Formula Prompt Role, Tanya Dulu, Constraint: Kenapa Pola Ini Mengurangi AI Mengarang dan Hedging

Cara praktis supaya AI berhenti mengarang tanpa berubah jadi peragu adalah formula prompt role, tanya dulu, constraint. Kamu memberi AI peran yang jelas dan mewajibkannya menanyakan data yang kurang. Lalu kamu menyebut hasil yang diminta dan mengatur tindakannya saat informasi tidak cukup.
Bagian dari playbook: Playbook Prompt ChatGPT
Pola ini mengurangi tebakan karena celah informasi kamu tutup sebelum model mulai menulis. Satu catatan penting: tidak ada formula yang menghapus halusinasi sepenuhnya. Yang bisa kamu kendalikan adalah seberapa besar ruang tebakan yang tersisa.
Coba bandingkan dua prompt untuk tugas yang sama
Misalnya kamu punya toko online perlengkapan bayi di Bandung dengan dua admin. Ada pelanggan komplain karena paketnya telat, dan kamu minta AI membuatkan balasan.
Prompt pertama: “Buatkan balasan komplain pelanggan yang sopan.”
Hasilnya biasanya rapi. Masalahnya, AI akan mengisi detail yang tidak ia ketahui. Bisa muncul janji kirim ulang dalam satu hari, padahal kebijakan tokomu tidak begitu. Bisa juga muncul tawaran voucher yang tidak pernah ada. Kalimatnya meyakinkan, isinya karangan.
Prompt kedua kira-kira begini:
“Kamu admin customer service toko perlengkapan bayi. Nadamu hangat dan tidak defensif. Sebelum menulis, tanyakan data pesanan dan kebijakan toko yang kamu butuhkan. Buat dua versi balasan WhatsApp, maksimal 80 kata. Jangan menjanjikan kompensasi, refund atau waktu kirim ulang yang tidak saya sebutkan. Kalau datanya kurang, tulis [PERLU DIISI] di bagian itu.”
Prompt kedua hanya lebih panjang beberapa kalimat. Bedanya ada pada hal yang memang tidak bisa ditebak AI, yaitu kebijakan tokomu.
Ada juga hasil ketiga yang sering bikin kesal. Kamu menulis “jangan mengarang, jawab yang pasti saja”. Lalu AI membalas, “Hal ini tergantung kebijakan toko Anda, sebaiknya Anda mempertimbangkan beberapa opsi…” tanpa memberi draf yang bisa dipakai. Itu yang disebut hedging. Jawabannya aman, tapi tidak bisa langsung dikirim ke pelanggan.
Kenapa AI mengarang, dan kenapa kadang malah muter-muter?
Model bahasa bekerja dengan menyusun teks yang paling masuk akal berdasarkan pola. Saat prompt tidak menyebut kebijakan refund tokomu, model tetap harus melanjutkan kalimat. Ia lalu memakai pola yang paling umum dari teks serupa, misalnya janji kirim ulang. Hasilnya terdengar wajar karena memang wajar untuk toko pada umumnya. Hanya saja, belum tentu cocok dengan tokomu.
Baca jugaPrompt & ChatGPTContoh Prompt Kasus Bisnis yang Optimal, dan yang Meleset
Paper riset Why Language Models Hallucinate karya Kalai dan rekan (September 2025) memberi perumpamaan yang mudah dipahami. Mereka menyamakan model bahasa dengan siswa yang menghadapi soal ujian sulit. Saat tidak yakin, siswa itu kadang menebak dan menulis jawaban yang terdengar benar. Menurut paper itu, proses pelatihan dan evaluasi cenderung memberi nilai lebih untuk tebakan dibanding pengakuan tidak tahu.
Nah, ini relevan buat kamu sebagai pemakai. Kalau prompt tidak mengatur apa yang harus dilakukan saat data kurang, kebiasaan menebak itulah yang jalan.
Hedging datang dari arah sebaliknya. Prompt yang hanya bilang “jangan salah” tidak memberi data dan tidak memberi jalan keluar. Dalam kondisi itu, pilihan teraman bagi model adalah jawaban umum yang menutup semua kemungkinan.
Kalau kamu perhatikan, akarnya mirip. Model tidak tahu mana yang sudah pasti, mana yang belum, dan hasil seperti apa yang dianggap selesai. Mengarang dan muter-muter adalah dua gejala dari celah yang sama. Formula di bawah menutup celah itu dari empat sisi.
