Ada sebuah narasi besar yang terus didengungkan di telinga kita selama beberapa tahun terakhir: bahwa masa depan bukanlah “AI menggantikan manusia”, melainkan “Manusia + AI” yang akan menjadi tim tak terkalahkan.

Kita membayangkan sebuah centaur—makhluk mitologi setengah manusia setengah kuda—di mana kreativitas manusia bersatu dengan kecepatan komputasi mesin.

Namun, bagaimana jika saya katakan bahwa narasi tersebut mungkin… sedikit keliru?

Atau setidaknya, terlalu optimis?

Baru-baru ini, saya membaca sebuah paper penelitian yang sangat membuka mata (dan sedikit menampar ego kita sebagai manusia) yang diterbitkan di jurnal bergengsi Nature Human Behaviour.

Paper berjudul “When combinations of humans and AI are useful: A systematic review and meta-analysis” ini ditulis oleh Michelle Vaccaro, Abdullah Almaatouq, dan Thomas Malone dari MIT.

Mereka tidak main-main.

Mereka melakukan tinjauan sistematis dan meta-analisis terhadap 106 studi eksperimental yang mencakup 370 ukuran efek (effect sizes) dari tahun 2020 hingga 2023.

Pertanyaan mereka sederhana namun fundamental:

Kapan kombinasi manusia dan AI bekerja lebih baik daripada salah satu dari mereka bekerja sendirian.

Jawabannya? Rumit, filosofis, dan sangat penting untuk kita pahami agar tidak terjebak dalam ilusi produktivitas.

Mari kita selami lebih dalam..

Realita Pahit: Tidak Ada Sinergi (Rata-rata)

Mari kita mulai dengan “berita buruk” nya.

Secara intuitif, kita berpikir bahwa jika manusia digabungkan dengan AI, hasilnya pasti A + B = C (di mana C lebih besar dari A atau B). Ini yang disebut sebagai Sinergi Manusia-AI (Human-AI Synergy).

Definisi sinergi di sini sangat ketat: tim Manusia+AI harus bisa mengalahkan performa manusia terbaik sendirian ATAU performa AI terbaik sendirian.

Fakta yang ditemukan para peneliti ini cukup mengejutkan. Secara rata-rata, kombinasi manusia-AI justru berkinerja lebih BURUK daripada yang terbaik di antara keduanya bekerja sendirian.

Dalam bahasa statistik, mereka menemukan nilai Hedges’ g sebesar -0.23. Angka negatif ini menunjukkan kerugian kinerja (performance loss). Artinya, dalam banyak kasus yang diteliti, jika kita hanya peduli pada hasil akhir (seperti akurasi), kita sebenarnya lebih baik membiarkan AI bekerja sendirian atau membiarkan manusia bekerja sendirian, tergantung siapa yang lebih ahli, daripada memaksakan kolaborasi.

Ini adalah tamparan keras bagi konsep “Human-in-the-loop” yang sering diagungkan.

Ternyata, kehadiran kita dalam proses tersebut seringkali justru menjadi “beban” yang menurunkan kualitas output maksimal yang bisa dicapai oleh sistem AI tercanggih.

Sisi Terang: Augmentasi Manusia Tetap Ada

Tapi tunggu dulu, jangan buru-buru membuang langganan ChatGPT kalian. Ada sisi lain dari koin ini.

Meskipun “Sinergi” (mengalahkan yang terbaik dari keduanya) sulit dicapai, riset ini menemukan bukti kuat adanya Augmentasi Manusia (Human Augmentation).

Apa bedanya? Augmentasi Manusia hanya membandingkan performa “Manusia + AI” melawan “Manusia Sendirian”.

Hasilnya? Sangat positif.

Tim gabungan Manusia-AI secara signifikan mengungguli manusia yang bekerja sendirian, dengan nilai efek positif yang cukup besar.

Jadi, filosofinya begini: AI memang membuat kita (manusia) menjadi lebih baik daripada versi diri kita sebelumnya. Namun, AI itu sendiri seringkali sudah lebih pintar dari kita dalam tugas tersebut, sehingga ketika kita ikut campur (“berkolaborasi”), kita malah menurunkan potensi maksimal si AI.

Kita menjadi lebih baik, tapi sistem secara keseluruhan menjadi suboptimal karena intervensi kita.

Ironis, bukan?

Jebakan Pengambilan Keputusan vs. Kebebasan Berkreasi

Salah satu temuan paling menarik dari riset ini adalah perbedaan dampak AI pada jenis tugas yang berbeda. Para peneliti membagi tugas menjadi dua kategori besar: Tugas Keputusan (Decision Tasks) dan Tugas Kreasi (Creation Tasks).

1. Tugas Pengambilan Keputusan (Decision Tasks):

Ini adalah tugas di mana kita harus memilih dari serangkaian opsi terbatas (misalnya: mendiagnosis penyakit dari rontgen, memprediksi risiko kredit, atau mendeteksi berita palsu).

Di sinilah “bencana” sering terjadi.

Riset menemukan bahwa pada tugas keputusan, kolaborasi Manusia-AI menyebabkan penurunan kinerja yang signifikan.

Mengapa?

Karena seringkali manusia gagal mengenali kapan harus mempercayai AI dan kapan harus mempercayai intuisi sendiri.

Kita sering terjebak pada bias kognitif: terkadang kita terlalu percaya (overreliance) pada AI yang salah, atau kita terlalu skeptis (underreliance) dan menolak saran AI yang sebenarnya benar.

2. Tugas Kreasi (Creation Tasks):

Di sisi lain, untuk tugas yang melibatkan pembuatan konten terbuka (seperti menulis teks atau membuat gambar), hasilnya jauh lebih positif. Terdapat potensi perbaikan kinerja yang signifikan pada tugas kreasi dibandingkan tugas keputusan.

Mengapa tugas kreasi lebih berhasil? Filosofinya adalah tentang pembagian beban kognitif.

Dalam membuat gambar atau teks, AI seringkali melakukan pekerjaan “kasar” atau mengisi detail rutin sementara manusia memberikan inspirasi kreatif atau arahan strategis.

AI menangani hal-hal teknis yang membosankan, membebaskan manusia untuk fokus pada visi. Ini adalah bentuk kolaborasi yang lebih sehat.

Paradoks “Siapa yang Lebih Pintar?”

Temuan paling krusial dan mungkin yang paling perlu kita renungkan adalah tentang performa relatif.

Data menunjukkan pola yang sangat jelas:

• Jika Manusia > AI: Ketika manusia sendirian sudah lebih jago daripada AI sendirian, maka kolaborasi akan meningkatkan hasilnya (Sinergi positif).
• Jika AI > Manusia: Ketika AI sendirian sudah lebih jago daripada manusia, maka kolaborasi (campur tangan manusia) akan menurunkan hasilnya (Kerugian kinerja).

Contoh nyata dari paper ini adalah studi tentang deteksi ulasan hotel palsu. AI memiliki akurasi 73%, sementara manusia hanya 55%.

Ketika mereka digabungkan, akurasinya menjadi 69%.

Lihat kan? Kita malah “menyeret” turun performa AI. Karena manusia kurang kompeten dalam tugas ini, mereka tidak tahu kapan harus percaya pada AI sehingga keputusan akhirnya menjadi lebih buruk daripada jika kita membiarkan AI bekerja secara otomatis.

Sebaliknya, pada tugas klasifikasi gambar burung, manusia (81%) lebih jago dari AI (73%). Saat digabung, akurasi melonjak ke 90%.

Di sini, manusia yang kompeten tahu kapan harus menggunakan saran AI untuk menutupi celah pengetahuan mereka sendiri.

Ini mengajarkan kita sebuah kerendahan hati intelektual: Jika kita tidak ahli dalam suatu bidang, dan kita memiliki alat AI yang terbukti ahli, “mengoreksi” AI mungkin adalah tindakan egois yang merugikan.

Mengapa Kita Gagal Berkolaborasi?

Para peneliti di MIT ini menyoroti bahwa masalahnya bukan pada teknologinya saja, tapi pada prosesnya.

Sebagian besar eksperimen (sekitar 95%) mendesain sistem di mana manusia adalah pengambil keputusan terakhir.

Manusia melihat input, melihat saran AI, lalu mengetuk palu. Desain seperti ini sangat rentan terhadap human error.

Sangat sedikit studi (hanya 3 dari 106) yang mencoba desain di mana tugas dibagi-bagi (division of labor): AI mengerjakan bagian A, Manusia mengerjakan bagian B.

Padahal, sinergi sejati kemungkinan besar lahir dari pembagian tugas yang dinamis ini, bukan sekadar menjadikan AI sebagai “penasihat” yang bisa diabaikan.

