Google Bikin AI RAG yang Nggak Setengah-Setengah, Auto Cari Lagi Kalau Kurang Data

Dulu nanya ke AI tuh kayak nanya temen yang satu sumber doang: jawabannya sering setengah-setengah. Google Research sadar hal ini, makanya mereka nambahin Agentic RAG ke Gemini Enterprise Agent Platform.

Fitur barunya namanya Cross-Corpus Retrieval, sekang lagi public preview.

Intinya, AI-nya nggak cuma nyari sekali terus nyerah. Kalau data belum cukup, dia bakal cari lagi — beda banget sama RAG biasa yang sering asal jawab "sorry, nggak nemu."

Beda standar sama yang baru

RAG biasa tuh one-shot search: kamu nanya, sistem cocokin ke dokumen terdekat, LLM bikin jawaban dari situ. Tapi kalau jawabannya butuh data dari banyak tempat? Bisa-bisa jawabannya nanggung.

Contoh simpel: kamu nanya spesifikasi server yang dipakai di Project X.

RAG biasa mungkin nemu dokumen yang nyebutin server ID-nya doang. Tapi dia nggak mikir buat nyari ID itu ke database kedua buat dapetin spek lengkapnya. Hasilnya? Jawaban setengah doang, atau malah "not found."

Agentic RAG Google beda. Dia punya beberapa agent yang kerja bareng, mirip tim risik di perusahaan.

Ada Orchestrator yang nentuin apakah pertanyaan butuh satu langkah atau banyak. Ada Planner Agent yang gambar jalur pencarian di berbagai database. Terus Query Rewriter yang ngerombak pertanyaan kamu jadi beberapa keyword presisi.

Nggak cuma itu, Search Fanout Agent sebarin pencarian ke banyak sumber sekaligus. Terakhir, LLM agregasiin semua hasil jadi jawaban utuh.

Yang bikin beda: Sufficient Context Agent

Ini bagian paling menarik. Google nambahin Sufficient Context Agent — agent yang tugasnya cek, "udah cukup belum nih datanya?"

Kalau belum, dia nggak asal bilang "kurang konteks." Dia malah nulis catatan spesifik: data apa yang kurang, terus suruh sistem cari lagi.

Abis itu Query Rewriter bikin pencarian baru, RAG Agent gali files yang tadi dilewatin. Baru deh Synthesis Agent nyusun jawaban bersih dan akurat.

Coba bandingin: RAG biasa nyerah di tengah jalan. Agentic RAG Google malah makin rajin nyariin yang ketinggalan.

Hasil ujinya gimana?

Google tes pakai FramesQA — 824 pertanyaan yang harus nyari di 2.676 dokumen PDF.

Agentic RAG di mode cross-corpus (ambil data dari 4 kumpulan dokumen berbeda) tetep jawab 90,1% pertanyaan dengan benar.

Latensi-nya cuma naik 3% doang dibanding cari dari satu sumber aja. Jadi, lebih akurat tanpa bikin kamu nungguin lama.

Naiknya akurasi faktual bisa sampai 34% dibanding RAG standar. Buat kerjaan enterprise yang datanya terpisah-pisah, ini gede banget impact-nya.

Buat siapa aja?

Healthcare: bikin ringkasan pasien dari catatan obat, diet, dan alergi yang tersimpan di tempat beda.

Engineering: ketik server ID di dokmen proyek, AI-nya auto jejak ke database spek teknis.

Finance & project management: gabungin data anggaran sama timeline dari sistem yang beda.

Intinya, ini cocok banget buat perusahaan yang database-nya dikerjain tim-tim berbeda.

Takeaway praktis

Kalau kamu pakai Gemini Enterprise, keep an eye sama fitur Cross-Corpus Retrieval ini.

Jangan terima jawaban AI setengah-setengah kalau tugasnya penting — dan sekarang Google punya cara buat ngatasin itu.

Poin penting: AI makin jarang sekarang "bullshit" atau nebak-nebak. Dia malah tahu kapan harus bilang, "sebentar, aku cari dulu yang bener."