Empat Agen Gemini 4 Argon Tamatkan Minecraft dalam 27 Jam lewat Kolaborasi AI

Empat agen Gemini 4 Argon tamatkan Minecraft dalam 27 jam 14 menit dengan satu tujuan: mengalahkan Ender Dragon. Yang diuji bukan kemampuan satu model menjawab pertanyaan, melainkan kemampuan tim agen AI menjaga rencana panjang, membagi pekerjaan, berbagi informasi, serta pulih saat strategi gagal.

Makalah pracetak Google DeepMind di arXiv mencatat empat agen itu bermain dalam dunia Minecraft Survival acak pada tingkat Easy. Tidak ada peran yang diberikan peneliti, tidak ada logika game buatan manusia, dan tidak ada seed dunia yang dipetakan sebelumnya. Setiap agen mengendalikan satu pemain melalui Mineflayer, lalu berkomunikasi melalui chat dalam game dan memori bersama.

Apa yang dicapai empat agen Gemini 4 Argon

Menurut makalah A team of Gemini 4 Argon agents beats Minecraft yang diajukan ke arXiv pada 15 Oktober 2026, empat agen Gemini 4 Argon mengalahkan Ender Dragon dalam 27 jam 14 menit. Selama proses itu, mereka menulis 2.783 program dan mengalami 605 kematian. Peneliti menyatakan pencapaian tersebut, sejauh pengetahuan mereka, merupakan penyelesaian Minecraft end-to-end secara otonom pertama oleh agen AI memakai pustaka Mineflayer standar tanpa tool khusus game yang ditulis manusia.

Angka tersebut perlu dibaca sebagai catatan proses, bukan ukuran keandalan siap produksi. Sebanyak 605 kematian menunjukkan agen berulang kali gagal, mencoba pendekatan lain, dan meneruskan progres. Dalam tugas panjang, kemampuan kembali ke tujuan setelah kegagalan sering lebih penting daripada satu tindakan yang tampak pintar.

Industry.co.id melaporkan agen juga bertukar 229 pesan chat dalam game. Pesan ini relevan karena permainan membutuhkan koordinasi kondisi lapangan. Satu agen dapat menemukan sumber daya, agen lain dapat menghadapi ancaman, sementara anggota tim lain menyiapkan peralatan atau melanjutkan eksplorasi. Tanpa pertukaran konteks, pekerjaan mudah terpecah menjadi tindakan yang saling bertabrakan.

Cara tim agen berkoordinasi tanpa pembagian peran awal

Para peneliti tidak menetapkan siapa menjadi penambang, penjelajah, pembuat peralatan, atau petarung. Menurut arXiv, agen merencanakan, menulis, dan memperbaiki program sendiri. Mereka juga membagi pekerjaan, membagikan temuan, serta memulihkan barang milik rekan yang mati. Ini menunjukkan koordinasi muncul selama pekerjaan berlangsung, bukan dari skrip pembagian tugas yang ditentukan sebelumnya.

Minecraft memaksa mereka menghadapi ketergantungan antarlangkah. Untuk mencapai Ender Dragon, tim perlu bergerak dari pengumpulan bahan menuju pembuatan alat, eksplorasi, persiapan pertarungan, lalu eksekusi tujuan akhir. Jika agen kehilangan item penting atau salah membaca situasi, anggota lain harus mengetahui masalah itu agar rencana bersama dapat diperbarui.

Sebagai ilustrasi hipotetis, pola serupa dapat diuji pada proses riset internal. Agen pertama mengumpulkan dokumen dari folder yang diizinkan. Agen kedua mengelompokkan dokumen berdasarkan topik. Agen ketiga menyusun ringkasan dengan tautan ke sumber. Agen keempat memeriksa apakah dokumen yang dipakai masih relevan. Hasilnya tetap masuk ke peninjauan manusia sebelum dipakai untuk keputusan.

Bedanya dengan sekadar menjalankan beberapa chatbot adalah adanya tujuan bersama dan konteks lintas langkah. Sistem seperti ini tidak cukup diberi instruksi tunggal. Ia membutuhkan memori yang terkelola, batas tool, aturan handoff, serta cara mencatat alasan tindakan. Tanpa itu, beberapa agen dapat menghasilkan pekerjaan ganda atau mengambil keputusan dari informasi yang tidak lagi sesuai.

Mengapa Minecraft dipakai untuk menguji agen AI jangka panjang

Minecraft menyediakan dunia dengan tujuan jelas tetapi jalur penyelesaian tidak tunggal. Agen perlu menyesuaikan tindakan terhadap sumber daya, lokasi, ancaman, dan kegagalan yang muncul selama permainan. Makalah arXiv menyebut kemenangan menuntut rencana yang tetap koheren sepanjang ribuan langkah yang saling bergantung selama lebih dari satu hari.

Karakter tersebut membuat Minecraft berguna sebagai lingkungan pengujian koordinasi. Tugasnya lebih panjang daripada menjawab prompt atau menyelesaikan satu fungsi kode. Namun, game tetap berbeda dari operasi perusahaan. Aturan dunia game lebih terbatas, sasaran akhirnya tegas, dan konsekuensi kesalahan tidak menyentuh pelanggan, uang, maupun kewajiban hukum.

Google menyatakan Gemini 4 Argon tersedia global bagi developer dan enterprise melalui Gemini API, AI Studio, dan Gemini platform sejak 13 Oktober 2026. Dalam pengumuman itu, Google memosisikan Argon untuk pekerjaan multi-langkah pada coding, keuangan, hukum, keamanan siber, dan sains. Posisi produk tersebut menjelaskan mengapa eksperimen jangka panjang di Minecraft diperhatikan, tetapi tidak menjadikan hasil game sebagai bukti otomatis untuk semua workflow enterprise.

