Kenapa Hasil AI Sering Hampir Benar tapi Belum Pas dengan Selera Kamu

Hasil AI sering terasa hampir benar tapi belum pas karena standar kualitas kamu belum pernah ditulis jadi kriteria yang bisa dibaca AI. AI hanya bisa mengejar target yang kelihatan. Kalau instruksinya cuma “bikin lebih bagus”, AI akan menebak arti bagus versi umum, dan tebakan umum jarang cocok dengan selera spesifik kamu.
Bagian dari playbook: Playbook Prompt ChatGPT
Ringkasnya, ini yang akan kita bahas:
- Kenapa permintaan seperti “lebih menarik” atau “kurang nendang” bikin revisi muter di tempat.
- Apa sebenarnya isi “selera” kamu, kalau dibongkar jadi bagian-bagian kecil.
- Enam langkah mengubah selera jadi instruksi konkret, lengkap dengan contoh kartu selera.
- Kapan cara ini tidak cukup, supaya kamu tidak menganggapnya obat untuk semua masalah.
Coba kamu bayangin dua cara minta revisi yang sama
Misalnya ada pemilik toko hijab online di Surabaya. Ini contoh ilustrasi, ya. Dia minta AI menulis caption Instagram untuk koleksi baru.
Cara pertama. Hasil pertama terasa kaku. Dia balas, “Kurang nendang, bikin lebih menarik.” Revisi kedua muncul dengan emoji lebih banyak. Dia balas lagi, “Masih kurang.” Revisi ketiga menambah tanda seru dan kata “Buruan!”. Sekarang malah terasa norak. Dia menyerah dan menulis sendiri sambil mikir AI memang belum bisa diandalkan.
Cara kedua. Pemilik yang sama menulis begini sebelum minta caption:
- Caption maksimal tiga kalimat.
- Buka dengan situasi pembeli, misalnya mau kondangan tapi bingung padu padan warna.
- Nada seperti teman yang kasih saran, sopan dan santai.
- Tanpa tanda seru, karena pembeli kami cenderung risih dengan gaya jualan yang mendesak.
- Ajakan beli cukup satu, di kalimat terakhir.
Hasil pertamanya mungkin belum sempurna. Tapi jaraknya ke versi yang dia mau jauh lebih dekat, dan revisinya jadi jelas arahnya.
AI yang dipakai sama. Pemiliknya juga sama. Perbedaannya ada di target yang dia kasih. Di cara pertama, standarnya cuma ada di kepala. Di cara kedua, standarnya sudah ditulis.
Kenapa “lebih bagus” tidak memberi AI arah apa pun?
Ada tiga mekanisme yang bikin pola “hampir benar” ini terus berulang. Kalau kamu paham ketiganya, kamu akan berhenti menyalahkan prompt yang kurang panjang.
Baca jugaPrompt & ChatGPTKenapa Hasil AI Terasa Hampa Kalau Kamu Skip Mikir Dulu Sebelum Prompt
AI mengisi kekosongan dengan pilihan yang paling umum
Secara sederhana, model bahasa menyusun jawaban dari pola yang paling masuk akal untuk instruksi yang diterimanya. Kalau instruksinya umum, jawaban yang paling masuk akal juga umum.
Kata “bagus” punya ribuan arti. Bagus untuk brand skincare premium beda dengan bagus untuk warung kopi kekinian. Saat kamu tidak menjelaskan arti bagus versi kamu, AI memilih arti yang paling sering muncul. Hasilnya rapi, sopan, masuk akal, dan terasa seperti tulisan siapa saja.
Dokumentasi prompting Anthropic memakai analogi yang pas: perlakukan AI seperti karyawan baru yang cerdas tapi belum tahu norma dan cara kerja kamu. Karyawan baru yang pintar pun akan salah tebak kalau kamu cuma bilang “bikin yang bagus, ya”.
Selera kamu tersimpan sebagai rasa, belum sebagai aturan
Ini bagian yang paling sering terlewat. Banyak pemilik bisnis langsung tahu tulisan yang pas begitu melihatnya. Tapi kalau ditanya kenapa pas, jawabannya “ya pokoknya enak dibaca”.
