Adobe Mendemonstrasikan “Agentic Sites” yang Menyesuaikan Halaman Web secara Real-Time

Adobe sedang mengeksplorasi gagasan bahwa situs web tidak harus menampilkan halaman yang sama untuk semua orang—atau hanya membedakan pengunjung berdasarkan segmen seperti “pelanggan lama” dan “penggemar aktivitas luar ruang”. Dalam prototype yang disebut “agentic site”, sistem mencoba memahami tujuan setiap pengunjung, mengambil materi yang relevan, lalu merakit halaman yang sesuai secara real-time. Pendekatan ini diarahkan pada konsep “audience of one”, yakni pengalaman yang disesuaikan untuk satu individu. 27

Namun, penting untuk membedakan antara demonstrasi teknologi dan produk komersial siap pakai. Laporan publik yang tersedia menggambarkan prototype yang berfungsi serta sejumlah produk Adobe terkait—bukan layanan yang sudah umum tersedia untuk menghasilkan halaman produksi unik bagi setiap pengunjung dalam skala besar. 434

Apa yang didemonstrasikan Carlos Sanchez?

Carlos Sanchez, principal scientist Adobe, mendemonstrasikan konsep tersebut dalam sesi AI Engineer World’s Fair berjudul “Agentic Sites: Building Hyper Personalized Websites.” Contohnya menggunakan situs penjualan mesin kopi. Ketika pengunjung mencari mesin yang cocok untuk berkemah, sistem mengubah isi, rekomendasi, dan penyajian halaman agar mencerminkan kebutuhan penggunaan di luar ruangan. 33

Sistem ini tidak sekadar meminta model bahasa untuk mengarang situs baru. Sinyal seperti kueri pencarian dan perilaku penjelajahan digunakan untuk memperkirakan maksud pengunjung—misalnya sedang menjelajah, melakukan riset, membandingkan produk, atau siap membeli. Setelah itu, sistem mengambil materi yang relevan dari kumpulan konten milik perusahaan dan menyusunnya menjadi halaman baru. 234

Cara kerja “agentic site”

Secara sederhana, alurnya dapat digambarkan sebagai berikut:

1. Membaca maksud pengunjung. Sistem menganalisis kueri, konteks kedatangan, dan interaksi di situs untuk memperkirakan kebutuhan pengunjung.
2. Mengambil materi yang disetujui. Teknik retrieval-augmented generation (RAG) memasok model dengan konten, aset merek, dan informasi produk dari sistem perusahaan yang sudah ada.
3. Memilih komponen halaman. Halaman diperlakukan sebagai kumpulan blok, bukan satu dokumen utuh. Sistem dapat memilih atau menyesuaikan blok tertentu.
4. Merender pengalaman akhir. Elemen seperti konten hero, kartu produk, navigasi, dan ajakan bertindak dirakit berdasarkan maksud yang diperkirakan.

Adobe Experience Manager (AEM), yang merupakan sistem pengelolaan konten dan penyampaian pengalaman digital, menjadi bagian penting dalam pendekatan ini. Dengan mengambil informasi dari konten dan aset yang telah disetujui, sistem dapat membatasi risiko klaim produk yang tidak akurat sekaligus menjaga suara merek dan identitas visual. Laporan tentang demonstrasi tersebut menyebutkan bahwa AI mengambil dan merakit ulang materi yang sudah ada, bukan menciptakan halaman sepenuhnya dari nol. 434

Mengapa Cerebras dan Gemma 4 penting?

Implementasi yang dilaporkan menggunakan model Gemma 4 dari Google di atas infrastruktur inferensi Cerebras. Katalog Cerebras mencantumkan Gemma 4 31B dengan kecepatan sekitar 1.850 token keluaran per detik, sementara Cerebras juga melaporkan sekitar 2.300 token per detik untuk salah satu penggunaan Gemma 4. 36

Kecepatan ini relevan karena situs agentik harus melakukan beberapa langkah dalam satu interaksi: memahami maksud, mengambil konteks, menentukan komponen, membuat atau menyesuaikan teks, lalu mengembalikan hasil. Inferensi yang lebih cepat membuat siklus “ambil–pikirkan–rakit” lebih memungkinkan dilakukan saat pengunjung sedang membuka halaman, bukan hanya untuk produksi konten secara offline.

