Google DeepMind Uji Empat Agen AI Menamatkan Minecraft dalam Eksperimen

Apa yang terjadi dalam eksperimen Google DeepMind

Google DeepMind uji empat agen AI tamatkan Minecraft melalui target tunggal: mengalahkan Ender Dragon. Empat agen berbasis Gemini 4 Argon itu bermain bersama dalam dunia Survival acak pada tingkat kesulitan Easy. Menurut SuaraGarut.ID dan Peradaban.id, dokumen pracetak A Team of Gemini 4 Argon Agents Beats Minecraft dipublikasikan di arXiv pada 15 Oktober 2026.

Menurut Telset.id, tim menyelesaikan target dalam 27 jam 14 menit. Agen menulis dan menjalankan 2.783 program JavaScript memakai Mineflayer, pustaka open-source untuk mengendalikan bot Minecraft. Mineflayer memberi akses terstruktur ke kondisi dunia, termasuk lokasi blok dan makhluk. Plugin pathfinding membantu agen menyusun rute.

Tidak ada pembagian peran sebelum permainan dimulai. Telset.id melaporkan bahwa sekitar 10 menit kemudian, salah satu agen mengusulkan pembagian pekerjaan melalui chat dalam gim. Gyldenia menangani makanan, tempat tidur, dan flint. Bulicame mencari diamond. Janesick mengumpulkan iron serta membuat tools. Auratian menyiapkan portal Nether.

Koordinasi berlangsung lewat chat dan catatan bersama, bukan skrip peran dari peneliti. Artinya, agen perlu mengenali kebutuhan tim, membagikan konteks, lalu menyesuaikan tugas ketika kondisi dunia berubah.

Hasilnya tidak selalu mulus. Menurut Telset.id dan SuaraGarut.ID, agen mati 605 kali dan sekitar 22 persen program JavaScript yang ditulis berakhir error. Telset.id juga mencatat 69 kematian saat melawan Ender Dragon. Hampir separuh durasi eksperimen dipakai untuk menemukan cara mengalahkan bos terakhir tersebut.

Temuan ini menunjukkan pola kerja iteratif: agen mencoba tindakan, membaca hasilnya, mendiskusikan hambatan, lalu mengubah langkah berikutnya. Keberhasilan akhir tidak berarti setiap keputusan awal sudah benar.

Cara empat agen AI membagi masalah menjadi pekerjaan nyata

Empat agen memecah target besar menjadi pekerjaan yang dapat dikerjakan: mengumpulkan bahan, membuat alat, menyiapkan portal Nether, mencari stronghold, lalu menghadapi Ender Dragon. Pembagian tersebut berubah melalui chat serta catatan bersama ketika kondisi dunia berubah atau salah satu agen gagal.

Contoh konkretnya muncul saat pencarian stronghold. Menurut Telset.id, Janesick melempar dua Eyes of Ender dari lokasi berbeda dan mengambil sampel arah terbang setiap 50 milidetik untuk memperkirakan lokasi stronghold melalui triangulasi. Informasi dari beberapa tindakan dipakai untuk mempersempit keputusan berikutnya.

Saat Auratian tenggelam sambil membawa item penting, lokasi item dicatat dan item tersebut berhasil diselamatkan. Kegagalan satu agen tidak menghentikan pekerjaan karena anggota lain tetap dapat memakai informasi bersama. Dalam konteks kerja, catatan bersama berfungsi sebagai memori operasional: tim mengetahui apa yang sudah dicoba, apa yang gagal, serta apa yang perlu dilanjutkan.

Pola ini berbeda dari chatbot biasa. Chatbot terutama menghasilkan respons dalam percakapan. Automation menjalankan urutan tetap, misalnya formulir masuk, data disimpan ke CRM, lalu email dikirim. Sistem AI automation dapat membaca isi formulir untuk memberi kategori awal.

Agen AI menjalankan beberapa langkah menuju tujuan, memilih tindakan berikutnya berdasarkan konteks, memakai tools, lalu mengevaluasi hasil tindakannya. Namun, istilah agen AI tidak berarti sistem dapat dibiarkan mengambil semua keputusan.

Dalam eksperimen Minecraft, agen menjalankan kode, berkomunikasi, dan membagi tugas secara mandiri. Peneliti tetap memantau proses melalui dasbor. Menurut SuaraGarut.ID dan Peradaban.id, peneliti dapat menghentikan permainan atau memberi arahan bila diperlukan. Kontrol ini diperlukan saat agen memiliki kemampuan bertindak, bukan hanya memberi saran.

