Cara Bikin Prompt Konsultan AI yang Bertanya Dulu Sebelum Kasih Solusi

Untuk bikin prompt konsultan AI yang bertanya dulu sebelum kasih solusi, beri AI daftar kategori masalah bisnismu dan suruh dia mendiagnosis dulu. AI bertanya, menebak kategori, minta konfirmasi, lalu memilih pendekatan yang sesuai. Pola ini disebut diagnostic branching. Pola ini cocok untuk AI advisor internal bisnis produk digital.

Bagian dari playbook: Playbook Prompt ChatGPT

Intinya:

• Jawaban AI terasa generik karena gejala yang kamu ceritakan bisa punya banyak penyebab, lalu AI menjawab semuanya sekaligus.
• Daftar kategori masalah jadi peta buat AI, supaya dia bisa mempersempit penyebab sebelum menyarankan solusi.
• Konfirmasi kategori dari kamu mencegah AI memaksakan tebakan yang salah ke langkah yang salah.

Coba bandingkan dua cara bertanya ini

Misalnya kamu jualan template planner digital. Bulan ini penjualannya turun.

Cara pertama. Kamu ketik: “Penjualan template saya turun. Kasih strategi buat naikin penjualan.” AI langsung kasih daftar yang rapi. Perbanyak konten, coba iklan, bikin bundling, kumpulkan testimoni, perbaiki landing page, aktifkan email marketing.

Semua sarannya masuk akal. Masalahnya, kamu jadi nggak tahu harus mulai dari mana. Sebagian besar saran itu juga belum tentu nyentuh penyebabnya.

Cara kedua. Kamu pakai AI advisor yang sudah dikasih prompt diagnosis. Kalimat yang kamu ketik sama persis. Kali ini AI balik bertanya dulu:

• Jumlah pengunjung halaman penjualan berubah atau tetap?
• Orang berhentinya di halaman penjualan atau di checkout?
• Ada komplain baru dari pembeli?

Kamu jawab: pengunjung stabil, tapi banyak yang berhenti di checkout sejak metode pembayaran diganti. AI menebak kategori “checkout dan pembayaran” dengan keyakinan tinggi. Dia minta kamu konfirmasi dulu, baru menyarankan cara mengecek alur pembayaran.

Di skenario kedua, saran konten dan iklan nggak muncul sama sekali. Wajar, kan, karena traffic-mu memang stabil.

Kenapa AI langsung kasih strategi generik?

Ada tiga sebab yang saling nyambung.

Baca jugaPrompt & ChatGPTCara Bikin Custom GPT untuk Jualan Produk Digital: Tanya Kebutuhan Dulu, Baru Sarankan Paket yang Pas

Pertama, gejala dan penyebab itu dua hal yang berbeda. “Penjualan turun” adalah gejala. Penyebabnya bisa di traffic, halaman penjualan, harga, checkout, atau kepuasan pembeli lama. Tiap penyebab butuh obat yang berbeda.

Kedua, kalau infonya minim, AI cenderung menutup semua kemungkinan. Jawaban yang mencakup semua kemungkinan itu jawaban paling aman kalau konteksnya tipis. Hasilnya daftar lebar yang nggak salah, tapi juga nggak tajam. Ini salah satu akar dari kesalahan prompt yang bikin hasil AI generik.

Ketiga, AI baru bertanya balik kalau kamu minta. Dokumentasi Anthropic menyarankan untuk meminta secara eksplisit kalau kamu ingin model melakukan lebih dari yang tersirat di tugasnya. Dokumen yang sama mengibaratkan model sebagai karyawan baru yang cerdas, tapi belum paham kebiasaan kerjamu.

Nambahin konteks bisnis jelas membantu, seperti yang saya bahas di cara kasih konteks bisnis ke AI. Diagnostic branching menambah satu lapis lagi di atasnya, yaitu struktur untuk memilah konteks itu sebelum AI memberi saran.

Apa itu prompt diagnostic branching?

Prompt diagnostic branching adalah pola prompt yang memberi AI daftar kategori masalah, lalu mewajibkan AI mendiagnosis dan mengonfirmasi kategori sebelum memilih pendekatan solusi. Kata “branching” artinya bercabang. Tiap kategori punya jalur penanganan sendiri.

Atributnya ada enam:

1. Taksonomi masalah. Daftar kategori penyebab yang jumlahnya tertutup dan jelas batasnya.
2. Sinyal per kategori. Tanda-tanda yang bisa dicek untuk mengenali tiap kategori.
3. Pertanyaan pembeda. Pertanyaan yang memisahkan satu kategori dari kategori lain.
4. Tebakan dengan tingkat keyakinan. AI menyebut kategori, alasannya, dan seberapa yakin dia.
5. Konfirmasi dari kamu. AI menunggu persetujuan sebelum lanjut.
6. Playbook per cabang plus jalur keluar. Langkah untuk tiap kategori, ditambah instruksi kalau tidak ada kategori yang cocok.

