Cara yang lebih cerdas untuk mendekati dorongan AI

AI Generatif telah menjadi alat praktis dalam pencarian, konten, dan alur kerja analitis.

Namun, seiring dengan meningkatnya adopsi, masalah yang lazim dan merugikan juga meningkat: keluaran yang salah.

Disebut juga “halusinasi”, istilah ini menyiratkan bahwa model AI tidak berfungsi.

Namun kenyataannya: Perilaku ini sering kali dapat diprediksi dan diakibatkan oleh instruksi yang tidak jelas. Atau, lebih tepatnya, petunjuk yang tidak jelas.

Misalnya, meminta AI untuk “resep kue”, dan tidak lebih. Jangan berikan detail tentang alergi, preferensi, atau batasan.

Hasilnya mungkin berupa kue Natal di bulan Juli, pilihan kacang yang dikemas, atau resep yang begitu hambar dan mendasar sehingga tidak pantas disebut “suguhan manis”. Kurangnya detail dapat menyebabkan keluaran yang tidak selaras.

Yang terbaik adalah mengharapkan model berperilaku buruk dan mencegah hal ini dengan membuat pagar pembatas yang eksplisit.

Hal ini dapat dilakukan secara efektif dengan rubrik.

Kami akan memeriksa cara kerja perintah berbasis rubrik, mengapa hal ini meningkatkan keandalan faktual, dan bagaimana Anda dapat menerapkannya pada AI untuk menghasilkan hasil yang lebih dapat dipercaya.

Kefasihan vs. pengendalian diri: Mana yang lebih baik?

Ketika AI diminta untuk menghasilkan jawaban yang lengkap dan halus tanpa instruksi spesifik tentang cara menangani informasi yang tidak pasti atau data yang hilang, AI sering kali memprioritaskannya kelancaran lebih pengekangan.

Artinya, meneruskan respons dengan lancar (kefasihan) daripada berhenti sejenak, memenuhi syarat, atau menolak menjawab ketika ada informasi yang hilang (menahan diri).

Inilah saatnya AI “mengada-ada” – karena ketidakpastian bukanlah titik akhir. Konsekuensinya dapat merugikan secara finansial dan juga dapat merusak reputasi, efisiensi, dan kepercayaan.

Perusahaan jasa profesional Deloitte diharuskan membayar kembali 440.000 dolar Australia setelah kesalahan dalam laporan pemerintah yang dibantu AI ditemukan mencakup kutipan palsu dan kutipan pengadilan yang salah diatribusikan, seperti yang dilaporkan oleh Associated Press pada akhir tahun 2025.

Seorang pengulas akademis mencatat bahwa:

• “Salah mengutip kasus pengadilan, lalu membuat kutipan dari hakim… salah menyatakan hukum kepada pemerintah Australia dalam laporan yang mereka andalkan.”

Haruskah Deloitte melewatkan penggunaan AI?

Mengevaluasi data dan menghasilkan laporan adalah kekuatan super AI. Pelajaran yang dapat diambil di sini adalah untuk tetap mempertahankan AI dalam alur kerja, namun membatasinya it – tentukan terlebih dahulu apa yang harus dilakukan model ketika model tidak mengetahui sesuatu.

Di sinilah rubrik berperan.

Peran rubrik dalam AI

Merupakan hal yang umum bagi pengguna untuk menerapkan perlindungan umum terhadap potensi pola halusinasi, namun dalam praktiknya sering kali tidak berhasil.

Mengapa tidak? Karena mereka biasanya menggambarkan suatu hasil dan bukan proses pengambilan keputusan. Hal ini membuat model AI dapat membuat kesimpulan ketika informasi yang diperlukan tidak tersedia.

Di sinilah dorongan berbasis rubrik menjadi penting.

Rubrik – panduan penilaian atau serangkaian kriteria untuk mengevaluasi pekerjaan – bisa terasa seperti konsep akademis yang kuno.

Bayangkan sebuah grid yang biasa digunakan guru untuk menilai tugas, yang sering kali dibagikan sebelumnya sehingga siswa mengetahui seperti apa tugas yang “baik”, “OK”, dan “tidak dapat diterima”.

Rubrik AI mengandalkan ide struktural yang sama tetapi memiliki tujuan yang berbeda.

Daripada menilai jawaban setelah diminta, mereka membentuk pengambilan keputusan selama proses menghasilkan respons.

Mereka melakukan ini dengan menentukan apa yang harus dilakukan model AI ketika kriteria yang disyaratkan tidak dapat dipenuhi.

Dengan mendefinisikan kriteria eksplisit, rubrik menetapkan batasan, prioritas, dan bahkan perilaku kegagalan yang jelas, sehingga mengurangi risiko halusinasi.

