Bukan soal mencari kalimat ajaib. Prompt yang baik mengurangi ruang tebakan dan membuat hasil lebih mudah dinilai, diperbaiki, dan dipakai.
Prompt engineering adalah proses menyusun tujuan, konteks, batasan, contoh, dan definisi hasil agar model AI memiliki cukup informasi untuk menghasilkan output yang dapat dinilai dan diperbaiki. Ini bukan tentang menemukan “kalimat sakti”, melainkan mengurangi hal penting yang harus ditebak model. Untuk pekerjaan sederhana, prompt satu-dua kalimat sering cukup; untuk pekerjaan yang lebih penting, context, constraints, format, examples, dan success criteria menjadi semakin berguna.
Transparansi AI. Artikel ini disusun dengan bantuan AI untuk riset dan drafting, kemudian ditinjau dan disunting oleh tim Sequel Cloud untuk memastikan akurasi teknis dan relevansi isi.
Intisari Artikel
- Prompt yang efektif bukan yang paling panjang, tetapi yang memberi informasi relevan dan definisi hasil yang cukup jelas.
- Label seperti “ala McKinsey” hanya berguna bila diterjemahkan menjadi disiplin nyata: struktur, metodologi, evidence, assumptions, dan batasan.
- Prompting sebaiknya diperlakukan sebagai loop: arahkan → lihat output → evaluasi → perbaiki, bukan satu perintah yang harus sempurna sejak awal.
- Ketika masalahnya adalah data yang harus selalu fresh, akses tool, atau behavior model yang perlu diubah secara konsisten, prompting saja mungkin tidak cukup.
1. Kenapa Jawaban AI Sering Terasa Generik?
Banyak orang pertama kali kecewa pada AI karena memberi satu perintah pendek, menerima jawaban generik, lalu menyimpulkan modelnya tidak pintar. Masalahnya sering lebih sederhana: tugas yang diberikan masih memiliki terlalu banyak ruang kosong.
“Buat laporan penjualan bulan ini.”
Model belum tahu siapa pembacanya, keputusan apa yang akan dibuat, data mana yang paling penting, panjang yang diinginkan, format, risiko yang perlu disebut, atau seperti apa jawaban yang dianggap bagus.
LLM menghasilkan respons token demi token berdasarkan pola dan representasi yang dipelajari. Mekanisme ini berbeda dari cara manusia membawa pengalaman dan konteks implisit ke percakapan. Karena itu, jangan berasumsi model mengetahui konteks bisnis yang belum diberikan.
Semakin penting suatu keputusan, semakin sedikit konteks penting yang sebaiknya dibiarkan menjadi tebakan.
2. Prompting adalah Pengarahan, Bukan Mantra
Prompt engineering sering terdengar seperti seni menemukan formula rahasia. Praktiknya lebih dekat ke pengarahan kerja: berikan tujuan, lihat respons, nilai apa yang masih salah, lalu tambahkan informasi atau batasan yang memang diperlukan.
Model conversational dapat meminta klarifikasi, tetapi bila prompt ambigu dan tidak ada instruction untuk berhenti atau bertanya, model juga dapat mengisi gap dengan asumsi.
Jika ada informasi penting yang belum tersedia untuk menghasilkan jawaban yang dapat dipertanggungjawabkan, tanyakan dulu sebelum membuat asumsi.Empat Mitos yang Perlu Dibuang
- “AI pasti tahu maksud saya.” Model hanya dapat memakai konteks yang tersedia pada percakapan, data/tool yang terhubung, serta kemampuan yang memang dimilikinya.
- “Ada prompt ajaib yang selalu berhasil.” Prompt yang bagus bergantung pada task, model, data, dan definisi sukses.
- “Prompt lebih panjang pasti lebih baik.” Konteks relevan lebih penting daripada volume teks; instruksi yang bertabrakan justru menambah noise.
- “Prompt engineering hanya untuk developer.” Orang yang rutin membuat memo, laporan, proposal, brief, atau email sudah terbiasa mengelola konteks dan komunikasi.
3. Kenapa “Ala McKinsey” Terdengar Pintar, tapi Sering Tidak Cukup?
Salah satu prompt yang mudah ditemukan adalah:
“Bertindaklah seperti konsultan McKinsey dan analisis bisnis ini.”