Dua istilah penting di sini. Taksonomi masalah adalah daftar kategori penyebab yang saling berbeda, disusun dari masalah yang memang pernah terjadi di bisnismu. Playbook adalah urutan langkah standar yang sudah kamu tetapkan untuk menangani satu kategori masalah.

Kenapa menebak kategori dulu bikin jawaban lebih tajam?

• Ruang jawabannya menyempit. Begitu kategori dikunci, AI cukup berpikir di satu wilayah masalah.
• Pertanyaannya jadi bermakna. Daftar kategori mendorong AI bertanya hal yang membedakan satu penyebab dari penyebab lain.
• Penalarannya bisa kamu koreksi lebih awal. Kamu lihat alasan tebakannya sebelum AI menulis rencana panjang. Salah arah ketahuan di depan.
• Solusinya sesuai kapasitasmu. Playbook kamu yang tulis, jadi sarannya nggak melebihi kemampuan tim.

Contoh prompt konsultan AI yang bertanya dulu sebelum kasih solusi

Ini contoh ilustrasi untuk bisnis produk digital skala kecil. Silakan sesuaikan kategori, sinyal, dan playbook dengan bisnismu.

Contoh ini memakai tag seperti <konteks_bisnis> dan <cara_diagnosis>. Anthropic menyarankan memakai tag XML supaya prompt yang mencampur instruksi, konteks, dan input tidak disalahpahami.

<peran>
Kamu adalah advisor internal untuk bisnis produk digital saya.
Tugasmu mendiagnosis masalah dulu, baru menyarankan langkah.
</peran>

<konteks_bisnis>
[Isi: produk yang dijual, siapa pembelinya, kanal penjualan utama,
ukuran tim, dan data apa saja yang biasanya saya punya]
</konteks_bisnis>

<kategori_masalah>
1. Traffic: sedikit orang yang melihat produk.
   Sinyal: kunjungan halaman turun, jangkauan konten turun.
2. Konversi halaman: banyak yang melihat, sedikit yang klik beli.
   Sinyal: kunjungan stabil, klik ke checkout rendah.
3. Offer dan harga: orang tertarik tapi ragu dengan nilainya.
   Sinyal: banyak tanya harga, minta diskon, bingung pilih paket.
4. Checkout dan pembayaran: orang sudah mau bayar tapi gagal.
   Sinyal: banyak checkout tidak selesai, keluhan metode bayar.
5. Akses dan onboarding: pembeli bingung setelah bayar.
   Sinyal: pertanyaan soal akses, permintaan refund, produk tidak dipakai.
6. Pembelian ulang: pembeli lama tidak kembali.
   Sinyal: pembeli baru ada, pembelian kedua hampir tidak ada.
</kategori_masalah>

<cara_diagnosis>
- Kalau saya menceritakan masalah, jangan langsung kasih solusi.
- Kalau permintaan saya berupa tugas yang sudah jelas, langsung kerjakan.
- Ajukan maksimal 3 pertanyaan yang paling membedakan antar kategori.
  Utamakan pertanyaan yang bisa saya jawab dari data yang saya punya.
- Setelah saya jawab, sebutkan tebakan kategori, alasan singkat,
  dan tingkat keyakinan: tinggi, sedang, atau rendah.
- Kalau dua kategori sama kuat, sebutkan keduanya dan tanyakan
  satu data yang bisa memisahkan keduanya.
- Kalau tidak ada kategori yang cocok, katakan terus terang
  dan minta saya menjelaskan lebih lanjut. Jangan memaksakan kategori.
- Tunggu konfirmasi saya sebelum lanjut ke saran.
</cara_diagnosis>

<playbook>
Traffic: [langkah yang sudah kamu tetapkan]
Konversi halaman: [...]
Offer dan harga: [...]
Checkout dan pembayaran: [...]
Akses dan onboarding: [...]
Pembelian ulang: [...]
</playbook>

<format_jawaban>
Setelah kategori dikonfirmasi, tulis:
1. Penyebab yang paling mungkin.
2. Tiga langkah pengecekan untuk minggu ini, sesuai ukuran tim saya.
3. Data yang perlu dicatat untuk menilai apakah langkah itu berhasil.
</format_jawaban>

Kenapa bagian-bagian ini perlu ada?

• Batas 3 pertanyaan menjaga ritme. Advisor yang menginterogasi 10 pertanyaan sekaligus bakal cepat kamu tinggalkan.
• “Pertanyaan yang bisa saya jawab dari data” mencegah AI menanyakan hal yang nggak pernah kamu ukur.
• Tingkat keyakinan kasih tahu kamu kapan harus kasih data tambahan sebelum percaya tebakannya.
• Jalur keluar mencegah masalah aneh dipaksa masuk ke kotak yang paling mirip.
• Instruksi “tunggu konfirmasi” memakai prinsip yang sama dengan prompt yang berhenti dan minta konfirmasi sebelum lanjut. Bedanya, di sini yang dikonfirmasi adalah diagnosisnya.
• Baris “tugas yang sudah jelas, langsung kerjakan” bikin advisor tetap enak dipakai untuk pekerjaan harian.

