlihat seperti:

Perception → World Understanding → Decision → Action → Feedback

Setelah melakukan sebuah tindakan, sistem harus mengamati apa yang terjadi dan menyesuaikan tindakan berikutnya.

Ini jauh lebih kompleks dibandingkan menghasilkan teks. Dunia fisik memiliki ketidakpastian. Objek dapat bergerak, permukaan dapat berbeda, pencahayaan berubah, manusia dapat melakukan sesuatu yang tidak diprediksi, dan sebuah tindakan dapat menghasilkan konsekuensi yang berbeda dari simulasi.

Karena itu, embodied AI menjadi salah satu bidang penting dalam perkembangan AI menuju interaksi dengan dunia nyata.

Robotics: Ketika AI Bisa Melakukan Tindakan Fisik

Robotics menjadi salah satu penerapan paling jelas dari embodied AI. Robot membutuhkan lebih dari sekadar kemampuan menghasilkan keputusan. Sistem harus menggabungkan perception, planning, control, dan physical action.

Contohnya:

mengambil objek,
berjalan atau bernavigasi,
memindahkan barang,
berinteraksi dengan manusia,
melakukan pekerjaan industri,
atau beradaptasi terhadap perubahan lingkungan.

Perkembangan robotika menunjukkan bahwa kemampuan AI di lingkungan terkontrol sudah semakin tinggi. Namun, dunia nyata masih jauh lebih sulit.

AI Index 2026 mencatat robot dapat mencapai tingkat keberhasilan tinggi dalam simulasi manipulasi tertentu, tetapi performanya turun drastis pada tugas rumah tangga yang lebih tidak terstruktur.

Perbedaan tersebut menunjukkan sebuah tantangan penting:

AI yang berhasil dalam lingkungan terkontrol belum tentu siap menghadapi kompleksitas dunia nyata.

Karena itu, masa depan robotics bukan hanya tentang membuat robot yang lebih kuat atau lebih cepat.

Tantangannya adalah membuat robot yang mampu memahami situasi, mengambil keputusan, dan beradaptasi ketika kondisi berubah.

Autonomous Systems: AI yang Harus Mengambil Keputusan di Dunia Nyata

Autonomous systems membawa konsep tersebut lebih jauh. Sistem autonomous tidak hanya melakukan perintah yang sudah ditentukan, tetapi harus menentukan tindakan berdasarkan kondisi lingkungan.

Contohnya dapat ditemukan pada:

autonomous vehicles,
drone,
robot navigasi,
intelligent transportation,
sistem industri,
dan berbagai platform autonomous lainnya.

Dalam autonomous vehicle, misalnya, sistem harus terus melakukan perception terhadap lingkungan, memperkirakan kondisi di sekitarnya, menentukan tindakan, lalu mengontrol kendaraan.

Kesalahan tidak hanya menghasilkan jawaban yang salah. Kesalahan dapat menghasilkan tindakan fisik yang salah.

Karena itu, autonomous systems membutuhkan tingkat reliability dan safety yang jauh lebih tinggi dibandingkan aplikasi AI yang hanya menghasilkan teks.

Perkembangan autonomous vehicle juga sudah memasuki skala operasional. AI Index 2026 mencatat layanan kendaraan tanpa pengemudi telah mencapai deployment massal di beberapa wilayah, meskipun penerapannya masih memiliki batasan geografis dan operasional.

Hal ini menunjukkan bahwa autonomous AI bukan lagi sekadar konsep penelitian. Namun, tingkat otonomi dan kemampuan adaptasinya masih menjadi area penelitian yang sangat aktif dalam perkembangan AI.

Affective Computing: Ketika AI Mulai Berhadapan dengan Emosi

Perkembangan AI juga tidak hanya bergerak ke arah dunia fisik. AI semakin banyak digunakan untuk memahami interaksi manusia.

Salah satu bidang yang berkaitan dengan hal tersebut adalah affective computing. Affective computing mempelajari bagaimana sistem komputasi dapat mendeteksi, memproses, atau merespons informasi yang berkaitan dengan emosi dan keadaan afektif manusia.

Data yang digunakan dapat berasal dari:

ekspresi wajah,
suara,
bahasa,
gerakan tubuh,
pola interaksi,
dan sinyal fisiologis.

Teknologi ini dapat digunakan dalam berbagai konteks, seperti human-computer interaction, assistive technology, pendidikan, robot sosial, dan sistem interaktif.

Namun, ada perbedaan penting antara mendeteksi sinyal emosional dan memahami pengalaman emosional manusia.

AI dapat menemukan pola yang berkaitan dengan keadaan tertentu tanpa berarti memiliki pengalaman subjektif yang sama dengan manusia.

Karena itu, perkembangan affective computing tetap berkaitan erat dengan pertanyaan yang lebih mendasar mengenai bagaimana AI memahami manusia.

AI dan Neuroscience: Apa yang Bisa Dipelajari dari Otak?

Hubungan antara AI dan ilmu saraf juga berkembang dalam dua arah. Di satu sisi, AI digunakan sebagai alat untuk membantu neuroscience.

