Cara Bikin AI Belajar dari Alasan Pilihannya Sendiri, Tanpa Fine-Tuning Mahal

Cara bikin AI belajar tanpa fine-tuning adalah dengan prompt chaining reflektif. Kamu minta AI membuat beberapa opsi, membandingkannya dengan kriteria brand kamu, lalu menuliskan alasan opsi pemenang sebagai pelajaran tertulis. Pelajaran itu kamu simpan dan tempel di awal setiap sesi, jadi AI makin konsisten tanpa melatih ulang model.

Bagian dari playbook: Playbook Prompt ChatGPT

Intinya:

• AI lebih mudah menangkap gaya kamu dari perbandingan dua opsi daripada dari satu instruksi umum.
• Alasan kemenangan yang ditulis sebagai aturan bisa dipakai ulang, sedangkan koreksi di dalam chat cepat hilang.
• Untuk urusan gaya dan nada brand, file pelajaran yang dirawat sering sudah cukup sebelum kamu mempertimbangkan fine-tuning.

Coba kamu bayangin dua admin konten yang sama-sama pakai AI

Misalnya ada dua brand skincare lokal, sama-sama dijalankan tim tipis. Admin pertama tiap pagi mengetik “buatkan caption promo serum, gaya santai”. Hasilnya lumayan, lalu dia edit. Kata “glowing maksimal” dibuang, kalimat pembuka dipendekkan, ajakan beli diganti pertanyaan. Besoknya, AI mengulang pola yang sama. Dia edit lagi dari nol.

Admin kedua melakukan edit yang sama persis. Bedanya, setiap kali memilih versi terbaik, dia minta AI menuliskan kenapa versi itu menang. Kalimat alasannya disimpan di satu dokumen. Dokumen itu ditempel di awal sesi berikutnya.

Setelah beberapa minggu, admin pertama masih mengoreksi hal yang sama. Admin kedua punya daftar aturan yang lahir dari pilihan nyata brand-nya. Model yang dipakai sama. Yang berubah adalah kualitas konteks yang diterima AI setiap pagi.

Apa itu prompt chaining reflektif?

Prompt chaining adalah teknik memecah satu tugas besar menjadi beberapa prompt berurutan, di mana output satu langkah jadi input langkah berikutnya.

Baca jugaAI untuk Digital MarketingCara Bikin Customer Persona yang Akurat Pakai ChatGPT, Bukan Sekadar Tebakan

Prompt chaining reflektif adalah rangkaian prompt bertahap yang membuat AI menghasilkan beberapa opsi, membandingkannya, lalu mengubah alasan pemenang menjadi pelajaran tertulis. Atributnya:

• Selalu ada lebih dari satu opsi, dengan pendekatan yang sengaja dibuat berbeda.
• Ada kriteria penilaian eksplisit yang diambil dari brand kamu.
• Ada manusia yang mengonfirmasi atau mengoreksi pemenangnya.
• Alasan ditulis dalam format aturan yang bisa dipakai ulang.
• Pelajaran disimpan di luar chat dan dibawa ke sesi berikutnya.

Kenapa AI bisa belajar dari alasan, padahal modelnya tetap sama?

Nah, ini mekanisme yang sering terlewat. Ada tiga hal yang bekerja bersamaan.

Menilai lebih mudah daripada mencipta

Instruksi “gaya santai” itu kata sifat. Setiap orang menafsirkannya beda, termasuk AI. Saat AI diminta membandingkan dua caption, perbedaannya jadi konkret. Misalnya, “opsi B membuka dengan pertanyaan soal masalah pembaca, opsi A membuka dengan nama produk.” Perbandingan memaksa hal yang tadinya samar jadi kalimat spesifik.

Alasan membawa prinsip, contoh membawa noise

Kalau kamu cuma memberi contoh caption bagus, AI cenderung meniru permukaannya. Panjang kalimat, emoji, dan struktur paragrafnya ikut ditiru. Alasan menjelaskan prinsip di balik contoh itu.

Aturan seperti “buka dengan pertanyaan soal masalah pembaca, karena audiens kita langsung merasa disapa” bisa diterapkan ke produk lain. Bisa juga ke email atau balasan chat pelanggan.

In-context learning memakai apa yang ada di depan mata

In-context learning adalah kemampuan model menyesuaikan jawaban dari instruksi dan contoh di dalam prompt, tanpa mengubah bobot modelnya. Artinya, kualitas “belajar” AI sangat bergantung pada konteks yang kamu tempel. File pelajaran berisi alasan yang jernih memberi sinyal yang kuat dan mudah diikuti.

Bedanya dengan fine-tuning, dan kenapa bisnis kecil sering belum perlu

Fine-tuning adalah proses melatih ulang model dengan kumpulan data contoh supaya perilakunya berubah di tingkat model. Ini berguna untuk kebutuhan tertentu, tapi ada konsekuensinya. Kamu butuh data contoh yang banyak dan rapi. Kamu butuh orang yang paham prosesnya. Saat pindah ke model yang lebih baru, pekerjaan itu sering harus diulang.

File pelajaran brand adalah dokumen berisi aturan gaya yang lahir dari keputusan nyata, lengkap dengan alasannya. Sifatnya kebalikan dari fine-tuning. Bisa dibaca manusia, cepat diedit, dan bisa dipindah ke ChatGPT, Claude, atau Gemini. Kalau satu aturan ternyata keliru, kamu tinggal hapus barisnya.

