Apa Itu Large Action Model (LAM)? Ini Cara Kerja dan Fungsinya

Perkembangan kecerdasan buatan atau artificial intelligence (AI) dalam beberapa tahun terakhir melaju sangat cepat. Kita sudah terbiasa dengan AI yang mampu menjawab pertanyaan, menulis artikel, menerjemahkan bahasa, hingga membuat gambar dan video. Namun, di balik kemajuan tersebut, muncul satu keterbatasan besar: sebagian besar AI masih hanya bisa merespons, bukan bertindak. Di sinilah konsep Large Action Model (LAM) hadir sebagai terobosan baru.

Apa Itu Large Action Model (LAM)?

Large Action Model (LAM) adalah sistem AI yang tidak hanya memahami perintah manusia, tetapi juga mampu mengeksekusi tindakan secara langsung. Jika sebelumnya AI hanya sebatas “berpikir dan berbicara”, LAM membawa AI ke level berikutnya: berpikir, merencanakan, dan bertindak.

LAM merupakan pengembangan dari Large Language Model (LLM), teknologi yang menjadi fondasi AI generatif modern. LLM seperti GPT-4o dari OpenAI mengandalkan Natural Language Processing (NLP) untuk memahami bahasa manusia dan menghasilkan teks yang relevan. Teknologi inilah yang membuat ChatGPT mampu menjawab pertanyaan dengan natural dan kontekstual.

Namun, meskipun cerdas dalam berbahasa, LLM memiliki batasan penting. Model ini tidak dapat melakukan aksi nyata, seperti mengklik tombol di aplikasi, memesan tiket, mengisi formulir, atau menjalankan layanan digital. LLM hanya berhenti pada tahap memberi saran atau instruksi.

LAM hadir untuk mengatasi keterbatasan tersebut. Dengan LAM, AI tidak lagi hanya menjelaskan cara melakukan sesuatu, tetapi langsung melakukannya atas nama pengguna.

Dari Alat Pasif Menjadi Mitra Aktif

LAM dirancang untuk memahami maksud manusia, memproses berbagai jenis data, lalu mengeksekusi operasi yang diperlukan. Artinya, AI tidak lagi sekadar menjadi alat pasif yang menunggu perintah, tetapi berubah menjadi mitra digital aktif yang bisa membantu menyelesaikan pekerjaan kompleks.

Bayangkan Anda berkata, “Pesankan restoran untuk jam 7 malam dan kirimkan detailnya ke email saya.” Dengan LLM, AI mungkin hanya akan memberikan rekomendasi restoran. Namun dengan LAM, AI bisa langsung membuka aplikasi reservasi, memilih restoran, menentukan waktu, mengisi data, hingga mengirimkan konfirmasi ke email Anda.

Awal Popularitas LAM dan Rabbit R1

Istilah Large Action Model mulai banyak dibicarakan sejak diperkenalkannya Rabbit R1 pada ajang Consumer Electronics Show (CES) 2024. Perusahaan Rabbit menyebut bahwa perangkatnya menggunakan LAM untuk mengenali, mempelajari, dan meniru tindakan manusia di berbagai antarmuka digital.

Rabbit R1 digambarkan sebagai asisten AI yang bisa “diajari” cara menggunakan aplikasi, lalu mengulangi tindakan tersebut secara mandiri. Mulai dari memesan makanan, memanggil layanan transportasi, hingga mengatur jadwal, semuanya bisa dilakukan hanya dengan perintah bahasa alami.

Kemunculan Rabbit R1 menjadi bukti nyata bahwa LAM bukan sekadar konsep teoritis, tetapi sudah mulai diterapkan dalam produk komersial.

 
Bagaimana Cara Kerja Large Action Model (LAM)?

Sebagai sistem AI yang kompleks, LAM bekerja melalui serangkaian tahapan yang saling terhubung.

1. Lapisan Dasar (Foundation Layer)
   LAM biasanya dibangun di atas LLM yang sudah matang. Model bahasa ini kemudian disesuaikan (fine-tuning) menggunakan data tertentu agar relevan dengan kebutuhan penggunaan. Lapisan dasar inilah yang memungkinkan LAM memahami bahasa manusia, konteks, dan maksud perintah.

