Lewati ke konten

Aset AI yang Tidak Bisa Diunduh

PT Japo Titian Bakat11 menit baca
Perempuan profesional menulis catatan di samping laptop dekat jendela

Bayangkan dua staf di bagian layanan pelanggan yang sama. Pagi itu keduanya meminta AI menyusun balasan untuk pelanggan yang mengeluh. Yang satu menerima balasan yang hampir siap dikirim. Yang lain menerima surat generik yang harus ditulis ulang dari awal. Bedanya bukan kecerdasan model, karena modelnya sama. Staf pertama selalu menambahkan tiga kalimat konteks, satu contoh balasan yang pernah disetujui atasan, dan aturan nada yang dipakai perusahaan. Pengetahuan itu hidup di kepala satu orang, dan ia akan ikut pergi ketika orang itu pindah bagian.

Tulisan ini berpendapat bahwa prompt dan skill yang baik adalah aset organisasi, bukan koleksi unduhan. Alat AI cepat menjadi seragam; yang tidak seragam adalah apa yang organisasi tuliskan ke dalamnya: konteks, contoh acuan, kriteria penerimaan, dan kemampuan untuk merawat semuanya. Pengetahuan semacam itu bisa dituliskan, diuji, dibagikan, dan diwariskan, atau dibiarkan tinggal di kepala beberapa orang. Pilihannya menentukan apakah AI di sebuah organisasi terasa sama bagi semua orang atau hanya bagi segelintir yang kebetulan mahir.

Perbedaannya ada pada apa yang dituliskan

Banyak keluhan tentang hasil AI yang "generik" berasal, menurut kami, dari satu sebab: model tidak tahu apa-apa tentang organisasi yang memintanya. Ia tidak tahu istilah internal, nama produk dan unit, format surat yang dipakai, nada yang dianggap pantas, atau apa yang dalam organisasi itu dihitung sebagai pekerjaan yang selesai. Menurut kami, tugas adopsi adalah memindahkan pengetahuan itu dari kepala orang ke tulisan yang bisa dipakai siapa saja.

Ketergantungan pada satu orang adalah risiko organisasi yang nyata. Ketika staf terbaik cuti atau pindah, mutu keluaran turun tanpa ada yang tahu sebabnya. Pelatihan sekali jalan tidak menolong, karena biasanya yang diajarkan adalah menu alat, bukan cara kerja bagian itu. Orang pulang dengan antusias, lalu kembali ke kebiasaan lama begitu tenggat datang.

Pengetahuan itu bisa dipilah menjadi tiga hal yang akan dibahas berikut: konteks, contoh acuan, dan kriteria penerimaan. Di atasnya ada dua bentuk penulisan. Prompt dipakai ketika manusia yang memimpin percakapan dan butuh hasil yang konsisten. Skill dipakai ketika sebuah prosedur berulang dan boleh dijalankan AI dengan petunjuk tertulis. Bentuk keduanya berbeda, tetapi bahan bakunya sama.

Konteks perusahaan: ditulis sekali, dipakai di mana-mana

Konteks adalah apa yang akan ditambahkan staf pertama tadi secara naluriah, hanya saja ditulis lengkap dan dirawat. Kami memisahkannya menjadi dua lapis. Lapis perusahaan memuat profil singkat organisasi, istilah dan singkatan, nama produk dan unit, gaya tulisan, nada bicara, kebijakan pemakaian AI, dan kelas data. Lapis fungsi memuat proses utama bagian itu, dokumen bakunya, format, aturan khusus, dan contoh hasil yang baik. Bagian hukum tidak menulis seperti bagian pemasaran, dan keduanya tidak menulis seperti layanan pelanggan. Konteks yang dicampur menghasilkan keluaran yang tidak cocok untuk siapa pun.

Menuliskannya memaksa organisasi menjawab pertanyaan yang selama ini dianggap sudah jelas. Apa singkatan resmi untuk unit ini? Siapa yang boleh disebut "Bapak" dan siapa "Saudara" dalam surat keluar? Dokumen mana yang menjadi acuan bila dua aturan bertentangan? Menurut kami, jawaban atas pertanyaan seperti itu sering ternyata berbeda di tiap meja, dan perbedaan itulah yang selama ini membuat hasil kerja manusia pun tidak seragam. AI hanya membuat ketidakseragaman itu terlihat.

Konteks juga menjadi tempat yang wajar untuk menuliskan aturan keamanan. Kebijakan pemakaian AI dan kelas data organisasi ikut termuat di lapis perusahaan, sehingga setiap prompt yang bersandar padanya membawa batas yang sama: data apa yang boleh dimasukkan, data apa yang harus disamarkan, dan data apa yang tidak boleh sampai ke AI. Aturan yang tertulis di satu tempat jauh lebih mudah dipatuhi daripada aturan yang tersebar di surat edaran.

