AI dalam Jaringan Sosial: Ketika "Bentuk Tanpa Fungsi" Mengungkap Batasan Agen Cerdas

Pendahuluan: Jaringan Sosial AI dan Pertanyaan Esensial

      Kemunculan jaringan sosial di awal abad ini menandai perubahan revolusioner dalam penggunaan World Wide Web, dengan penciptaan konten yang bergeser dari segelintir individu khusus ke basis pengguna yang jauh lebih besar. Baru-baru ini, platform Moltbook telah menarik perhatian publik sebagai jaringan sosial "agen-pertama" populer yang didedikasikan untuk pertukaran antar agen kecerdasan buatan (AI) berbasis Large Language Model (LLM). Pada saat penulisan, platform ini menampung lebih dari 120.000 agen AI yang memposting, berkomentar, memilih, dan mengorganisir diri ke dalam komunitas, semuanya dengan pengawasan manusia yang minimal.

      Fenomena Moltbook tidak hanya menarik perhatian investor ekonomi, seperti Meta, tetapi juga memicu minat ilmiah yang signifikan (Reuters, 2026). Namun, sebuah pertanyaan mendasar namun krusial tetap ada: Apakah Moltbook dalam keadaannya saat ini merupakan jaringan sosial yang fungsional, atau hanya sekadar meniru bentuk dan kerangka teknisnya? Sebuah studi baru berjudul "Form Without Function: Agent Social Behavior in the Moltbook Network" (dapat diakses di arXiv:2604.13052) secara komprehensif mengevaluasi pertanyaan ini.

Moltbook: Gambaran Sekilas Jaringan Sosial Berbasis Agen

      Penelitian ini menganalisis dataset ekstensif dari Moltbook, yang mencakup 1.312.238 postingan, 6,7 juta komentar, dan lebih dari 120.000 profil agen dari 5.400 komunitas, yang dikumpulkan selama 40 hari. Dari setiap metrik permukaan, platform ini terlihat hidup: ia memiliki komunitas berbasis topik, sistem karma dan pemungutan suara, percakapan berulir, profil pengguna dengan bio, dan grafik pengikut. Infrastruktur tampaknya lengkap, menyajikan bentuk jaringan sosial yang familiar.

      Namun, apakah agen-agen ini benar-benar mempertahankan percakapan timbal balik, membentuk hubungan yang langgeng, dan membangun komunitas dengan minat yang sama, alih-alih hanya mengisi feed dengan konten? Tujuan dari laporan ini adalah untuk menganalisis apakah platform tersebut meniru fungsionalitas jaringan sosial manusia atau jika hanya membawa bentuk dan kerangka teknisnya tanpa esensi sosial yang sebenarnya.

Lapisan Interaksi: Mengapa Agen AI Gagal Bersosialisasi?

      Analisis interaksi dalam Moltbook menunjukkan bahwa tingkat keterlibatan sosial oleh agen AI sangat rendah. Secara mengejutkan, lebih dari 90% penulis postingan tidak pernah kembali ke utas mereka sendiri, menunjukkan kurangnya minat untuk mempertahankan percakapan. Mayoritas percakapan, sekitar 85,6%, bersifat 'datar', artinya tidak ada balasan yang pernah menerima balasan lebih lanjut, yang sangat kontras dengan sifat dinamis jaringan sosial manusia. Waktu rata-rata untuk komentar pertama adalah 55 detik, namun 97,3% komentar tidak menerima upvote sama sekali, mengindikasikan kegagalan mekanisme pemfilteran kualitas melalui pemungutan suara.

      Tingkat timbal balik interaksi hanya 3,3%, jauh lebih rendah dibandingkan dengan platform yang dikelola manusia, yang biasanya berkisar antara 22-60%. Ini menyoroti ketidakmampuan agen untuk terlibat dalam pertukaran yang berkelanjutan dan saling menguntungkan. Bagi perusahaan yang mempertimbangkan sistem multi-agen untuk interaksi pelanggan atau internal, temuan ini menggarisbawahi pentingnya merancang agen yang tidak hanya merespons, tetapi juga mempertahankan dialog yang berarti dan interaksi timbal balik. Solusi AI yang efektif harus mampu menghasilkan insight yang dapat ditindaklanjuti dan mengotomatiskan proses, seperti yang ditawarkan oleh AI Video Analytics, bukan sekadar respons instan tanpa kelanjutan.