Masalahnya bukan nama McKinsey. Masalahnya adalah: apa sebenarnya yang dimaksud dengan “ala McKinsey”?
Apakah yang diinginkan conclusion-first? decomposition yang MECE? executive summary? hypothesis-driven analysis? assumptions yang dinyatakan? risk analysis? rekomendasi tunggal?
Tanpa instruksi itu, “ala McKinsey” lebih banyak berfungsi sebagai cue gaya. Output bisa terlihat profesional, tetapi kualitas analisis belum tentu meningkat.
| Elemen | Label kosong | Disiplin eksplisit |
|---|---|---|
| Persona | “Konsultan McKinsey” | “Analis strategi senior” |
| Struktur | Tidak disebut | Kesimpulan → analisis → rekomendasi |
| Metodologi | Tidak disebut | Gunakan decomposition MECE |
| Evidence | Tidak jelas | Bedakan fakta, asumsi, dan gap data |
| Batasan | Tidak disebut | Maks 400 kata; satu risiko utama |
| Decision | Tidak jelas | Direksi harus bisa memilih tindakan |
4. Framework Sequel: Enam Komponen Prompt Kerja yang Mudah Dipakai
Framework ini bukan standar industri dan tidak harus dipakai lengkap untuk semua prompt. Gunakan sebagai checklist praktis ketika pekerjaan membutuhkan hasil lebih konsisten.
| Komponen | Fungsi | Wajib? |
|---|---|---|
| Role | Menentukan perspektif/vocabulary bila berguna | Opsional |
| Context | Memberi latar yang dibutuhkan agar model tidak menebak hal penting | Sesuai kebutuhan |
| Task | Menyatakan pekerjaan spesifik yang harus dilakukan | Ya |
| Constraints | Menentukan batas, larangan, panjang, scope, atau guardrail | Sesuai kebutuhan |
| Format | Membuat output mudah dibaca atau diproses | Sesuai kebutuhan |
| Success Criteria | Mendefinisikan kapan output dianggap cukup baik | Sangat berguna untuk tugas penting |
Framework ini adalah checklist, bukan formula yang harus dipakai lengkap pada setiap prompt.
5. Before vs After: “Ala McKinsey” yang Bisa Dinilai
Sebelum
Buatkan laporan kuartal ala McKinsey.Output mungkin terlihat profesional, tetapi model masih harus menebak audience, objective, data focus, panjang, format, dan standar kualitas.
Sesudah
Role:
Anda adalah analis strategi senior.
Context:
Pembaca adalah direksi non-teknis.
Data kuartal sudah dilampirkan.
Fokus analisis: churn turun 12%.
Task:
Tulis memo satu halaman dengan satu rekomendasi utama.
Constraints:
Maksimal 400 kata.
Hindari jargon.
Pisahkan fakta dari asumsi.
Sebutkan satu risiko utama.
Format:
Kesimpulan di awal.
Lalu tiga poin analisis yang tidak tumpang tindih.
Tutup dengan rekomendasi tindakan.
Success criteria:
Direksi dapat memahami masalah, evidence, risiko, dan keputusan yang disarankan dalam satu kali baca.Perbedaan utamanya bukan panjang. Perbedaannya adalah hal penting tidak lagi dibiarkan menjadi tebakan.
6. Examples Sering Lebih Berguna daripada Instruksi Panjang
Jika output yang diinginkan sulit dijelaskan, beri satu atau beberapa contoh. Few-shot prompting memberi model contoh observable tentang pola output yang diinginkan.
Berikut dua contoh subject email yang kami anggap bagus.
Contoh 1: ...
Contoh 2: ...
Buat lima alternatif baru dengan pola yang sama, tetapi jangan menyalin frasa persis.Examples sangat berguna untuk tone, klasifikasi, format, transformasi, extraction, dan pola tulisan. Tetapi contoh buruk juga memberi sinyal buruk, jadi pilih contoh yang benar-benar merepresentasikan standar yang diinginkan.
7. Jangan Minta “Tunjukkan Semua Proses Berpikirmu”
Pada model reasoning modern, fokus yang lebih berguna adalah meminta hasil yang dapat diperiksa, bukan memaksa model menampilkan seluruh reasoning internal.