Model komputasional dapat digunakan untuk menganalisis data neural yang sangat kompleks, menemukan pola, dan membantu peneliti mempelajari hubungan antara aktivitas otak dan proses kognitif. Di sisi lain, neuroscience juga memberikan inspirasi bagi perkembangan AI.

Peneliti mempelajari bagaimana otak melakukan:

persepsi,
pembelajaran,
memori,
pengambilan keputusan,
dan pemrosesan informasi.

Pengetahuan tersebut dapat menginspirasi pendekatan baru dalam computational neuroscience, neural architectures, dan brain-inspired computing.

Perkembangan terbaru juga menunjukkan adanya semakin banyak pembahasan mengenai hubungan antara generative AI dan cognitive neuroscience.

Artinya, AI dan neuroscience bukan dua bidang yang berjalan sepenuhnya terpisah. Keduanya semakin sering digunakan untuk memahami satu sama lain.

Brain-Computer Interface: Ketika AI Mulai Terhubung dengan Otak

Salah satu teknologi yang paling menarik di persimpangan AI dan neuroscience adalah brain-computer interface (BCI). BCI memungkinkan aktivitas otak digunakan untuk mengendalikan atau berkomunikasi dengan sebuah sistem komputer.

Secara sederhana, prosesnya dapat digambarkan sebagai:

Neural Signal → Signal Processing → AI Decoding → Computer Output

AI memiliki peran penting karena sinyal neural sangat kompleks dan membutuhkan metode komputasional untuk diterjemahkan menjadi informasi yang dapat digunakan.

Salah satu arah penelitian BCI adalah memulihkan kemampuan komunikasi pada orang yang mengalami gangguan bicara. Penelitian terbaru juga mengeksplorasi decoding sinyal otak yang berkaitan dengan speech dan language. Namun, BCI masih memiliki banyak tantangan.

Performa dapat berbeda antarindividu, proses pembelajaran dapat membutuhkan waktu, dan sistem harus mampu menangani variasi sinyal neural.

Penelitian Nature Neuroscience pada 2026, misalnya, masih menunjukkan bahwa pembelajaran pengguna terhadap non-invasive BCI dapat berlangsung dengan kecepatan yang berbeda-beda.

Karena itu, BCI bukan sekadar teknologi untuk “membaca pikiran”. Bidang ini lebih tepat dipahami sebagai upaya membangun jalur komunikasi antara sistem saraf dan komputer.

Scientific AI: Ketika AI Membantu Menemukan Pengetahuan Baru

Salah satu arah perkembangan AI yang paling penting adalah penggunaannya dalam ilmu pengetahuan. Selama ini, AI banyak digunakan untuk membantu manusia mengolah informasi. Dalam scientific AI, AI mulai digunakan untuk membantu proses penelitian itu sendiri.

Contohnya mencakup:

analisis data ilmiah,
prediksi struktur molekul,
penelitian material,
biologi,
kimia,
fisika,
astronomi,
climate science,
dan berbagai bidang lainnya.

AI Index 2026 bahkan memasukkan AI in Science sebagai salah satu bagian utama laporan dan mencatat sekitar 80.150 publikasi AI dalam natural sciences pada 2025, meningkat sekitar 26 persen dibandingkan 2024.

Namun, scientific AI tidak berarti semua proses penelitian sudah dapat dilakukan secara otomatis. Ada beberapa tingkatan penggunaan AI dalam sains.

Pertama, AI digunakan untuk menganalisis data ilmiah. Kedua, AI membantu ilmuwan dalam workflow penelitian, seperti pencarian literatur, desain eksperimen, dan analisis data. Ketiga, muncul sistem yang mencoba menjalankan sebagian proses penemuan ilmiah secara lebih otonom.

Kategori terakhir masih berada pada tahap awal dan membutuhkan validasi eksperimen yang ketat. AI Index 2026 menekankan bahwa hasil yang dihasilkan sistem AI secara komputasional masih memiliki jarak yang cukup besar dari penemuan yang benar-benar terkonfirmasi melalui eksperimen.

AI Agent Mulai Masuk ke Scientific Discovery

Perkembangan AI agent membuat scientific AI menjadi semakin menarik. Sebuah AI agent untuk penelitian tidak harus berhenti pada menjawab pertanyaan ilmiah.

Sistem dapat melakukan:

Literature Search → Hypothesis Generation → Experiment Proposal → Data Analysis → Interpretation → New Hypothesis

Dengan alur seperti ini, AI dapat menjadi bagian dari proses penelitian yang iteratif.

Salah satu contoh penelitian pada 2026 adalah Robin, sebuah multi-agent system yang dirancang untuk mengotomatisasi sebagian proses scientific discovery dalam experimental biology. Sistem tersebut menggabungkan agent untuk pencarian literatur dan analisis data, kemudian menghasilkan hipotesis, mengusulkan eksperimen, menginterpretasikan hasil, dan memperbarui hipotesis.

Namun, kemampuan menghasilkan hipotesis belum sama dengan menghasilkan penemuan ilmiah yang benar. Hasil komputasi tetap membutuhkan validasi.

