Cara Ubah Kerjaan Rutin Jadi Skill AI dengan Kerangka Knowledge, Job, Proses, Review

Kalau mau ubah kerjaan rutin jadi skill AI, pecah dulu kerjaan itu jadi empat bagian: knowledge, job, proses, dan review. Setelah keempatnya jelas, baru serahkan ke AI. Kalau satu bagian bolong, hasil AI biasanya meleset tepat di bagian yang bolong itu.

Bagian dari playbook: Playbook AI untuk Produktivitas dan Efisiensi Bisnis

Intinya:

• Skill AI yang hasilnya konsisten berasal dari kerjaan yang sudah dipecah dengan jelas sebelum diserahkan ke AI.
• Tiap komponen mencegah satu jenis kegagalan: hasil generik, tugas melebar, langkah berubah-ubah, atau kesalahan yang lolos.
• Mulai dari satu kerjaan kecil yang sering diulang, lalu tambah skill berikutnya setelah hasil review stabil.

Coba kamu bayangin dua cara minta tolong ke AI

Misalnya ada dua pemilik toko skincare online. Dua-duanya kewalahan membalas ulasan bintang rendah di marketplace.

Pemilik pertama buka chat dan menulis: “Tolong balas semua ulasan jelek minggu ini, sekalian bikinin promo biar pembeli balik lagi.” AI langsung menjawab dengan rapi. Bahasanya sopan, ada permintaan maaf, ada tawaran voucher.

Masalahnya baru kelihatan belakangan. Ada balasan yang menjanjikan refund padahal kebijakan toko cuma tukar barang. Ada yang menyebut produk “aman untuk semua jenis kulit”, klaim yang sebenarnya tidak berani dia pakai. Besoknya dia minta hal yang sama, dan gaya jawabannya beda lagi.

Pemilik kedua melakukan hal yang terlihat lebih lambat. Dia menulis kebijakan retur dan daftar hal yang dilarang dijanjikan. Dia membatasi tugasnya: satu ulasan, satu draft balasan. Dia menuliskan urutan cara dia sendiri membalas selama ini. Terakhir, dia membuat checklist untuk mengecek draft sebelum dikirim.

Minggu pertama, pemilik kedua lebih repot. Minggu-minggu berikutnya, dia tinggal menempel ulasan dan mengecek checklist. Pemilik pertama masih mengoreksi hal yang sama berulang kali.

Bedanya ada di persiapan. Kemampuan AI yang mereka pakai bisa saja persis sama.

Apa itu kerangka Knowledge, Job, Proses, Review?

Kerangka Knowledge, Job, Proses, Review adalah cara membongkar satu kerjaan rutin menjadi empat komponen, supaya AI bisa menjalankannya berulang kali dengan hasil yang bisa dicek. Empat atributnya:

Baca jugaAI untuk Produktivitas & OperasionalCara Ngajarin Skill ke AI dengan Nunjukin, Bukan Nulis Instruksi Panjang

• Knowledge: pengetahuan bisnis yang dibutuhkan untuk tugas itu. Contohnya kebijakan, gaya bahasa brand, data produk, dan batasan klaim.
• Job: satu tugas dengan satu jenis output yang jelas bentuknya.
• Proses: urutan langkah yang dijalankan sama setiap kali tugas itu muncul.
• Review: kriteria untuk memutuskan apakah hasilnya layak dipakai, plus siapa yang memutuskan.

Skill AI adalah paket instruksi yang bisa dipanggil berulang, berisi cara mengerjakan satu jenis tugas. Di Claude, dokumentasi resmi Agent Skills menggambarkan skill sebagai folder berisi instruksi, kode, dan bahan referensi. Anthropic menyebut susunannya mirip panduan onboarding untuk anggota tim baru.

Perumpamaan itu cocok dengan kerangka ini. Kalau kamu mengajari karyawan baru, kamu juga memberi empat hal yang sama. Kamu kasih konteks bisnis, jelaskan tugasnya, tunjukkan cara mengerjakannya, lalu bilang hasil seperti apa yang kamu terima.

Kalau kamu mau tahu cara menyimpan skill dalam format yang bisa dipakai di beberapa tool, baca penjelasan soal Agent Skills dan cara mengubah SOP jadi skill. Artikel ini fokus ke isinya, yaitu apa yang harus kamu siapkan sebelum skill itu ditulis.

Kenapa minta AI kerjain semua sekaligus hasilnya sering meleset?

Permintaan besar terasa efisien. Satu kalimat, banyak hasil. Tapi ada tiga mekanisme yang bikin hasilnya sering meleset.

Satu permintaan besar menyimpan banyak keputusan kecil

“Balas ulasan jelek dan bikin promo” kelihatannya satu tugas. Di dalamnya ada belasan keputusan. Keluhan ini masuk kategori apa? Boleh menawarkan kompensasi atau tidak? Nadanya seformal apa? Promo untuk siapa, berlaku sampai kapan?

Di kepalamu, semua keputusan itu sudah punya jawaban. Kamu sudah menjalankannya ratusan kali. Di layar AI, keputusan itu kosong.