Menulis petunjuk yang lebih baik saja tidak cukup

Nasihat seputar dorongan sering kali berfokus pada kata-kata yang lebih baik. Biasanya, hal ini berarti memberikan instruksi yang lebih spesifik atau lebih jelas. Ini bahkan mungkin berarti mengarahkan model ke format atau nada tertentu.

Ini bukanlah langkah yang sia-sia, dan teknik semacam ini dapat meningkatkan kualitas di tingkat permukaan. Tapi mereka tidak akan menghapus penyebab halusinasi.

Pengguna sering kali meminta model AI dengan hasil, bukan aturan.

Ungkapan-ungkapan cepat seperti “akurat”, “kutip sumber”, atau “gunakan hanya informasi yang terverifikasi” terdengar masuk akal namun memberikan terlalu banyak ruang untuk interpretasi.

Model akan tetap terjebak dalam menentukan detail penting untuk dirinya sendiri.

Perintah yang panjang atau rumit juga dapat menciptakan tujuan yang bersaing.

Sebuah perintah mungkin memerlukan kejelasan, kelengkapan, keyakinan, dan kecepatan – tujuan yang saling bertentangan yang dapat mengarahkan model ke perilaku default, sehingga menyebabkan model menghasilkan respons yang lancar dan “lengkap”.

Tanpa hierarki prioritas yang jelas, akurasi dapat hilang atau berkurang.

Meskipun prompt mungkin efektif dalam mendeskripsikan tugas, rubrik mengatur proses pengambilan keputusan dalam tugas.

Rubrik AI melakukan ini dengan mengalihkan pengambilan keputusan dari kesimpulan ke instruksi eksplisit.

Gali lebih dalam: Strategi rekayasa cepat AI tingkat lanjut untuk SEO

Rubrik apa yang diminta tidak bisa

Anjuran fokus pada nada, format, dan tingkat detail.

Mereka sering kali gagal mengatasi ketidakpastian. Informasi yang hilang atau ambigu memaksa model AI untuk memutuskan apakah akan berhenti, mengkualifikasi respons, atau menyimpulkan jawaban.

Tanpa bimbingan manusia, inferensi biasanya adalah pemenangnya.

Rubrik mengurangi ambiguitas melalui penggunaan batasan keputusan yang jelas.

Rubrik secara formal mendefinisikan apa yang wajib, opsional, dan tidak dapat diterima. Kriteria ini memberikan model kerangka konkrit untuk mengevaluasi seluruh keluaran yang dihasilkan.

Mengidentifikasi prioritas secara eksplisit berarti model AI cenderung tidak mengisi kekosongan untuk menjaga kelancaran.

Rubrik yang memperjelas batasan mana yang penting dapat membuat keakuratan faktual lebih diutamakan daripada “kelengkapan” atau alur naratif.

Yang terpenting, rubrik mendefinisikan perilaku kegagalan, apa yang perlu dilakukan model jika kesuksesan tidak mungkin tercapai.

Rubrik yang kuat menetapkan bahwa model dapat mengakui informasi yang hilang, mengembalikan sebagian respons, atau bahkan menolak menjawab daripada mengarang satu kata pun.

---

Anatomi rubrik AI yang efektif

Ada pepatah lama tentang “terlalu banyak koki yang merusak sup”, dan ini adalah analogi yang sempurna untuk pembuatan rubrik.

Rubrik AI yang efektif tidak perlu memenuhi halaman atau muncul sebagai kueri yang sangat mendetail. Sama halnya dengan sebuah resep yang bisa rusak karena kerewelan atau terlalu banyaknya rasa yang bersaing, begitu pula sebuah resep bisa menjadi berlebihan.

Terlalu banyak detail atau tuntutan dapat menimbulkan kebingungan. Rubrik yang dapat diandalkan adalah rubrik yang berfokus pada serangkaian kecil kriteria yang dapat diterapkan dan secara langsung mengatasi risiko halusinasi.

Minimal, rubrik yang ditulis dengan baik harus mencakup:

• Persyaratan akurasi: Aturan yang jelas tentang apa yang harus didukung, apa yang dianggap sebagai bukti, dan apakah perkiraan tersebut tidak dapat diterima.
• Harapan sumber: Panduan mengenai apakah sumber harus disediakan, apakah sumber tersebut berasal dari bahan yang disediakan, atau bagaimana menangani informasi yang bertentangan.
• Penanganan ketidakpastian: Instruksi eksplisit tentang apa yang harus dilakukan model ketika informasi tidak tersedia, ambigu, atau tidak lengkap.
• Batasan kepercayaan diri/nada: Keterbatasan nada untuk mencegah jawaban spekulatif disajikan dengan pasti.
• Perilaku kegagalan: Izin dan preferensi untuk berhenti, memenuhi syarat, atau menunda daripada menebak-nebak.

Cara membuat rubrik untuk model AI

Rubrik tidak membuat model AI menjadi lebih pintar, namun membuat proses pengambilan keputusan menjadi lebih andal.

