
Dalam artikel ini (4)
Rekayasa Agen yang Lebih Aman dari Perplexity: Analisis Pengawasan
Poin utama
- Perlakukan agen sebagai sistem tindakan, bukan chatbot, terutama ketika mereka dapat menjelajah web, mengedit file, atau memanggil API.
- Pisahkan penalaran model dari keputusan izin, dan pantau penggunaan alat di luar loop agen.
- Tambahkan tinjauan manusia ketika alur kerja beralih dari tugas dalam sandbox ke data langsung, akses tulis, atau tindakan endpoint.
Mengapa penting
- ProdukProduct teams can ship agents faster if permissions, monitoring, and human checkpoints are designed into the workflow early.
- InvestorAgent platforms that prove controllability may be better positioned for enterprise adoption than tools that only promise autonomy.
Pelajaran yang berguna bukanlah memercayai agen. Melainkan membatasi alat, mengawasi tindakan, dan menempatkan manusia di pintu penahan ledakan.
Pelajaran yang berguna bukanlah memercayai agen. Melainkan membatasi alat, mengawasi tindakan, dan menempatkan manusia di pintu pengaman.
Agen otonom adalah ketika perangkat lunak berhenti meminta izin dengan sopan dan mulai mengeklik atas nama Anda. Itu bisa berguna, seperti mendelegasikan riset atau membuat spreadsheet, tetapi juga membuat setiap insinyur keamanan memasang ekspresi wajah yang biasanya muncul saat ada dump database mendadak. Gagasan agen yang lebih aman dari Perplexity menarik karena masalah praktisnya bukan apakah sebuah agen bisa berpikir. Masalahnya adalah apakah sistem di sekitarnya bisa menyadari ketika berpikir berubah menjadi menyentuh data produksi dengan jari-jari robot kecil yang lengket.
Pola keamanan yang layak diambil terdengar membosankan dalam arti terbaik: perlindungan berlapis, pemantauan terpisah, dan titik pemeriksaan manusia di sekitar alat yang bisa menjelajah web, memindahkan file, memanggil API, dan mengoperasikan antarmuka. Keamanan jarang gagal karena satu kontrol tidak cukup puitis. Keamanan gagal karena satu alur kerja dengan izin berlebihan diperlakukan seperti chatbot, lalu undangan kalender setelahnya bertuliskan lessons learned, yang dalam bahasa korporat berarti bawa kopi.
Apa yang menurut SitePoint benar-benar bisa disentuh agen
SitePoint menggambarkan Perplexity Computer sebagai agen AI multi-model yang menerima prompt bahasa alami, merencanakan pekerjaan, menjelajah web, memanipulasi file, memanggil API, dan mengembalikan artefak jadi. Itulah terjemahan pentingnya. Ini bukan sekadar pembuatan jawaban, melainkan pembuatan tindakan di berbagai tempat tempat bisnis menyimpan kredensial, dokumen, konteks pelanggan, dan spreadsheet apa pun yang dinamai seseorang final_final_really_final. SitePoint juga mengatakan Perplexity mengarahkan subtugas ke LLM frontier khusus dan merangkai operasi alat menjadi alur kerja ujung-ke-ujung tanpa intervensi manual di antara langkah-langkahnya.
@title Alur Perplexity Computer
@source Perplexity Computer Explained Safer OpenClaw AI Agents
Natural prompt
│
▼
Plan work
│
▼
Browse web
│
▼
Files and APIs
│
▼
Finished artifacts
@caption Prompt menjadi tindakan di browser file API dan artefak
Alur itulah alasan keamanan agen perlu bergerak dari sekadar perasaan menuju arsitektur. Chatbot bisa berhalusinasi dan memberi jawaban buruk, yang memang menjengkelkan. Agen dengan akses file, browser, dan API bisa berhalusinasi menjadi tindakan, dan itulah cara sebuah demo berubah menjadi tinjauan insiden dengan kue basi. Pertanyaan desain yang tepat bukan apakah modelnya pintar, melainkan apakah setiap panggilan alat memiliki anggaran izin dan jejak audit.
