Pertanyaan Detail ke AI Tetap Butuh Sumber: Cara Mengurangi Risiko Jawaban Ngarang

Pertanyaan yang spesifik tidak otomatis membuat AI lebih sering mengarang. Instruksi yang jelas dapat membantu, sementara permintaan fakta yang tidak tersedia membutuhkan sumber dan pemeriksaan tambahan.

Bagian dari playbook: Playbook Prompt ChatGPT

Intinya:

• Bedakan detail instruksi dengan permintaan fakta yang belum memiliki bukti.
• Model dapat mengakui ketidakpastian, tetapi masih bisa memberikan jawaban keliru dengan bahasa yang meyakinkan.
• Jawaban yang diulang secara konsisten tetap perlu dibandingkan dengan sumber asli.

Misalnya, kamu meminta AI merangkum laporan penjualan yang sudah diunggah. Kamu menentukan periode, kolom, rumus, dan format hasil. Detail tersebut membantu memperjelas tugas dan memberi batas yang bisa diperiksa.

Bandingkan dengan permintaan “berapa biaya per lead rata-rata bisnis laundry di kota tertentu bulan ini?” Tanpa laporan yang relevan, model mungkin tidak memiliki bukti untuk memberikan angka tersebut. Panjang prompt tidak menyelesaikan kekosongan datanya.

Kenapa AI bisa memberi fakta yang keliru?

Halusinasi AI adalah informasi keliru yang disajikan seolah masuk akal. Dalam riset tentang halusinasi, OpenAI membahas bagaimana pelatihan dan evaluasi dapat memberi insentif untuk menebak saat model tidak yakin.

Riset tersebut juga menjelaskan tantangan fakta yang jarang muncul dan sulit ditentukan hanya dari pola. Ini tidak berarti setiap pertanyaan sempit pasti salah. Sumber yang diberikan, akses pencarian, kemampuan model, serta jenis tugas ikut menentukan hasilnya.

Model dapat menjawab bahwa datanya tidak cukup. Karena itu, instruksi kerja sebaiknya memberi ruang untuk jawaban tersebut. Jangan memaksa angka tunggal jika sumber yang tersedia hanya mendukung rentang atau bahkan belum mendukung estimasi.

Detail instruksi seperti apa yang membantu?

Instruksi yang membantu menjelaskan tujuan, batas data, definisi metrik, dan format yang dibutuhkan. Misalnya: “Gunakan hanya transaksi September yang berstatus lunas. Pisahkan refund. Tampilkan rumus dan sebutkan baris yang tidak bisa dibaca.”

Kamu dapat menguji apakah model mengikuti instruksi itu dengan beberapa contoh transaksi. Jika hasilnya berbeda dari hitungan manual, perbaiki definisi atau proses pembacaan datanya sebelum memakai hasil seluruh laporan.

Pendekatan ini melanjutkan prinsip prompt yang spesifik untuk pekerjaan marketing. Detail yang berguna memberi pegangan untuk bekerja dan memeriksa hasil.

Detail fakta seperti apa yang perlu diperiksa lebih jauh?

Periksa angka lokal, harga terbaru, kutipan penelitian, nama sumber, dan klaim yang menentukan anggaran. Semakin penting klaim itu bagi keputusanmu, semakin jelas dukungan bukti yang perlu tersedia.

Misalnya, angka biaya per lead dari industri berbeda tidak langsung cocok untuk bisnis laundry kamu. Periode, lokasi, tujuan kampanye, serta definisi lead dapat berbeda. Bahkan angka yang benar dari satu laporan bisa digunakan secara keliru jika konteksnya dipindahkan.

Baca jugaPrompt & ChatGPTKenapa Instruksi ‘Bikin Lebih Bagus’ ke AI Selalu Gagal

Cara meminta jawaban yang bisa diperiksa

Minta AI memisahkan fakta, asumsi, dan usulan pengujian. Fakta harus menunjuk dokumen atau data yang dapat dibuka. Asumsi perlu diberi label. Usulan pengujian menjelaskan cara memperoleh informasi yang belum tersedia.

Kamu bisa memakai instruksi seperti ini:

Gunakan sumber yang tersedia. Untuk setiap angka penting, sebutkan sumber, tanggal, dan konteksnya. Jika tidak ada data yang cukup, tulis belum diketahui. Pisahkan estimasi dari fakta dan jelaskan asumsi estimasinya.

Setelah menerima jawaban, buka tautannya sendiri. Pastikan halaman itu benar-benar ada dan mendukung klaim yang disebut. Tautan yang terlihat meyakinkan dapat salah alamat atau tidak relevan dengan pertanyaan.

Mengapa mengulang pertanyaan belum cukup?

Mengulang pertanyaan dapat membantu menemukan inkonsistensi, tetapi kesalahan yang sama juga bisa muncul berkali-kali. Dua model pun dapat menggunakan sumber keliru yang sama. Kesepakatan jawaban bukan pengganti bukti.

Untuk hitungan, gunakan data mentah dan rumus yang dapat dijalankan ulang. Untuk klaim produk, baca dokumentasi resminya. Untuk kondisi bisnismu sendiri, utamakan catatan operasional yang relevan.

Langkah verifikasi sebelum mengambil keputusan

1. Tandai klaim yang akan memengaruhi tindakan.
2. Periksa sumber, tanggal, definisi, dan lingkup datanya.
3. Cocokkan satu contoh dengan data asli atau hitungan manual.
4. Pisahkan temuan yang sudah didukung bukti dari asumsi yang masih terbuka.
5. Jika bukti belum cukup, batasi keputusan pada percobaan yang mudah dievaluasi.

Untuk brainstorming tanpa klaim faktual, pemeriksaan dapat lebih ringan. Namun, draf kreatif tetap perlu dicek ketika mulai menyebut angka atau menjanjikan hasil.

Prompt yang baik membantu pekerjaan dimulai dengan jelas. Sumber dan verifikasi membantu hasilnya layak dipakai. Kebiasaan tersebut bisa dilatih bersama lewat pelatihan AI untuk tim.