Berikut ini contoh analisis kompetitif untuk menjelaskan nilai rubrik:

Sebuah tim meminta model Al untuk menjelaskan mengapa pesaingnya mengungguli mereka dalam hasil penelusuran, dan apa yang dapat mereka lakukan untuk mengatasinya. Prompt mereka ditulis seperti ini:

• “Evaluasi alasannya [competitor] mengungguli kita [specific topic]. Identifikasi kata kunci yang mereka rangking, fitur SERP yang mereka menangkan, dan rekomendasikan perubahan pada strategi konten kami.”

Di permukaan, hal ini tampaknya masuk akal. Dalam praktiknya, ini adalah ajakan untuk berhalusinasi.

Perintah tersebut tidak memiliki masukan yang konkrit dan model tidak memiliki batasan. Risikonya tinggi bahwa AI akan menghasilkan peringkat, fitur, dan kesimpulan strategis yang masuk akal.

Menulis rubrik

Dalam praktiknya, rubrik Anda disertakan langsung dalam prompt. Itu harus dipisahkan dengan jelas dari tugas, yang menjelaskan apa yang akan dianalisis atau dihasilkan.

Rubrik tersebut kemudian mendefinisikan aturan yang harus diikuti model untuk melakukan tugasnya.

Ini adalah perbedaan penting: perintah meminta keluaran, sementara rubrik mengatur bagaimana perintah itu dibuat.

Dengan menggunakan kriteria pada bagian di atas, prompt, yang diikuti dengan rubrik, kini akan berbunyi:

• “Analisis alasannya [competitor] mungkin mengungguli situs kami [topic]. Memberikan wawasan dan rekomendasi.
  • Jangan mengklaim peringkat, lalu lintas, atau fitur SERP kecuali ditentukan secara eksplisit dalam perintah.
  • Jika data yang diperlukan tidak ada, nyatakan apa yang tidak dapat ditentukan dan buat daftar masukan yang diperlukan.
  • Buatlah rekomendasi sebagai kondisional ketika bukti tidak lengkap. Hindari bahasa yang pasti tanpa data pendukung.
  • Jika analisis tidak dapat diselesaikan dengan andal, berikan tanggapan sebagian daripada hanya menebak-nebak.”

Ketika rubrik dimasukkan, model tidak dapat menyimpulkan. Sebaliknya, mereka memperlakukan ketidakpastian sebagai kendala.

Gali lebih dalam: Proksi untuk petunjuknya: Tiru bagaimana audiens Anda mungkin mencari Anda

Bagaimana rubrik dan petunjuk bekerja sama

Seperti terlihat pada contoh di atas, rubrik tidak menggantikan prompt. Mereka menambah dan sering kali muncul setelah perintah. Mereka harus dipandang sebagai lapisan penstabil.

Prompt selalu bertanggung jawab untuk menentukan tugas: apa yang diringkas, dianalisis, atau dihasilkan. Rubrik menentukan aturan yang mendasari pelaksanaan tugas tersebut.

Dalam praktiknya, petunjuknya bisa bervariasi, sementara rubriknya tetap relatif stabil di jenis pekerjaan serupa, apa pun topiknya. Mendefinisikan sumber, ketidakpastian, dan perilaku kegagalan tetap konsisten, sehingga mengurangi tingkat kesalahan seiring waktu.

Untuk banyak alur kerja, rubrik dapat disematkan langsung setelah perintah. Di negara lain, mereka dapat direferensikan atau diterapkan secara terprogram – misalnya, melalui templat yang dapat digunakan kembali, pemeriksaan otomatis, atau instruksi sistem. Formatnya tidak penting, yang penting kejelasan kriterianya.

Hindari rekayasa berlebihan

Meskipun efektif, rubrik dapat dengan mudah disalahgunakan. Kesalahan umum yang dilakukan pengguna adalah rekayasa berlebihan.

Rubrik yang berupaya mengantisipasi setiap skenario yang mungkin terjadi sering kali menghasilkan skenario yang sulit dan tidak konsisten.

Kesalahan lainnya adalah menambahkan kriteria yang bertentangan tanpa memperjelas kriteria mana yang lebih diutamakan.

Rubrik harus ringkas, berprioritas, dan eksplisit tentang perilaku kegagalan untuk mengurangi halusinasi.

Gunakan rubrik AI seperti seorang profesional

Anjuran seperti seorang profesional adalah tentang mengantisipasi di mana AI akan dipaksa untuk menebak, kemudian menentukan dan membatasi cara kerjanya.

Rubrik memberi tahu model AI untuk melambat, memenuhi syarat, atau berhenti ketika ada informasi yang hilang. Dengan demikian, rubrik dapat membantu Anda memanfaatkan kekuatan AI untuk pekerjaan Anda dan menghasilkan keluaran yang akurat dan dapat dipercaya.