Untuk pekerjaan yang perlu diverifikasi, minta:
- sebutkan asumsi;
- tunjukkan sumber/data yang dipakai;
- pisahkan fakta dan inference;
- berikan alasan ringkas;
- tunjukkan alternatif;
- jalankan checklist verifikasi.
8. Ketika Konteks Tidak Lagi Diketik Manual
Prompt bukan satu-satunya sumber konteks. Aplikasi AI dapat menerima context dari file, retrieval/RAG, database, search, tools, API, atau integrasi seperti Model Context Protocol (MCP).
MCP adalah protokol terbuka untuk menghubungkan aplikasi AI dengan data dan tools. Artinya sebagian context dapat disediakan secara dinamis, sehingga prompt manual bukan lagi satu-satunya tempat informasi harus dituliskan.
Konsekuensinya, skill prompting ikut bergeser. Pertanyaannya bukan hanya “bagaimana memasukkan semua informasi ke prompt?”, tetapi juga informasi apa yang boleh dipakai, datang dari sumber mana, dan apa yang harus dilakukan bila sumber bertentangan.
9. Batas Prompt Engineering
Prompt yang bagus tetap tidak dapat:
- membuat model tahu data terbaru yang tidak tersedia;
- menjamin semua fakta selalu benar;
- menambah permission yang tidak dimiliki;
- menggantikan database atau system of record;
- menggantikan governance;
- mengubah kemampuan dasar model;
- menjadikan sistem private hanya karena dijalankan di server sendiri.
Perlindungan Data
Jangan memasukkan data sensitif ke layanan AI tanpa memahami policy, retention, access, logging, dan architecture yang digunakan. Bila kebutuhan sudah menyentuh confidential data, private model, internal API, access control, atau self-hosting, problem-nya bukan lagi sekadar prompt engineering—itu sudah menjadi wilayah AI architecture dan operations.
10. Kapan Prompting Tidak Cukup?
| Kebutuhan | Pendekatan Awal |
|---|---|
| Jawaban terlalu umum | Perbaiki prompt/context |
| Output harus mengikuti contoh | Few-shot / examples |
| Data harus selalu terbaru | RAG / database / tools |
| Perlu akses sistem eksternal | Tool / API / MCP |
| Behavior harus konsisten pada banyak kasus | Evaluasi fine-tuning |
| Knowledge + behavior | Bisa kombinasi RAG + fine-tuning |
Mulai dari solusi paling sederhana yang dapat memenuhi kebutuhan; naikkan kompleksitas hanya ketika masalahnya memang berubah.
Untuk melihat peta pilihan yang lebih lengkap, baca Prompt Engineering vs Fine-Tuning vs RAG: Kapan Pakai yang Mana?. Untuk praktik lebih teknis, tersedia Membangun RAG Sendiri dan Hands-On Fine-Tuning dengan LoRA.
11. Latihan 15 Menit: Perbaiki 3 Prompt yang Sudah Dipakai Tim
Ambil tiga prompt yang paling sering dipakai di tim. Jangan mencari template baru dulu. Audit yang sudah ada.
- Apakah tujuan prompt jelas?
- Apakah context penting sudah tersedia?
- Apa yang masih harus ditebak model?
- Apakah ada constraint yang dibutuhkan?
- Apakah format output sudah jelas?
- Bagaimana output dinilai benar atau cukup?
- Adakah label kosong seperti “profesional”, “ala McKinsey”, “kreatif”, atau “expert” yang perlu diterjemahkan menjadi disiplin nyata?
- Apakah ada data sensitif yang tidak seharusnya dikirim?
Untuk Tim Bisnis / Manajemen
Jika output AI selama ini terasa “rapi tapi tidak kepakai”, berapa banyak context, constraint, dan definisi keputusan yang sebenarnya diberikan?
Untuk Tim IT / Engineering
Apakah prompt dan pola pengarahan yang sudah terbukti bekerja menjadi aset tim—terdokumentasi, diuji, dan dipakai ulang—atau masih menjadi kebiasaan pribadi?
12. Ke Mana Selanjutnya?
Prompt engineering adalah entry point yang baik karena feedback-nya cepat: tulis, lihat hasil, perbaiki. Tetapi semakin matang penggunaan AI di organisasi, prompt biasanya menjadi satu lapisan dari sistem yang lebih besar:
prompt + context + tools + data + model + evaluation + governance.
