Akhir pekan lalu, saya dan tim belajar sesuatu yang sederhana tapi mengena soal Claude. Ternyata, kita bisa memberinya folder berisi kumpulan file sebagai “context” sebuah project. Artinya, Claude bisa belajar dari dokumen-dokumen yang kita sediakan.<\/p>\n\n\n\n
Tapi di situlah letak tantangannya. Kualitas output Claude sangat bergantung pada kualitas data yang kita masukkan. Kalau referensinya berantakan, jawabannya pun ikut berantakan. Kualitas output AI sangat bergantung pada kualitas konteks yang kita berikan.<\/p>\n\n\n\n
Garbage in, garbage out.<\/strong><\/p>\n\n\n\n Ini mengingatkan saya pada masa ketika perusahaan tempat saya bekerja dahulu melakukan transformasi besar-besaran dalam pengelolaan data. Salah satu leader kami terus mengingatkan pentingnya disiplin menjaga kualitas data yang dimasukkan ke dalam setiap sistem.<\/p>\n\n\n\n Kalau data yang diinput jelek, jangan berharap analisanya berguna.<\/p>\n\n\n\n Kalimat itu ternyata masih sangat relevan hari ini. AI bekerja dengan cara yang sama, ia belajar dari apa yang kita “suapi” kepadanya. Konteks yang buruk akan menghasilkan jawaban yang buruk pula, tidak sesuai kebutuhan, tidak nyambung dengan situasi nyata, dan ujungnya tidak punya nilai apa-apa.<\/p>\n\n\n\n AI memang mampu mengolah informasi dengan sangat cepat. Namun, AI tidak otomatis memahami kondisi organisasi kita. Ia bekerja berdasarkan data, referensi, instruksi, dan konteks yang kita berikan. Jika konteksnya tidak lengkap, tidak akurat, atau tidak terstruktur, jawabannya pun berisiko meleset dari kenyataan. Rekomendasinya mungkin terdengar cerdas, tetapi tidak benar-benar memberikan nilai.<\/p>\n\n\n\n Jadi, memakai AI bukan sekadar soal mengklaim diri “AI-enabled” atau “AI-empowered”. Yang lebih penting justru dari fondasinya, yaitu memastikan data dan referensi yang kita miliki cukup rapi dan lengkap untuk dipakai. Maka, organisasi perlu membangun kebiasaan mendokumentasikan pengetahuan, memperbaiki kualitas data, menata referensi, dan memastikan informasi organisasi selalu relevan serta mudah diakses.<\/p>\n\n\n\n At the end of the day, kecanggihan AI tidak dapat sepenuhnya menutupi buruknya kualitas informasi yang kita miliki.<\/p>\n","protected":false},"excerpt":{"rendered":" Akhir pekan lalu, saya dan tim belajar sesuatu yang sederhana tapi mengena soal Claude. Ternyata, kita bisa memberinya folder berisi kumpulan file sebagai “context” sebuah project. Artinya, Claude bisa belajar dari dokumen-dokumen yang kita sediakan. Tapi di situlah letak tantangannya. Kualitas output Claude sangat bergantung pada kualitas data yang kita masukkan. Kalau referensinya berantakan, jawabannya […]<\/p>\n","protected":false},"author":1,"featured_media":50,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-container-style":"default","site-container-layout":"default","site-sidebar-layout":"default","disable-article-header":"default","disable-site-header":"default","disable-site-footer":"default","disable-content-area-spacing":"default","footnotes":""},"categories":[2,9],"tags":[],"class_list":["post-48","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-engineering","category-reflection"],"yoast_head":"\n