Apa yang ditambahkan VentureBeat tentang risiko orkestrasi
VentureBeat melaporkan bahwa Perplexity Computer mengoordinasikan 19 model AI berbeda untuk menyelesaikan alur kerja kompleks dan berjalan lama di latar belakang, serta mengatakan produk ini tersedia bagi pelanggan Perplexity Max dengan harga $200 per bulan. VentureBeat juga melaporkan bahwa Perplexity bernilai $20 miliar, yang menjelaskan daya tarik strategisnya tanpa mengharuskan siapa pun berpura-pura peri spreadsheet baru saja datang. Orkestrasi multi-model itu kuat karena satu sistem bisa memilih model terbaik untuk tugas tertentu. Namun ini juga rumit karena setiap serah-terima menjadi tempat niat, izin, konteks, dan pencatatan bisa bergeser.
Di sinilah pemantauan independen menjadi penting. Jika agen yang sama yang memutuskan rencana juga menilai apakah rencana itu aman, selamat, Anda telah menciptakan gunting yang mengaudit dirinya sendiri. Tim yang menerapkan agen harus memantau tindakan dari luar loop agen, terutama panggilan alat, penulisan file, permintaan API, dan operasi browser. Lapisan keamanan harus bisa berkata tidak bahkan ketika agen terdengar sangat percaya diri, yang juga merupakan nasihat hidup yang baik untuk demo vendor.
Mengapa Google menunjukkan bahwa ini lebih besar daripada Perplexity
Google DeepMind mengatakan model Gemini 2.5 Computer Use tersedia dalam pratinjau melalui Gemini API dan dibuat untuk mendukung agen yang berinteraksi dengan antarmuka pengguna. Google mengatakan developer dapat mengaksesnya melalui Google AI Studio dan Vertex AI. Ini membawa pola risiko yang sama ke dalam alur kerja developer yang lebih luas: agen bergerak dari kotak teks ke antarmuka, tempat klik memiliki konsekuensi dan tombol undo bukanlah strategi tata kelola.
Google Cloud menggambarkan Agent Search di Gemini Enterprise Agent Platform sebagai sistem pengambilan informasi dan pembuatan jawaban yang dapat menambatkan aplikasi AI generatif pada data perusahaan. Itulah sisi cloud dari cerita yang sama. Begitu agen menyentuh data internal, tim keamanan membutuhkan lebih dari sekadar model card dan optimisme. Mereka membutuhkan batas data, asal-usul data, pencatatan, prinsip hak akses minimum, dan titik tinjauan tempat manusia dapat menghentikan mesin sebelum mesin itu berubah menjadi tiket dalam antrean insiden.
Apa arti sebenarnya bagi Anda
Jika digabungkan, SitePoint, VentureBeat, Google DeepMind, dan Google Cloud menunjuk pada daftar periksa praktis untuk tim mana pun yang membangun atau membeli agen. Pertama, pisahkan penalaran dari izin. Biarkan model mengusulkan pekerjaan, tetapi biarkan kebijakan memutuskan apa yang boleh disentuhnya. Kedua, pantau penggunaan alat secara independen, karena kegagalan yang menarik sering kali bukan jawabannya, melainkan klik browser, edit file, panggilan API, atau tindakan endpoint yang mengikutinya.
Terakhir, tetap libatkan manusia di dalam loop saat radius dampak berubah: dari membaca ke menulis, dari sandbox ke data live, dari satu aplikasi ke banyak aplikasi, atau dari alur kerja cloud ke mesin lokal. Model agen yang lebih aman dari Perplexity berguna bukan karena membuat agen secara ajaib aman, melainkan karena menunjukkan arah menuju kesepakatan keamanan yang lebih sehat. Biarkan agen berguna, tetapi buat setiap tindakan yang berdampak terlihat, dibatasi, dan dapat dibalik jika memungkinkan. Masa depan yang perlu diperhatikan bukan agen mana yang mengklaim punya otak terbesar, melainkan stack mana yang memberi para pembela bukti paling jelas.
Sumber4 sumber
Laporan, pengumuman, dan riset yang menjadi bahan kerja editor AI. Tautan membuka publikasi aslinya.