Selain itu, faktor-faktor yang sering kita anggap penting seperti “Explainable AI” (AI yang memberikan penjelasan mengapa dia memilih jawaban X) atau tingkat kepercayaan diri (confidence level) AI, ternyata secara statistik tidak signifikan mempengaruhi terciptanya sinergi dalam kumpulan data ini.

Cukup mengejutkan karena banyak riset berfokus pada hal ini, padahal mungkin kuncinya ada pada siapa yang mengerjakan apa.

Apa yang Harus Kita Lakukan?

Berdasarkan insight dari paper ini, ada beberapa langkah strategis yang bisa kita ambil sebagai pengguna teknologi maupun pemimpin bisnis:

1. Fokus pada Generative AI untuk Kreasi: Karena tugas pengambilan keputusan (decision making) seringkali bermasalah, kita harus lebih banyak mengeksplorasi potensi sinergi dalam tugas generatif/kreasi.
   
   Gunakan AI untuk brainstorming, membuat draf awal, atau visualisasi, di mana peran manusia sebagai kurator dan editor sangat bernilai.
   
2. Desain Ulang Proses Kerja (Workflow): Jangan hanya menempatkan manusia di akhir proses untuk “menyetujui” hasil AI.
   
   Rancanglah proses yang inovatif di mana sub-tugas dialokasikan kepada pihak yang paling kompeten. Biarkan AI menangani analisis data massal secara otomatis, dan biarkan manusia menangani negosiasi atau empati.
   
3. Kenali Batas Kemampuan: Lakukan audit kinerja. Jika untuk tugas tertentu (misalnya entri data atau prediksi stok) AI terbukti 90% akurat dan tim manusia hanya 70%, pertimbangkan otomatisasi penuh.
   
   Jangan memaksakan “Human-in-the-loop” hanya karena alasan sentimental atau ketakutan tak berdasar, kecuali ada risiko etika/keselamatan yang fatal.
   
4. Metrik Evaluasi yang Lebih Luas: Sinergi mungkin tidak terlihat jika kita hanya mengukur “akurasi”. Mungkin AI lebih cepat dan murah, tapi manusia bisa mencegah kesalahan fatal yang jarang terjadi (rare errors) yang biayanya sangat mahal.
   
   Kita perlu melihat gambaran besarnya yaitu kecepatan, biaya, dan mitigasi risiko.

Kesimpulan: Menjadi Partner yang Lebih Bijak

Paper ini adalah wake-up call bagi kita semua. Bahwa menambahkan AI ke dalam pekerjaan manusia tidak otomatis mencetak sesuatu yang luar biasa.

Temuan bahwa rata-rata kolaborasi Manusia-AI menghasilkan kerugian kinerja adalah pengingat bahwa teknologi bukanlah sulap.

Teknologi adalah alat yang membutuhkan kebijaksanaan penggunanya.

Kita tidak boleh jatuh ke dalam Underreliance (merasa lebih pintar dari AI padahal tidak) atau Overreliance (mematikan otak dan menelan mentah-mentah hasil AI).

Masa depan bukan tentang Manusia lawan AI, atau sekadar Manusia ditambah AI.

Masa depan adalah tentang Manusia yang tahu kapan harus memimpin, kapan harus mengikuti, dan kapan harus membiarkan AI mengambil alih kemudi.

Jadilah pengguna yang kritis. Pahami di mana keunggulanmu, dan di mana keunggulan AI.

Hanya dengan begitu, sinergi yang sesungguhnya bisa tercipta.

source : https://www.nature.com/articles/s41562-024-02024-1

The post Kolaborasi Manusia dan AI Ternyata Seringkali Lebih Bodoh Daripada AI Sendirian! appeared first on Jago Prompt.

Di media sosial, kita disuguhi demo agen AI yang bisa coding sendiri, meriset pasar saham, hingga membuat website dari nol.

Rasanya seperti kita sedang tertinggal jauh dalam perlombaan teknologi yang super canggih dan rumit.

Namun, sebuah pepatah lama di dunia engineering mengatakan: “Simple is better.”

Baru-baru ini, sebuah riset komprehensif berjudul “Measuring Agents in Production” dirilis oleh tim peneliti dari UC Berkeley, Stanford, dan IBM Research.

Mereka tidak berbicara tentang teori di atas kertas, melainkan terjun langsung mewawancarai praktisi dan mensurvei 306 pengembang yang benar-benar telah menjalankan AI Agent di lingkungan produksi (production).

Hasilnya?

Sangat mengejutkan dan mungkin sedikit melegakan bagi Anda yang merasa overwhelmed.

Ternyata, rahasia sukses AI Agent di dunia nyata bukanlah kompleksitas, melainkan kesederhanaan dan kontrol manusia yang ketat.

Mari kita bedah apa yang sebenarnya terjadi di balik layar perusahaan-perusahaan top ini.

Mitos Otonomi Penuh: Kenapa Agent Masih “Diikat”?

Narasi populer sering menggambarkan AI Agent sebagai entitas otonom yang bisa dilepas begitu saja untuk menyelesaikan masalah dunia. Namun, data di lapangan berbicara lain.

Studi ini menemukan bahwa 68% agen yang sukses di production hanya menjalankan maksimal 10 langkah (steps) sebelum membutuhkan intervensi manusia.

Bahkan, hampir separuhnya (47%) hanya melakukan kurang dari lima langkah.

Apa artinya ini secara filosofis?

Ini berarti industri belum sepenuhnya mempercayai “imajinasi liar” dari AI untuk mengambil keputusan jangka panjang tanpa pengawasan. Organisasi sengaja membatasi otonomi agen untuk menjaga reliabilitas.

Alih-alih membiarkan agen “berpikir bebas” (open-ended autonomy), para engineer lebih memilih alur kerja yang terstruktur dan kaku.

Bayangkan AI Agent bukan sebagai manajer yang bisa Anda beri visi abstrak, melainkan sebagai karyawan magang yang sangat cepat namun ceroboh.

Anda akan memberinya tugas spesifik (“Cari data ini, lalu rangkum”), bukan tugas besar (“Tolong urus strategi marketing kita bulan ini”).

“Prompt Engineering” Masih Menjadi Raja, Fine-Tuning Minggir Dulu

Jika Anda berpikir perusahaan besar pasti menggunakan teknik fine-tuning (melatih ulang model dengan data khusus) yang mahal dan ribet, Anda salah besar.

Fakta di lapangan menunjukkan bahwa 70% dari agen yang sukses di production hanya mengandalkan model siap pakai (off-the-shelf) tanpa fine-tuning sama sekali.

Mereka lebih memilih menggunakan model canggih seperti GPT-4 atau Claude dan “hanya” mengandalkan teknik prompting.

Mengapa demikian?

• Fleksibilitas: Melakukan fine-tuning itu kaku. Jika model dasar diperbarui, Anda harus melatih ulang. Dengan prompting, Anda cukup mengubah teks instruksi.
• Biaya vs. Hasil: Model canggih masa kini (frontier models) sudah cukup pintar untuk menangani instruksi kompleks tanpa perlu diotak-atik “otaknya”.

Yang menarik, 79% dari agen ini dibangun dengan prompt manual yang dirancang oleh manusia, bukan oleh algoritma otomatis.

Bahkan, ada prompt yang panjangnya lebih dari 10.000 token!.

Ini mengajarkan kita sebuah wawasan penting: Keahlian berkomunikasi dengan AI (Prompt Engineering) adalah skill yang valid dan krusial di level enterprise.

Anda tidak perlu menjadi ahli machine learning yang bisa membedah saraf tiruan untuk membangun aplikasi AI yang berdampak; Anda hanya perlu menjadi komunikator yang ulung bagi mesin.

Manusia Adalah “Safety Net” Terakhir

Dalam jargon teknologi, kita sering mendengar istilah Human-in-the-loop. Riset ini mengonfirmasi bahwa manusia adalah komponen paling vital dalam sistem AI Agent saat ini.

Sebanyak 74% sistem yang disurvei mengandalkan evaluasi manusia untuk memastikan kualitas output. Meskipun ada metode otomatis seperti LLM-as-a-judge (menggunakan AI untuk menilai AI lain), para praktisi tetap tidak mau melepas tangan sepenuhnya.

Di sinilah letak sisi humanisnya. AI tidak menggantikan peran manusia, melainkan menggesernya.

Jika dulu manusia adalah “pembuat” (creator/doer), kini manusia berevolusi menjadi “penyunting” dan “penilai” (editor/verifier).