Konteks perusahaan ditulis bersama pelaku fungsi, bukan oleh konsultan sendirian. Lalu ia dirawat oleh juara internal, yaitu orang-orang yang dilatih lebih dalam untuk membantu rekan dan memelihara paket konteks. Tanpa pemelihara, konteks cepat basi: produk berganti nama, kebijakan berubah, dan prompt yang bersandar padanya diam-diam menghasilkan jawaban yang keliru.

Contoh acuan dan kriteria penerimaan: cara menguji tanpa berdebat

Dua hal berikutnya sering dilewati, padahal keduanya yang mengubah prompt dan skill dari kebiasaan menjadi aset.

Contoh acuan adalah kumpulan pasangan masukan dan hasil terbaik yang pernah dibuat organisasi itu sendiri, disamarkan bila memuat data pribadi, dan sengaja disertai beberapa contoh yang gagal beserta alasannya. Fungsinya ganda. Bagi AI, contoh adalah petunjuk paling jelas tentang seperti apa hasil yang diharapkan, jauh lebih jelas daripada penjelasan abstrak. Bagi manusia, contoh adalah ukuran: setiap versi baru sebuah prompt atau skill dijalankan ke kumpulan yang sama, lalu hasilnya dibandingkan. Kumpulan yang terlalu kecil atau terlalu bagus-bagus saja menyesatkan, sehingga kami menganjurkan menyertakan kasus sulit sejak awal.

Kriteria penerimaan menjawab pertanyaan yang lebih jarang diajukan: kapan sebuah hasil dianggap selesai? Bentuknya daftar periksa dengan ambang, ditambah catatan tentang apa yang selalu salah. Misalnya sebuah balasan pelanggan diterima bila menyebut nomor tiket, tidak menjanjikan hal di luar kewenangan, dan memakai nada yang ditetapkan; ia ditolak bila mengarang kebijakan yang tidak ada. Kriteria disepakati bersama pelaku proses sebelum skill ditulis, bukan sesudah hasil terlihat. Tanpa kriteria, setiap penilaian menjadi perdebatan selera, dan pemilik proses akhirnya berhenti mempercayai alat itu.

Dari sini muncul ukuran yang dapat dibaca pimpinan: berapa persen hasil diterima tanpa perbaikan pada sampel, berapa lama menyusun dokumen sebelum dan sesudah, berapa prompt yang dipakai ulang oleh tiap pengguna, dan fungsi mana yang sudah punya paket. Angkanya ditetapkan bersama di awal pilot. Kami mengukurnya; kami tidak menjanjikan angkanya.

Satu ilustrasi: dari tiga kalimat menjadi paket

Sebagai ilustrasi, bukan hasil proyek tertentu, kembali ke staf pertama di bagian layanan pelanggan. Tiga kalimat konteksnya menjadi lembar konteks fungsi: nama produk dan layanan, nada yang ditetapkan, tindakan yang boleh dan tidak boleh dijanjikan kepada pelanggan, dan istilah yang harus dihindari. Balasan terbaik yang pernah disetujui atasan, beberapa lembar saja, menjadi contoh acuan, dilengkapi dua atau tiga balasan yang ditolak beserta alasannya. Aturan penerimaannya ditulis sebagai daftar periksa pendek.

Dari bahan itu disusun prompt terpandu dengan kolom isian: jenis keluhan, nomor tiket, status penanganan, dan tindakan yang boleh ditawarkan. Staf mana pun, termasuk yang baru bergabung, mengisi kolom itu dan memperoleh balasan yang mendekati balasan terbaik. Seorang juara internal ditunjuk untuk memperbarui lembar konteks ketika kebijakan berubah, dan setiap bulan ia melihat prompt mana yang sering ditolak. Pengetahuan yang semula milik satu orang kini milik bagian itu, dan ia bisa diperiksa.

Ilustrasi ini sengaja sederhana. Ia menunjukkan bahwa kebanyakan kerja ada pada menuliskan dan menguji, bukan pada teknologi yang rumit.

Menyempurnakan prompt: bagian demi bagian, diputuskan pemilik fungsi

Prompt yang ditulis cepat biasanya hanya berisi perintah. Menyempurnakannya berarti melengkapi dan merapikannya, dan metode kami berjalan bagian demi bagian. Pertama, kelengkapan isi: apakah tujuan, konteks, format hasil, dan contoh sudah ada? Kedua, gaya instruksi: kalimatnya jelas, tidak saling bertentangan, dan sesuai dengan jenis model yang dituju, sebab model yang berbeda menanggapi gaya instruksi yang berbeda. Ketiga, aturan dan tolok ukur: hal yang wajib dan hal yang dilarang ditulis sebagai kalimat bersyarat yang tegas, bukan imbauan samar.