Pengetahuan seperti ini sering disebut tacit knowledge, pengetahuan yang kamu pakai tanpa sadar dan sulit dijelaskan. Kamu menolak satu caption dalam dua detik. Tapi alasan penolakannya belum pernah kamu ucapkan, bahkan ke diri sendiri.
Masalahnya, AI tidak bisa membaca rasa. AI hanya bisa membaca kata. Jadi selama selera kamu belum berubah jadi kata, AI cuma bisa menebak.
Feedback kabur bikin revisi muter di tempat
“Kurang nendang” memberi tahu AI bahwa kamu tidak puas. Kalimat itu tidak memberi tahu bagian mana yang salah dan ke arah mana harus diubah.
Akibatnya, AI mengubah beberapa hal sekaligus. Panjang berubah, nada berubah, pilihan kata berubah. Kalau revisi berikutnya terasa lebih baik, kamu tidak tahu perubahan mana yang membantu. Kalau terasa lebih buruk, kamu juga tidak tahu mana yang merusak.
Nah, di sinilah lingkaran frustrasinya. Revisi kelima tidak lebih dekat ke target daripada revisi kedua, karena targetnya memang belum pernah ditentukan.
Apa sebenarnya isi standar kualitas kamu?
Standar kualitas adalah kumpulan keputusan kecil yang kamu ambil secara konsisten. Saat dibongkar, “selera” biasanya terdiri dari beberapa dimensi ini:
- Panjang dan kepadatan. Pendek dan padat, atau panjang dan bercerita.
- Struktur. Dibuka dengan masalah, pertanyaan, atau langsung jawaban. Ditutup dengan ajakan, ringkasan, atau pertanyaan balik.
- Nada. Formal, santai, hangat, tegas, atau jenaka. Juga batas kapan nada itu mulai terasa lebay.
- Kosakata. Kata yang khas brand kamu, kata yang kamu hindari, dan cara menyapa pembaca.
- Tingkat detail. Cukup gambaran umum, atau harus ada langkah dan contoh.
- Hal yang membuat kamu langsung menolak. Misalnya klaim berlebihan, emoji berderet, atau istilah Inggris yang tidak perlu.
Coba perhatikan. Setiap dimensi itu bisa ditulis sebagai kalimat yang jelas. Jadi selera sebenarnya bisa diajarkan. Selama ini dia cuma belum pernah dirapikan.
Cara mengubah selera jadi instruksi yang bisa dipakai AI
Langkah di bawah ini saling bergantung, jadi sebaiknya dijalankan berurutan. Hasil akhirnya adalah satu dokumen pendek yang saya sebut kartu selera: daftar standar kualitas untuk satu jenis pekerjaan.
Langkah 1: kumpulkan contoh yang kamu suka dan yang kamu tolak
Mulai dari bukti, jangan dari teori. Kumpulkan tiga sampai lima contoh tulisan yang menurut kamu pas. Lalu kumpulkan tiga sampai lima contoh yang kamu tolak. Hasil kerja kamu sendiri yang dulu berhasil juga boleh dipakai.
Angka tiga sampai lima ini mengikuti saran dokumentasi Anthropic soal penggunaan contoh. Di sana disebutkan bahwa contoh adalah salah satu cara paling andal untuk mengarahkan format, nada dan struktur jawaban. Contohnya sebaiknya relevan dengan kasus nyata dan cukup beragam. Panduan prompt engineering OpenAI juga menjelaskan teknik serupa dengan nama few-shot learning, yaitu memberi beberapa contoh input dan output supaya model menangkap polanya.
Contoh yang ditolak sama pentingnya. Seringnya, kamu lebih mudah menjelaskan kenapa sesuatu salah daripada kenapa sesuatu benar.
Langkah 2: bandingkan, lalu tulis perbedaannya sebagai aturan yang bisa dicek
Taruh contoh yang kamu suka di sebelah contoh yang kamu tolak. Tanya ke diri sendiri: apa yang berbeda? Tulis jawabannya sebagai aturan yang bisa dicek dengan jawaban ya atau tidak.