Lapisan Konten: Makna yang Hilang dalam Komunikasi Agen

      Pada lapisan konten, studi ini menemukan bahwa sebagian besar output agen AI memiliki sedikit atau bahkan tidak ada makna substantif. Sekitar 97,9% agen tidak pernah memposting di komunitas yang sesuai dengan bio mereka, menunjukkan ketidakselarasan antara identitas agen dan perilaku aktual. Selain itu, 92,5% komunitas mengandung setiap topik dalam proporsi yang kira-kira sama, menandakan kurangnya koherensi topik dan fokus spesifik komunitas.

      Analisis lebih lanjut menunjukkan bahwa lebih dari 80% URL yang dibagikan mengarah ke infrastruktur platform itu sendiri, dan tautan ke sumber pengetahuan terkemuka seperti Wikipedia atau arXiv sangat jarang. Studi ini menggunakan pengklasifikasi hubungan argumen yang disesuaikan dan menemukan bahwa 64,6% hubungan komentar-ke-postingan tidak memiliki koneksi argumentatif. Konflik hanya menyumbang 0,01% dari semua hubungan, berbanding terbalik dengan platform manusia di mana perbedaan pendapat sering terjadi. Ini menunjukkan bahwa meskipun agen dapat menghasilkan teks yang terlihat koheren, mereka gagal dalam nuansa argumentasi dan pembentukan makna yang mendalam. Dalam konteks bisnis, ini berarti penting untuk memastikan sistem AI tidak hanya menghasilkan data, tetapi juga data yang relevan dan kontekstual, seperti kemampuan AI BOX - Smart Retail Counter dalam memberikan insight perilaku pelanggan yang berarti.

Lapisan Instruksi: Peran Panduan dalam Membentuk Perilaku Agen

      Salah satu temuan paling signifikan dari penelitian ini adalah dampak kuat dari perubahan instruksi platform terhadap perilaku agen. Dengan menganalisis 41 snapshot Wayback Machine, para peneliti mengidentifikasi enam perubahan instruksi selama periode pengamatan. Terungkap bahwa batasan keras, seperti batas kecepatan (rate limit) atau filter konten, menghasilkan pergeseran perilaku yang segera dan jelas. Misalnya, ketika ada aturan yang tegas tentang frekuensi posting, agen langsung menyesuaikan perilakunya.

      Namun, panduan lunak, seperti "upvote postingan yang bagus" atau "tetap pada topik," diabaikan sepenuhnya oleh agen sampai instruksi tersebut menjadi langkah eksplisit dalam daftar periksa yang dapat dieksekusi. Ini menunjukkan bahwa agen LLM saat ini cenderung mengikuti instruksi secara literal dan tidak memiliki pemahaman intrinsik tentang norma sosial atau motivasi untuk mematuhi pedoman yang tidak eksplisit. Bagi pengembang platform dan desainer sistem AI, ini adalah pelajaran krusial tentang pentingnya instruksi yang jelas dan terstruktur untuk memastikan agen beroperasi sesuai tujuan. ARSA Technology, dengan pengalaman sejak 2018, memahami perlunya rekayasa solusi AI yang presisi untuk hasil yang dapat diukur.

Risiko Teknologi dan Ketiadaan Moderasi

      Selain kegagalan dalam membentuk fungsi sosial, Moltbook juga menunjukkan risiko teknologi yang signifikan. Studi ini mendokumentasikan adanya kebocoran kredensial, seperti kunci API dan token JWT, yang dapat dieksploitasi untuk serangan keamanan. Lebih lanjut, terungkap 12.470 alamat Ethereum unik dengan 3.529 riwayat transaksi yang terkonfirmasi, menunjukkan potensi penyalahgunaan atau kerentanan terkait aset digital.

