Dalam beberapa tahun terakhir, lanskap kecerdasan buatan (AI) didominasi oleh perlombaan membangun model terbesar. Perusahaan-perusahaan teknologi global berlomba-lomba melatih Large Language Model (LLM) dengan triliunan parameter dan miliaran data. Namun, apakah masa depan AI hanya melulu soal ukuran model yang semakin raksasa?
Mantan Chief Scientist Google yang turut membidani lahirnya era AI modern, Jeff Dean, mengungkapkan pandangan yang mengejutkan dalam wawancaranya bersama Diana Hu dari Y Combinator. Menurut Dean, era di mana kemajuan AI hanya diukur dari besarnya ukuran model sudah mulai bergeser. Fokus utama pengembangan AI saat ini dan di masa depan terletak pada apa yang disebut sebagai Context Engineering.
Bagi para pengembang aplikasi, pemilik startup, hingga pelaku UMKM di Indonesia yang ingin memanfaatkan teknologi AI, pandangan Jeff Dean ini membawa angin segar sekaligus strategi baru yang jauh lebih efisien dan hemat biaya.
Apa itu Context Engineering dalam Dunia AI?
Selama ini, banyak orang merasa cemas dengan model AI mana yang harus mereka pilih—apakah ChatGPT, Gemini, atau Claude—serta ketakutan akan kehabisan token saat menggunakannya. Namun, Jeff Dean menegaskan bahwa model AI sebenarnya hanyalah salah satu komponen kecil dari sebuah sistem besar.
Context Engineering adalah praktik merancang, mengorkestrasikan, dan menyediakan lingkungan di sekitar model AI agar model tersebut dapat bekerja secara optimal. Ini mencakup penggunaan berbagai instrumen pendukung seperti:
- Retrieval (Pengambilan Data): Kemampuan AI untuk mengambil data eksternal yang relevan secara real-time (sering disebut RAG – Retrieval-Augmented Generation).
- Tools (Peralatan): Menghubungkan AI dengan API eksternal, kalkulator, pemroses database, atau alat analisis.
- Memory (Memori): Menyimpan riwayat interaksi dan informasi penting dari tugas-tugas sebelumnya.
- Agent Orchestration: Mengkoordinasikan beberapa agen AI agar dapat bekerja sama memecahkan masalah yang kompleks secara berurutan.
Mengumpamakan model AI tanpa context engineering itu seperti menyuruh seorang genius menyelesaikan masalah bisnis Tokopedia atau Shopee, tetapi mengisolasinya di dalam kamar tanpa koneksi internet, tanpa akses ke database penjualan, dan tanpa alat bantu apa pun. Segenius apa pun orang tersebut, hasil kerjanya pasti terbatas. Namun, jika orang genius tersebut dibekali komputer, akses database, dan tim asisten, ia bisa menyelesaikan masalah dengan sangat presisi.
Mengapa Context Engineering Lebih Efektif Dibandingkan Melatih Model Besar?
Jeff Dean menjelaskan perbedaan mendasar antara data pelatihan (*training data*) dan konteks langsung. Data yang digunakan untuk melatih model AI raksasa diibaratkan seperti “sup” yang berisi triliunan token yang tercampur aduk dalam ratusan miliar parameter. Informasi di dalamnya sangat luas, tetapi sering kali kurang spesifik untuk kasus penggunaan tertentu.
Sebaliknya, ketika Anda menerapkan context engineering, Anda memberikan informasi yang sangat spesifik, jelas, dan relevan langsung ke dalam ruang kerja AI untuk kasus penggunaan tersebut saat itu juga. Hasilnya, AI dapat memberikan jawaban yang jauh lebih akurat, minim eror, dan sesuai dengan aturan bisnis Anda.
Ringkasan Poin Penting (Key Takeaways) untuk Praktisi Teknologi:
- Pergeseran Paradigma: Performa AI tidak lagi hanya ditentukan oleh berapa miliar parameter yang dimiliki model, melainkan seberapa baik Anda membangun sistem di sekitar model tersebut.
- Demokratisasi AI: Anda tidak perlu memiliki dana miliaran rupiah atau deretan server GPU mahal untuk membangun solusi AI tingkat tinggi. Anda hanya perlu API dan ekosistem context engineering yang cerdas.
