Pernahkah Kawan GNFI mencoba meminta bantuan ChatGPT atau Claude untuk membuat sebuah analisis, namun hasil jawaban yang diberikan justru dangkal, tidak terstruktur, atau bahkan tidak sesuai dengan fakta?
Ketika menghadapi situasi tersebut, sebagian besar dari kita cenderung langsung menganggap teknologi kecerdasan buatan (Artificial Intelligence) ini belum cukup pintar. Namun, ada kemungkinan bahwa letak kekeliruannya bukan pada sistem AI tersebut, melainkan pada cara kita dalam menyusun komunikasi dan memberikan instruksi.
Memahami Perbedaan AI dan Mesin Pencari
Banyak di antara kita yang masih menggunakan teknologi AI dengan pola yang sama seperti saat menggunakan mesin pencari Google. Kita terbiasa mengetik kata kunci atau perintah satu arah yang sangat singkat, lalu berharap AI dapat langsung memahami kebutuhan kita secara instan. Padahal, prinsip kerja kedua teknologi ini sangat berbeda.
Google berfungsi sebagai pusat arsip digital untuk mencari dokumen yang sudah ada di internet, sedangkan AI bekerja sebagai sistem pemroses logika yang merangkai teks baru berdasarkan pola data.
Menurut Edward, seorang praktisi AI dan pendiri perusahaan rintisan (startup) digital, dalam diskusinya di podcast Behind the Business bersama Tom MC Ifle, kualitas informasi yang dihasilkan oleh AI merupakan cerminan langsung dari kejelasan instruksi (prompt) yang diberikan oleh penggunanya. Sistem AI hanya akan bekerja seoptimal perintah yang dimasukkan. Oleh karena itu, untuk mendapatkan jawaban yang tajam, kita perlu belajar menyusun instruksi secara terstruktur.
Salah satu metode yang dapat kita gunakan adalah Framework RCOR:
- Role (Peran): Menentukan posisi atau keahlian spesifik yang harus diambil oleh AI (misalnya: bertindak sebagai analis bisnis).
- Context (Konteks): Menjelaskan latar belakang situasi atau data yang sedang dihadapi.
- Task (Tugas): Menjabarkan instruksi kerja yang harus diselesaikan secara detail.
- Output (Format Hasil): Menentukan bentuk penyajian akhir yang diinginkan (misalnya: berupa tabel atau poin-poin kesimpulan).
Seni Mendelegasikan Tugas: Mengadopsi Prinsip Manajemen
Interaksi dengan AI sebenarnya dapat menjadi sarana untuk melatih kemampuan kepemimpinan (leadership) kita. Kita dituntut untuk memiliki kemampuan mendelegasikan tugas secara terperinci, bukan sekadar memberikan perintah singkat tanpa arah yang jelas.
Dalam buku The 7 Habits of Highly Effective People karya Stephen R. Covey, gaya memberikan perintah yang terlalu singkat dan hanya berfokus pada metode jangka pendek disebut sebagai Gofer Delegation. Model ini disebut kurang efektif karena manajer pada dasarnya melakukan supervisi ketat terhadap metode kerja timnya, bukan berfokus pada hasil yang dicapai, sehingga tim cenderung kehilangan rasa memiliki terhadap hasil pekerjaan.
Sebaliknya, Covey menyarankan penggunaan Stewardship Delegation (Delegasi Penatalayanan), yaitu pendekatan yang berfokus pada hasil akhir dengan lima elemen kesepakatan di awal: hasil yang diharapkan, batasan/pedoman, sumber daya yang tersedia, sistem akuntabilitas, dan konsekuensi atas pencapaian.
Saat kita membuka ruang obrolan (room chat) baru dengan AI, posisikan proses tersebut seperti hari pertama kita mengarahkan seorang asisten magang yang baru bergabung. Kita wajib memberikan pengarahan (onboarding) yang jelas, meliputi:
- Hasil akhir yang diharapkan.
- Batasan atau aturan yang harus dipatuhi.
- Panduan sumber informasi yang valid untuk digunakan.
- Kriteria objektif yang menunjukkan bahwa tugas tersebut berhasil diselesaikan.
Strategi Mengatasi Fenomena 'AI Halusinasi'
Salah satu karakteristik dari AI generatif saat ini adalah sistemnya dirancang untuk selalu memberikan jawaban atas setiap pertanyaan. Namun, sifat ini memunculkan kelemahan tertentu. Ketika AI kekurangan data pendukung yang valid, sistem tersebut memiliki kecenderungan untuk menyusun jawaban buatan yang tidak sesuai dengan fakta aktual demi tetap memenuhi perintah pengguna. Di dunia teknologi, fenomena ini dikenal sebagai AI Halusinasi (AI Hallucination).
Untuk mengantisipasi risiko akurasi data ini, kita dapat merujuk pada prinsip manajemen risiko dari lembaga konsultan global McKinsey & Company. Dalam laporannya soal potensi ekonomi generative AI, McKinsey menekankan bahwa perusahaan perlu menerapkan pemeriksaan kualitas baru pada proses yang beralih dari manusia ke AI generatif, karena kebutuhan untuk memverifikasi apakah konten yang dihasilkan berdasar fakta atau sekadar inferensi semakin meningkatkan pentingnya kontrol kualitasĀ atau yang dikenal sebagai human-in-the-loop. Prinsip serupa juga disampaikan oleh salah satu pemimpin global QuantumBlack (unit AI McKinsey), yang menyatakan bahwa sebagian besar insight dari AI generatif baru berdampak setelah ditafsirkan oleh manusia.
Artinya, kita tidak boleh langsung menggunakan hasil tulisan AI tanpa melakukan pemeriksaan ulang. Kita harus memposisikan diri sebagai penyunting akhir (final editor) yang melakukan validasi terhadap setiap angka, fakta, dan data sebelum dokumen tersebut digunakan secara resmi.
Untuk memastikan akurasi data, ada beberapa langkah praktis yang bisa Kawan GNFI terapkan:
- Menguji Ulang Argumen: Tanyakan kembali kepada AI mengenai dasar argumen atau sumber data dari jawaban yang mereka berikan.
- Metode Validasi Silang (Looping): Kita dapat memasukkan hasil teks dari satu platform AI (misalnya Claude) ke platform AI lainnya (misalnya ChatGPT) dengan instruksi khusus untuk mendeteksi kesalahan logika atau kekeliruan data ilmiah.
Kesimpulan
Teknologi AI hadir bukan untuk membuat kita menjadi pasif, melainkan melatih kita untuk berpikir dan bekerja secara lebih sistematis. Optimal atau tidaknya pemanfaatan kecerdasan buatan ini kembali pada kecakapan kita dalam memimpin dan mengarahkannya. Di tengah perubahan teknologi yang cepat, mari kita fokus meningkatkan kapasitas diri, salah satunya dengan membenahi cara kita berkomunikasi dan mendelegasikan perintah kepada AI.
Cek berita, artikel, dan konten yang lain di Google News