2. Pemrosesan Input Multimodal
   Tidak seperti LLM yang fokus pada teks, LAM mampu memproses berbagai jenis input, seperti teks, gambar, hingga interaksi pengguna. Teknologi NLP digunakan untuk menganalisis teks, sementara visi komputer membantu memahami elemen visual.

3. Inferensi Tujuan Pengguna
   LAM tidak hanya membaca perintah secara harfiah. Model ini menganalisis konteks, riwayat penggunaan, serta kondisi aplikasi untuk memahami tujuan sebenarnya dari pengguna. Dengan begitu, tindakan yang diambil lebih tepat sasaran.

4. Interpretasi Antarmuka Pengguna
   LAM memiliki kemampuan untuk “melihat” antarmuka aplikasi. Model ini mengenali tombol, menu, kolom isian, dan memahami fungsi masing-masing elemen. Inilah yang memungkinkan LAM mengoperasikan aplikasi layaknya manusia.

5. Pemecahan Tugas dan Perencanaan Aksi
   Setelah tujuan dipahami, LAM memecahnya menjadi tugas-tugas kecil. Misalnya, untuk memesan tiket, langkahnya bisa meliputi membuka situs, memilih jadwal, mengisi data, hingga melakukan pembayaran. Semua langkah ini direncanakan secara sistematis.

6. Pengambilan Keputusan dan Penalaran
   LAM menggunakan pendekatan neuro-symbolic AI, yaitu kombinasi antara jaringan saraf dan logika simbolik. Pendekatan ini membuat AI tidak hanya mengenali pola, tetapi juga mampu berpikir secara logis dalam menentukan langkah terbaik.

7. Eksekusi Tindakan
   Pada tahap ini, LAM mulai bertindak. Model dapat meniru aksi manusia seperti mengklik, mengetik, dan berpindah halaman. Selain itu, LAM juga bisa berkomunikasi langsung dengan sistem lain melalui API.

8. Pembelajaran Berkelanjutan dan Pengawasan Manusia
   LAM terus belajar dari setiap interaksi menggunakan teknik deep learning dan reinforcement learning. Untuk menjaga keamanan dan akurasi, pengawasan manusia tetap disertakan, terutama dalam skenario kompleks.

Apa Saja yang Bisa Dilakukan Large Action Model (LAM)?

Kemampuan Large Action Model (LAM) terbilang sangat luas dan relevan dengan kebutuhan digital masa kini. Berbeda dengan AI konvensional yang hanya memberikan jawaban atau rekomendasi, LAM dirancang untuk menjalankan tindakan secara langsung. Artinya, setelah memahami perintah pengguna, LAM bisa mengeksekusi langkah-langkah yang diperlukan tanpa campur tangan manual.

Salah satu kemampuan utama LAM adalah otomatisasi tugas. Model ini dapat mengerjakan pekerjaan rutin yang biasanya memakan waktu, seperti mengisi formulir online, mengelola aplikasi, memproses data, hingga menjalankan alur kerja berulang. Dengan LAM, pengguna tidak perlu lagi melakukan langkah-langkah teknis satu per satu karena semuanya dapat ditangani oleh AI.

LAM juga unggul dalam integrasi lintas sistem. Teknologi ini mampu mengakses berbagai website, memanggil Application Programming Interface (API), serta mengelola dan memindahkan data dari satu platform ke platform lain. Kemampuan ini membuat LAM sangat cocok digunakan dalam lingkungan kerja digital yang melibatkan banyak aplikasi sekaligus.

Selain itu, LAM memiliki kemampuan pengambilan keputusan yang kompleks. Model ini dapat menganalisis berbagai kemungkinan tindakan, memperkirakan hasil dari masing-masing opsi, lalu memilih langkah yang paling efektif. Dengan kemampuan penalaran ini, LAM tidak hanya menjalankan perintah secara mekanis, tetapi juga mempertimbangkan konteks dan tujuan akhir pengguna.

Keunggulan lain dari LAM adalah interaksi real-time dan adaptasi. LAM dapat belajar dari kebiasaan, preferensi, dan pola penggunaan pengguna. Semakin sering digunakan, semakin baik LAM dalam memahami kebutuhan pengguna dan menyesuaikan tindakannya. Hal ini membuat pengalaman penggunaan terasa lebih personal dan efisien.