Contoh nyata dari studi kasus mereka adalah di bidang kesehatan. Agen AI mungkin membantu merangkum data pasien atau otorisasi asuransi, tetapi perawat atau dokterlah yang menekan tombol “Setuju”.

AI berfungsi sebagai exoskeleton bagi pikiran manusia, bukan pengganti otak manusia.

Kecepatan Bukan Segalanya, Akurasi Adalah Kuncinya

Di dunia software tradisional, latency (kecepatan respon) adalah segalanya. Kita ingin aplikasi terbuka dalam milidetik. Namun, di dunia AI Agent, aturannya berubah.

Mayoritas sistem (66%) mentoleransi waktu respon dalam hitungan menit, bukan detik. Bahkan ada yang membiarkan agen bekerja selama berjam-jam.

Kenapa bisa begitu santai?

Karena perbandingannya adalah manusia. Jika seorang karyawan membutuhkan waktu 4 jam untuk menganalisis laporan keuangan, dan AI Agent bisa melakukannya dalam 5 menit, maka 5 menit itu sudah dianggap “instan” dan peningkatan produktivitas yang luar biasa.

Fokus utama para pengembang saat ini bukan membuat AI lebih cepat, melainkan membuatnya lebih reliabel (dapat diandalkan).

Tantangan terbesar (top challenge) yang dihadapi industri bukanlah kecepatan atau biaya, melainkan memastikan bahwa AI tidak “berhalusinasi” atau melakukan kesalahan fatal.

Jangan Terjebak Framework, Bangun Sesuai Kebutuhan

Bagi Anda yang sedang belajar membuat AI Agent, mungkin Anda bingung harus pakai framework apa. LangChain? CrewAI? AutoGen?

Ternyata, 85% tim yang diwawancarai dalam studi kasus mendalam memilih untuk membangun sistem agen mereka sendiri dari nol (from scratch) daripada menggunakan framework pihak ketiga yang populer.

Alasannya sangat pragmatis:

1. Kontrol: Framework seringkali membawa “bloat” (fitur berlebih) yang tidak perlu dan menyembunyikan logika penting.
2. Kestabilan: Di production, Anda ingin tahu persis apa yang terjadi di setiap langkah. Membangun sendiri memberikan transparansi itu.

Pelajaran filosofisnya? Jangan terjebak pada tools. Pahami prinsip dasarnya.

Terkadang, skrip Python sederhana yang memanggil API OpenAI secara langsung jauh lebih tangguh dan mudah di-maintain daripada tumpukan abstraksi framework yang rumit.

Kesimpulan: Mulailah dari yang Sederhana

Riset “Measuring Agents in Production” ini memberikan validasi yang kuat bagi kita semua.

Anda tidak perlu menunggu teknologi AI menjadi sempurna atau belajar teknik coding yang super rumit untuk mulai mendapatkan nilai darinya.

Pola sukses di industri saat ini adalah:

• Gunakan model terbaik yang ada (seperti GPT-5 atau Claude 3.5).
• Tulis prompt yang sangat detail dan terstruktur.
• Batasi ruang gerak agen (jangan biarkan dia melakukan 100 hal sekaligus).
• Pastikan ada manusia yang mengecek hasilnya.

Teknologi, pada akhirnya, hanyalah alat bantu.

Keajaiban sebenarnya bukan terletak pada seberapa canggih kode yang Anda tulis, tetapi pada seberapa cerdik Anda memanfaatkannya untuk menyelesaikan masalah nyata yang membosankan.

AI hadir untuk membebaskan kita dari rutinitas, memberi ruang bagi manusia untuk melakukan hal-hal yang benar-benar manusiawi: berpikir strategis, berkreasi, dan mengambil keputusan bijak.

Jadi, jangan takut untuk memulai. Mulailah dengan sederhana dan fokuslah pada solusi.

Source : https://arxiv.org/pdf/2512.04123

The post Bongkar Rahasia Dapur AI Agent: Studi Kasus Nyata Ungkap Kenapa “Cara Sederhana” Malah Lebih Efektif di Production appeared first on Jago Prompt.

Atau mungkin narasi sebaliknya, bahwa AI hanya akan mengambil alih pekerjaan kasar (blue collar)? Ternyata, selama ini kita mungkin melihat masalah ini dari sudut pandang yang salah.

Kita hanya melihat “puncak gunung es” dari revolusi yang sebenarnya sedang terjadi di bawah permukaan.

Baru-baru ini, sebuah kolaborasi raksasa antara MIT dan Oak Ridge National Laboratory merilis sesuatu yang disebut Project Iceberg.

Ini bukan sekadar prediksi sembarangan dari seorang guru di LinkedIn atau utas horor di X (Twitter). Ini adalah simulasi masif yang melacak 151 juta pekerja AS, mencakup 32.000 keterampilan (skills) dan 923 jenis pekerjaan.

Tujuannya satu: untuk mengetahui secara presisi, pekerjaan mana yang sebenarnya bisa diotomatisasi oleh AI hari ini.

Dan hasilnya? Cukup untuk membuat kita duduk tegak dan menahan napas sejenak.

Mari kita bedah laporan ini, bukan dengan rasa takut, tapi dengan kesadaran penuh akan perubahan zaman.

Bayangkan jika ada sebuah dunia digital paralel di mana “kembaran” (digital twin) Anda bekerja.

Kembaran ini memiliki job description yang sama persis dengan Anda, menggunakan alat yang sama, dan memiliki keahlian yang sama. MIT melakukan ini, tapi dalam skala 151 juta orang.

Project Iceberg memetakan setiap pekerjaan ini untuk melihat kerentanannya.

Dulu, jika saya ditanya apakah AI bisa melakukan pekerjaan saya, jawabannya mungkin “agak bisa, tapi tidak sepenuhnya”.

Kenapa? Karena AI bisa melakukan bagian-bagian kecil dari pekerjaan saya secara terisolasi, tapi tidak bisa menyatukannya menjadi satu alur kerja yang utuh.

Pekerjaan kita tidak berdiri sendiri. Kita membutuhkan akses ke lusinan alat: email, database, spreadsheet, CRM, manajemen proyek, percakapan tim, hingga rapat Zoom.

Selama ini, asisten AI seperti ChatGPT terjebak di luar ekosistem itu. Mereka seperti otak cerdas di dalam toples kaca; pintar, tapi tidak bisa “menyentuh” pekerjaan Anda.

Namun, batasan itu baru saja dihancurkan.

Era Baru: Ketika AI Punya “Tangan” (Model Context Protocol)

Perubahan besar terjadi pada akhir 2024 ketika Anthropic merilis apa yang disebut Model Context Protocol (MCP). Ini adalah istilah teknis yang terdengar membosankan, tapi implikasinya luar biasa “liar”.

Secara sederhana, MCP memungkinkan model AI apa pun untuk “dicolokkan” ke sumber data atau alat apa pun.

Sebelum adanya MCP, setiap integrasi AI memerlukan kode khusus yang rumit. Sekarang? Agen AI dapat secara otonom mengakses database, memanipulasi angka di Excel, melakukan query ke API, dan mengoordinasikan alur kerja melalui koneksi standar.

Ledakan ini terjadi sangat cepat. Per Maret 2025 saja, sudah ada lebih dari 7.950 server MCP yang tersedia, baik dari pengembang independen maupun pemain besar seperti Microsoft dan OpenAI.

MIT menyebut fenomena ini sebagai “Agentic API Economy”.

Ini adalah ekonomi di mana sistem AI dapat secara otonom melakukan tugas-tugas bernilai yang sebelumnya mutlak membutuhkan tenaga manusia.

Agen AI sekarang bisa mengecek kalender Anda, memesan ruang rapat, mengirim undangan, memperbarui rencana proyek, hingga membuat laporan keuangan tanpa campur tangan manusia sedikitpun.

Dengan kata lain: AI tidak lagi hanya membantu Anda bekerja; AI kini bisa melakukan pekerjaan Anda.

Kejutan Geografis: Mengapa Rust Belt Lebih Terancam dari Silicon Valley?

Di sinilah Project Iceberg memberikan tamparan realitas yang keras.

Ketika server MCP baru diluncurkan—misalnya yang bisa mengotomatisasi analisis keuangan—indeks di Project Iceberg langsung menghitung pekerjaan mana, industri apa, dan wilayah mana yang menjadi rentan.

Narasi umum selama ini adalah bahwa AI akan menghabisi pekerjaan di pusat teknologi seperti Silicon Valley atau kota-kota besar metropolitan. Namun, plot twist dari data MIT mengatakan sebaliknya: dampak terbesar justru bukan di sana.