Dalam pengerjaan kami, AI dipakai sebagai penyaran. Ia membaca prompt beserta konteks perusahaan dan fungsi, lalu mengusulkan perbaikan per bagian, memakai istilah dan format organisasi itu. Namun saran tidak pernah diterapkan otomatis. Pemilik fungsilah yang memutuskan untuk setiap saran: dipakai, diubah, atau dibuang. Alasannya praktis. Yang paling tahu apakah sebuah kalimat sesuai dengan kebiasaan bagian hukum adalah orang hukum, bukan model dan bukan konsultan.

Hasilnya diuji pada contoh acuan, lalu ditinjau tiap bulan: prompt mana yang paling banyak dipakai, mana yang hasilnya sering ditolak, mana yang perlu ditulis ulang. Satu catatan keamanan layak disebut. Prompt dan contoh acuan sering memuat data yang tidak boleh tersebar, sehingga perlu disamarkan sebelum disimpan atau dibagikan, dan kelas data berlaku untuk pustaka prompt sama seperti untuk percakapan.

Perlu dinyatakan apa adanya: yang kami tawarkan adalah metode dan pengerjaannya bersama organisasi, dijalankan pada tahap Build. Kami tidak menjanjikan aplikasi pustaka prompt siap pakai, dan hasil akhirnya adalah pustaka milik organisasi, bukan koleksi unduhan.

Dari prompt ke skill: ketika prosedur layak dituliskan

Prompt cukup selama manusia memimpin percakapan dan tugasnya tidak butuh langkah berurutan, berkas, atau jadwal. Draf surat, balasan pelanggan, dan penyusunan laporan termasuk di sini. Ketika sebuah pekerjaan sudah berulang, prosedurnya jelas tetapi bervariasi, dan manusia tetap meninjau hasilnya, saatnya menuliskannya sebagai skill. Notulen sesuai format, pemeriksaan draf kontrak terhadap daftar periksa, dan ringkasan harian adalah contohnya.

Tidak semua pekerjaan berulang cocok menjadi skill. Yang dapat diputuskan dengan aturan dan tanpa pertimbangan manusia di tengah proses lebih cocok dijadwalkan, seperti ringkasan perubahan dokumen tiap pagi. Kebutuhan dengan banyak pengguna, data terstruktur, status, dan persetujuan lebih cocok menjadi aplikasi. Skill menempati wilayah di antaranya: pekerjaan berbasis dokumen yang prosedurnya jelas tetapi bervariasi, dengan manusia yang tetap meninjau hasil.

Skill kustom dibuat dalam sembilan langkah: memilih kasus dari proses yang punya standar dan pemilik; mengamati proses; mengumpulkan contoh acuan; menetapkan kriteria penerimaan; menulis skill; mengujinya; menjalankan pilot dengan pengguna nyata; memperbaiki dan menyerahkan; lalu merawat. Pilot bukan formalitas. Skill dipakai pengguna nyata dengan pendampingan, dan setiap koreksi yang mereka lakukan dicatat. Catatan koreksi itu bahan paling berharga: ia menunjukkan kasus yang tidak terbayangkan saat skill ditulis dan sering memaksa kriteria penerimaan diperbaiki. Skill yang lolos pilot bukan yang tidak pernah dikoreksi, melainkan yang koreksinya makin jarang.

Yang diserahkan bukan satu berkas misterius, melainkan satu paket: skill dengan pemicu yang jelas, templat dan referensi, contoh acuan dan kriteria penerimaan, panduan satu halaman, catatan versi, dan pernyataan kelas keamanan.

Perawatan adalah bagian yang paling sering dilupakan. Model berganti, proses berubah, dan sebuah skill yang bagus kemarin dapat menurun mutunya tanpa ada yang menyadari. Karena itu skill diuji ulang tiap bulan terhadap contoh acuan dan diperbarui bila perlu. Bila kasus yang dipilih ternyata tidak punya standar, kami menyarankan memperbaiki proses lebih dulu atau memilih kasus lain, karena menuliskan prosedur yang tidak ada hanya mengeraskan kekacauan.

Skill harus tahu batasnya

Skill adalah petunjuk yang boleh dijalankan, sehingga setiap skill perlu dinyatakan boleh melakukan apa. Karena itu setiap skill diberi kelas keamanan. Kelas A hanya membaca dan menulis berkas di ruang kerja pengguna. Kelas B memanggil model AI hanya lewat gerbang yang terkendali. Kelas C menjangkau layanan di luar gerbang, sehingga memerlukan persetujuan organisasi dan daftar alamat yang diizinkan. Kelas D menjalankan perintah sistem yang berisiko, dan tidak dipakai di lingkungan terkelola tanpa penilaian khusus. Skill yang memakai layanan luar berbayar juga menimbulkan soal biaya dan kunci akses, yang diatur per organisasi dan tidak ditanam di dalam skill.

