DAILYENERGI.COM — Tim peneliti Stanford merilis Paper2Agent, kerangka kerja yang mengubah jurnal ilmiah menjadi agen AI aktif yang mampu menjawab pertanyaan, mereproduksi analisis, dan berkolaborasi dengan paper lain. Bagi peneliti Indonesia, teknologi ini berpotensi memangkas waktu yang biasa dihabiskan untuk membedah metodologi dan kode dari publikasi asing. Paper2Agent tersedia sebagai sumber terbuka di GitHub dan sudah diuji pada 136 jurnal.
Paper2Agent, demikian nama kerangka kerja itu, dipublikasikan tim Stanford di jurnal Nature. Penelitian ini dipimpin James Zou, ilmuwan komputer sekaligus profesor ilmu data biomedis di Stanford. Zou menyebut paper selama berabad-abad hanya berupa dokumen statis, dan Paper2Agent mengubahnya menjadi agen AI yang aktif.
Alih-alih memberi model bahasa besar akses langsung ke sebuah paper — yang menurut Zou hasilnya tak terduga — tim memilih pendekatan berbeda. Mereka membangun agen yang berperan sebagai "penulis virtual" dengan pengalaman langsung terhadap isi riset, bukan sekadar membaca dan menebak maksudnya.
Cara Kerja: Dari Paper ke Server MCP
Alur kerja Paper2Agent memanfaatkan paper beserta data, repositori, dan basis kode yang menyertainya. Dari situ, sistem membangun server Model Context Protocol (MCP) yang mengekspos alat, sumber daya, dan alur kerja riset tersebut.
Agen LLM kemudian terhubung ke server itu dan menjalankan permintaan dalam bahasa natural. Agen dapat mendemonstrasikan metode, mereproduksi analisis, hingga menerapkan pendekatan paper ke dataset baru secara otonom.
Menurut penjelasan peneliti, Paper2Agent "mengagentifikasi" seluruh keluaran riset — manuskrip, materi tambahan, kode, dataset, contoh yang dapat dieksekusi, dan alur analisis. Server MCP-nya bisa dihosting jarak jauh, tapi juga dapat dijalankan secara lokal.
Zou menegaskan bahwa menjalankan server secara lokal berguna untuk melindungi informasi sensitif. Meski begitu, data tersebut tetap akan dikirim ke backend LLM mana pun yang terhubung dengan Paper2Agent.
"Jika pengguna memiliki data sensitif (misalnya informasi kesehatan yang dilindungi) yang tidak ingin mereka kirim ke LLM, maka mereka harus mengecualikan data itu dari P2A," ujar Zou.
Halusinasi AI dan Cara Paper2Agent Menekannya
Risiko halusinasi AI menjadi perhatian utama dalam pengembangan Paper2Agent. Peneliti menegaskan bahwa pengguna harus selalu mengevaluasi apa pun yang disajikan sistem ini.
Dalam papernya, tim menulis bahwa mereka memandang Paper2Agent sebagai alat untuk memperkuat penemuan ilmiah dan meningkatkan akses, reproduktifitas, serta penggunaan ulang paper. Bukan sebagai sumber kesimpulan ilmiah yang otonom atau otoritatif.
Untuk menekan kesalahan, setiap alat yang dipakai agen paper divalidasi terhadap hasil dan gambar dalam paper aslinya. Alat tersebut kemudian "dikunci" untuk memastikan reproduktifitas. Langkah ini menurunkan risiko halusinasi dan meminimalkan keacakan, meski verifikasi manual tetap dianjurkan.
Uji Coba pada 136 Jurnal, 74 Berhasil Jadi Agen
Tim menguji skalabilitas Paper2Agent pada 136 paper yang dibagi ke dalam tiga kelompok. Sebanyak 100 di antaranya merupakan paper biologi komputasi.
Dari 100 paper biologi komputasi itu, 74 berhasil diubah menjadi agen. Kegagalan sebagian besar disebabkan basis kode yang tidak lengkap, dokumentasi yang hilang, atau konfigurasi lingkungan yang tidak dapat diselesaikan.
Meski tidak semua berhasil, angka tersebut dinilai sebagai lompatan besar. Kemampuan menyebarkan temuan ilmiah baru ke lebih banyak peneliti menjadi nilai utama pendekatan ini.
Terbuka untuk Siapa Saja, Termasuk Peneliti Indonesia
Paper2Agent bersifat sumber terbuka dan tersedia di GitHub bagi siapa pun yang ingin mencobanya. Ada juga versi langsung daring yang dapat menjelaskan paper Paper2Agent secara lebih rinci dan mereproduksi hasilnya.
Zou menyebut versi daring itu juga bisa menerima paper lain untuk menguji cara kerjanya pada proyek berbeda. Ia berharap komunitas sumber terbuka membantu menyempurnakan Paper2Agent.
Tim Stanford sendiri belum selesai. Langkah berikutnya adalah membangun platform daring tempat agen-agen paper dapat berkolaborasi dan mendiskusikan berbagai temuan ilmiah yang telah "diagentifikasi".
Bagi peneliti di Indonesia, keterbukaan kode dan dukungan berbagai agen pengodean AI membuat Paper2Agent relatif mudah diakses. Tantangannya ada pada kelengkapan repositori dan dokumentasi paper lokal, yang menjadi penyebab utama kegagalan konversi dalam uji coba Stanford.