Wilayah yang paling rentan justru adalah negara bagian di kawasan industri lama atau “Rust Belt” seperti Ohio, Michigan, dan Tennessee. Mengapa bisa demikian?

Alasannya logis namun sering terlewatkan. Industri manufaktur di wilayah-wilayah tersebut ditopang oleh kerja kognitif pendukung yang sangat besar—analisis keuangan, koordinasi administratif, dan layanan profesional.

Pekerjaan-pekerjaan pendukung inilah yang sifatnya sangat prosedural, berbasis aturan, dan kini… sangat bisa diotomatisasi.

Jika Anda bekerja di industri ini, di posisi administratif atau pendukung, laporan ini mungkin adalah sesuatu yang harus Anda waspadai (atau sembunyikan dari bos Anda, bercanda :D).

Namun, kabar baiknya adalah pemerintah setempat mulai sadar.

Tennessee, misalnya, sudah menggunakan Iceberg Index ini dalam Rencana Aksi Tenaga Kerja AI mereka. Ini membuktikan bahwa Project Iceberg bukan alat untuk menakut-nakuti akan adanya PHK massal, melainkan sebuah sistem peringatan dini.

Perang Prediksi: CEO AI vs Para Ahli

Sekarang, mari kita bicara tentang masa depan. Ada kesenjangan yang sangat menganga antara apa yang dikatakan oleh para CEO perusahaan AI dengan apa yang diprediksi oleh para ahli independen.

Ethan Mollick baru-baru ini membagikan survei ahli paling komprehensif tentang masa depan AI. Survei ini melibatkan “superforecasters” (orang dengan rekam jejak prediksi akurat), ilmuwan komputer top, dan ekonom.

Apa kata para ahli ini untuk tahun 2030?

• Transformasi kerja: 18% jam kerja akan dibantu AI (naik dari 4,1% hari ini).
• Energi: 7% listrik AS akan dipakai untuk AI.
• Matematika: 23% ahli yakin AI akan memecahkan masalah matematika tingkat PhD.

Angka 18% mungkin terdengar kecil bagi Anda. Tapi tunggu dulu, mari kita bandingkan dengan prediksi para CEO.

• Elon Musk: Semua pekerjaan akan digantikan pada 2030.
• Dario Amodei (Anthropic): Memprediksi 10-20% pengangguran total dalam 5 tahun.
• Sam Altman: AGI (Artificial General Intelligence) akan tiba dalam waktu sangat dekat.

Perbedaannya sangat mencolok. Para ahli jauh lebih konservatif. Mereka hanya memberikan peluang 23% untuk skenario “kemajuan pesat” di mana AI bisa menulis novel sekelas Pulitzer atau menyembuhkan kanker secara mandiri pada 2030.

Menariknya, hampir tidak ada ketidaksepakatan di antara kelompok ahli (ilmuwan komputer vs ekonom). Mereka semua sepakat pada timeline yang lebih lambat ini.

Satu-satunya yang tidak mereka setujui adalah prediksi para CEO perusahaan teknologi itu sendiri.

Filosofi Ketidaksiapan: Apa yang Harus Kita Lakukan?

Di sinilah kita masuk ke bagian yang paling filosofis dan, jujur saja, paling mengkhawatirkan.

Mari kita hubungkan titik-titiknya.

MIT menunjukkan bahwa 11,7% perpindahan tenaga kerja secara teknis dimungkinkan hari ini. Para ahli memprediksi 18% pekerjaan akan dibantu AI pada 2030.

Tidak peduli siapa yang benar—apakah para CEO yang hiperbolis atau para ahli yang konservatif—kita menghadapi transformasi tenaga kerja yang masif dalam lima tahun ke depan.

Dan realitas pahitnya adalah: kita sama sekali tidak siap.

Dalam bukunya The Changing World Order, Ray Dalio mempelajari kebangkitan dan kejatuhan kekaisaran selama 500 tahun.

Temuannya sangat relevan: Pendidikan adalah faktor tunggal paling penting dalam menentukan apakah sebuah bangsa bertahan dari periode transformasi.

Negara yang bangkit berinvestasi gila-gilaan pada pendidikan dan pengembangan tenaga kerja. Negara yang runtuh cenderung memotong investasi dan gagal beradaptasi.

Kita sedang menatap potensi perpindahan 12% tenaga kerja. Masyarakat kita tidak bisa terus menjalankan sistem pendidikan di mana orang menghabiskan 4-12 tahun mempelajari keterampilan untuk pekerjaan yang mungkin sudah hilang bahkan sebelum mereka wisuda.

Pertanyaan besarnya bagi kita sebagai individu dan masyarakat adalah:

• Apa cara tercepat untuk melatih ulang jutaan pekerja?.
• Keterampilan apa yang sebenarnya penting dalam lima tahun ke depan?.

Kesimpulan

Project Iceberg memberikan kita data yang keras dan dingin, layaknya es. Namun, data ini bukan vonis mati, melainkan peta navigasi.

Apa yang ditawarkan oleh MIT dan Oak Ridge ini adalah kesempatan untuk melihat masa depan sebelum ia menabrak kita. Perubahan ini tidak bisa dihindari, entah itu terjadi dalam 2 tahun atau 10 tahun.

Bagi saya pribadi, sebagai pengamat teknologi , calon PhD di bidang prinsip data, dan penulis di Jagoprompt, ini adalah panggilan untuk bangun.

Jangan menjadi pasif. Jangan hanya menonton “gunung es” itu mendekat sambil berdebat apakah AI itu etis atau tidak.

Sikap terbaik saat ini adalah adaptasi radikal. Pelajari cara menggunakan alat-alat ini (seperti MCP dan agen AI).

Pahami cara kerja “Digital Twin” pekerjaan Anda. Jadilah orang yang mengendalikan AI, bukan orang yang job description-nya sedang disimulasikan di laboratorium MIT untuk diotomatisasi.

Kita harus memutuskan: apakah kita akan membangun infrastruktur diri (skill baru, mindset baru) untuk menangani apa yang akan datang, atau hanya menonton sambil berharap semuanya baik-baik saja?.

Pilihan ada di tangan Anda, dan waktu untuk memilih semakin sempit.

Source : The Neuron Daily

The post MIT Baru Saja Membuat “Digital Twin” Setiap Pekerja Amerika: Hasilnya Bikin Merinding appeared first on Jago Prompt.

Masuk akal, bukan? Generasi Z dan milenial muda tumbuh dengan gadget di tangan. Mereka yang mengajari kita cara main TikTok, cara pakai filter Instagram, atau cara share screen di Zoom saat pandemi dulu. Fenomena ini sering disebut reverse mentoring.

Jadi, ketika gelombang Generative AI (GenAI) seperti ChatGPT meledak, refleks para eksekutif dan manajer senior adalah kembali menoleh ke staf junior mereka. “Eh, tolong ajarin saya cara pakai AI ini buat bikin laporan, dong,” mungkin begitu bunyinya.

Tapi, sebuah studi terbaru yang mengejutkan dari MIT Sloan School of Management menampar keras anggapan ini. Riset tersebut dengan tegas menyatakan: Jangan mengandalkan staf junior untuk mengajari Anda strategi Generative AI.

Hal ini berbahaya.

Mengapa strategi yang berhasil untuk media sosial gagal total untuk AI? Dan jika anak muda yang tech-savvy saja tidak bisa diandalkan, lalu siapa yang harus memimpin transformasi ini?

Mari kita bedah riset ini secara mendalam agar Anda tidak tersesat dalam hype teknologi.

Mitos “Digital Native” dalam Konteks AI

Mari kita luruskan satu hal. Staf junior (mereka yang memiliki pengalaman 1-2 tahun) memang jagonya eksperimen.

Menurut Profesor Kate Kellogg dari MIT Sloan, para profesional muda ini adalah yang pertama kali terjun dan mengutak-atik teknologi baru. Mereka berani mencoba, melakukan trial and error, dan menemukan trik-trik cepat untuk menyelesaikan tugas harian mereka.

Karena keberanian ini, manajemen atas sering menganggap mereka sebagai sumber keahlian.

Riset terdahulu dari Matthew Beane (PhD ’17) bahkan mendukung ide bahwa pemimpin sering mencari bimbingan junior karena juniorlah yang paling dekat dengan eksekusi teknis pekerjaan.

Namun, Generative AI adalah sesuatu yang berbeda.

Dalam studi yang dilakukan MIT Sloan bersama Boston Consulting Group (BCG), para peneliti menemukan bahwa Generative AI membawa risiko baru yang unik, seperti akurasi yang meragukan (halusinasi), kemampuan yang tidak pasti, dan laju perubahan yang eksponensial.