Karena itu, masa depan scientific AI kemungkinan bukan menggantikan metode ilmiah, tetapi membuat proses ilmiah menjadi lebih cepat, luas, dan mampu mengeksplorasi kemungkinan yang sebelumnya sulit diperiksa manusia secara manual.

Computational Science: Ketika AI Bertemu Simulasi

AI juga semakin dekat dengan computational science. Bidang ini menggunakan komputasi untuk memodelkan fenomena yang terlalu kompleks, mahal, atau sulit diamati secara langsung.

Contohnya mencakup:

simulasi fisika,
pemodelan iklim,
computational chemistry,
materials science,
fluid dynamics,
astronomy,
dan berbagai bidang ilmiah lainnya.

AI dapat digunakan untuk mempercepat simulasi, membangun surrogate models, menganalisis hasil, atau membantu menemukan pola dalam dataset ilmiah yang sangat besar.

Hubungan AI dengan high-performance computing juga semakin penting. Penelitian 2026 menunjukkan bahwa AI dan HPC semakin terintegrasi dalam scientific discovery dan mengubah cara komputasi digunakan dalam penelitian.

Dengan demikian, AI tidak hanya menjadi alat untuk menghasilkan konten.

AI juga dapat menjadi bagian dari infrastruktur komputasi untuk memahami fenomena alam.

Dari Dunia Digital Menuju Dunia Nyata

Jika seluruh perkembangan AI tersebut dilihat secara bersamaan, terlihat sebuah pola.

AI awalnya banyak digunakan untuk memproses informasi. Kemudian AI mulai mampu menghasilkan informasi baru. Setelah itu, AI mulai menggabungkan berbagai modality, menggunakan tools, menyusun rencana, dan menjalankan tugas.

Perkembangan berikutnya membawa AI ke dunia fisik melalui robotics dan autonomous systems. Pada saat yang sama, AI semakin dekat dengan manusia melalui affective computing dan brain-computer interface.

Dan di bidang science, AI mulai digunakan untuk membantu proses penelitian dan scientific discovery.

Perjalanannya dapat digambarkan sebagai:

Language → Multimodal → Agentic → Embodied → Autonomous → Neurotechnology → Scientific AI

Setiap tahap menambahkan kemampuan baru.

Namun, setiap tahap juga membawa tantangan baru.

AI yang mampu menghasilkan teks harus menghadapi masalah factuality.
AI multimodal harus menghubungkan informasi dari berbagai modality.
AI agent harus memastikan bahwa planning dan action sesuai dengan tujuan.
Robot harus berhadapan dengan ketidakpastian dunia fisik.
Autonomous systems harus mengambil keputusan dengan konsekuensi nyata.
BCI harus menghadapi kompleksitas sinyal biologis.

Scientific AI harus memastikan bahwa hasil komputasi benar-benar dapat diverifikasi secara ilmiah.

Jadi, Ke Mana Sebenarnya Arah Perkembangan AI?

Tidak ada satu jalur tunggal yang menentukan masa depan AI.

Perkembangan AI terjadi secara paralel di banyak bidang:

LLM terus berkembang.
Multimodal AI membuat sistem mampu memproses lebih banyak bentuk informasi.
AI agent membuat sistem dapat menjalankan tugas.
Computer vision membantu AI memahami lingkungan visual.
Embodied AI dan robotics membawa AI ke dunia fisik.
Autonomous systems memungkinkan AI mengambil keputusan dalam lingkungan yang berubah.
Affective computing membawa AI lebih dekat dengan interaksi manusia.
Neuroscience dan BCI membuka hubungan antara AI dan sistem saraf.
Scientific AI membawa AI ke dalam proses penelitian dan penemuan pengetahuan.
Perkembangan ini menunjukkan bahwa AI bukan hanya teknologi chatbot.
Chatbot hanyalah salah satu interface dari ekosistem AI yang jauh lebih luas.

Pertanyaan berikutnya bukan hanya:

“Seberapa pintar AI dalam menjawab pertanyaan?”

Tetapi juga:

“Apa yang dapat dilakukan AI ketika ia mampu melihat, mendengar, mengingat, bernalar, menggunakan tools, mengendalikan sistem fisik, berinteraksi dengan manusia, dan membantu melakukan penelitian?”

Di situlah arah perkembangan AI menjadi jauh lebih menarik. Masa depan AI kemungkinan tidak ditentukan hanya oleh model yang semakin besar.

Perkembangannya akan ditentukan oleh bagaimana berbagai kemampuan tersebut digabungkan menjadi sistem yang mampu memahami informasi, mengambil keputusan, berinteraksi dengan lingkungan, dan menghasilkan pengetahuan baru.

Dan jika perkembangan tersebut terus berlanjut, batas antara AI sebagai perangkat lunak, AI sebagai agen, AI sebagai sistem fisik, dan AI sebagai alat penelitian akan semakin tipis.

Setelah era chatbot, AI tidak hanya akan semakin pintar berbicara. AI juga akan semakin mampu melihat, merencanakan, bertindak, berinteraksi, dan membantu manusia memahami dunia.