Beberapa contoh perubahan:
- “Terlalu jualan” menjadi “ajakan beli maksimal satu kali, di kalimat terakhir”.
- “Kurang hangat” menjadi “sapa pembaca dengan kamu, dan buka dengan situasi yang mereka alami”.
- “Bertele-tele” menjadi “setiap paragraf maksimal tiga kalimat, tanpa kalimat pembuka basa-basi”.
Kalau kamu belum bisa merumuskan perbedaannya, minta bantuan AI. Tempel kedua kelompok contoh, lalu minta AI menjelaskan perbedaan gaya di antara keduanya. Hasil analisisnya tetap kamu saring, karena kamu yang paling tahu mana yang memang disengaja.
Langkah 3: tulis alasan di balik setiap aturan
Aturan tanpa alasan cuma berlaku untuk kasus yang sudah kamu bayangkan. Aturan dengan alasan bisa dipakai AI untuk menebak kasus baru dengan lebih tepat.
Anthropic menyebut bahwa memberi konteks atau motivasi di balik instruksi membantu AI memahami tujuan kamu dan memberi jawaban yang lebih tepat sasaran.
Bandingkan dua versi ini. Versi pertama: “Jangan pakai tanda seru.” Versi kedua: “Jangan pakai tanda seru, karena pembeli kami risih dengan gaya jualan yang mendesak.” Dengan versi kedua, AI punya peluang lebih besar untuk ikut menghindari kata seperti “buruan” atau “jangan sampai kehabisan”, walaupun kamu tidak menyebutnya.
Langkah 4: tulis apa yang harus dilakukan, selain daftar larangan
Kartu selera yang isinya larangan semua bikin AI tahu apa yang harus dihindari, tapi belum tahu apa yang harus dikejar. Dokumentasi Anthropic menyarankan untuk memberi tahu apa yang harus dilakukan, tidak hanya apa yang tidak boleh dilakukan.
Jadi, selain “jangan terlalu formal”, tulis juga “pakai bahasa seperti chat dengan pelanggan langganan, sopan tapi akrab”. Selain “jangan bertele-tele”, tulis “langsung jawab pertanyaan pembaca di kalimat pertama”.
Langkah 5: uji pakai tes karyawan baru
Sebelum dipakai rutin, kasih kartu selera kamu ke orang lain yang belum paham bisnis kamu. Bisa admin, freelancer, atau teman. Minta dia menulis satu konten pakai kartu itu.
Ini sejalan dengan tes yang disarankan Anthropic: tunjukkan prompt ke rekan yang minim konteks. Kalau dia bingung, AI kemungkinan juga bingung.
Perhatikan pertanyaan yang dia ajukan. Setiap pertanyaan menunjukkan bagian kartu yang masih kabur. Tambahkan jawabannya ke kartu.
Langkah 6: simpan kartu selera dan pakai berulang
Kartu selera yang berguna adalah kartu yang dipakai terus. Ada dua tempat yang masuk akal untuk menyimpannya.
Pertama, tempel di awal percakapan setiap kali mengerjakan jenis tugas itu. Cara ini paling fleksibel karena kartu caption tidak ikut campur saat kamu minta AI merangkum laporan keuangan.
Kedua, untuk aturan yang berlaku di semua pekerjaan, pakai fitur seperti custom instructions di ChatGPT. Menurut pusat bantuan OpenAI, custom instructions langsung diterapkan ke semua chat dan tersedia di semua paket. Karena berlaku di semua chat, isinya sebaiknya hanya aturan umum, misalnya cara menyapa dan bahasa yang dipakai.
Contoh kartu selera untuk caption Instagram
Ini contoh ilustrasi untuk brand fashion muslimah skala kecil. Sesuaikan dengan bisnis kamu, jangan disalin mentah.
Tujuan caption: membantu calon pembeli membayangkan kapan dan bagaimana produk dipakai.