Kelas keamanan juga berinteraksi dengan perlindungan data. Bila Voltaic Veil dipasang, panggilan skill kelas B ikut melewatinya, sehingga data pribadi disamarkan sebelum menyentuh model. Tanpa itu, kelas data tetap menjadi aturan yang ditegakkan oleh kebijakan dan pelatihan, dan ketentuan itu perlu dinyatakan dengan jujur kepada penggunanya.

Bagi tim teknologi informasi, pernyataan kelas ini mengubah pertanyaan "bolehkah kami memasang skill ini?" dari tebakan menjadi keputusan yang punya dasar.

Kapan tidak memakai AI

Paket konteks yang baik memuat satu bagian yang jarang ada di koleksi mana pun: pedoman tentang kapan jangan memakai AI. Setiap fungsi punya tugas yang sebaiknya tidak diserahkan kepada model: keputusan berisiko hukum tinggi, komunikasi yang sepenuhnya milik pimpinan, atau pekerjaan yang datanya masuk kelas tertinggi dan tidak boleh sampai ke AI sama sekali. Bagian itu ditulis bersama pemimpin fungsi, karena merekalah yang akan menanggung akibatnya.

Ada dua tanda bahaya yang layak dikenali sejak awal. Yang pertama, proses yang tidak punya standar tertulis. Yang kedua, ketiadaan contoh hasil yang baik. Keduanya berarti organisasi belum tahu seperti apa "benar" itu, dan AI akan menjawab dengan yakin tanpa tahu hal yang sama. Keyakinan bukan bukti. Dalam kasus seperti itu jalur terbaik sering kali bukan AI, melainkan memperbaiki proses lebih dulu, dan penyedia yang jujur akan mengatakannya.

Pedoman ini sejalan dengan prinsip yang kami pegang: AI menyiapkan, manusia memutuskan. Ia juga melindungi nama baik alatnya sendiri. Menurut kami, organisasi yang mengizinkan AI mengerjakan semuanya cenderung menemukan satu kegagalan yang mahal, lalu menarik kembali seluruh program. Organisasi yang menuliskan batasnya sejak awal punya peluang lebih baik untuk melewati kegagalan pertama tanpa kehilangan kepercayaan penggunanya.

Aset yang bisa diunduh bukan aset organisasi

Sampai di sini mungkin muncul pertanyaan wajar: mengapa tidak mengunduh kumpulan skill dan prompt yang sudah ada? Teks sebuah skill mudah disalin, dan untuk pekerjaan umum itu tidak salah. Namun yang membuat sebuah skill berguna bagi satu organisasi justru tidak ikut terunduh: konteks yang ditulis dari proses itu, contoh acuan dari dokumen asli, kriteria penerimaan yang disepakati, kelas keamanan yang dinilai, dan orang yang merawatnya tiap bulan.

Ada pertimbangan lain. Koleksi skill yang dikumpulkan dari berbagai sumber membawa dua soal: lisensi yang harus diperiksa satu per satu, dan jejak pembuatnya, seperti nama, jalur berkas, atau data contoh, yang harus dibersihkan sebelum dipakai organisasi lain. Karena itu kami tidak menjanjikan katalog skill siap pakai, dan tidak menyerahkan skill bawaan koleksi pihak ketiga. Yang kami kerjakan dibuat dari proses organisasi itu sendiri. Soal kepemilikan hasilnya dibahas jelas dalam kontrak, dan konten serta data organisasi tidak dipakai ulang untuk klien lain; yang dapat dipakai ulang hanya pola yang sudah digeneralisasi dan dibersihkan.

Bagi organisasi yang baru mulai, kami menyarankan satu langkah kecil: pilih satu fungsi dan satu tugas harian yang berulang, kumpulkan lima sampai sepuluh contoh hasil terbaiknya, dan tulis tiga kalimat konteks yang selama ini hanya hidup di kepala orang terbaik di bagian itu. Itu sudah merupakan awal sebuah aset.

Bila organisasi Anda ingin memulainya bersama kami, hubungi kami lewat halaman Kontak di situs ini.

  • Perempuan profesional bekerja di laptop di meja kantor yang terang
    AI dan pengetahuan

    Pegawai Sudah Memakai AI. Di Ruang Siapa?

    Bayangkan Selasa pagi di bagian pengadaan sebuah perusahaan. Seorang staf harus meringkas dokumen penawaran setebal puluhan halaman sebelum rapat pukul sembilan. Kebijakan kantor belum...

  • Rekan kerja berdiskusi di depan laptop di kantor
    AI dan pengetahuan

    Membeli Akun Bukan Mengadopsi AI

    Bayangkan sebuah rapat pimpinan yang berakhir dengan keputusan yang terdengar maju: mulai bulan depan, semua pegawai boleh memakai AI. Akun dibeli, surat edaran terbit, dan satu hari...