Profesor Kellogg menegaskan, “Meskipun mereka (junior) bereksperimen lebih dulu, mereka bukan ahli mengenai risiko baru yang ditimbulkan oleh Generative AI”.

Mengandalkan mereka untuk strategi perusahaan sama saja seperti meminta orang yang baru belajar menyetir untuk mendesain sistem lalu lintas kota.

Mereka tahu cara menginjak gas, tapi mereka belum paham bahaya di setiap persimpangan.

Tiga Alasan Mengapa Junior Gagal Menjadi Mentor AI

Studi ini melakukan wawancara mendalam dengan konsultan junior yang diberi akses ke GPT-4 untuk memecahkan masalah bisnis. Hasilnya mengungkap tiga hambatan utama mengapa transfer knowledge dari junior ke senior tidak berjalan mulus dalam kasus GenAI.

1. Pemahaman yang Dangkal akan Risiko

Hambatan pertama dan yang paling krusial adalah kurangnya pemahaman mendalam tentang kapabilitas Generative AI di kalangan staf junior.

Para junior sering kali terpesona oleh hasil instan. Ketika AI memberikan jawaban yang terlihat cerdas, mereka cenderung menerimanya.

Padahal, manajer dengan pengalaman 5 tahun lebih biasanya langsung khawatir tentang aspek validitas: akurasi, eksplanabilitas (bisakah AI menjelaskan kenapa jawabannya begitu?), dan relevansi.

Junior mungkin tahu cara prompting agar AI menulis email yang sopan, tapi mereka sering gagal memahami bagaimana model bahasa besar (LLM) bekerja di balik layar dan di mana letak bias datanya.

2. Fokus pada Rutinitas Manusia, Bukan Desain Sistem

Ketika ditanya bagaimana cara memitigasi risiko kesalahan AI, apa solusi yang ditawarkan staf junior?

Mereka menyarankan perubahan pada rutinitas manusia. Contoh sarannya: “Nanti Bapak cek lagi ya hasil dari AI-nya,” atau “Kita bikin kesepakatan tim dulu kapan boleh pakai AI.”

Kedengarannya masuk akal untuk skala kecil. Tapi untuk skala perusahaan? Ini tidak bisa diskalakan (not scalable).

Anda tidak bisa membangun strategi AI perusahaan hanya dengan mengandalkan ketelitian manusia untuk memeriksa ulang setiap kata yang dihasilkan mesin.

Manusia lelah, manusia luput. Solusi yang dibutuhkan adalah pada level desain sistem, bukan sekadar SOP manual.

3. Jebakan Solusi Level Proyek

Hambatan ketiga adalah fokus yang terlalu sempit. Junior cenderung hanya melihat masalah di depan mata mereka, yaitu di level proyek.

Hila Lifshitz, profesor dari Warwick Business School yang turut menulis studi ini, menjelaskan fenomena ini dengan sangat baik: “Junior yang bekerja di level proyek dengan manajer mereka sangat mungkin berpikir untuk mengatasi tantangan hanya di level itu saja”.

Padahal, Generative AI menarik data dari ekosistem yang luas. Risiko yang muncul tidak bisa dibendung hanya dengan intervensi di level input proyek.

Jika data dasarnya bias, atau jika modelnya tidak aman, tidak peduli seberapa bagus prompt yang dibuat junior Anda, hasilnya akan tetap berisiko bagi perusahaan.

Solusi Sebenarnya: Intervensi di 3 Level

Jika kita tidak bisa sekadar meniru trik junior, apa yang harus dilakukan pemimpin organisasi?

Riset MIT Sloan ini menyarankan pergeseran fokus dari sekadar eksperimen interaksi manusia-komputer menjadi pendekatan sistemik yang menyeluruh.

Jangan hanya belajar prompting. Pemimpin harus melakukan mitigasi risiko di tiga level strategis:

Level 1: Perubahan Desain Sistem (System Design)

Alih-alih menyuruh karyawan mengecek manual, ubahlah sistemnya.

• Lakukan fine-tuning parameter model menggunakan data khusus perusahaan yang terverifikasi.
• Bangun antarmuka (interface) yang bisa memvisualisasikan ketidakpastian, sehingga pengguna tahu jika AI sedang “ragu-ragu”.
• Desain sistem yang mewajibkan pengguna mengomunikasikan tujuan dan preferensi mereka secara jelas di awal.

Level 2: Intervensi Level Perusahaan (Firm Level)

Jangan biarkan setiap karyawan berjuang sendirian.

• Buatlah perpustakaan prompt (prompt library) yang berisi prompt efektif yang sudah teruji untuk tugas-tugas spesifik.
• Lakukan monitoring terus-menerus terhadap keselarasan (alignment) output LLM dengan metrik evaluasi perusahaan.
• Bangun mekanisme pelaporan insiden jika AI menghasilkan output yang berbahaya atau salah.

Level 3: Intervensi Level Ekosistem (Ecosystem Level)

Ini yang paling jarang dipikirkan junior. Pemimpin harus berinteraksi langsung dengan pengembang/developer AI.

• Tuntut spesifikasi persyaratan yang jelas mengenai kapabilitas dan batasan sistem.
• Minta penilaian tentang kualitas, ketahanan (robustness), dan representasi sumber data yang digunakan developer.
• Aktif menandai dan mengoreksi output menyesatkan di level sistem.

Kesimpulan: Saatnya Pemimpin Kembali Memimpin

Pesan dari Kate Kellogg sangat jelas: “Hanya mengharapkan profesional muda untuk belajar menggunakan alat AI lewat trial and error, lalu mewariskan tips dan trik mereka ke senior, tidak akan menjembatani kesenjangan pembelajaran yang dibutuhkan”.

Generative AI bukanlah mainan media sosial. Ini adalah infrastruktur pengetahuan.

Sebagai pemimpin atau profesional senior, Anda tidak boleh malas belajar dan hanya menyerahkan kunci kerajaan AI kepada anak magang.

Anda harus turun tangan—bukan untuk belajar trik prompting receh, tapi untuk bereksperimen dengan perubahan pada data, model, dan infrastruktur.

source : https://mitsloan.mit.edu/press/no-shortcuts-generative-ai-upskilling

The post Stop Minta “Ajarin Anak Magang”: Kenapa Junior Bukan Guru Terbaik untuk Belajar Generative AI appeared first on Jago Prompt.

Tapi minggu ini, saya nemu AI baru yang jujur aja… mind-blowing.

Namanya: Nano-Banana

Buatan siapa? Google.

Bisa apa? Bukan cuma bikin gambar, tapi juga ngeditnya super presisi.

Dan yang paling bikin tercengang?

Nano-Banana ini diselipin langsung di aplikasi Gemini.

Iya, itu loh aplikasi AI dari Google yang dulunya bernama Bard.

Cara Akses Nano-Banana di Gemini (Cepat & Gratis!)

Kalo kamu pengen cobain sendiri, caranya gampang banget. Cukup 3 langkah:

1. Masuk ke aplikasi Gemini.
2. Pilih model “2.5 Flash” (pojok kiri atas).
3. Klik ikon tools → pilih “Create Images.”

Selesai!

Kamu udah resmi jadi user AI gambar paling canggih dari Google, memangnya model ini sebagus itu?

Apa yang Bikin Nano-Banana Lebih Jago dari ChatGPT?

Kita jujur aja ya, ChatGPT (dengan DALL-E-nya) dan Midjourney masih dewa banget buat generate gambar.

Tapi… Nano-Banana menang telak soal editing gambar.

Bukan soal bikin dari nol, tapi soal kemampuan buat:

• Mengubah objek
• Memperbaiki kualitas
• Memanipulasi gambar dengan detail presisi

Kayak Photoshop ketemu ChatGPT.

Kamu tinggal upload foto sendiri aja terus tinggal ketik tulis seperti biasa seperti :

“hilangkan background”

“ganti baju menjadi warna merah”

“buat foto ini posenya menjadi profesional”

“ubah gaya rambut foto ini menjadi panjang ala rockstar”

Yang menjadi batasan hanya imajinasi kamu saja.

Belakangan nih sudah banyak yang mulai idenya liar-liar sampai akhirnya membuat prompt foto dengan idola K-POP.

Saya punya kumpulan promptnya tapi mohon dipakai dengan hati-hati ya. Berikut kumpulan prompt gambar realistis dengan foto idola K-POP

Caranya adalah upload foto kamu dan foto idola KPOP, setelahnya prompt dengan kumpulan prompt foto di bawah ini :

Prompt gambar realistis dirangkul idol

Foto cewek adalah foto saya. Buatlah gambar seolah-olah diambil dengan kamera Polaroid instan di ruangan kecil dengan tirai putih sebagai latar belakang. Tambahkan efek blur ringan, cahaya lampu kilat khas ruangan gelap, dan tone warna agak hangat agar terlihat natural. Jangan ubah wajah saya maupun wajah cowok. Buat pose di mana cowok itu merangkul bahu saya dengan ekspresi wajah natural tanpa senyum berlebihan.