Meski demikian, kecepatan token bukan berarti waktu tunggu halaman secara keseluruhan. Kondisi jaringan, proses pengambilan data, panggilan ke katalog produk, pemeriksaan persetujuan pengguna, caching, rendering browser, dan pengiriman dari backend juga menentukan pengalaman yang dirasakan pengunjung.

Seberapa cepat dan murah?

Menurut laporan mengenai pembahasan Sanchez, permintaan untuk mesin kopi yang cocok digunakan saat berkemah menghasilkan halaman yang dipersonalisasi dalam 1,64 detik. Sekitar satu detik di antaranya dikaitkan dengan pemanggilan model. Laporan yang sama membandingkannya dengan waktu 4,6 detik pada pengaturan lain dan menyebut estimasi biaya sekitar US$0,01–US$0,02 per halaman. 1

Angka tersebut sebaiknya dibaca sebagai tolok ukur prototype dan estimasi, bukan komitmen tingkat layanan yang telah diaudit atau harga resmi Adobe. Hasilnya juga tidak membuktikan bahwa setiap jenis halaman, pengunjung, atau pola trafik akan memiliki performa yang sama.

Arti target latensi di bawah dua detik

Personalisasi hanya terasa berguna jika keputusan AI selesai sebelum pengunjung menganggap situsnya lambat. Target sekitar satu hingga dua detik dapat memungkinkan situs merespons kueri pencarian, konteks kedatangan, atau perubahan penting dalam niat pengunjung ketika interaksi tersebut masih relevan.

Dengan begitu, personalisasi bisa dilakukan pada tingkat yang lebih spesifik daripada segmen konvensional. Situs tidak hanya mengenali seseorang sebagai “pelanggan lama”, tetapi dapat merespons tujuan saat itu—misalnya mencari mesin kopi untuk berkemah, membandingkan beberapa produk, atau mencari rekomendasi yang siap dibeli.

Target ini tentu tidak menghapus persoalan teknis lain. Pengelolaan persetujuan dan identitas, validasi produk serta harga, latensi katalog, perilaku CDN, rendering halaman, dan mekanisme saat sistem gagal tetap harus masuk dalam anggaran waktu keseluruhan.

Kaitannya dengan produk Adobe yang sudah ada

Prototype agentic site tidak boleh disamakan dengan seluruh produk AI Adobe yang telah tersedia. Dokumentasi Adobe menyebutkan bahwa agen AEM tersedia untuk AEM as a Cloud Service dan Edge Delivery Services, dengan ketersediaan yang dapat berbeda menurut lingkungan. 17

Sementara itu, Adobe Experience Platform Agent Orchestrator dijelaskan sebagai lapisan penalaran dan koordinasi untuk agen-agen di Experience Platform. Sistem ini dirancang untuk menggunakan data Experience Platform serta mengoordinasikan agen Adobe dan pihak ketiga dengan pengawasan manusia. Adobe juga telah mengumumkan ketersediaan umum Agent Orchestrator, sementara dokumentasinya menyebut akses berdasarkan permintaan dan uji coba dengan batas penggunaan untuk sejumlah kemampuan agen. 18192122

Kemampuan lain yang berkaitan antara lain:

• Brand Experience Agent, yang menurut Adobe membantu memperbarui halaman, membuat konten baru, dan memodernisasi pengalaman digital untuk penemuan berbasis AI. 202344
• Content Advisor Agent, yang membantu tim menemukan konten perusahaan yang relevan dan membuat variasi visual dari aset sumber yang telah disetujui. 202743
• Agent Orchestrator, yang berfungsi sebagai lapisan platform untuk mengelola dan mengoordinasikan agen di ekosistem Adobe maupun pihak ketiga. 182230

Produk-produk tersebut menunjukkan bahwa Adobe sedang membangun tumpukan teknologi agentik di sekitar konten, data pelanggan, dan pengalaman digital. Namun, keberadaannya belum membuktikan bahwa prototype perakitan halaman per pengunjung milik Sanchez sudah menjadi fitur produksi standar yang tersedia luas.