- Fokus pada Sistem Multi-Agen: Masa depan AI terletak pada orkestrasi beberapa agen AI yang saling membagi tugas, mencoba berbagai pendekatan, dan mengevaluasi solusinya sendiri.
- Perbaikan Berbasis Evaluasi: Cara terbaik meningkatkan kualitas AI bukanlah dengan melatih ulang model (*retraining*), melainkan dengan memperbaiki instruksi, alur kerja, dan alat bantu yang disediakan.
Peluang Emas Bagi Startup dan UMKM Indonesia
Kabar baik dari wawancara Jeff Dean ini adalah bahwa context engineering membuka pintu selebar-lebarnya bagi pengembang lokal di Indonesia. Dulu, untuk membuat AI yang canggih, sebuah perusahaan harus memiliki sumber daya komputasi raksasa. Kini, siapa pun—mulai dari mahasiswa hingga tim IT UMKM—dapat membangun sistem AI yang sangat andal.
Sebagai contoh di Indonesia:
Sebuah toko online di Shopee atau Tokopedia tidak perlu membuat model AI sendiri dari nol. Mereka cukup memanfaatkan API AI yang sudah ada (seperti Google Gemini), lalu menerapkan context engineering dengan mengintegrasikan API tersebut ke database stok barang, sistem pelacakan kurir lokal (seperti JNE atau J&T), dan dokumen kebijakan pengembalian barang milik toko. Hasilnya adalah asisten pelanggan otomatis yang sangat cerdas dan responsif.
Tips Praktis Memulai dan Menguasai Context Engineering
Bagi Anda yang ingin mengimplementasikan konsep ini dalam proyek digital marketing atau pengembangan software, berikut beberapa langkah praktis yang dianjurkan:
1. Petakan Alur Kerja dan Alat Bantu (Tools)
Sebelum menulis kode atau prompt, petakan dulu informasi apa saja yang dibutuhkan AI untuk menyelesaikan tugasnya. Tentukan API apa saja yang perlu diakses oleh AI, misalnya API Google Sheet, database SQL, atau sistem CRM perusahaan Anda.
2. Amati Titik Kegagalan AI
Jeff Dean menekankan pentingnya proses eksperimen. Ketika AI memberikan jawaban yang salah atau gagal menyelesaikan tugas, jangan terburu-buru menyalahkan modelnya. Analisis di mana letak kegagalannya: Apakah informasi yang diberikan kurang lengkap? Apakah instruksi penggunaan alat kurang jelas? Ataukah AI bingung membaca data yang dimasukkan?
3. Gunakan Pendekatan Modular (Multi-Agent)
Jangan membebankan semua tugas rumit pada satu instruksi (*prompt*). Pecah masalah menjadi beberapa bagian kecil. Buat satu agen AI khusus untuk menganalisis pertanyaan, satu agen untuk mengambil data dari database, dan satu agen lagi untuk menyusun jawaban akhir dalam bahasa Indonesia yang ramah.
4. Sempurnakan Petunjuk dan Batasan (Guidelines)
Alih-alih mencoba melakukan fine-tuning pada model dasar yang memakan biaya besar, fokuslah pada penyempurnaan panduan (*guidelines*) dan aturan main bagi AI. Berikan contoh kasus nyata (*few-shot prompting*) agar AI memahami standar jawaban yang Anda harapkan.
Kesimpulan
Era baru pengembangan AI telah tiba. Kita bergerak dari era “pembentukan model” menuju era “orkestrasi sistem”. Seperti yang disampaikan oleh Jeff Dean, kunci sukses dalam memanfaatkan kecerdasan buatan saat ini tidak lagi bergantung pada seberapa besar model yang Anda gunakan, melainkan seberapa mahir Anda dalam mengelola Context Engineering.
Bagi para pelaku industri digital di Indonesia, ini adalah momen tepat untuk mengambil langkah maju. Dengan menguasai integrasi alat, pembuatan memori sistem, dan orkestrasi agen AI, Anda dapat menciptakan solusi teknologi canggih yang mampu bersaing di tingkat global dengan efisiensi biaya yang maksimal.
Referensi artikel asli: Klik disini