AI mengisi celah dengan tebakan yang paling umum

Saat informasinya kosong, AI tetap menjawab. Dia mengisi celah dengan pola yang paling lazim. Untuk balasan komplain, pola lazimnya adalah minta maaf lalu menawarkan kompensasi.

Pola itu masuk akal untuk toko rata-rata. Tapi bisa salah untuk tokomu. Makanya hasil AI sering terasa generik. Generik artinya AI sedang menebak kebiasaan umum karena tidak tahu kebiasaanmu.

Kesalahan di langkah awal terbawa sampai akhir

Kalau AI salah membaca kategori keluhan di awal, seluruh balasannya ikut salah arah. Dalam satu permintaan besar, kamu baru melihat kesalahan itu di hasil akhir.

Anthropic menjelaskan pola yang disebut prompt chaining dalam artikelnya tentang membangun agent yang efektif (Desember 2024). Prompt chaining adalah cara memecah tugas jadi urutan langkah, di mana tiap langkah memproses hasil langkah sebelumnya. Menurut artikel itu, pola ini menukar sedikit kecepatan dengan akurasi lebih tinggi. Alasannya, setiap langkah jadi tugas yang lebih mudah.

Di antara langkah, kamu juga bisa memasang titik cek. Kesalahan ketahuan di tengah, sebelum menjalar ke akhir. Itulah fungsi komponen proses dan review dalam kerangka ini.

Cara ubah kerjaan rutin jadi skill AI, komponen demi komponen

Kita pakai contoh tadi: membalas ulasan bintang rendah untuk toko skincare. Ini contoh ilustrasi. Silakan ganti dengan kerjaan rutinmu sendiri.

Knowledge: kasih yang relevan untuk tugas ini saja

Godaan pertama biasanya menempelkan semua dokumen bisnis. Profil perusahaan, katalog lengkap, sejarah brand, semuanya masuk. Hasilnya, informasi penting tenggelam di antara yang tidak dipakai.

Pilih yang benar-benar dipakai untuk tugas ini:

• Kebijakan retur dan tukar barang, termasuk batas waktunya.
• Daftar hal yang dilarang dijanjikan, misalnya klaim medis atau refund tanpa persetujuan.
• Contoh dua atau tiga balasan lama yang kamu anggap paling pas nadanya.
• Daftar produk dengan nama yang benar, supaya AI tidak salah sebut varian.

Dokumentasi skill Claude memakai prinsip yang disebut progressive disclosure. Artinya, bahan referensi baru dibaca saat dibutuhkan, sehingga konteks yang aktif tetap ramping. Prinsip yang sama berlaku untukmu: lebih sedikit tapi tepat biasanya lebih berguna daripada lengkap tapi berantakan.

Job: satu kata kerja, satu output

Rumuskan tugasnya dalam satu kalimat dengan satu kata kerja utama. Contohnya: “Susun draft balasan untuk satu ulasan bintang rendah di marketplace.”

Lalu tentukan bentuk output-nya:

• Satu label kategori keluhan, misalnya pengiriman, produk rusak, tidak cocok di kulit, atau salah kirim.
• Satu draft balasan dengan panjang yang kamu tentukan.
• Satu tanda khusus kalau kasusnya butuh keputusan manusia.

Promo, rekap mingguan, dan analisis tren keluhan adalah job lain. Masing-masing layak jadi skill sendiri. Job yang sempit membuat hasil lebih mudah dicek. Ini penting untuk komponen keempat.

Proses: tulis urutan yang sudah kamu jalankan di kepala

Proses adalah bagian yang paling sering dilewati. Alasannya sederhana: kamu sudah terlalu hafal sampai tidak sadar ada langkahnya.

Coba tulis apa yang sebenarnya kamu lakukan saat membalas ulasan:

1. Baca ulasan, tentukan kategori keluhannya.
2. Cek apakah kasus ini masuk kebijakan retur.
3. Tulis kalimat pembuka yang mengakui pengalaman pembeli.
4. Sebutkan langkah konkret yang bisa pembeli lakukan.
5. Kalau kasusnya menyangkut uang kembali atau reaksi kulit, beri tanda untuk dicek manusia.

Kalau kamu sulit menuliskannya, ambil jalan lain. Rekam dirimu mengerjakannya, atau minta AI mewawancaraimu langkah demi langkah. Cara-cara menangkap kerjaan seperti ini sudah dibahas di artikel tentang menangkap kerjaan berulang jadi skill lewat rekaman atau chat yang sudah bagus.

Review: tentukan “selesai” sebelum AI mulai

Review adalah komponen yang membuat skill bisa dipercaya. Tanpa kriteria tertulis, review berubah jadi perasaan. Hari ini terasa oke, besok terasa kurang, dan kamu tidak tahu kenapa.

Tulis kriterianya sebagai pertanyaan ya atau tidak:

• Apakah balasan menjanjikan sesuatu di luar kebijakan?
• Apakah ada klaim kesehatan atau klaim cocok untuk semua kulit?
• Apakah pembeli tahu langkah berikutnya setelah membaca balasan?
• Apakah nadanya sesuai contoh balasan yang kamu pilih?