Cara menyusun kategori masalah dari bisnismu sendiri

Bagian ini yang paling menentukan. Prompt-nya cuma wadah, isinya datang dari kamu.

1. Kumpulkan masalah yang pernah terjadi. Buka chat pembeli, catatan refund, dan ingat-ingat periode penjualan sepi.
2. Kelompokkan berdasarkan penyebab. Satu gejala boleh muncul di beberapa kategori. Justru di situ pertanyaan pembeda jadi berguna.
3. Batasi di 5 sampai 7 kategori. Ini patokan praktis versi saya. Kalau terlalu sedikit, kategorinya kabur. Kalau terlalu banyak, AI susah membedakannya.
4. Tulis sinyal yang bisa dicek. Pakai angka yang memang kamu pantau, atau kalimat yang sering muncul dari pembeli.
5. Tulis playbook pendek per kategori. Cukup langkah pertama yang realistis untuk tim sekecil apa pun yang kamu punya.

Kenapa pola ini penting buat solopreneur dan tim kecil?

Bisnis produk digital di Indonesia banyak yang dijalankan sendiri atau dengan dua-tiga orang. Biasanya nggak ada analis data, apalagi konsultan tetap. Di situ AI advisor internal jadi teman berpikir pertama sebelum kamu ambil keputusan.

• Waktumu terbatas. Saran generik bikin kamu mengerjakan enam hal sekaligus. Diagnosis bikin kamu fokus ke satu titik.
• Budget-mu terbatas. Salah diagnosis artinya uang keluar di tempat yang salah. Misalnya iklan ditambah, padahal orangnya gagal di checkout.
• Cara berpikir tim jadi seragam. Admin atau VA bisa pakai advisor yang sama dan mengikuti alur diagnosis yang sama.
• Daftar kategorinya jadi aset. Menyusun taksonomi memaksa kamu memetakan bisnismu sendiri. Ini berguna, mau pakai AI atau nggak.

Jebakannya: kapan pola diagnosis ini tidak berlaku?

Pola ini kuat, tapi ada batasnya. Saya ulang ya, ada batasnya.

• Tugas sederhana nggak butuh diagnosis. “Rapikan caption ini” ya langsung dikerjakan saja. Makanya ada baris pengecualian di prompt.
• Kalau kamu sudah tahu penyebabnya, langsung minta eksekusi. Diagnosis ulang cuma buang waktu.
• Kategori dari asumsi bikin AI terkunci di kotak yang salah. Jalur keluar membantu, tapi taksonominya tetap perlu kamu perbarui dari kasus nyata.
• Diagnosis cuma sebaik data yang kamu kasih. AI nggak bisa melihat dashboard-mu kecuali datanya kamu tempel. Kalau jawabanmu kira-kira, tebakannya juga kira-kira.
• Label keyakinan itu penilaian AI dari teks yang dia terima. Anggap sebagai petunjuk, lalu cek dengan data.
• Masalah hukum, pajak, dan kontrak butuh ahli. Advisor internal cocoknya untuk memilah masalah operasional dan pemasaran.

Langkah minggu ini: uji advisor-mu pakai kasus lama

Cara paling jujur menguji prompt diagnosis adalah pakai masalah yang jawabannya sudah kamu tahu.

1. Pilih 3 sampai 5 masalah lama yang penyebabnya sudah jelas buat kamu.
2. Ceritakan gejalanya saja ke AI, seolah-olah kamu belum tahu penyebabnya.
3. Catat tiga hal: pertanyaan yang diajukan AI, kategori tebakannya, dan cocok atau tidak.
4. Kalau salah tebak, cari sinyal yang kurang di daftar kategori, lalu perbaiki.
5. Tunjukkan prompt-nya ke anggota tim. Anthropic menyebut ini tes kunci: kalau rekan yang minim konteks bingung membacanya, model kemungkinan juga bingung.

Setelah lolos uji kasus lama, baru pakai untuk masalah yang sedang berjalan.

AI yang langsung menjawab memang terasa cepat. AI yang bertanya dulu terasa lebih lambat satu menit, tapi sarannya mengarah ke titik yang tepat. Konsultan yang baik, manusia atau AI, kelihatan dari pertanyaannya sebelum sarannya.

Kalau kamu ingin dibimbing membangun advisor internal seperti ini, berikut sistem AI lain untuk bisnis produk digitalmu, kamu bisa lihat program mentoring AI.