Untuk memahami fondasi konsepnya, pembaca dapat melihat artikel pilar Apa Itu AI Agent? Ini Cara Kerja dan Contoh Nyatanya. Eksperimen Minecraft merupakan contoh kerja multiagen dalam lingkungan tertentu, bukan bukti bahwa setiap chatbot atau workflow otomatis sudah menjadi AI Agent.

Mengapa hasil Minecraft belum sama dengan kesiapan bisnis

Minecraft menyediakan aturan, target, dan objek yang relatif jelas. Mode Easy mengurangi dampak serangan musuh. Mineflayer juga menyediakan data dunia terstruktur sehingga agen dapat mengetahui jenis blok atau kondisi musuh tanpa mengenali semuanya dari piksel layar. Keterbatasan ini dicatat oleh SuaraGarut.ID dan Peradaban.id berdasarkan dokumen penelitian tersebut.

Agen juga kemungkinan terbantu oleh pengetahuan Gemini 4 Argon tentang Minecraft dan Mineflayer dari data pelatihannya, sebagaimana dilaporkan SuaraGarut.ID dan Peradaban.id. Karena itu, hasil eksperimen lebih tepat dibaca sebagai demonstrasi koordinasi, coding, serta pemecahan tugas bertahap dalam lingkungan dengan akses informasi khusus.

Kondisi perusahaan berbeda. Data dapat tersebar di beberapa sistem, istilah antar-tim dapat tidak seragam, aturan dapat berubah, dan keputusan tertentu membawa risiko bagi pelanggan atau pendapatan. Agen yang berhasil menyelesaikan tujuan dalam gim belum otomatis siap mengambil tindakan pada proses bisnis tanpa batas akses, approval, dan jejak audit.

Biaya juga perlu diperhitungkan. Menurut Telset.id, penggunaan token dalam eksperimen melebihi 520 dolar AS pada harga perkenalan dan lebih dari 1.000 dolar AS pada harga normal. Angka tersebut bukan biaya standar penerapan agen AI di bisnis karena lingkungan, model, durasi, serta jumlah tindakan berbeda.

Namun, temuan itu mengingatkan tim untuk mengukur biaya setiap eksperimen, bukan hanya merayakan keberhasilan akhir. Pengukuran perlu mencakup tindakan yang gagal, proses yang harus diulang, serta waktu review manusia.

Sebagai ilustrasi hipotetis, tim penjualan dapat memakai sistem untuk menangani formulir prospek. Trigger-nya formulir baru. Sistem membaca bidang kebutuhan, memeriksa kelengkapan data, memberi kategori awal, membuat draf tindak lanjut, lalu memasukkan prospek ke CRM. Prospek bernilai tinggi atau data tidak lengkap masuk antrean review sales, bukan menerima keputusan otomatis.

Dalam contoh tersebut, pencatatan CRM dan draf pesan dapat diotomatisasi. Keputusan tentang diskon, kontrak, atau klaim produk tetap memerlukan persetujuan staf. Pemilik workflow perlu menetapkan pemeriksa kesalahan klasifikasi, batas akses data pelanggan, serta cara menyimpan riwayat tindakan.

Pelajaran desain workflow dari eksperimen empat agen AI

Pelajaran utama eksperimen ini bukan bahwa bisnis harus segera memakai empat agen. Nilai praktisnya ada pada cara memecah target menjadi tugas kecil, menyimpan konteks bersama, serta membuat kegagalan terlihat dan dapat diperbaiki. Agen Minecraft menulis kode sendiri, tetapi sebagian program tetap menghasilkan error. Workflow bisnis perlu dirancang dengan asumsi bahwa tindakan tertentu akan gagal.

Mulailah dari proses dengan tujuan sempit dan konsekuensi yang dapat dikendalikan. Misalnya, laporan mingguan yang masih dikerjakan manual. Petakan sumber data, pihak yang memeriksa angka, format laporan, serta kondisi ketika sistem harus berhenti. AI dapat merangkum temuan, sementara keputusan dari laporan tetap berada pada pemilik proses.

Tulis satu halaman desain sebelum memilih model atau platform. Cantumkan trigger awal, sumber data, keputusan yang dibuat sistem, tindakan yang diizinkan, serta titik approval manusia. Tambahkan jalur eskalasi untuk data kosong, jawaban tanpa dukungan sumber, atau tindakan yang menyentuh data sensitif.

Setelah uji volume kecil, tinjau log kesalahan bersama pemilik proses. Pertanyaan berikutnya harus spesifik: tindakan mana yang aman diulang otomatis, dan tindakan mana yang selalu wajib menunggu persetujuan manusia?