Anthropic menyebut pola evaluator-optimizer, yaitu satu langkah menghasilkan draft dan langkah lain memberi evaluasi. Menurut artikel yang sama, pola ini efektif ketika kriteria evaluasinya jelas. Jadi AI bisa ikut melakukan cek awal memakai checklist-mu. Keputusan untuk kasus sensitif tetap di tangan manusia.

Hasil AI jelek? Cek komponen mana yang bolong

Ini bagian yang paling berguna dari kerangka ini. Kamu bisa memakainya sebagai alat diagnosis. Gejala yang berbeda biasanya menunjuk komponen yang berbeda.

• Hasilnya generik dan terasa seperti toko lain. Knowledge kurang atau terlalu umum. Tambahkan contoh nyata dan batasan spesifik.
• Hasilnya melebar ke hal yang tidak diminta. Job terlalu luas. Persempit jadi satu kata kerja dan satu output.
• Hasilnya berubah-ubah tiap kali dijalankan. Proses belum tertulis. AI menyusun urutannya sendiri setiap kali.
• Kesalahan baru ketahuan setelah sampai ke pelanggan. Review belum ada atau kriterianya kabur.

Dengan peta ini, perbaikan jadi terarah. Kamu tidak perlu menulis ulang seluruh prompt. Kamu cukup menambal satu komponen, lalu jalankan lagi.

Kenapa ini penting buat bisnis dengan tim tipis?

Di bisnis kecil, pengetahuan operasional sering cuma ada di kepala pemilik atau satu admin senior. Kalau orang itu sakit atau resign, kerjaan rutin ikut tersendat.

Kerangka ini memaksa pengetahuan itu keluar ke tulisan. Hasilnya berguna dua kali. AI bisa menjalankannya, dan orang baru juga bisa membacanya sebagai SOP. SOP bisnis adalah dokumen urutan kerja standar. Skill AI pada dasarnya adalah SOP yang ditulis cukup jelas sampai mesin bisa mengikutinya.

Untuk budget terbatas, ada manfaat lain. Kamu tidak perlu tool mahal atau integrasi rumit untuk mulai. Satu dokumen berisi empat komponen sudah bisa dipakai di asisten AI mana pun yang kamu langgani.

Kalau kamu ingin tahu seberapa banyak waktu yang benar-benar hemat, catat sebelum dan sesudahnya. Cara mencatatnya ada di panduan mengubah kerjaan harian jadi bukti nilai dengan wins ledger. Dengan catatan itu, kamu bisa memutuskan skill mana yang layak dilanjutkan.

Jebakannya: kapan kerangka ini tidak berlaku

Kerangka ini punya batas. Beberapa situasi yang perlu kamu waspadai:

• Kerjaan yang jarang dan selalu berbeda. Kalau tugasnya muncul sebulan sekali dengan bentuk berbeda-beda, menyusun skill bisa lebih lama daripada mengerjakannya langsung.
• Proses yang belum jelas di kepalamu sendiri. Skill akan membekukan kebingungan itu. Rapikan dulu cara kerjanya secara manual.
• Keputusan berisiko tinggi. Refund besar, kontrak, pajak, atau saran kesehatan tetap butuh keputusan manusia. Review oleh AI hanya membantu menyaring.
• Knowledge yang basi. Kebijakan dan produk berubah. Kalau dokumen knowledge tidak diperbarui, skill akan konsisten salah. Tentukan siapa yang memperbaruinya.
• Memecah terlalu kecil. Kalau satu kerjaan sederhana dipecah jadi sepuluh langkah dengan lima titik cek, kamu sedang membangun birokrasi. Mulai dari versi paling sederhana yang bekerja.
• Data pelanggan. Hati-hati menempelkan nama, nomor, atau alamat pembeli ke akun AI yang tidak dikelola bisnis.

Langkah yang bisa kamu lakukan minggu ini

1. Catat kerjaan yang kamu ulang. Selama beberapa hari, tulis setiap tugas yang terasa “ini lagi, ini lagi”.
2. Pilih satu dengan output paling jelas. Balasan pelanggan, caption produk, atau ringkasan rapat biasanya lebih mudah daripada strategi.
3. Tulis empat komponen di satu halaman. Knowledge, job, proses, review. Tidak perlu rapi, yang penting lengkap.
4. Uji pada contoh lama. Ambil beberapa kasus nyata yang kamu sudah tahu jawaban bagusnya. Bandingkan hasil AI dengan jawabanmu.
5. Masukkan setiap koreksi ke komponen yang tepat. Kalau kamu mengoreksi hal yang sama dua kali, itu tanda komponennya perlu ditambal.
6. Simpan sebagai skill atau instruksi tetap. Setelah hasilnya stabil, baru simpan di wadah yang kamu pakai.

Satu pemikiran untuk dibawa pulang: AI yang hasilnya konsisten biasanya bekerja di atas kerjaan yang sudah jelas di kepala pemiliknya. Empat komponen ini cuma cara membuat kejelasan itu kelihatan.

Kalau kamu ingin menyusun beberapa skill seperti ini sekaligus untuk operasional tim yang tipis, pendekatannya saya bahas lebih luas di AI Lean Company.