Pada akhirnya, semua kemampuan tersebut bermuara pada peningkatan pengalaman digital. Dengan LAM, interaksi antara manusia dan komputer menjadi lebih alami, cepat, dan intuitif. Pengguna cukup menyampaikan tujuan, sementara AI menangani detail teknis di balik layar.

 
Contoh Penggunaan dan Aplikasi LAM

Berkat kemampuannya yang fleksibel, LAM memiliki potensi penerapan yang sangat besar di berbagai sektor.

• Dalam bentuk asisten AI cerdas, LAM tidak hanya menjawab pertanyaan, tetapi juga membantu menyelesaikan pekerjaan nyata, seperti mengatur jadwal, memesan layanan, hingga mengelola tugas harian. Ini menjadikan AI benar-benar berfungsi sebagai asisten pribadi digital.

• Di bidang layanan pelanggan, LAM dapat digunakan untuk menangani permintaan secara otomatis. Mulai dari menjadwalkan janji, memproses keluhan, hingga menangani pengembalian produk, semuanya bisa dilakukan dengan cepat dan konsisten tanpa harus selalu melibatkan agen manusia.

• Untuk sektor pemasaran dan penjualan, LAM mampu menganalisis data pelanggan, memahami preferensi pengguna, lalu menjalankan kampanye pemasaran yang lebih personal. Teknologi ini juga dapat merekomendasikan produk atau layanan yang paling relevan berdasarkan perilaku pengguna.

• LAM juga membuka era baru chatbot generasi lanjut. Chatbot berbasis LAM tidak hanya mampu berbincang, tetapi juga langsung bertindak, seperti memproses pesanan, memperbarui data, atau mengakses sistem internal perusahaan.

• Dalam dunia korporasi, LAM sangat efektif untuk otomatisasi proses bisnis. Alur kerja yang kompleks dan melibatkan banyak aplikasi dapat disederhanakan, sehingga meningkatkan efisiensi, mengurangi kesalahan manusia, dan menghemat waktu operasional.

Selain itu, LAM juga berpotensi digunakan dalam pengujian UI/UX dan evaluasi aksesibilitas aplikasi. Karena mampu memahami dan berinteraksi dengan antarmuka pengguna, LAM dapat membantu menguji kemudahan penggunaan serta memastikan aplikasi ramah bagi berbagai jenis pengguna.

 
Perbedaan Utama LAM dan LLM

Secara sederhana, perbedaan antara LAM dan LLM terletak pada fokus utamanya. LLM berfokus pada bahasa, yaitu memahami, memproses, dan menghasilkan teks. Model ini sangat unggul dalam percakapan, penulisan konten, dan penerjemahan bahasa.

Sementara itu, LAM berfokus pada aksi. LAM menggunakan kemampuan pemahaman bahasa dari LLM, lalu menggabungkannya dengan kemampuan merencanakan dan menjalankan tindakan nyata di sistem digital. Jika LLM menjawab “bagaimana caranya”, maka LAM langsung “melakukannya”.

 
Contoh Large Action Model yang Sudah Digunakan

Beberapa contoh LAM yang sudah dikenal saat ini antara lain:

• Rabbit R1, perangkat AI yang menggabungkan visi komputer dan layanan web untuk menjalankan berbagai tugas digital. Model ini dapat meniru cara pengguna mengoperasikan aplikasi, lalu melakukannya kembali secara otomatis.

• CogAgent, sebuah model open source berbasis CogVLM yang mampu merencanakan langkah-langkah aksi dan berinteraksi langsung dengan antarmuka grafis. Model ini banyak digunakan untuk analisis visual dan pengolahan data berbasis tampilan.

• Gorilla, LAM open source yang mendukung lebih dari 1.600 API. Gorilla dirancang untuk memilih dan menjalankan API yang tepat berdasarkan perintah bahasa alami, sehingga sangat cocok untuk integrasi lintas sistem dan layanan digital.

 
Penutup

Large Action Model menandai babak baru dalam evolusi kecerdasan buatan. AI tidak lagi hanya menjadi mesin penjawab, tetapi telah berkembang menjadi agen digital yang mampu bertindak secara mandiri. Ke depan, LAM berpotensi mengubah cara manusia bekerja, berinteraksi dengan teknologi, dan menjalankan aktivitas digital sehari-hari. Jika LLM dapat diibaratkan sebagai otak AI, maka LAM adalah tangan dan kakinya yang menjalankan perintah di dunia digital.