Batas eksperimen yang tidak boleh diabaikan

Eksperimen berjalan pada tingkat kesulitan Easy. Peradaban.id, yang mengutip dokumen penelitian, menjelaskan bahwa tingkat ini mengurangi dampak serangan musuh. Mineflayer juga menyediakan informasi dunia yang terstruktur, termasuk kondisi blok dan musuh. Agen tidak harus mengenali semua objek hanya dari piksel layar seperti pemain manusia.

Makalah arXiv menyatakan peneliti dapat memantau proses melalui dashboard langsung serta dapat menjeda atau menghentikan permainan kapan saja, walaupun tidak perlu melakukan intervensi pada sesi tersebut. Ini adalah bentuk pengawasan yang perlu dicatat. Otonom dalam menjalankan tugas tidak sama dengan sistem tanpa kemampuan dihentikan.

Ada pula faktor pengetahuan awal model. Peradaban.id melaporkan pengetahuan Gemini 4 Argon selama pelatihan mengenai Minecraft dan Mineflayer membantu penyusunan strategi. Karena itu, hasil ini tidak dapat dipisahkan dari lingkungan yang sudah familiar bagi model, tool yang dapat dipanggil, dan informasi terstruktur yang tersedia.

Untuk bisnis, batas tersebut berarti tim tidak boleh menganggap agen akan bekerja sama baiknya saat data berantakan, definisi pekerjaan berubah, atau akses aplikasi terbatas. Uji dulu apakah agen dapat menyatakan ketidakpastian, meminta data yang kurang, dan berhenti sebelum melakukan tindakan berisiko.

AI agent, AI automation, dan chatbot bukan hal yang sama

Dalam artikel ini, chatbot dipakai untuk merujuk sistem yang terutama merespons percakapan, AI automation untuk alur yang telah ditentukan, dan AI agent untuk sistem yang dapat memilih langkah memakai konteks serta tools menuju tujuan. Perbedaan ini menentukan batas akses, pengawasan, dan persetujuan manusia yang diperlukan. Contohnya, formulir masuk dapat membuat record CRM lalu mengirim email balasan. Alur ini dapat diandalkan bila kondisi dan aturannya telah didefinisikan dengan jelas.

AI automation memakai AI pada salah satu tahap workflow. Contoh hipotetisnya, lead dari formulir dibaca model untuk dikelompokkan menurut kebutuhan, kemudian hasil klasifikasi dicatat ke CRM. Aturan tetap mengendalikan kapan data diproses dan ke mana hasil dikirim.

AI agent bekerja lebih jauh. Agen dapat memakai konteks dan tools untuk memilih langkah menuju tujuan, misalnya membaca kebutuhan lead, mencari informasi yang diizinkan dari knowledge base, menyiapkan ringkasan, lalu meminta persetujuan sales sebelum follow-up dibuat. Tim empat agen dalam eksperimen Minecraft termasuk pola multi-agent karena beberapa agen mengejar satu sasaran sambil berbagi informasi.

Pembedaan ini menentukan desain kontrol. Chatbot layanan pelanggan tidak otomatis memerlukan akses untuk mengubah pesanan. Agen yang dapat memanggil CRM, mengirim email, atau memperbarui database membutuhkan hak akses paling minimum, log aktivitas, dan titik persetujuan yang jelas.

Pelajaran praktis untuk workflow bisnis

Pelajaran utama dari Minecraft bukan "buat empat agen untuk setiap masalah". Mulailah dari satu workflow yang berulang, memiliki hasil yang mudah diperiksa, dan tidak memberi agen kewenangan membuat keputusan sensitif. Petakan dulu pemicu, sumber data, keluaran, pemilik proses, serta kondisi ketika sistem harus berhenti.

Misalnya, tim sales dapat membuat uji terbatas untuk lead masuk. Lead diterima dari formulir, AI membuat kategori kebutuhan dan ringkasan, data dicatat sebagai draft di CRM, lalu sales memeriksa ringkasan sebelum pesan tindak lanjut dikirim. Agen tidak boleh mengubah status deal, memberi diskon, atau mengirim komunikasi eksternal tanpa approval.

Tentukan sejak awal siapa yang bertanggung jawab jika hasil salah. Tetapkan tindakan yang boleh otomatis, tindakan yang harus menunggu persetujuan, serta prosedur ketika agen gagal menemukan informasi. Untuk data pribadi atau dokumen sensitif, batasi sumber yang boleh dibaca dan gunakan kredensial akses sesuai peran, bukan satu akses penuh untuk seluruh sistem.

Ukuran pengujian awal juga sebaiknya sederhana. Periksa apakah klasifikasi dapat dijelaskan, apakah ringkasan menyertakan sumber, apakah log mencatat tool yang dipakai, dan apakah manusia dapat mengambil alih tanpa kehilangan konteks. Jangan mengejar tampilan agen otonom bila tim belum dapat mengaudit hasilnya.

Pembaca yang ingin memahami dasar penerapan dapat melihat artikel pilar Google DeepMind Uji Empat Agen AI Tamatkan Minecraft dalam Eksperimen. Setelah itu, pilih satu proses berisiko rendah minggu ini, tulis batas aksesnya dalam satu halaman, lalu jalankan uji dengan approval manusia pada setiap tindakan eksternal.