Prompt Sederhana Biar AI Mengaku Kalau Jawabannya Nggak Yakin

Prompt agar AI tidak mengarang yang paling sederhana adalah meminta AI memecah jawabannya menjadi daftar klaim, lalu memberi tiap klaim tingkat keyakinan dan dasarnya sebelum kamu pakai. Tambahkan satu kalimat izin bahwa “tidak yakin” adalah jawaban yang kamu terima. Cara ini tidak membuat AI selalu benar, tapi memberi tahu kamu bagian mana yang wajib dicek dulu.
Bagian dari playbook: Playbook Prompt ChatGPT
Kedengarannya sepele. Tapi efeknya besar, karena kamu berhenti membaca jawaban AI sebagai satu paket utuh yang terdengar meyakinkan. Kamu mulai membacanya sebagai kumpulan pernyataan yang kadar kebenarannya berbeda-beda.
Coba kamu bayangin dua cara pakai AI yang sama persis
Misalnya kamu punya brand skincare kecil di Surabaya. Kamu minta AI menulis artikel blog tentang niacinamide untuk kulit berminyak.
Skenario pertama. Kamu ketik permintaan, AI membalas lima paragraf rapi. Ada kalimat “penelitian menunjukkan”, ada angka konsentrasi, ada nama dermatolog yang dikutip. Semuanya mengalir enak. Kamu copy, rapikan sedikit, lalu terbitkan.
Skenario kedua. Setelah AI menjawab, kamu kirim satu prompt tambahan. Isinya meminta AI memecah artikel itu menjadi klaim, lalu menilai keyakinannya sendiri. Hasilnya kira-kira begini:
- Klaim tentang fungsi umum niacinamide: keyakinan tinggi, dasarnya pengetahuan umum.
- Klaim angka konsentrasi tertentu: keyakinan sedang, perlu dicek ke sumber.
- Kutipan dermatolog: keyakinan rendah, AI tidak bisa menunjukkan sumber kutipannya.
Artikelnya sama. AI-nya sama. Bedanya, di skenario kedua kamu tahu persis bahwa kutipan dermatolog itu berisiko besar dikarang. Di skenario pertama, kutipan itu tayang atas nama brand kamu.
Nah, ini inti masalahnya. Jawaban AI yang salah jarang terlihat salah. Ia terlihat sama rapinya dengan jawaban yang benar.
Kenapa AI lebih memilih menebak daripada bilang “nggak tahu”?
Ini bagian yang sering bikin orang kaget. AI yang mengarang biasanya tidak sedang “berbohong”. Ia sedang melakukan hal yang memang didorong oleh cara ia dinilai.
OpenAI menjelaskan mekanisme ini dalam tulisan riset Why language models hallucinate yang terbit 5 September 2025. Analoginya ujian pilihan ganda. Kalau kamu tidak tahu jawabannya lalu menebak, ada peluang benar. Kalau kamu kosongkan, nilainya pasti nol.
Menurut tulisan itu, banyak evaluasi model hanya mengukur akurasi, yaitu persentase jawaban yang tepat. Dengan cara hitung seperti itu, model yang rajin menebak bisa terlihat lebih bagus daripada model yang jujur bilang tidak tahu. OpenAI menyebut evaluasi semacam ini mendorong tebakan dan kurang menghargai kejujuran soal ketidakpastian.
Jadi ada tiga kemungkinan respons untuk pertanyaan yang punya satu jawaban benar:
- Jawaban akurat. Ini yang kita mau.
- Jawaban salah yang disampaikan dengan yakin. Ini yang berbahaya.
- Menahan diri, misalnya bilang “saya tidak yakin”. Ini jauh lebih aman daripada nomor dua.
Tulisan OpenAI itu menegaskan bahwa kesalahan lebih buruk daripada menahan diri. Masalahnya, di percakapan sehari-hari, AI sering tidak diberi sinyal bahwa menahan diri itu boleh. Prompt kamu biasanya hanya berisi “tolong buatkan X”. Secara implisit, itu artinya “pokoknya keluarkan jawaban”.
Makanya izin eksplisit itu penting. Dokumentasi resmi Anthropic tentang cara mengurangi halusinasi menaruh teknik ini di urutan pertama. Isinya sederhana: beri izin eksplisit kepada model untuk mengakui ketidakpastian.