Prompt gambar realistis foto dipeluk idol

Foto cewek adalah foto saya. Buat foto bergaya Polaroid dengan nuansa realistis, cahaya flash menyebar, dan efek noise khas kamera instan. Latar belakang berupa tirai putih sederhana tanpa dekorasi tambahan. Jangan ubah wajah saya maupun cowok. Posisikan cowok sedang memeluk saya dari samping dengan ekspresi wajah lembut dan tenang.

Prompt gambar realistis genggam tangan manis

Foto cewek adalah foto saya. Ciptakan gambar Polaroid yang realistis, seolah diambil di studio kecil dengan pencahayaan sederhana. Berikan efek blur pada pinggiran foto dan flash khas kamera instan. Jangan ubah wajah saya maupun cowok/cewek. Atur pose kami sedang berdiri berdampingan sambil menggenggam tangan dengan ekspresi senyum tipis.

Prompt gambar realistis high-five bareng idol

Foto cewek adalah foto saya. Buatlah foto Polaroid dengan suasana ceria, efek cahaya kilat menyebar, dan detail warna agak pudar khas kamera instan. Latar belakang berupa tirai putih bersih. Jangan ubah wajah saya maupun cowok/cewek. Atur pose di mana kami saling high-five dengan ekspresi wajah tersenyum bahagia.

Prompt gambar realistis ke bahu idol:

Foto cewek adalah foto saya. Buat foto Polaroid realistis dengan cahaya flash terang khas ruangan gelap dan efek blur pada sisi foto. Latar berupa tirai putih sederhana. Jangan ubah wajah saya maupun cowok. Atur pose dengan kepala saya menyandar di bahu cowok. Ekspresi keduanya dibuat datar tanpa senyum, seperti candid

Prompt gambar realistis saling tatap bahagia

Foto cewek adalah foto saya. Buat gambar bergaya Polaroid realistis, seolah-olah diambil di sebuah fan meeting ruangan kecil dengan pencahayaan sederhana. Tambahkan efek flash terang, blur tipis, dan tone warna hangat. Jangan ubah wajah saya maupun cowok. Buat pose kami saling menatap dengan ekspresi senyum tulus.

Prompt gambar realistis pose hati romantis:

Foto cewek adalah foto saya. Buat foto Polaroid dengan efek khas kamera instan: blur lembut, flash terang, dan tone agak hangat. Latar belakang tirai putih tetap sederhana tanpa tambahan dekorasi. Jangan ubah wajah saya maupun cowok. Atur pose di mana saya berdiri di depan sambil tersenyum ke arah kamera, sementara cowok ada di belakang saya, tersenyum dan membentuk simbol hati dengan kedua tangan.

6 Ide Produk yang Bisa Kamu Bikin Pakai Teknologi Ini

Saya langsung mikir mau bikin startup pas nyoba AI ini

Berikut ide-ide liar tapi masuk akal:

• Edit foto untuk Pemula → tinggal ketik, langsung jadi.
• Aplikasi Photobomb → tempel wajah kamu ke momen Oscars.
• Selfie bareng Artis → literally kamu bisa nongkrong sama Taylor Swift versi AI.
• 3D Model Instan → buat arsitek atau desainer interior.
• Simulasi Potong Rambut → coba gaya rambut sebelum ke salon.
• Bikin Ruang Tamu Impian → upload kamar kos berubah jadi kamar desain baru

Kapan Harus Pakai Nano-Banana?

Gunakan kalau kamu:

• Butuh hasil cepat tanpa buka software berat.
• Ingin visualisasi ide desain atau iklan.
• Lagi cari bahan konten yang kreatif dan eye-catching.

Kekurangan Nano-Banana (Biar Fair)

Nggak semua manis. Ini dia beberapa batasan yang gue temuin:

• Masih eksklusif di model Gemini 2.5 Flash → nggak semua device dapat akses.
• Kualitas bisa random tergantung prompt.
• Belum punya komunitas kreator sebesar Midjourney.

Kesimpulan: Layak Dicoba?

YES. 100% Layak.

Kalau kamu pengen eksplor AI untuk desain, konten visual, atau produk digital, Nano-Banana adalah hidden gem yang wajib kamu coba sekarang juga.

Kamu bisa belajar gabungin kekuatan ChatGPT + Canva + Nano-Banana jadi sistem produktivitas.

Bukan cuma ngetik prompt, tapi bikin hasil nyata.

Dikurasi dari post :
– Banana. – by Ruben Hassid – How to AI
– Teknologi.id

The post Cara Lengkap Prompt Gambar Realistis Dengan Gemini, Tidak Perlu Lagi Jumpa Fans. appeared first on Jago Prompt.

Kalau kamu udah kirim ratusan lamaran tapi sepi panggilan, jangan buru-buru nyalahin diri sendiri. Bisa jadi masalahnya bukan di pengalaman kamu, tapi di cara kamu menyampaikannya. Tidak semua orang paham bagaimana menceritakan tentang apa pengalamannya dalam bahasa yang membuat perekrut kerja tertarik pada pelamar.

Seperti yang kamu ketahui, AI seperti ChatGPT juga punya cara lebih pintar (dan cepat) buat ngubah CV kamu jadi magnet HRD.

Reddit menemukan trik ampuh yang udah bikin banyak pengguna dapat interview untuk posisi yang bahkan “lebih tinggi dari level mereka.” Tapi bukan dengan bohong, ya. Justru caranya super jujur tapi terstruktur.

Sebelumnya kamu udah harus mahir dulu memakai ChatGPT, kalau misalnya masih bingung coba baca deh Panduan ChatGPT di artikel lain blog ini. Kalau sudah, mari kita selami langkh demi langkah untuk membuat CVmu menjadi jauh lebih bagus.

Langkah 1: Ubah CV Kamu Jadi Mesin Pendongkrak Peluang Interview

Kamu cukup kasih ChatGPT dua hal:

1. CV kamu yang asli (jangan edit dulu, biarin mentah aja),
2. Deskripsi pekerjaan dari posisi yang kamu incar.

Trus ketik prompt ini:

Optimalkan CV dan pengalamanku supaya cocok banget dengan lowongan ini

Dalam hitungan detik, ChatGPT bakal sulap pengalaman kamu jadi CV yang sesuai banget sama wishlist HRD. Kamu bakal kaget gimana bahasa dan susunannya langsung nyambung sama deskripsi kerja.

Namun sebaiknya kamu tetap membaca ulang karena jangan sampai ada hal-hal yang ditulis oleh AI tidak sesuai dengan pengalaman yang sebenarnya, walaupun peluang ini kecil, tapi ingat selalu hanya percaya AI 99% dan 1% nya kamu wajib memvalidasi apa yang dihasilkan oleh AI.

Setelah kamu yakin kalau tidak ada hal yang aneh, nah boleh deh kamu submit

Langkah 2: Latihan Interview dengan Jawaban Metode STAR

Ini bagian paling keren. Setelah CV kamu udah dicocokkan, lanjut ke interview. Tapi jangan cuma latihan depan kaca dengan daftar pertanyaan yang seadanya ya.

Gunakan prompt ini:

Buatkan jawaban interview terbaik dengan metode STAR berdasarkan CV saya dan posisi yang saya lamar

Mungkin kamu bertanya, apa itu metode STAR? Singkatnya STAR itu begini :

• Situation (Kondisinya gimana?)
• Task (Tugas kamu apa?)
• Action (Apa yang kamu lakuin?)
• Result (Hasilnya gimana?)

Framework ini umum dipakai untuk membuat jawaban kamu lebih jelas ke interviewer karena dari STAR kamu bisa menjelaskan pencapaian dalam sebuah kondisi tertentu. Dengan struktur ini, kamu juga bisa kasih jawaban yang runut, berbobot, dan nggak muter-muter.

Kenapa Cara Ini Works Banget?

Simpel: karena kita ngomong pakai “bahasa” HRD. Banyak orang jatuh di interview karena ngomong dari sudut pandang mereka sendiri, bukan dari apa yang recruiter pengen denger. Kalau kamu pakai ChatGPT buat menyusun jawaban pakai data kamu sendiri, kamu nggak perlu ngarang atau melebih-lebihkan. Yang penting kamu susun dan bungkus pengalamanmu seperti yang mereka cari.