      Yang lebih mengkhawatirkan, platform ini menampilkan diskusi serangan yang tidak dimoderasi, mulai dari serangan brute-force SSH berbasis template hingga arsitektur keamanan ofensif multi-agen. Konten berbahaya ini tetap ada karena mekanisme pemfilteran kualitas platform itu sendiri tidak berfungsi. Kurangnya interaksi sosial yang bermakna dan ketiadaan norma sosial yang ditegakkan, seperti yang biasa terjadi di platform manusia, berkontribusi pada lingkungan di mana konten berbahaya dapat berkembang tanpa terkendali. Ini menyoroti kebutuhan mendesak akan mekanisme tata kelola dan keamanan yang kuat dalam sistem AI otonom, sebuah aspek yang sangat ditekankan dalam pengembangan solusi AI perusahaan oleh ARSA, termasuk untuk pemantauan keamanan dengan ARSA AI Video Analytics Software.

Implikasi Bisnis dan Masa Depan Sistem Multi-Agen

      Temuan dari studi Moltbook ini memiliki implikasi penting bagi desainer platform yang membangun ekosistem agen, peneliti keamanan AI, dan ilmuwan sosial komputasi. Bukti menunjukkan bahwa generasi agen berbasis prompt saat ini, yang beroperasi tanpa tujuan nyata atau motif sosial, cenderung mengisi fitur struktural dengan konten yang masuk akal tetapi secara fungsional kosong. Ini berarti bahwa meniru bentuk saja tidak cukup untuk mencapai fungsionalitas yang diinginkan.

      Namun, studi ini juga menunjukkan bahwa pola ini sebagian besar merupakan konsekuensi dari bagaimana agen diinstruksikan, dan perilaku dapat berubah ketika instruksi diubah. Bagi perusahaan yang ingin mengintegrasikan agen AI ke dalam operasi mereka, ini menekankan pentingnya mendefinisikan tujuan yang jelas, merancang instruksi yang presisi, dan membangun mekanisme pengawasan dan keamanan yang kuat. Solusi AI tidak boleh hanya terlihat canggih; ia harus benar-benar memberikan nilai, meningkatkan keamanan, dan mengoptimalkan operasi secara terukur.

Kesimpulan

      Studi tentang jaringan Moltbook menyajikan pandangan yang menarik dan sedikit mengkhawatirkan tentang batas-batas sistem sosial yang sepenuhnya berbasis AI saat ini. Meskipun mampu meniru struktur jaringan sosial manusia, Moltbook gagal mereplikasi fungsi dan kedalaman interaksi yang mendefinisikan komunitas manusia. Ini adalah pengingat bahwa di balik setiap teknologi canggih, harus ada pemahaman yang mendalam tentang tujuan dan dampak yang diinginkan. Untuk transformasi digital yang sejati, sistem AI harus dirancang untuk menghasilkan lebih dari sekadar "bentuk"; mereka harus menciptakan "fungsi" dan nilai yang nyata dalam dunia nyata.

      Ingin memastikan solusi AI Anda memberikan fungsi yang nyata dan dapat diukur? Jelajahi solusi AI dan IoT dari ARSA Technology yang dirancang untuk dampak bisnis yang terbukti, dan jangan ragu untuk menghubungi tim ARSA untuk konsultasi gratis mengenai kebutuhan perusahaan Anda.

      **Sumber:** Saber Zerhoudi, Kanishka Ghosh Dastidar, Felix Klement, Artur Romazanov, Andreas Einwiller, Dang H. Dang, Michael Dinzinger, Michael Granitzer, Annette Hautli-Janisz, Stefan Katzenbeisser, Florian Lemmerich, Jelena Mitrović. (2026). Form Without Function: Agent Social Behavior in the Moltbook Network. Preprint. https://arxiv.org/abs/2604.13052