Lewati ke konten

KMS yang Tidak Dipercaya Bukan Masalah Pencarian, tetapi Masalah Mutu

PT Japo Titian Bakat5 menit baca
Petugas arsip mencari dokumen di ruang penyimpanan berisi rak berkas

Bayangkan seorang teknisi di gardu induk yang perlu memeriksa prosedur pemeliharaan trafo daya. Di KMS perusahaannya ada dua berkas dengan judul yang sama. Yang satu Revisi 01, terbit 2022. Yang lain Revisi 03, terbit 2025. Keduanya terbuka, keduanya tampak resmi, dan tidak ada tanda mana yang berlaku. Ia bisa memilih salah satu dengan harapan benar. Atau ia mengirim pesan WhatsApp kepada seniornya. Hampir selalu ia memilih yang kedua.

Contoh itu kami ambil dari korpus uji Lumen, dan polanya akrab di banyak perusahaan: SOP revisi lama tersimpan berdampingan dengan revisi baru, satu dokumen ada di beberapa folder dengan nama "final", "final_rev2", dan "fix", dua dokumen yang sama-sama berlaku menyebut angka berbeda, dan banyak dokumen tidak punya pemilik. KMS-nya ada. Yang hilang adalah kepercayaan pada isinya.

Masalahnya ada di isi, bukan di mesin pencari

Reaksi yang wajar adalah memperbaiki pencarian, atau menaruh asisten AI di atas repositori. Tetapi pencarian yang lebih pintar hanya menemukan dokumen yang salah dengan lebih cepat. Asisten AI yang menjawab dari dua revisi yang bertentangan akan memilih salah satu dengan percaya diri, dan di pekerjaan lapangan, jawaban yang percaya diri tetapi usang adalah risiko K3 dan bahan temuan audit.

Karena itu kami memandang masalahnya sebagai masalah mutu isi: dokumen mana yang sahih, siapa pemiliknya, kapan terakhir ditinjau, dan apakah ada dokumen lain yang bertentangan dengannya. Pertanyaan itu harus dijawab lebih dulu, dan jawabannya harus dapat diperiksa.

Satu lapisan di atas KMS yang sudah ada

Lumen tidak menggantikan KMS dan tidak menyimpan berkas asli. Ia dipasang di atas KMS atau repositori yang sudah ada, membacanya tanpa mengubah apa pun, lalu melakukan tiga hal: menandai masalah mutu, membuktikan tandanya, dan menjawab pertanyaan hanya dari dokumen yang sahih.

Pintu masuknya adalah Mode Audit, pemeriksaan sekali jalan pada satu repositori, tanpa mengubah status dokumen, tanpa notifikasi, tanpa melibatkan pemilik dokumen. Hasilnya satu laporan. Pada korpus uji kami, PT Karsa Sinergi Energi (perusahaan fiktif; 124 berkas), laporan itu menyebut skor repositori 88,3 dari 100 atas 116 berkas yang dinilai, dan 143 temuan menurut prioritas.

Ringkasan eksekutif laporan Knowledge Health Audit: skor repositori 88,3 dari 100 atas 116 berkas, sebaran skor, dan 143 temuan menurut prioritas
Kesehatan repositori terbaca dalam satu blok: skor, sebaran skor per berkas, dan temuan menurut prioritas. Ilustrasi dengan data fiktif PT Karsa Sinergi Energi.

Laporan yang baik juga menyebut batasnya. Laporan Lumen menulis berapa berkas yang formatnya tidak didukung, dimensi yang tidak diperiksa, jenis temuan yang tidak diukur, dan satu baris yang penting bagi tim TI: operasi tulis ke sumber, nol.

Setiap temuan punya alasan dan bukti

Lumen mengenali dua belas jenis masalah: dokumen usang karena ada revisi lebih baru, lewat masa tinjauan, atau rujukannya sudah dicabut; salinan identik, hampir sama, dan isi yang sama dengan kata berbeda; versi ganda; kontradiksi nilai; metadata yang hilang; dokumen tanpa pemilik. Yang membedakan temuan Lumen dari sekadar daftar peringatan adalah bahwa temuan tanpa bukti tidak dapat disimpan.

Kartu Mengapa ini ditandai: Revisi 03 terbit Maret 2025 lebih baru daripada Revisi 01, dengan kutipan bukti dan halaman
Alasan satu kalimat dan kutipan dari dokumen beserta halamannya, sehingga pemilik dokumen dapat memeriksa. Ilustrasi dengan data fiktif PT Karsa Sinergi Energi.

Perbandingan tanggal, nilai, dan skor dihitung oleh program, bukan oleh model bahasa. Temuan adalah dugaan yang berbukti, bukan vonis.