Apa yang masih diperlukan sebelum dipakai secara massal?

Demonstrasi ini menunjukkan bahwa perakitan halaman secara real-time secara teknis memungkinkan. Namun, hal itu belum menjawab apakah pendekatan tersebut selalu masuk akal secara operasional dan ekonomi.

Pengujian harus dilakukan di lingkungan pelanggan

Perusahaan perlu menguji teknologi ini menggunakan repositori AEM, katalog produk, sistem identitas, kebijakan persetujuan, serta target konversi mereka sendiri. Pertanyaan utamanya bukan hanya apakah halaman dapat dibuat dengan cepat, tetapi apakah pengalaman tersebut benar-benar meningkatkan hasil bisnis tanpa menambah kesalahan dan risiko operasional.

Laporan publik menyebutkan bahwa konsep agentic site secara khusus belum diterapkan pada situs klien dalam skala besar. 4

Integrasi harus mencakup seluruh rantai layanan

Penerapan produksi memerlukan koneksi yang andal antara inferensi, sistem pengelolaan konten, data pelanggan, identitas dan persetujuan, katalog atau perdagangan, analitik, eksperimen, pengiriman CDN, serta perpustakaan aset merek. Model yang cepat tidak dapat mengatasi data produk yang kedaluwarsa atau layanan katalog yang lambat.

Biaya perlu diuji pada trafik besar

Estimasi satu hingga dua sen per interaksi mungkin terlihat kecil untuk satu pengunjung. Namun, nilainya dapat menjadi material ketika dikalikan dengan trafik tinggi—terutama jika pengalaman dibuat ulang setelah setiap interaksi penting.

Karena itu, caching, penggunaan ulang blok yang telah disetujui, pembuatan ulang secara selektif, dan aturan yang menentukan kapan model tidak perlu dipanggil akan menjadi bagian penting dari perhitungan bisnis. Materi publik yang tersedia belum menetapkan model harga Adobe secara definitif untuk skenario ketika setiap pengunjung menerima pengalaman yang unik.

Setiap blok yang dihasilkan perlu diawasi

Penerapan yang dapat dipercaya membutuhkan kontrol yang jelas untuk:

• sumber konten yang disetujui dan batas pengambilan informasi;
• atribut produk, ketersediaan, dan validasi harga;
• tata letak, komponen, dan ajakan bertindak yang diizinkan;
• gaya bahasa dan identitas visual merek;
• pemeriksaan aksesibilitas dan lokalisasi;
• klaim yang dilarang atau diatur oleh regulasi;
• jejak persetujuan dan audit;
• pemantauan, pembatalan perubahan, dan deteksi penyimpangan; serta
• ambang batas yang memerlukan pemeriksaan manusia.

Dengan demikian, versi paling realistis dari konsep ini bukanlah situs web AI tanpa batas. Bentuknya lebih mungkin berupa sistem perakitan yang diatur ketat, dengan AI bertugas mengambil keputusan cepat tentang komponen mana yang perlu ditampilkan dan bagaimana menyesuaikannya dengan tujuan pengunjung.

Kesimpulan

Demonstrasi Sanchez menunjukkan kemungkinan baru: situs web dapat berfungsi sebagai lapisan pengambilan keputusan saat runtime, bukan sekadar kumpulan halaman yang telah ditulis sebelumnya. Inferensi Cerebras dan Gemma 4 membuat proses penalaran cukup cepat untuk diuji dalam pengalaman real-time, sedangkan AEM dan grounding berbasis RAG menawarkan jalur untuk menjaga akurasi serta kendali merek. 13617

Tetapi judul besarnya tetap harus dibaca sebagai prototype, bukan kategori produk yang sudah matang. Tantangan berikutnya adalah membuktikan bahwa agentic sites mampu mempertahankan kecepatan, akurasi, aksesibilitas, tata kelola, dan nilai bisnis ketika berhadapan dengan katalog nyata, persyaratan persetujuan yang sebenarnya, serta trafik dalam skala besar.