Perbedaan Tim yang Sekadar 'Menggunakan' vs 'Memahami' AI
Kualitas keputusan produk sangat dipengaruhi oleh apakah tim hanya menggunakan alat AI atau benar-benar memahami prinsip di baliknya. Tim Grinda AI membagikan pengalaman mereka mempelajari arsitektur Transformer dan bagaimana hal itu mengubah desain produk kami.
Perbedaan Tim yang Sekadar 'Menggunakan' vs 'Memahami' AI
🔑 Ringkasan Utama (TL;DR) Perbedaan nyata dalam strategi adopsi AI terletak pada antara 'menggunakan' alat dan 'memahaminya'. Tim yang memahami prinsip kerja LLM dengan perspektif praktis dapat mendiagnosis penyebab kesalahan output dan meningkatkan kualitas keputusan desain produk. Tanpa harus mahir menulis kode, menguasai tiga konsep kunci saja sudah cukup untuk mengubah strategi adopsi AI Anda.
Jika tim Anda sedang mempertimbangkan strategi adopsi AI, Anda pasti pernah mengalami situasi ini. Pernahkah Anda melihat video pengantar LLM di YouTube yang telah ditonton lebih dari 300.000 kali? Awalnya, kami hanya mengabaikannya. Namun, setelah melihat lebih dalam, kami menyadari bahwa angka tersebut bukan sekadar popularitas konten biasa. Pernahkah Anda berhenti sejenak di depan pertanyaan, "Mengapa AI ini memberikan jawaban seperti ini?" padahal Anda menggunakannya setiap hari? Kami membaca kegelisahan itulah yang membuat 300.000 orang menonton video tersebut.
Apa Artinya "Memahami" dalam Strategi Adopsi AI?
Sejujurnya, tim kami pun awalnya hanya menempelkan API ChatGPT. Kami pikir cukup dengan memasukkan prompt, mendapatkan sesuatu, lalu menggunakannya. Mengadopsi alat AI itu sendiri tidak sulit. Masalahnya muncul kemudian. Saat output tiba-tiba tidak konsisten, atau hasil berbeda untuk input yang sama — kami tidak tahu dari mana harus memperbaikinya atau bagaimana menjelaskan alasannya.
Di sinilah perbedaan antara "tim pengguna" dan "tim yang memahami" terlihat.
- Tim Pengguna: Jika hasilnya aneh, mereka akan berkata "modelnya mungkin bermasalah" dan melanjutkannya begitu saja.
- Tim yang Memahami: Mereka terlebih dahulu akan mencurigai, "Apakah metode tokenizing-nya tidak cocok untuk domain ini?" atau "Apakah context window-nya sudah penuh?"
Perbedaan satu hal ini mengubah kualitas keputusan desain produk kami secara total.
Meminjam model tahapan adopsi AI dari Gartner, sebagian besar tim terjebak di suatu tempat antara 'Awareness' (Kesadaran) dan 'Adoption' (Adopsi). Untuk beralih ke 'Integration' (Integrasi) yang sebenarnya, Anda memerlukan tim yang mampu menjelaskan mengapa alat tersebut bekerja demikian.
Praktek Memahami LLM: Mengapa Kami Membaca Riset Transformer
Motivasinya sederhana. Saat membuat fitur AI untuk otomatisasi ekspor, kami mengalami masalah di mana output LLM menjadi tidak stabil secara berulang dalam kondisi tertentu. Awalnya kami pikir itu masalah prompt, lalu masalah versi model. Namun, tidak peduli seberapa banyak kami memperbaiki prompt, masalahnya tidak terselesaikan.
Saat itulah muncul diskusi di dalam tim: "Jangan-jangan kita tidak bisa membedakan apakah ini bug atau memang karakteristik dari model generatif probabilistik?" Pertanyaan itulah yang memulai sesi studi kami. Saat pertama kali membuka makalah Attention Is All You Need (2017) oleh Vaswani et al., sejujurnya kami merasa buntu. Melihat halaman penuh rumus, kami sempat berpikir, 'Untuk apa kami membaca ini?'.
Tetapi, saat kami menguraikan tokenizing, embedding, dan positional encoding satu per satu, intuisi praktis pun muncul. "Mengapa output menjadi bias saat memasukkan dokumen panjang sekaligus?" — kami akhirnya mendapatkan jawaban untuk pertanyaan ini. Dalam konteks praktek memahami LLM, buku pengantar atau kursus memberikan "intuisi prinsip kerja", namun tentu saja berbeda dari kapabilitas implementasi nyata. Kami mengakui perbedaan itu.
Tiga Contoh Bagaimana Pemahaman LLM Mengubah Produk Otomatisasi Ekspor
Berikut adalah tiga contoh konkret bagaimana teori terhubung dengan praktek:
Penerapan Strategi Chunking. Sebelum memahami limitasi context window, kami mengirimkan dokumen ekspor panjang secara utuh. Setelah memahami, kami menerapkan strategi chunking (memecah dokumen berdasarkan unit makna), dan stabilitas output meningkat drastis.
Pilihan Model Berubah. Model dengan angka benchmark tinggi tidak selalu yang terbaik. Kami mulai melihat seberapa cocok model tersebut dengan terminologi dan struktur dokumen khusus industri ekspor, serta potensi fine-tuning-nya.
Perubahan Cara Menangani Error. Setelah tahu LLM bekerja secara probabilistik, logika retry kami berubah total. Kami tidak hanya melakukan "panggilan ulang", tetapi mendesain percabangan logika kondisi.