Prinsipnya mirip dengan membatasi AI supaya hanya menjawab dari dokumen milikmu sendiri. Kendali ada di dokumen yang kamu rawat, dan modelnya tinggal membaca.

Kalau kamu sudah punya arsip konten bagus, menyusun gaya tulis dari postingan lama terbaikmu bisa jadi titik awal. Teknik di artikel ini melanjutkannya ke depan. Setiap keputusan baru menambah satu pelajaran baru.

Langkah bikin AI belajar tanpa fine-tuning yang bisa kamu coba minggu ini

Langkah ini berurutan. Output setiap langkah jadi input langkah berikutnya.

1. Buat opsi yang sengaja berbeda pendekatan. Perbandingan baru bermakna kalau opsinya berbeda arah.

   Buat 3 versi caption untuk [produk]. Versi 1 membuka dengan masalah pembaca. Versi 2 membuka dengan cerita singkat. Versi 3 membuka dengan fakta produk. Jangan pilih dulu.

2. Minta perbandingan dengan kriteria kamu.

   Nilai ketiga versi berdasarkan kriteria ini: [tulis 3-5 kriteria brand]. Pilih satu pemenang. Jelaskan perbedaan konkretnya dengan dua versi lain.

3. Kamu jadi juri terakhir. Setujui pilihan AI, atau pilih versi lain dan tulis alasanmu dalam satu-dua kalimat. Langkah ini yang membuat pelajarannya benar-benar milik brand kamu.

4. Ubah alasan jadi aturan.

   Tulis alasan kemenangan sebagai satu aturan dengan format: “Kalau [situasi], lakukan [tindakan], karena [alasan].” Tambahkan satu contoh kalimat pendek.

5. Simpan di file pelajaran. Satu dokumen sederhana sudah cukup. Kelompokkan per jenis konten, misalnya caption, email, dan balasan chat.

6. Tempel di awal sesi berikutnya. Tambahkan instruksi: “Ikuti aturan di bawah. Kalau ada aturan yang bertentangan dengan brief hari ini, tanyakan dulu.”

Kenapa ini penting kalau timmu cuma dua-tiga orang

Di bisnis kecil, gaya brand biasanya hidup di kepala pemilik. Admin baru butuh waktu lama untuk menangkapnya. File pelajaran mengubah selera pemilik jadi aturan tertulis yang bisa dibaca admin dan AI sekaligus.

Ada efek samping yang berguna. Proses membandingkan opsi memaksa kamu merumuskan selera sendiri. Banyak pemilik bisnis tahu caption mana yang “rasanya pas”, tapi belum pernah menjelaskan kenapa. Setelah beberapa putaran, pola alasannya mulai kelihatan.

Koreksi yang sama juga berhenti berulang setiap hari. Kerja ulang kecil seperti ini diam-diam menguras energi, dan itu salah satu hal yang perlu dipangkas kalau kamu ingin konsisten bikin konten tanpa kehabisan tenaga.

Jebakannya: kapan teknik ini tidak berlaku

• AI menilai karyanya sendiri dengan bias. Model bisa condong ke jawaban yang mirip gayanya sendiri, misalnya yang lebih panjang atau lebih formal. Karena itu, langkah juri manusia wajib ada.
• Pelajaran menumpuk dan saling bertabrakan. Aturan “selalu singkat” dan “jelaskan manfaat secara detail” bisa muncul dari kampanye berbeda. Tinjau file secara rutin, gabungkan yang mirip, dan hapus yang usang.
• Satu momen dijadikan hukum. Pemenang di promo hari raya belum tentu cocok untuk konten edukasi. Tulis konteksnya di aturan, misalnya “Untuk konten promo, …”.
• File terlalu panjang. Makin panjang konteks, makin besar peluang aturan tertentu terabaikan. Taruh aturan yang paling sering terpakai di bagian atas.
• Kebutuhannya di luar gaya. Kalau kamu butuh format output sangat ketat dalam volume besar, fine-tuning atau sistem lain mungkin lebih tepat. Teknik ini paling kuat untuk gaya, nada, dan keputusan kreatif.

Mulai dari satu jenis konten yang paling sering kamu koreksi

Minggu ini, pilih satu jenis konten saja. Jalankan rantai di atas setiap kali membuatnya. Di akhir minggu, baca file pelajaranmu dan cek tiga hal:

• Apakah setiap aturan punya alasan yang masuk akal?
• Apakah ada dua aturan yang saling bertentangan?
• Apakah hasil AI di hari terakhir butuh koreksi lebih sedikit dibanding hari pertama?

Kalau jawaban terakhir “ya”, kamu sudah punya bukti kecil dari bisnismu sendiri, dan itu lebih berharga dari klaim siapa pun.

AI yang konsisten lahir dari keputusan yang dicatat. Setiap kali kamu memilih satu versi, kamu sebenarnya sedang mengajari sistem. Tinggal satu pertanyaan: pelajaran itu kamu simpan atau kamu biarkan hilang? Kalau kamu ingin dapat insight rutin soal cara kerja bareng AI seperti ini, kamu bisa ikut newsletter Hendra.

Kalau kamu mau mendalami cara kerja bareng Claude dan AI assistant dari nol, lihat Claude Mastery.