Langkah 3 : Pakai ChatGPT Buat Bangun Sistem Interview Lengkap

Kalau kamu udah mulai nyaman, jangan berhenti di situ. Banyak pengguna Reddit bahkan bikin sistem latihan interview lengkap pakai ChatGPT:

• Buat daftar pertanyaan interview yang mungkin ditanyain,
• Lakukan mock interview langsung pakai suara (voice mode),
• Minta motivasi sebelum interview biar lebih tenang.

Kuncinya adalah latihan berulang-ulang agar kamu familiar dengan segala macam kemungkinan pertanyaan interview yang akan ditanyakan. Praktek yang banyak akan membuat kamu semakin mahir dalam menghadapi interview yang sebenarnya.

Studi Kasus Nyata: Dari 151 Lamaran ke 3 Interview dalam 10 Ajuan

Ada satu pengguna Reddit yang cerita dia udah kirim 151 lamaran, cuma dapet 6 interview, dan nol panggilan lanjutan. Tapi setelah pakai metode ini, dia cuma kirim 10 lamaran, dapet 3 interview. Bukan sulap, bukan sihir, cuma ngatur ulang data dan strategi.

Pengalaman saya (Jati) juga pernah di tahun 2023 ketika ingin melamar sebuah konsultansi bisnis besar (biasa disebut “Big Four”). Dan saya lulus dengan mulus ketika memberikan CV yang saya permak dengan bantuan AI, dengan catatan saya tidak melebih-lebihkan hanya menyesuaikan dengan apa yang pemberi kerja minta. Pada akhirnya saya lolos dan diberi penawaran kerja, walaupun akhirnya saya tolak karena masih belum sesuai dengan yang saya harapkan.

Tips Tambahan: Biar Hasil AI Nggak Terlalu Kelihatan “Robot”

Kesalahan banyak orang adalah membiarkan hasilnya tanpa edit sana-sini dan percaya gitu aja. Nah itu salah besar, setelah kamu dapet hasil dari ChatGPT maka lakukan ini.

• Hapus gaya “robotik” yang terlalu rapi, kamu pasti paham jika sering memakai ChatGPT sebagai alat bantu untuk menghaluskan tulisan.
• Ganti bullet point berlebihan dengan kalimat aktif, karena AI sering cenderung memberikan bullet list atau bullet point.
• Minta ChatGPT untuk “dumb down” alias sederhanakan tulisannya biar lebih manusiawi agar pemberi kerja paham apa yang sudah kamu kerjakan walaupun biasanya mereka juga banyak yang memiliki pengetahuan yang sama dengan kamu.

Percayalah, HRD lebih suka CV yang gampang dicerna daripada yang terlalu teknis atau buzzword overload.

Mindset yang Harus Kamu Ubah: Santai dan Autentik

Banyak pelamar yang panik pas interview, dan akhirnya malah gagal karena terlalu tegang.

Fakta menarik: beberapa user bilang interview terbaik mereka justru datang waktu mereka udah pasrah.

Dengan latihan pakai ChatGPT dan persiapan yang matang, kamu bisa datang ke interview dengan sikap “take it or leave it.”

Dan anehnya, sikap ini justru bikin kamu keliatan lebih pede dan profesional. Percaya atau tidak, mindset pertama saya dalam interview apa saja adalah anggap saja gak dapet namun harus melakukan usaha semaksimal mungkin saat interview. Mungkin kamu bisa tiru kalo jangan terlalu berharap ketika melakukan interview apapun namun tetap dengan usaha yang maksimal sebelum melakukannya.

Penutup: Jangan Sekedar Ngikutin, Tapi Modifikasi Buat Diri Sendiri

Ingat, ChatGPT bukan alat sulap. Tapi kalau kamu tahu cara pakainya, dia bisa bantu kamu presentasiin versi terbaik dari diri kamu.

Dan semua itu pakai data asli kamu sendiri, bukan rekayasa.

Kalau kamu udah coba cara ini dan berhasil dapet kerja, balik lagi ke artikel ini dan kasih tahu ceritamu. Siapa tahu kisahmu bisa jadi inspirasi buat yang lain juga!

Catatan : Artikel ini ditulis sebagian besar oleh AI dan diubah oleh Jagoprompt. Sumber asli artikel ini adalah dari link berikut ini https://www.theneurondaily.com/p/multimodal-ai-multi-danger

The post Cara Gila Bikin CV & Jawaban Interview Pakai ChatGPT Bikin HRD Langsung Ngontak Kamu appeared first on Jago Prompt.

Dalam kesempatan tersebut, saya berbagi tentang “Us Feat Generative AI”, mengisahkan pengalaman saya sebagai seorang pekerja sekaligus peneliti yang menggunakan AI Generatif.

Berikut adalah dokumentasi selama kegiatan tersebut:

Saya sharing selama 1 jam lebih sedikit, waktunya hampir tidak terasa karena para peserta sangat telaten menyimak apa yang disampaikan. Berikut slidenya :

Sepertinya sih menarik juga membahas singkat via video tentang apa yang saya sampaikan dan mungkin bisa menjadi insight bagi semua orang tentang penggunaan Generative AI dalam kegiatan apapun.

Di posting ini saya akan menuliskan dan menjawab dua pertanyaan dari peserta di forum ini yaitu :

Bagaimana tanggapan saya tentang hak cipta di AI?

Ini adalah pertanyaan yang menarik dan jarang dibahas. Banyak seniman mengeluhkan penurunan penjualan karena kini semua orang dapat membuat gambar sendiri hanya dengan sebuah prompt. Saya sendiri sering menggunakan AI generatif untuk membuat gambar, namun hanya untuk keperluan iklan.

Bayangkan, saat ini siapa saja dapat membuat karikatur sendiri menggunakan teknologi face swap, atau melihat banyaknya buku cerita anak dengan karakter yang dibuat oleh AI. Kondisi seperti ini tentu sangat mempengaruhi seniman yang bergantung pada pembuatan gambar.

Baru-baru ini, video dari Presiden Prabowo yang menampilkan program makanan bergizi gratis dari Kementerian Komunikasi dan Digital juga mendapat kritik karena menggunakan AI daripada menggandeng seniman digital. Ini menunjukkan kurangnya pemberdayaan terhadap seniman digital dalam proyek tersebut.

Memang benar, undang-undang hak cipta seringkali berada dalam area yang abu-abu, terutama ketika berkaitan dengan penggunaan AI. AI tidak secara langsung menduplikasi karya yang sudah ada, melainkan belajar dari berbagai sumber yang tersedia dan kemudian menghasilkan sesuatu yang baru.

Ketika kamu meminta AI untuk menciptakan gambar yang mirip dengan karya Van Gogh, memang akan tampak jelas adanya elemen peniruan. Namun, AI dapat mengkombinasikan gaya dari Rembrandt dan Van Gogh, misalnya, untuk menghasilkan output yang baru dan unik, yang mana sulit untuk ditentukan gaya mana yang benar-benar mempengaruhi hasil akhirnya.

Ini menunjukkan kekuatan AI dalam menghasilkan kreasi yang inovatif dan segar dengan mengambil inspirasi dari berbagai sumber tanpa secara eksplisit meniru satu pun dari mereka. Ini membuka banyak peluang kreatif tetapi juga menimbulkan pertanyaan penting mengenai batasan hak cipta dan originalitas dalam era digital.

Ada sebuah penelitian agar karya seni yang ada di internet bisa sengaja diracuni datanya agar AI tidak bisa belajar dari sebuah karya seni original, namun ini tentunya masih dalam tahap penelitian dan jalannya masih sangat panjang untuk diaplikasikan secara global.

Walaupun hukum tentang hak cipta ini belum kuat, sebaiknya kita hendaknya tidak menggunakan AI untuk ilustrasi-ilustrasi atau karya gambar jika kita adalah entitas yang besar yang sebenarnya punya anggaran untuk menghire seorang seniman manusia (walaupun jadi susah kita memutuskan kapan pakai kapan jangan pakai karena bisa menghemat uang)

Bagaimana agar orang lain juga mengetahui manfaat AI dan bagaimana menghindari efek buruk dari penggunaan AI.

Untuk membuat orang lain menyadari manfaat AI Generatif, tunjukkan bahwa pekerjaan yang sama dapat dilakukan lebih efisien dengan bantuan AI.

Misalnya, jika kamu dapat menyelesaikan laporan dalam satu jam, sedangkan rekan lain membutuhkan beberapa jam, kecepatanmu itu akan langsung menarik minat orang lain untuk menggunakan AI karena terbukti bermanfaat.