Pembaca: perempuan usia kerja yang belanja lewat Instagram, sibuk, dan tidak suka dipaksa beli.
Aturan dan alasannya:
- Maksimal tiga kalimat, karena pembaca kami membaca sambil scroll cepat.
- Kalimat pertama menggambarkan situasi nyata, misalnya bingung pilih outfit untuk acara keluarga, supaya pembaca merasa dimengerti dulu.
- Sapa dengan “kamu” dan pakai nada teman yang kasih saran, karena hubungan kami dengan pelanggan memang akrab.
- Sebut maksimal satu detail produk yang paling relevan dengan situasi tadi, supaya caption tidak berubah jadi katalog.
- Ajakan beli satu kali di kalimat terakhir, dalam bentuk ajakan lembut.
- Tanpa tanda seru dan tanpa kata yang mendesak, karena pelanggan kami risih dengan gaya jualan agresif.
- Emoji maksimal satu, atau tidak sama sekali.
Contoh yang pas: tempel dua sampai tiga caption terbaik kamu.
Contoh yang ditolak: tempel satu sampai dua caption yang kamu anggap terlalu jualan, plus alasan singkatnya.
Perhatikan bahwa kartu ini pendek. Kartu yang terlalu panjang malah membuat aturan saling bertabrakan.
Cara memberi feedback revisi supaya AI tidak muter-muter
Kartu selera menyelesaikan masalah di awal. Feedback yang spesifik menyelesaikan masalah di tengah jalan. Beberapa kebiasaan yang membantu:
- Tunjuk bagian yang bermasalah. Tulis “kalimat kedua terlalu panjang”, hindari “masih kurang”.
- Sebut yang harus dipertahankan. Misalnya, “pertahankan pembukanya, ubah penutupnya saja.” Tanpa ini, AI bisa ikut mengubah bagian yang sudah bagus.
- Ubah satu atau dua hal per revisi. Dengan begitu kamu tahu perubahan mana yang membantu.
- Minta AI menjelaskan versi yang berhasil. Saat satu versi terasa pas, tanya apa bedanya dengan versi pertama. Jawabannya sering jadi aturan baru untuk kartu selera.
- Berhenti di revisi keempat. Kalau sudah empat kali revisi dan belum pas, perbarui kartu selera dulu. Biasanya ada standar yang belum tertulis.
Kebiasaan terakhir ini penting. Setiap revisi yang berhasil sebaiknya meninggalkan jejak di kartu. Dengan begitu, kamu tidak perlu mengulang koreksi yang sama minggu depan.
Kenapa ini penting kalau tim kamu tipis
Untuk pebisnis kecil di Indonesia, selera pemilik sering jadi standar kualitas satu-satunya. Semua konten, balasan chat dan materi promosi harus lewat persetujuan pemilik. Akibatnya, pemilik jadi bottleneck.
Kartu selera mengubah sesuatu yang tadinya cuma ada di kepala kamu jadi dokumen yang bisa diserahkan. Kartu yang sama bisa dipakai AI, admin baru, atau freelancer. Hasilnya lebih konsisten, dan kamu tidak perlu menjelaskan ulang setiap kali.
Ini juga menjelaskan kenapa koleksi prompt dari orang lain jarang langsung cocok. Prompt orang lain membawa selera orang lain. Saya pernah membahas ini lebih jauh di tulisan soal kebiasaan menyimpan ratusan prompt dari media sosial. Prompt yang bagus tetap butuh standar kualitas kamu sendiri supaya hasilnya terasa seperti bisnis kamu.
Kapan cara ini tidak cukup
Kartu selera membantu satu masalah spesifik: hasil yang secara teknis benar tapi tidak sesuai standar kamu. Ada beberapa situasi di mana kartu ini tidak akan menyelesaikan masalah.
- Masalahnya ada di data. Kalau AI tidak tahu harga, stok, keunggulan produk, atau profil pelanggan kamu, kartu selera tidak bisa menggantikan informasi itu. Berikan datanya secara langsung.