Formula prompt role, tanya dulu, constraint: apa kerja tiap bagiannya?
Empat bagian ini juga muncul dengan nama berbeda di panduan resmi penyedia model. Panduan prompt engineering OpenAI menyarankan developer message berisi identity, instructions, examples dan context. Panduan prompting Anthropic menyarankan pemberian peran dan penjelasan alasan di balik instruksi. Saya merangkumnya jadi empat bagian yang gampang dipakai pebisnis: role, tanya dulu, deliverable bernama dan constraint.
Role: mempersempit standar jawaban
Role memberi tahu AI sudut pandang dan standar yang harus dipakai. Anthropic menulis bahwa peran di system prompt memfokuskan perilaku dan nada, bahkan kalau cuma satu kalimat.
Yang sering terlewat, role yang efektif menyebut konteks kerja, jadi tidak berhenti di gelar. “Kamu ahli marketing” masih terlalu lebar. “Kamu copywriter iklan Meta untuk produk perawatan bayi, pembacanya ibu muda yang khawatir soal bahan” jauh lebih sempit. Model jadi tahu kata mana yang cocok dan kekhawatiran mana yang harus dijawab.
Polanya mirip dengan kata sifat generik di prompt gambar. Label lebar memberi model banyak tafsiran, sedangkan spesifikasi memberi satu arah.
Ingat juga batasnya. Role mengarahkan gaya dan prioritas. Role tidak menambah fakta tentang bisnismu yang tidak ada di prompt.
Tanya dulu: mengubah tebakan jadi pertanyaan
Bagian ini paling sering dilewati, padahal paling langsung menutup ruang mengarang. Kamu menyuruh AI menyebut data yang ia butuhkan sebelum mulai bekerja. Setiap pertanyaan yang ia ajukan adalah satu titik yang tadinya akan ia tebak.
Supaya tidak berubah jadi interogasi, beri tiga batas:
- Maksimal lima pertanyaan.
- Urutkan dari yang paling memengaruhi hasil.
- Kalau datanya sudah cukup, langsung kerjakan tanpa bertanya.
Kalau kamu sedang buru-buru, pakai varian ringan: “Kerjakan sekarang, lalu daftar asumsi yang kamu pakai di bagian akhir.” Kamu tetap bisa melihat titik mana yang ditebak, lalu memperbaikinya.
Deliverable bernama: memberi garis finis
“Bantu bikin konten” tidak punya garis finis. “Lima hook video 15 detik, masing-masing satu kalimat, untuk produk minyak telon” punya.
Deliverable bernama menyebut apa yang dibuat, berapa banyak, formatnya, panjangnya, dan untuk siapa. Mekanismenya sederhana. Saat hasil yang diminta jelas, model tidak perlu menambah paragraf pembuka, saran umum atau disclaimer untuk berjaga-jaga. Sebagian besar hedging hilang karena tempatnya memang tidak disediakan.
Constraint: aturan main saat data kurang
Constraint biasanya dipakai untuk larangan gaya, misalnya “jangan pakai emoji”. Untuk masalah mengarang, constraint yang paling berguna adalah aturan perilaku saat informasi tidak tersedia.
Dokumentasi Anthropic tentang mengurangi halusinasi memberi contohnya. Model diminta menyatakan bahwa informasinya tidak cukup kalau ia ragu atau laporannya kurang lengkap. Anthropic menyebut izin untuk mengakui ketidakpastian ini dapat mengurangi informasi keliru secara drastis. Untuk dokumen panjang, mereka juga menyarankan meminta kutipan langsung dari dokumen sebelum analisis dimulai.
Kenapa larangan “jangan mengarang” saja sering bikin AI hedging?
Larangan tanpa alternatif hanya memberi tahu model apa yang tidak boleh. Model tetap tidak tahu apa yang boleh. Hasilnya, ia memilih jalan paling aman, yaitu kalimat umum yang tidak bisa disalahkan.
Solusinya, setiap larangan dipasangkan dengan perilaku pengganti:
- “Jangan mengarang angka” diganti jadi “Kalau angka tidak ada di data saya, tulis [DATA BELUM ADA] lalu lanjutkan bagian lain.”
- “Jangan sok yakin” diganti jadi “Pisahkan bagian yang berdasar data saya dan bagian yang merupakan asumsimu. Beri label ASUMSI.”
- “Jangan jawab umum” diganti jadi “Pilih satu rekomendasi utama dengan satu alasan. Sebut kondisi yang bisa mengubah rekomendasi itu.”