Cara kerja tabel klaim dan tingkat keyakinan
Prompt tabel klaim bekerja karena ia mengubah tugas AI. Tadinya tugasnya “hasilkan jawaban”. Sekarang ditambah tugas kedua: “audit jawabanmu sendiri, per pernyataan”.
Ada tiga hal yang terjadi sekaligus.
Pertama, jawaban dipecah jadi unit yang bisa diperiksa. Satu paragraf bisa berisi lima klaim berbeda. Ada yang aman, ada yang rawan. Selama masih menyatu dalam paragraf, kamu tidak bisa memisahkannya. Setelah dipecah, tiap klaim berdiri sendiri dan bisa dinilai.
Kedua, AI dipaksa menyebut dasar tiap klaim. Ini lebih berguna daripada label keyakinan itu sendiri. Klaim yang dasarnya “dari dokumen yang kamu berikan” jelas berbeda dengan klaim yang dasarnya “perkiraan”. Pola ini sejalan dengan saran Anthropic agar jawaban bisa diaudit. Caranya, minta model mengutip sumber untuk tiap klaim, dan menarik klaim yang tidak punya kutipan pendukung.
Ketiga, ada jalan keluar yang sah untuk tidak yakin. Begitu kamu menulis bahwa “tidak yakin” adalah jawaban yang kamu hargai, AI punya opsi selain menebak.
Prompt dasar yang bisa kamu salin
Pakai prompt ini setelah AI memberi jawaban, sebelum jawaban itu kamu terbitkan atau jadikan dasar keputusan:
Sebelum jawaban di atas saya pakai, lakukan audit berikut.
1. Pecah jawabanmu menjadi klaim-klaim terpisah. Satu klaim adalah satu pernyataan yang bisa benar atau salah.
2. Buat tabel dengan kolom: No, Klaim, Tingkat keyakinan (Tinggi/Sedang/Rendah), Dasar klaim, Cara memverifikasi.
3. Untuk Dasar klaim, pilih salah satu: "dari dokumen yang saya berikan", "pengetahuan umum yang stabil", "perkiraan atau inferensi", atau "tidak punya dasar kuat".
4. Kalau kamu tidak yakin, tulis "Tidak yakin". Jawaban itu saya terima dan lebih saya hargai daripada tebakan.
5. Tandai khusus klaim yang berisi angka, tanggal, nama orang, nama produk, harga, aturan, atau kutipan.
6. Di akhir, tulis ulang jawaban hanya dengan klaim berkeyakinan Tinggi. Klaim lain beri tanda [PERLU CEK].
Kolom “Cara memverifikasi” sering terlupakan, padahal paling praktis. Ia mengubah keraguan menjadi tugas konkret, misalnya “cek ke situs resmi BPOM” atau “cek halaman harga resmi vendor”.
Versi untuk dokumen milikmu sendiri
Kalau AI bekerja dari dokumen kamu sendiri, misalnya SOP, transkrip meeting, atau katalog produk, pakai pendekatan kutipan dulu. Anthropic menyarankan model mengambil kutipan kata per kata dulu sebelum mengerjakan tugas, terutama untuk dokumen panjang.
Berikut dokumen saya:
<dokumen>
[tempel isi dokumen]
</dokumen>
Tugas: [tulis tugasnya].
Langkah 1: Ambil kutipan kata per kata dari dokumen yang relevan dengan tugas. Beri nomor. Kalau tidak ada, tulis "Tidak ada kutipan yang relevan".
Langkah 2: Kerjakan tugas hanya berdasarkan kutipan tersebut. Sebutkan nomor kutipan di setiap klaim.
Langkah 3: Klaim yang tidak punya kutipan pendukung, hapus atau beri tanda [DI LUAR DOKUMEN].
Versi ini lebih kuat daripada label keyakinan. Kamu tidak lagi bergantung pada perasaan AI soal yakin atau tidak. Kamu bisa langsung mencocokkan kutipannya dengan dokumen asli.
Jangan percaya label “Tinggi” begitu saja
Ini jebakan yang perlu saya tekankan. Label keyakinan dari AI adalah penilaian diri dari model yang sama. Model yang tadi bisa salah, bisa juga salah menilai dirinya sendiri.