Keputusan tetap pada manusia

Di sini prinsip yang paling menentukan. Status dokumen di Lumen hanya berubah lewat satu jalur: keputusan kurasi yang tercatat. Sistem boleh mengusulkan dan boleh memindahkan dokumen ke "Perlu tinjauan", tetapi tidak boleh menyatakan dokumen usang atau ditarik. Yang memutuskan adalah pemilik dokumen, kurator, atau pakar, bergantung pada jenis temuan.

Keputusan pakar pada temuan kontradiksi: keduanya benar dalam konteks berbeda, dengan waktu keputusan dan tombol batalkan
Nama pemutus, waktu, dan alasan tersimpan, dan keputusan dapat dibatalkan. Ilustrasi dengan data fiktif PT Karsa Sinergi Energi.

Setiap keputusan dan mutasi masuk ke log audit berantai hash. Pemeriksaan keutuhan rantai dapat dijalankan kapan saja, dan audit hanya menyimpan id dan sidik, bukan teks pertanyaan atau jawaban.

Jawaban hanya dari dokumen sahih, atau tidak ada jawaban

Setelah isi dikurasi, barulah asisten tanya-jawab bermakna. Pegawai bertanya dalam bahasa Indonesia sehari-hari. Lumen menjawab hanya dari dokumen yang sahih dan yang boleh dibaca penanyanya. Dokumen berstatus Usang, Ditarik, dan Salinan dikeluarkan di dalam kueri pencarian, dan filter hak akses diterapkan sebelum batas hasil, bukan menyaring sesudahnya. Setiap kalimat jawaban bernomor dan menunjuk dokumen, revisi, dan halaman. Bila sumber belum diverifikasi, jawabannya diberi peringatan.

Jawaban tentang tekanan oli minimum genset: dua kalimat bernomor rujukan, dengan peringatan bila status sumber perlu diperhatikan
Tiap kalimat bernomor rujukan, dan peringatan muncul bila status sumber perlu diperhatikan. Ilustrasi dengan data fiktif PT Karsa Sinergi Energi.

Bila tidak ada sumber yang sahih, jawabannya "tidak ditemukan", dan penanya dapat menekan tombol "Seharusnya ada jawabannya" agar kurator tahu ada celah pengetahuan. Jawaban yang jujur lebih berharga daripada jawaban yang lancar tetapi salah.

Apa yang sudah diukur

Kami mengukur, dan kami sebut batasnya. Pada pengujian dengan golden set 43 pasangan pertanyaan dan akun di korpus sintetis, dengan model bahasa nyata: nol sitasi ke dokumen yang tidak sah, nol kebocoran akses, 18 dari 18 pertanyaan tanpa sumber dijawab "tidak ditemukan", ketepatan sitasi 98,2 persen, dan ketepatan jawaban 90,5 persen. Mesin kualitas mencapai presisi 100 persen pada 12 jenis temuan terhadap kunci jawaban korpus.

Semua angka itu berasal dari pengujian dengan korpus sintetis dan golden set yang disusun tim produk. Hasil di repositori Anda diketahui lewat audit dan evaluasi dengan golden set yang disusun bersama.

Dari kurasi ke pengetahuan baru

Setelah fondasi mutu berjalan, Lumen memperluasnya. Tanya majemuk menjawab pertanyaan berlapis bagian demi bagian, laporan celah menunjukkan topik yang paling sering ditanyakan tetapi belum terjawab, dan laporan bukti KPKU dan MAKE menyediakan angka terukur untuk asesmen. Pabrik pengetahuan mengubah laporan gangguan dan work order yang berulang menjadi draf artikel bersitasi yang disahkan pakar, dengan prioritas wawancara bagi pakar yang masa kerjanya tinggal sebentar. Integrasi dan API serta kanal Teams membawa jawaban bersitasi ke portal dan ke tempat pegawai sudah bekerja.

Pabrik pengetahuan: alur lima tahap dari bahan masuk sampai pengetahuan terbit
Dari bahan masuk sampai pengetahuan terbit, dengan pakar sebagai pemutus. Ilustrasi dengan data fiktif PT Karsa Sinergi Energi.

Mulai dari satu repositori

Cara paling murah untuk mengetahui seberapa dapat dipercaya isi KMS Anda adalah memeriksanya. Knowledge Health Audit berjalan pada satu repositori, read-only, tanpa melibatkan pemilik dokumen, dengan perkiraan waktu tiga sampai empat minggu yang disepakati pada penawaran. Hasilnya skor, temuan berbukti, dan pernyataan cakupan yang jujur. Dari situ Anda dapat memutuskan apakah kurasi berkelanjutan dan tanya-jawab layak dilanjutkan.

Bawa satu repositori yang isinya mulai tidak dipercaya pegawai Anda, dan minta diskusi kebutuhan 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...

  • Perempuan profesional menulis catatan di samping laptop dekat jendela
    AI dan pengetahuan

    Aset AI yang Tidak Bisa Diunduh

    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...

  • 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...