Perhatikan bedanya. Penanda seperti [PERLU DIISI] membuat ketidakpastian terlihat dan bisa langsung ditindaklanjuti. Hedging menyembunyikan ketidakpastian di dalam kalimat panjang yang harus kamu bongkar sendiri.
Tambahkan juga alasan di balik aturanmu. Anthropic menyarankan menjelaskan kenapa sebuah instruksi penting supaya respons lebih tepat sasaran. Contohnya: “Balasan ini langsung dikirim admin ke pelanggan, jadi janji di luar kebijakan bisa jadi masalah.” Dengan alasan itu, model bisa menilai bagian mana yang harus paling hati-hati.
Template prompt bisnis yang bisa kamu salin
Struktur di bawah bisa dipakai untuk hampir semua tugas tulis-menulis bisnis. Ganti isi dalam kurung siku sesuai pekerjaanmu.
PERAN
Kamu adalah [peran spesifik] untuk [jenis bisnis], melayani [siapa pembacanya].
Prioritasmu: [1-2 hal terpenting, misalnya akurasi kebijakan dan nada hangat].
KONTEKS
[Fakta bisnis yang relevan: produk, kebijakan, data, batasan.]
Hasil ini akan dipakai untuk [tujuan], jadi [alasan kenapa akurasi atau gaya tertentu penting].
TANYA DULU
Sebelum mengerjakan, cek apakah informasinya cukup.
Jika kurang, ajukan maksimal 5 pertanyaan, urutkan dari yang paling memengaruhi hasil.
Jika sudah cukup, langsung kerjakan.
DELIVERABLE
Buat [jumlah] [jenis output] dalam format [format], panjang [batas].
ATURAN SAAT DATA KURANG
- Jangan menambah fakta, angka, janji atau kebijakan yang tidak ada di konteks.
- Jika satu bagian butuh data yang tidak ada, tulis [PERLU DIISI: data apa] lalu lanjutkan bagian lain.
- Jika kamu memakai asumsi, daftarkan dengan label ASUMSI di bagian akhir.
- Tetap beri satu rekomendasi utama, lalu sebut kondisi yang bisa mengubahnya.
Bagian PERAN, TANYA DULU dan ATURAN biasanya bisa dipakai ulang. Bagian KONTEKS yang kamu isi setiap kali. Di situlah nilai prompt ini sebenarnya. Itu juga sebabnya koleksi ratusan prompt dari media sosial jarang membantu. Prompt itu tidak membawa konteks bisnismu.
Seperti apa penerapannya di pekerjaan bisnis sehari-hari?
Tiga contoh berikut ilustrasi, bukan hasil uji. Tujuannya menunjukkan bagaimana tiap bagian formula berubah mengikuti tugas.
Brief iklan untuk produk baru. Role: strategist iklan untuk brand skincare lokal dengan target perempuan pekerja. Tanya dulu: offer, harga jual, manfaat yang sudah punya dasar, dan keberatan pelanggan yang paling sering muncul. Deliverable: tiga angle iklan, masing-masing dengan hook satu kalimat dan deskripsi audiens. Constraint: jangan menulis klaim hasil, persentase atau testimoni yang tidak ada di data produk.
SOP dari catatan rapat. Role: staf operasional yang menulis SOP untuk admin baru. Tanya dulu: siapa pelaksana tiap langkah dan alat apa yang dipakai. Deliverable: SOP bernomor, maksimal satu halaman. Constraint: langkah yang tidak tertulis di catatan diberi tanda [PERLU KONFIRMASI], jangan dilengkapi dengan kebiasaan umum.
Ringkasan penjualan mingguan. Role: analis yang menulis untuk pemilik usaha yang sibuk. Tanya dulu: periode pembanding dan produk mana yang paling penting dipantau. Deliverable: tiga temuan utama dan satu pertanyaan untuk minggu depan. Constraint: semua angka hanya dari data yang ditempel, dan kolom kosong disebutkan terang-terangan.
Coba perhatikan polanya. Constraint di ketiga contoh selalu menyebut jenis karangan yang paling mungkin muncul di tugas itu. Di iklan, risikonya klaim hasil. Di SOP, risikonya langkah tambahan. Di analisis, risikonya angka yang dihitung dari data yang tidak ada.
Kapan formula ini tidak perlu, atau malah menghambat?