Riset berjudul Can LLMs Express Their Uncertainty? oleh Xiong dan rekan (revisi Maret 2024) menguji hal ini pada beberapa model, termasuk GPT-4. Salah satu temuannya: ketika model diminta menyatakan keyakinannya dengan kata-kata, model cenderung terlalu percaya diri. Riset yang sama mencatat kalibrasi membaik pada model yang lebih mampu. Tapi tidak ada satu teknik yang konsisten unggul, dan semua metode kesulitan di tugas yang sulit.
Artinya begini. Anggap label keyakinan sebagai alat triase, alat untuk menentukan urutan pengecekan. Label itu belum menjadi bukti kebenaran.
Cara membacanya dengan aman:
- Label Rendah dan Sedang: cek dulu, atau buang.
- Label Tinggi tapi berisi angka, tanggal, nama, harga, regulasi, atau kutipan: tetap cek. Jenis klaim ini paling mahal kalau salah.
- Label Tinggi untuk pengetahuan umum yang stabil: risikonya lebih kecil, cukup dibaca dengan kritis.
- Dasar klaim “tidak punya dasar kuat” tapi labelnya Tinggi: ini tanda AI tidak konsisten. Perlakukan sebagai Rendah.
Perhatikan, kolom “Dasar klaim” sering lebih jujur daripada label keyakinan. Alasannya, AI lebih sulit mengarang sumber dokumen yang tidak pernah kamu berikan.
Penerapan di bisnis kecil dengan tim tipis
Buat pebisnis dan solopreneur, masalah halusinasi punya bentuk yang spesifik. Kamu tidak punya tim editor. Yang menulis, mengecek, dan menerbitkan sering orang yang sama. Waktunya juga terbatas.
Di situ tabel klaim membantu, karena kamu tidak perlu mengecek semuanya. Kamu cukup mengecek bagian yang ditandai.
Beberapa contoh penerapan, semuanya ilustrasi:
- Artikel blog atau caption edukasi. Misalnya kamu jualan suplemen. Klaim manfaat kesehatan adalah wilayah paling rawan, baik secara fakta maupun aturan iklan. Semua klaim seperti ini otomatis masuk daftar cek.
- Riset kompetitor. Misalnya kamu minta AI merangkum harga dan fitur kompetitor. Harga dan fitur cepat berubah, jadi seluruhnya perlu dicek ke halaman resmi kompetitor.
- Ringkasan meeting atau SOP. Pakai versi kutipan dokumen. Kamu bisa langsung tahu kalau AI menambahkan keputusan yang sebenarnya tidak pernah dibahas.
- Bahan presentasi ke investor atau mitra. Angka pasar yang muncul tanpa sumber jelas sebaiknya dihapus. Lebih baik slide kamu tanpa angka daripada memuat angka karangan.
Kalau kamu sedang menyusun alur kerja AI yang lebih panjang, taruh langkah audit ini sebagai tahap tetap sebelum hasil keluar. Pembahasan soal beda chatbot, workflow, dan agent AI bisa membantu kamu menentukan posisi tahap verifikasi itu.
Prinsip ini juga nyambung dengan soal delegasi. AI butuh tahu kapan pekerjaan dianggap selesai, dan “selesai” sebaiknya termasuk “klaim rawan sudah ditandai”. Ini dibahas lebih jauh di tulisan tentang definisi selesai saat mendelegasikan ke AI.
Kapan cara ini tidak cukup
Supaya tidak jadi hype baru, ini batas-batasnya.
Pertama, AI tetap bisa mengarang di dalam tabel. Termasuk mengarang sumber. Kalau tabel menyebut link atau judul studi, buka link-nya sendiri. Sumber yang tidak bisa kamu buka anggap belum terverifikasi.
Kedua, informasi terbaru di luar jangkauan model. Kalau AI tidak terhubung ke pencarian web, ia tidak tahu perubahan harga, regulasi, atau fitur terbaru. Label keyakinan tidak memperbaiki keterbatasan ini.
