Apa yang terjadi jika sebuah cara kerja AI tidak Anda coba percepat sekali lagi, melainkan Anda bangun ulang dari awal? Beberapa minggu terakhir, kami di Oneminded melakukan persis hal itu dengan setup AI kami sendiri.
Oleh Anthony Raaijmakers
Apa yang terjadi jika sebuah cara kerja AI tidak Anda coba percepat sekali lagi, melainkan Anda bangun ulang dari awal? Beberapa minggu terakhir, kami di Oneminded melakukan persis hal itu dengan setup AI kami sendiri. Bukan dengan prompt yang lebih agresif atau menambahkan model baru, melainkan dengan membangun secara lebih cerdas: lebih banyak konteks per tugas, batasan yang jelas tentang apa yang boleh dan tidak boleh diasumsikan sebuah model, serta ritme yang lebih tetap dalam cara semuanya dijalankan. Artikel ini membahas apa yang secara konkret kami ubah dan mengapa hal itu memberi perbedaan yang lebih besar daripada sekadar model yang lebih baik.
Ini relevan karena banyak tim memperlakukan alat AI sebagai sesuatu yang cukup diatur sekali lalu dibiarkan berjalan. Dalam praktiknya, keuntungan justru terletak pada lapisan di sekitarnya: bagaimana sebuah tugas diberi arahan, apa yang terjadi ketika ada yang salah, dan seberapa konsisten proses itu tetap berjalan ketika Anda mengulanginya seratus kali.
Secara konkret, bagi kami itu berarti: menetapkan per tugas asumsi mana yang boleh dan tidak boleh dibuat sebuah model, alih-alih membiarkannya implisit. Jika sebelumnya kami mengandalkan prompt yang dirumuskan dengan baik lalu berharap semuanya berjalan lancar, kini kami menetapkan per tugas apa yang boleh diputuskan sendiri oleh model dan apa yang harus selalu dikembalikan kepada manusia. Kedengarannya seperti perbedaan kecil, tetapi hal ini mengubah seluruh cara Anda melacak kesalahan: Anda langsung tahu apakah sesuatu salah karena instruksi yang tidak jelas atau karena model yang bertindak di luar batasnya.
Selain itu, cronjob dan health check kami beri nama yang langsung dapat dipahami dalam sekali lihat, alih-alih label generik yang setelah sebulan tak seorang pun bisa mengingat maksudnya. Setiap loop yang kami tulis ulang membuat keseluruhannya sedikit lebih dapat diulang dan lebih mudah diuji, dan itu terakumulasi: proses yang bisa Anda uji juga bisa Anda jalankan dengan percaya diri pada hari kerja biasa, tanpa perlu ada orang yang terus mengawasinya.
Yang paling membekas bagi saya dalam proses ini adalah bahwa otomatisasi hanya berhasil jika pemeriksaan oleh manusia ditata dengan baik, dan bahwa iterasi bukanlah hal sampingan melainkan pekerjaan yang sebenarnya. Sebuah model baru berguna ketika ia mendapat cukup konteks untuk memahami sebuah tugas dengan baik, dan konteks itu tidak Anda bangun sekaligus — Anda menyempurnakannya setiap kali ada sesuatu yang belum sepenuhnya berjalan baik.
Inilah inti dari AI-amplified engineering bagi kami: bukan janji bahwa sebuah model akan mengambil alih pekerjaan, melainkan disiplin untuk menata lapisan di sekitarnya sehingga sebuah tim dapat mengandalkannya setiap hari. Karena itu kami tidak pernah sekadar menjual akses ke sebuah model; kami ikut membangun pekerjaan yang diperlukan agar model tersebut benar-benar berguna di dalam proses yang sudah ada.
Apa yang semula lebih terasa seperti eksperimen kini mulai menyerupai operasi yang sesungguhnya: dapat diulang, dapat diuji, dan berguna pada hari kerja biasa. Kami terus membangun — bukan di atas prompt yang sempurna, melainkan di atas lapisan yang berfungsi dan benar-benar memberi perbedaan. Apakah Anda mengenali persoalan ini di organisasi Anda sendiri dan ingin memetakan bersama lapisan operasional di sekitar penggunaan AI Anda? Anda dapat menghubungi kami.