Cara bekerja dengan AI
Orang yang hasil AI-nya bagus jarang punya “prompt ajaib”. Mereka punya cara kerja: siklus yang diulang, dan pola pikir yang tepat. Riset lapangan menunjukkan kenapa itu penting.
- Menjelaskan temuan riset tentang dampak AI pada produktivitas, termasuk “jagged frontier”
- Menjalankan Siklus 4 Tahap Interaksi AI: Clarify, Delegate, Evaluate, Iterate
- Memegang 4 Mindset penting saat bekerja dengan AI
- Memahami lapisan instruksi: preferensi akun, project, dan chat
Apa kata riset tentang bekerja dengan AI
Waktu mengerjakan tugas menulis profesional, dengan kualitas naik 18%. Eksperimen acak pada 453 profesional berpendidikan sarjana (Noy & Zhang, 2023).
Produktivitas 5.172 agen layanan pelanggan setelah memakai asisten AI. Pekerja yang baru dan kurang berpengalaman naik paling besar. Yang paling ahli hanya sedikit lebih cepat, dan kualitasnya sedikit turun (Brynjolfsson dkk., 2025).
Pada 758 konsultan, AI membuat mereka menyelesaikan 12,2% lebih banyak tugas dan 25,1% lebih cepat, untuk tugas yang memang dikuasai AI. Untuk tugas yang di luar kemampuan AI, mereka justru 19% lebih kecil kemungkinan menjawab benar (Dell’Acqua dkk., 2026).
Pelajarannya: batas kemampuan AI itu bergerigi (jagged frontier). Dua tugas yang terlihat sama sulitnya bisa berbeda nasib: satu sangat terbantu AI, yang lain malah jadi salah (Dell’Acqua dkk., 2026). Karena itu kamu butuh cara kerja yang selalu menyisakan ruang untuk mengecek.
Kesalahan umum pemula
Studi di CHI 2023 mengamati orang non-AI mencoba menyusun prompt. Mereka mencoba secara asal-coba, bukan sistematis, berharap AI mengerti instruksi seperti manusia, dan terlalu cepat menyimpulkan dari satu kali berhasil atau gagal (Zamfirescu-Pereira dkk., 2023). Siklus di bawah ini dibuat untuk mengatasi tepat tiga masalah itu.
Siklus 4 Tahap Interaksi AI
Perjelas tujuan dan standar “berhasil” sebelum mengetik.
Beri peran, konteks, tugas, format. Arahan, bukan tebakan.
Uji hasilnya: cek fakta, logika, dan nada.
Beri koreksi spesifik, lalu ulangi. Jarang sempurna di percobaan pertama.
Berputar, bukan sekali jalan. Clarify → Delegate → Evaluate → Iterate → kembali ke Clarify. Siklus ini framework praktik People Dev AI. Dasar risetnya: pemula gagal karena tidak sistematis (Zamfirescu-Pereira dkk., 2023), dan saat memakai AI, berpikir kritis bergeser ke memverifikasi, memadukan jawaban AI ke pekerjaan, dan mengawal tugas sampai selesai (Lee dkk., 2025).
Contoh satu putaran
Clarify. “Aku butuh email undangan pelatihan Excel untuk 30 staf admin. Berhasil = staf paham waktu, tempat, dan cara daftar dalam sekali baca.”
Delegate. “Kamu staf HR yang ramah. Tulis email undangan pelatihan Excel dasar, Kamis 14.00 di Ruang Rapat 3, daftar lewat tautan. Maksimal 120 kata.”
Evaluate. Tanggal benar? Nada sesuai budaya kantor? Ada yang kurang (misalnya: bawa laptop)?
Iterate. “Bagus. Tambahkan pengingat bawa laptop, buat subjek email lebih menarik, dan ganti ‘Anda’ jadi ‘teman-teman’.”
4 Mindset penting
AI memperkuat pikiranmu. Input lemah = output lemah.
Kamu yang menentukan “apa”. AI membantu “bagaimana”.
Prompt pertama jarang sempurna. Satu kali gagal bukan bukti AI tidak bisa, satu kali berhasil bukan bukti selalu bisa (Zamfirescu-Pereira dkk., 2023).
Survei 319 pekerja menemukan: makin tinggi rasa percaya pada AI, makin sedikit mereka berpikir kritis (Lee dkk., 2025). Kecenderungan terlalu percaya pada mesin ini dialami pemula maupun ahli (Parasuraman & Manzey, 2010).
Tiga lapis instruksi
Banyak aplikasi AI sekarang memberi kamu tiga tempat untuk menaruh instruksi. Makin atas, makin luas berlakunya.
Ini fitur produk, bukan temuan riset. Nama menunya berbeda di tiap aplikasi (ChatGPT, Claude, Gemini, dll.) dan bisa berubah. Prinsipnya sama: taruh konteks yang selalu berlaku di lapis atas, supaya tidak perlu diketik ulang.
Pilih satu tugas kecil minggu ini. Sebelum membuka AI, tulis satu kalimat Clarify: “Hasil yang berhasil adalah …”. Lalu jalankan satu putaran penuh Delegate → Evaluate → Iterate, dan catat apa yang kamu ubah di putaran kedua.
Referensi modul 3
Klaim penting di modul ini disarikan dari paper dan jurnal berikut (APA 7). Klik DOI untuk membuka sumber aslinya. Daftar pustaka lengkap kursus →
- JurnalBrynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. doi.org/10.1093/qje/qjae044
- JurnalDell’Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403–423. doi.org/10.1287/orsc.2025.21838
- ProsidingLee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (pp. 1–22). doi.org/10.1145/3706598.3713778
- JurnalNoy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. doi.org/10.1126/science.adh2586
- JurnalParasuraman, R., & Manzey, D. H. (2010). Complacency and bias in human use of automation: An attentional integration. Human Factors, 52(3), 381–410. doi.org/10.1177/0018720810376055
- ProsidingZamfirescu-Pereira, J. D., Wong, R. Y., Hartmann, B., & Yang, Q. (2023). Why Johnny can’t prompt: How non-AI experts try (and fail) to design LLM prompts. In Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems (pp. 1–21). doi.org/10.1145/3544548.3581388
Cek pemahamanmu
Jawab semua benar untuk menandai modul ini selesai. Boleh diulang.