Untuk latihan berikutnya, lanjutkan ke 10 Pola Prompt yang Langsung Bisa Dipakai untuk Berbagai Kebutuhan Kerja dan Roadmap Literasi Belajar AI.
Glosarium
| Istilah Teknis | Bahasa Awam | Makna dalam Artikel |
|---|---|---|
| Prompt | Pengarahan | Input atau instruksi yang diberikan ke model. |
| Context | Latar yang relevan | Informasi yang dibutuhkan agar model tidak menebak hal penting. |
| Constraint | Batasan | Hal yang harus atau tidak boleh dilakukan. |
| Success Criteria | Definisi selesai | Kondisi yang membuat output dapat dinilai. |
| Token | Potongan teks | Unit yang diproses model saat menghasilkan respons. |
| Few-shot | Memberi contoh | Menunjukkan beberapa contoh pola output yang diinginkan. |
| Iteration | Siklus perbaikan | Evaluasi respons → perbaiki pengarahan → ulangi. |
| MECE | Tidak tumpang tindih, tetap lengkap | Prinsip decomposition untuk struktur analisis. |
| Reasoning model | Model dengan proses reasoning internal | Model yang menggunakan reasoning internal lebih panjang pada tugas tertentu; fokus evaluasi tetap pada output yang dapat diperiksa. |
| MCP | Standar koneksi AI ke data/tool | Protokol terbuka untuk menghubungkan aplikasi AI dengan tools dan data sources. |
| Context window | Ruang kerja model | Batas total context yang dapat diproses dalam satu interaction. |
FAQ
Apa itu prompt engineering?
Proses merancang dan memperbaiki input, context, batasan, examples, dan kriteria output agar model lebih mudah menghasilkan jawaban yang relevan dan dapat dievaluasi.
Bagaimana cara menulis prompt yang efektif?
Mulai dari tujuan dan task. Tambahkan context, constraints, format, examples, atau success criteria bila membantu mengurangi ambiguity.
Apakah prompt panjang selalu lebih baik?
Tidak. Prompt lebih panjang dapat membantu bila isinya relevan, tetapi juga dapat menambah noise atau conflict. Tujuannya adalah cukup jelas, bukan sebanyak mungkin.
Apakah harus selalu memberi role?
Tidak. Role berguna ketika perspective atau vocabulary tertentu memang membantu. Untuk task sederhana, role bisa tidak diperlukan.
Apakah perlu meminta AI menjelaskan reasoning langkah demi langkah?
Tidak selalu. Untuk evaluasi, lebih berguna meminta assumptions, evidence, checks, alternatives, atau alasan ringkas yang dapat diverifikasi.
Amankah memasukkan data kantor ke AI?
Tergantung layanan, policy, konfigurasi, dan jenis datanya. Untuk data sensitif, pahami retention, training policy, access control, logging, dan architecture sebelum mengirim data.
Kesimpulan
Prompt engineering bukan seni menyusun mantra. Ia adalah pekerjaan membuat specification yang cukup jelas agar manusia dan AI memiliki definisi tugas serta standar hasil yang sama.
Kadang specification itu hanya satu kalimat. Kadang membutuhkan context, examples, constraints, dan format. Dan kadang masalahnya ternyata bukan prompt sama sekali—melainkan data, tool access, model capability, atau architecture.
Itulah alasan “buatkan laporan ala McKinsey” terdengar canggih tetapi mudah menghasilkan output dangkal: reputasi bukan specification.
Jika ingin hasil yang lebih baik, jangan hanya memberi label. Berikan tujuan yang dapat dipahami, batas yang dapat diikuti, dan hasil yang dapat dinilai.
Daftar Pustaka
- Minto, B. (1996). The Minto Pyramid Principle: Logic in Writing and Thinking. Financial Times/Pitman.
- Mollick, E. (2024). Co-Intelligence: Living and Working with AI. Penguin Press.
- OpenAI. (2026). Best practices for prompt engineering with the OpenAI API. OpenAI Help Center.
- OpenAI. (2026). How do I create a good prompt for an AI model?. OpenAI Help Center.
- Anthropic. (2026). Prompting best practices. Claude Platform Docs.
- Model Context Protocol. (2026). The 2026-07-28 specification. Model Context Protocol Blog.