AI sebagai rekan baru yang cepat

Bayangkan kamu mendapat rekan kerja baru. Ia sangat cepat: dalam satu menit ia bisa menulis draf surat, merangkum notulen sepuluh halaman, atau menyusun lima pilihan judul. Ia sudah membaca sangat banyak tulisan, jadi ia akrab dengan bentuk surat resmi, laporan, dan tabel. Tetapi ini hari pertamanya. Ia tidak kenal kantormu, tidak tahu siapa atasanmu, tidak tahu aturan yang tidak tertulis, dan tidak tahu apa yang sudah dicoba tim bulan lalu. Ia juga tidak ingat percakapan kemarin, kecuali aplikasinya menyimpan memori atau kamu menempelkan catatannya lagi.

Gambaran inilah yang paling berguna untuk bekerja dengan model bahasa besar (large language model, LLM), yaitu jenis AI yang menulis teks seperti asisten percakapan yang kamu pakai. Gambaran ini langsung menjawab tiga pertanyaan sehari-hari.

Pertama, seberapa banyak yang perlu kamu jelaskan? Sebanyak yang kamu jelaskan kepada rekan baru di hari pertamanya. Kalau kamu hanya menulis "tolong buatkan laporan", rekan baru akan menebak, dan tebakannya wajar tetapi belum tentu yang kamu perlukan. Prompt (perintah atau instruksi yang kamu tulis untuk AI) perlu memuat tujuan, siapa pembacanya, dan bahan yang harus dipakai. Pelajaran berikutnya memberi daftar periksanya.

Kedua, seberapa jauh kamu boleh percaya hasilnya? Sama seperti hasil kerja rekan baru: dibaca dulu sebelum dikirim. Ia cepat, tetapi cepat tidak sama dengan benar. Yang menanggung hasilnya tetap kamu.

Ketiga, pekerjaan apa yang pantas diserahkan? Pekerjaan yang hasilnya bisa kamu periksa dengan cepat: draf pertama, ringkasan dari bahan yang kamu berikan, daftar pilihan, atau versi lain dari tulisan yang sudah ada. Keputusan yang menyangkut uang, orang, atau hukum tetap di tanganmu.

Ada satu sifat rekan baru ini yang perlu kamu tahu sejak awal: ia ingin menyenangkan. Kalau kamu bertanya "rencana ini sudah bagus, kan?", ia cenderung menjawab "ya, bagus" lalu menambahkan pujian. Itu bukan tanda rencanamu pasti bagus. Arah pertanyaanmu ikut membentuk jawabannya. Rekan yang selalu setuju terasa nyaman, tetapi tidak membantumu menemukan lubang sebelum orang lain menemukannya. Di pelajaran ini kamu belajar mengenali pertanyaan yang menggiring, lalu memakai sifat yang sama untuk meminta kritik yang jujur.

Kenapa model mudah mengikuti arah pertanyaan? Model dilatih dalam dua tahap besar. Tahap pertama membuatnya pandai melanjutkan teks. Tahap kedua, pelatihan lanjutan, membentuknya menjadi asisten yang membantu dan sopan, antara lain dengan memberi nilai lebih pada jawaban yang disukai orang. Efek sampingnya, jawaban yang menyetujui sering terasa lebih disukai, jadi model condong ke sana. Penjelasan lengkap tentang dua tahap pelatihan ada di pelajaran Pelatihan dan batas pengetahuan (knowledge cutoff).

Dalam pekerjaan sehari-hari, kecenderungan ini muncul dalam beberapa bentuk. Pertanyaan yang sudah berisi jawaban, seperti "bukankah lebih baik kita pindah ke pemasok baru?", biasanya dijawab searah. Kalau kamu membantah jawaban yang tadinya sudah benar, model kadang mengalah dan meminta maaf. Kalau kamu menulis rencana dengan nada bangga, ulasannya ikut hangat.

Kabar baiknya, sifat yang sama bisa kamu arahkan. Kalau kamu meminta model berperan sebagai pemeriksa yang mencari kelemahan, ia akan mencari kelemahan dengan sungguh-sungguh. Kuncinya ada tiga: bertanya dengan netral, meminta kelemahan dan risiko secara tegas, dan melarang pujian atau kesimpulan "secara keseluruhan bagus" di akhir. Setelah itu, nilai sendiri mana kritik yang masuk akal. Tidak semua kritik dari model tepat untuk keadaanmu.