- Masalahnya ada di bahasa dan konteks lokal. Kadang hasil terasa kaku karena AI kurang menangkap cara orang Indonesia ngobrol di pasar tertentu. Pembahasan soal ini ada di artikel tentang prompt AI yang gagal untuk pasar lokal berbahasa Indonesia.
- Strategi kamu sendiri belum jelas. Kalau kamu belum menentukan siapa target pembeli dan apa yang membuat produk kamu layak dipilih, selera akan berubah-ubah. Kartu selera hanya merapikan keputusan yang sudah ada.
- Contohnya terlalu seragam. Kalau semua contoh yang kamu berikan bentuknya mirip, AI bisa meniru polanya terlalu mentah. Dokumentasi Anthropic menyarankan contoh yang beragam supaya AI tidak menangkap pola yang tidak kamu maksud.
- Aturannya terlalu banyak. Puluhan aturan cenderung saling bertabrakan. Lebih baik sedikit aturan yang benar-benar menentukan daripada daftar panjang yang AI sendiri bingung mendahulukan yang mana.
- Pekerjaannya butuh akurasi tinggi. Untuk dokumen hukum, angka keuangan, atau klaim kesehatan, kartu selera membantu gaya penulisan saja. Pemeriksaan fakta oleh manusia tetap wajib.
Satu hal lagi. Selera kamu juga bisa berubah seiring bisnis berkembang. Kartu selera perlu diperbarui, minimal saat kamu sadar sering mengoreksi hal yang sama.
Yang bisa kamu lakukan minggu ini
Jangan coba bikin kartu selera untuk semua pekerjaan sekaligus. Mulai dari satu.
- Pilih satu jenis output yang paling sering kamu revisi. Bisa caption, balasan chat pelanggan, atau deskripsi produk.
- Kumpulkan tiga sampai lima contoh yang kamu suka dan tiga sampai lima contoh yang kamu tolak.
- Bandingkan, lalu tulis lima sampai sepuluh aturan yang bisa dicek, masing-masing dengan alasannya.
- Uji kartu itu ke satu orang lain, lalu ke AI untuk dua atau tiga tugas baru.
- Setiap kali revisi berhasil, tambahkan pelajarannya ke kartu.
Kalau kamu sudah melakukan ini dan hasilnya masih jauh, biasanya masalahnya ada di data atau strategi, sesuai daftar di bagian sebelumnya.
Pada akhirnya, AI bisa membantu sejauh standar kamu bisa dibaca. Selama selera kamu cuma tersimpan sebagai rasa, AI akan terus menebak. Begitu selera itu ditulis, kamu punya aset yang bisa dipakai berulang oleh AI maupun tim.
Kalau kamu ingin dibimbing menyusun sistem seperti ini untuk bisnis kamu sendiri, mulai dari standar kualitas sampai alur kerja AI yang dipakai tim, kamu bisa lihat Program Mentoring AI.
Pertanyaan yang sering muncul
Berapa banyak contoh yang perlu diberikan ke AI supaya hasilnya sesuai selera?
Dokumentasi prompting Anthropic menyarankan tiga sampai lima contoh yang relevan dan cukup beragam. Contoh yang ditolak juga membantu, karena perbedaan antara contoh yang disukai dan yang ditolak bisa dirumuskan menjadi aturan yang bisa dicek.
Apakah kartu selera sebaiknya dimasukkan ke custom instructions ChatGPT?
Hanya aturan yang berlaku untuk semua pekerjaan, misalnya cara menyapa dan bahasa yang dipakai. Custom instructions diterapkan ke semua chat, jadi aturan khusus seperti format caption lebih aman ditempel di awal percakapan untuk tugas tersebut.
Apakah cara ini hanya berlaku untuk ChatGPT dan Claude?
Prinsip memberi contoh, alasan dan kriteria yang jelas dijelaskan di dokumentasi Anthropic dan OpenAI. Untuk alat AI lain, prinsipnya umumnya tetap relevan, tetapi cara menyimpan instruksi permanen perlu dicek di dokumentasi alat masing-masing.