Satu hal yang harus jujur kami sampaikan — beralih ke AI Agentic (penalaran multitahap, tool calling, manajemen memori) adalah fase yang berbeda dari sekadar memahami LLM. Menggunakan framework seperti LangChain tidak otomatis membuat Anda hebat dalam mendesain sistem agentic. Kami pun masih terus belajar.
Keterbatasan Prompt ChatGPT dan Apa yang Benar-Benar Dibutuhkan di Tengah Banjir Konten AI
Saat ini, saat membuka YouTube atau Instagram, banyak sekali konten "Menuntaskan Prinsip LLM dalam Satu Buku". Namun, bagi saya, alasannya lebih menarik daripada konten itu sendiri. Adanya rasa cemas karena menggunakan AI setiap hari tapi tidak bisa menjelaskan cara kerjanya, itulah yang menciptakan permintaan. Dan kecemasan itu memiliki dasar yang cukup masuk akal.
Namun, kita perlu bersikap dingin terhadap premis "Memahami LLM melalui satu buku". Mengingat kompleksitas implementasi arsitektur Transformer, buku pengantar hanya memberikan intuisi kerja, bukan keterampilan praktis. Jika Anda merasakan batasan prompt ChatGPT secara langsung tetapi tidak bisa menjelaskan alasannya, ekspektasi Anda pasti akan meleset.
Bagi eksportir atau tim penjualan luar negeri yang mempertimbangkan penggunaan AI, tingkat pemahaman yang dibutuhkan sebenarnya bukanlah menulis kode sendiri. Namun, cukup dengan menguasai tiga hal ini sebagai naluri kerja:
- "Mengapa hasil output bisa menjadi tidak stabil"
- "Dalam kondisi apa AI tidak boleh dipercaya"
- "Kapan fine-tuning benar-benar bermakna"
Jika Anda memiliki tiga pemahaman ini sebagai naluri kerja, keputusan strategi adopsi AI akan sangat berbeda. Jika ingin mendalami lebih lanjut, kuliah terbuka Stanford CS224N atau dokumentasi resmi Hugging Face jauh lebih membantu dan langsung ke sasaran daripada cara 'DM untuk link'.
Mengapa Tim yang Memahami Teknologi Bisa Bicara Berbeda kepada Pelanggan
Alasan kami terus belajar sebenarnya sederhana. Tim yang memahami teknologi bisa lebih jujur kepada pelanggan. Kami bisa dengan terbuka menyatakan apa yang bisa dan tidak bisa dilakukan oleh AI. Kami percaya bahwa tim yang mampu berkata, "Dalam kondisi ini, jangan mempercayai output AI sepenuhnya," justru akan mendapatkan kepercayaan lebih.
Hal berikutnya yang sedang kami dalami adalah optimasi pipeline RAG (Retrieval-Augmented Generation) dan desain alur kerja agentic. Bagaimana memastikan LLM menangani informasi pembeli yang diperbarui secara real-time di domain ekspor — masalah ini cukup rumit. Kami akan terus membagikan apa yang kami temukan di blog ini.
Penulis · Tim Riset Penjualan Ekspor RINDA (Editor riset otomatisasi pencarian pembeli & penjualan ekspor)
Berdasarkan data pipeline pencarian pembeli luar negeri dari 200+ perusahaan ekspor Korea serta pengamatan internal platform RINDA, kami mengkurasi strategi dan daftar periksa yang dapat segera digunakan langsung dalam praktek ekspor.
Seperti yang disebutkan dalam artikel ini, Grinda AI adalah tim yang secara langsung menerapkan pemahaman prinsip LLM ke produk otomatisasi penjualan ekspor. RINDA menangani pencarian pembeli luar negeri dan otomatisasi cold mail, sementara Grinda AI adalah tim yang mengeksplorasi otomatisasi ekspor berbasis AI secara menyeluruh. Jika Anda penasaran dengan masalah apa yang kami selesaikan dan bagaimana caranya, jangan ragu untuk berdiskusi dengan kami.
T. Hingga level mana LLM harus dipahami untuk membantu pengambilan keputusan strategi AI?
J. Anda tidak perlu mampu menulis kode. Memiliki pemahaman praktis tentang "apa itu context window", "bahwa output bisa berubah secara probabilistik", dan "kapan fine-tuning bermakna" — tiga konsep ini sudah cukup untuk mengubah kualitas keputusan adopsi alat AI Anda. Selebihnya adalah kedalaman yang dibutuhkan oleh tim yang benar-benar membangun produk.
T. Di mana sebaiknya memulai belajar arsitektur Transformer?
A. Berdasarkan pengalaman tim kami, kuliah terbuka Stanford CS224N dan kurus NLP Hugging Face adalah yang paling praktis. Makalah Vaswani et al. jauh lebih mudah dipahami setelah Anda memiliki dasar-dasar konsepnya, membacanya langsung dari awal bisa membuat Anda merasa buntu.
T. AI Agentic sering disebutkan sekarang, apa bedanya dengan pemahaman LLM?
A. Memahami LLM adalah kebugaran dasar, sementara desain AI Agentic adalah kompetensi terpisah yang bekerja di atasnya. Penalaran multitahap, tool calling, manajemen memori — ini adalah masalah desain yang berbeda dari sekadar "tahu cara menggunakan" LLM. Kami pun masih terus belajar, dan mencampurkan keduanya sering membuat ekspektasi tidak sesuai dengan kenyataan.