Ketiga, topik berisiko tinggi. Kesehatan, hukum, pajak, dan keuangan butuh sumber primer dan, bila perlu, ahli manusia. Tabel klaim hanya membantu kamu menyusun daftar pertanyaan untuk mereka.
Keempat, hasil bisa berbeda tiap kali dijalankan. Prompt yang sama bisa menghasilkan label yang berbeda di percakapan lain. Jangan jadikan satu kali audit sebagai jaminan.
Kelima, tidak semua tugas butuh audit. Brainstorm nama produk, variasi headline, atau draft ide kasar tidak berisi klaim fakta. Memaksa tabel klaim di tugas kreatif hanya memperlambat kerja.
Keenam, jawaban yang terlalu panjang bikin tabel kebanyakan baris. Kalau tabelnya puluhan baris, pecah dulu tugasnya jadi bagian kecil. Audit per bagian lebih mudah dibaca.
Yang bisa kamu lakukan minggu ini
Tidak perlu mengubah seluruh cara kerja sekaligus. Mulai kecil saja.
- Pilih tiga hasil AI yang akan kamu pakai minggu ini. Misalnya satu artikel, satu riset kompetitor, satu ringkasan meeting.
- Jalankan prompt audit di atas pada ketiganya. Untuk ringkasan meeting, pakai versi kutipan dokumen.
- Cek semua klaim yang ditandai Rendah, Sedang, atau berisi angka. Catat mana yang ternyata salah.
- Lihat polanya. Biasanya kesalahan berkumpul di jenis klaim tertentu, misalnya angka atau kutipan. Itu jadi daftar cek tetap kamu.
- Simpan prompt audit sebagai template. Tempel di catatan, atau jadikan instruksi tetap di proyek AI kamu.
Setelah jalan beberapa minggu, kamu bisa menilai prompt-prompt kamu dengan lebih sistematis. Caranya dibahas di panduan membuat checklist evaluasi prompt AI sendiri. Lalu jadwalkan pengecekan rutin dengan pola audit prompt bisnis bulanan, supaya template audit kamu tidak ikut basi.
Satu pemikiran untuk dibawa pulang. AI yang bilang “saya tidak yakin” sebenarnya sedang memberi kamu informasi paling berharga di seluruh jawabannya: di mana kamu harus berpikir sendiri. Tugas kita adalah membuat ruang supaya kalimat itu boleh muncul.
Kalau kamu ingin dapat bahasan seperti ini secara rutin, soal cara memakai AI dengan aman untuk kerja dan bisnis, kamu bisa ikut newsletter Hendra Kuang.
Kalau kamu mau mengubah kumpulan prompt jadi sistem kerja yang dipakai tim, lihat program mentoring AI.
Pertanyaan yang sering muncul
Apakah prompt tabel klaim membuat AI berhenti berhalusinasi sepenuhnya?
Tidak. Prompt ini membantu menandai bagian jawaban yang paling rawan salah, sehingga kamu tahu apa yang perlu dicek dulu. AI tetap bisa salah menilai keyakinannya sendiri, bahkan bisa mengarang sumber di dalam tabel. Klaim penting tetap perlu dicocokkan ke sumber asli.
Apakah prompt ini bisa dipakai di ChatGPT, Claude, atau Gemini?
Bisa. Prompt ini berupa instruksi teks biasa, jadi bisa ditempel di chatbot AI mana pun. Kualitas penilaian diri tiap model bisa berbeda, jadi perlakukan label keyakinan sebagai panduan urutan pengecekan, bukan bukti.
Lebih baik minta audit di prompt awal atau setelah AI menjawab?
Keduanya bisa. Meminta audit setelah jawaban keluar memudahkan kamu memisahkan tahap menulis dan tahap memeriksa. Kalau tugasnya berulang, kamu bisa memasukkan instruksi audit langsung ke template prompt awal supaya tabel klaim selalu ikut keluar.
Tugas apa saja yang tidak perlu memakai tabel klaim?
Tugas kreatif yang tidak berisi klaim fakta, seperti brainstorm nama produk, variasi headline, atau ide konten kasar. Tabel klaim paling berguna untuk hasil yang akan diterbitkan atau dijadikan dasar keputusan, terutama yang memuat angka, nama, tanggal, harga, aturan, atau kutipan.