Formula ini alat, dan ada situasi ketika ia berlebihan atau tidak cukup.
- Tugas ringan sekali pakai. Merapikan satu kalimat atau mencari sinonim tidak perlu empat bagian. Prompt satu baris sudah cukup.
- Role tidak menggantikan sumber. Untuk harga terbaru, regulasi atau data pasar, AI tetap bisa salah meskipun perannya “ahli pajak”. Berikan dokumen sumbernya, atau verifikasi sendiri.
- Tanya dulu bisa berputar. Tanpa batas jumlah pertanyaan, sebagian model terus bertanya. Batas lima pertanyaan dan aturan “kalau cukup, langsung kerjakan” mencegah ini.
- Constraint yang saling bertabrakan. “Maksimal 50 kata” dan “jelaskan semua risikonya” sulit dipenuhi bersamaan. Kalau terjadi, model sering memilih salah satu secara acak. Tentukan mana yang prioritas.
- Keputusan berisiko tinggi. Untuk urusan hukum, pajak, kesehatan atau kontrak, formula ini membantu menyusun draf. Keputusan akhirnya tetap butuh pengecekan orang yang kompeten.
Satu lagi, ini penting. Formula ini menurunkan peluang AI mengarang, tetapi peluangnya tidak jadi nol. Penanda [PERLU DIISI] dan label ASUMSI justru berguna karena memudahkan kamu memeriksa hasilnya.
Cara menguji formula ini di satu pekerjaan minggu ini
Jangan langsung menerapkan ke semua pekerjaan. Mulai dari satu alur kerja, sama seperti prinsip fokus pada satu workflow sebelum menambah tools AI.
- Pilih satu tugas berulang yang hasil AI-nya paling sering kamu edit. Misalnya balasan komplain, caption produk atau brief desain.
- Tulis versi formula memakai template di atas. Isi bagian KONTEKS dengan fakta nyata bisnismu.
- Jalankan dengan tiga input berbeda. Satu di antaranya sengaja dibuat datanya kurang, supaya kamu bisa melihat bagaimana AI menangani celah.
- Periksa tiga hal. Ada fakta yang tidak kamu berikan? Data yang kurang sudah ditandai? Ada satu rekomendasi atau hasil yang jelas?
- Kalau hasilnya belum pas, cari dulu bagian yang bermasalah. Role terlalu lebar, deliverable kabur atau constraint bertabrakan? Cara membedahnya ada di artikel tentang diagnosis sebelum revisi prompt.
- Simpan versi yang lolos sebagai template tim, lengkap dengan contoh konteks yang sudah terisi.
Hasil akhirnya satu prompt yang bisa dipakai admin atau timmu tanpa harus menebak cara memakainya.
Pemikiran yang ingin saya tinggalkan begini: AI paling sering mengarang di ruang yang kita biarkan kosong. Formula role, tanya dulu, constraint mengelola ruang itu dengan sengaja. Data yang belum ada ditanyakan, data yang tidak tersedia ditandai, dan hasil yang diminta punya garis finis.
Kalau kamu ingin memetakan pekerjaan marketing dan sales mana yang layak dibantu AI di bisnismu, kamu bisa mulai dari konsultasi AI.
Pertanyaan yang sering muncul
Apakah menulis "kamu adalah ahli" membuat AI benar-benar jadi ahli?
Tidak. Role mengarahkan sudut pandang, nada dan prioritas jawaban, tetapi tidak menambah fakta yang tidak ada di prompt atau di pengetahuan model. Untuk informasi spesifik bisnismu atau data terbaru, kamu tetap perlu memberikan konteks dan dokumen sumbernya.
Bagaimana kalau AI terus bertanya dan tidak mulai mengerjakan?
Batasi jumlah pertanyaan, misalnya maksimal lima, dan minta AI mengurutkannya dari yang paling memengaruhi hasil. Tambahkan aturan bahwa AI langsung mengerjakan kalau datanya sudah cukup. Alternatifnya, minta AI langsung mengerjakan lalu mendaftar asumsinya di akhir.
Apakah formula ini hanya berlaku untuk satu aplikasi AI tertentu?
Prinsipnya umum. Panduan resmi OpenAI dan Anthropic yang dirujuk di artikel ini sama-sama menyarankan identitas atau peran yang jelas, instruksi spesifik dan konteks yang cukup. Hasil akhirnya tetap bisa berbeda antar model, jadi uji template-mu dengan beberapa input sebelum dipakai tim.