Jadi, cukup tunjukkan saja…

Namun, saya sering juga menemui seseorang yang memiliki keahlian tinggi enggan menggunakan AI karena hal ini membuatnya harus melakukan pengeditan berkali-kali. Untuk kasus seperti ini, lebih baik membiarkannya saja karena bahkan tanpa AI pun ia dapat unggul.

Pertanyaan kedua adalah tentang cara menghindari dampak negatif dari penggunaan AI. Saya akan lebih memfokuskan pada penggunaan AI Generatif. Saya lupa menambahkan hal ini saat acara, tetapi yang jelas, segala sesuatu yang berlebihan itu tidak baik.

Dalam menggunakan AI, kamu haruslah menjadi ahli terlebih dahulu yang dapat memvalidasi atau memiliki kepekaan terhadap apakah jawaban AI itu akurat atau tidak.

Jika kamu sudah memiliki kepekaan tersebut, biasanya AI memang dapat meningkatkan produktivitas tanpa membuat kamu tergantung sepenuhnya pada AI.

Jadi, ada dua dampak negatif yang dapat dihindari dengan menggunakan AI jika kamu adalah seorang ahli, yaitu kamu terhindar dari jawaban AI yang kurang tepat dan kamu tidak akan terlalu tergantung pada AI jika suatu saat kamu berada dalam kondisi di mana penggunaan AI tidak diperbolehkan sama sekali.

The post Event CloudCamp Ramadan Bersama IDCloudHost dan Awan.io appeared first on Jago Prompt.

DeepSeek adalah perusahaan kecerdasan buatan (AI) asal Tiongkok yang mengembangkan large language models (LLM) bersifat open-source. Didirikan pada tahun 2023 sebagai entitas independen oleh High-Flyer, sebuah hedge fund (pengelola modal berbagai aset) Tiongkok yang sebelumnya menggunakan machine learning untuk perdagangan saham.

Lambat laun, entitas ini mengembangkan DeepSeek yang berfokus pada penelitian AI dan tidak terlibat dalam perdagangan saham. Di awal kemunculannya, saya agak skeptis karena DeepSeek ini sebelumnya sedikit sekali muncul di berita mainstream, sekalinya terdengar langsung membuat Open AI terancam.

Mengapa DeepSeek mengancam Open AI?

Sebelumnya Open AI sangat pede bahwa belum ada model LLM lain yang sepintar O1, model ChatGPT tertinggi dengan pengetahuan konon setara orang berpendidikan PhD. O1 ini juga memilki Chain of Thought (COT) dimana model ini memiliki fase berpikir sebelum menjawab yang menjamin jawabannya ini akurasinya lebih tinggi daripada model ChatGPT di bawahnya.

Di tanggal 20 Januari 2025, tiba-tiba DeepSeek mengeluarkan model terbarunya bernama DeepSeek-R1 dengan memberikan fitur Deep Think pada platform chatnya. Lihat tweet orang yang sudah mencoba fitur ini:

Tentu ini sama dengan apa yang dilakukan oleh ChatGPT dengan model O1 nya. DeepSeek mengumumkan di halaman dokumentasinya bahwa model DeepSeek-R1 ini tidak berbeda jauh jika dibandingkan dengan model O1 milik ChatGPT.

Perlu diingat, model O1 diklaim memiliki kecerdasan di atas model ChatGPT lain dan sering disebutkan kepintarannya setara PhD (bahkan ada video Profesor ekonomi mengomentari model ini).

Inilah hasil benchmark yang membuat Open AI mulai ketar-ketir :

Terlihat pada grafik di atas, akurasi beberapa model DeepSeek bersaing dengan akurasi model tertinggi O1. DeepSeek-R1 unggul tiga dari enam tes dimana hanya kalah tipis di dua tes logika yaitu Codeforces dan MMLU.

Benchmark ini memperlihatkan ChatGPT akhirnya menemukan lawan tangguh hingga konon Sam Altman, CEO Open AI memutuskan menggratiskan model O3-mini akibat tekanan dari DeepSeek.

Alasan berikutnya, DeepSeek memiliki model Open Source

Berbeda dengan ChatGPT, DeepSeek mengeluarkan beberapa model yang sifatnya OpenSource. Model yang mereka keluarkan sifatnya “distilled”, ini sangat teknis sekali namun plus minus artinya model ini versi lebih efisien dan akurasinya tetap terjaga seperti O1 dengan O1 mini atau GPT4 dengan GPT4 mini.

Semua orang bisa memanfaatkan model DeepSeek dimanapun baik di server lokal atau cloud dengan tujuan untuk membuat berbagai macam aplikasi yang dikustomisasi tujuan tertentu atau sekedar bercakap-cakap dengan AI.

Hal ini tidak kita temukan di ChatGPT karena memang OpenAI beraliran Closed Source dimana kita mesti membayar untuk semua jenis API Open AI.

Dua alasan ini menampar keras dunia AI utamanya di Amerika Serikat mengingat disana adalah kiblat AI dengan ChatGPTnya dan sekarang besar kemungkinan perubahan kiblat akan menjadi ke Tiongkok.

Cara memakai DeepSeek bagi orang awam

Tentu pada artikel ini saya tidak akan membahas bagaimana cara memanfaatkan open source model yang disediakan oleh Deep Seek namun bagaimana memakai DeepSeek untuk topik berkaitan dengan penelitian yang butuh akurasi.

Sama seperti ChatGPT, DeepSeek memiliki platform sendiri dimana kamu bisa mengakses dua model di dalamnya yaitu DeepSeek-R1 yang memiliki kemampuan reasoning dan DeepSeek chat yang memakai model DeepSeek-V3. Kunjungi https://chat.deepseek.com untuk menggunakan dua model tersebut.

Antarmuka DeepSeek tidak jauh berbeda dengan ChatGPT, berikut yang saya perhatikan dari antarmuka platform ini :

1. Pada sidebar terdapat sejarah percakapan (history chat), lebih sederhana karena tidak ada pilihan untuk mengkategorikan prompt dalam folder seperti ChatGPT dan juga ketiadaan GPTs marketplace.
2. Pada form prompt, ada pilihan mengaktivasi DeepThink (R1) dan terhubung dengan internet. Ada juga tombol unggah “attachment”. Seperti yang saya infokan sebelumnya, tanpa diaktivasi model R1 maka kamu akan memakai DeepSeek-V3.
3. Sayangnya sebuah sesi prompt belum bisa dishare layaknya di ChatGPT sehingga kita tidak bisa memperlihatkan sesi prompting ke orang lain.
4. Kuota pertanyaan ke DeepSeek-R1 adalah 50 pertanyaan per hari.

Ketika menghidupkan DeepThink (R1), cara menjawabnya mirip dengan ChatGPT O1 dimana DeepSeek akan melakukan Chain of Thought sebelum memberikan jawaban seperti diperlihatkan di bawah ini :

Lalu bagaimana ketika DeepSeek dipakai untuk pertanyaan-pertanyaan yang memerlukan akurasi tinggi seperti topik-topik penelitian. Ini percobaan saya walaupun belum dibandingkan head to head dengan ChatGPT, mungkin akan saya buat di artikel lain.

Pertanyaan teori beserta sumbernya.

Saya hidupkan DeepThink-R1 dan internet dengan pertanyaan sederhana “Apa itu Kingdon three streams” untuk menguji hasilnya. Berikut jawaban dari DeepSeek:

DeepSeek mampu memberikan jawaban yang komprehensif dengan sumber yang juga bisa dipertanggungjawabkan. Pada gambar terlihat ketika saya mengklik tombol 24 sumber, DeepSeek memberikan 24 sumber tersebut di layar kanan. Jika kamu sering meminta ChatGPT terhubung internet dan mencari sumber, maka hal yang dilakukan persis seperti ini namun bedanya DeepSeek tidak mampu menampilkan gambar yang berhubungan dengan apa yang dicari layaknya seperti ChatGPT di bawah ini :

Meringkas pendahuluan menjadi abstrak

Saya meminta DeepSeek-R1 untuk meringkas tulisan pendahuluan saya menjadi Abstrak dengan prompt yang sederhana saja, begini hasilnya :

Saya tidak bisa mengatakan hasilnya sempurna karena pada akhirnya saya banyak memperbaiki hasil abstrak ini, yang menarik adalah bagaimana alur berpikir DeepSeek-R1 dalam membuat abstrak ini.

Model ini mendapati tulisan pendahuluan saya memiliki kesalahan sehingga menurutnya harus dikoreksi dan juga dipastikan agar hasil abstrak tetap akurat beserta jelas untuk dibaca.

Menganalisis data

Saat meminta DeepSeek menganalisis data yang saya berikan lewat “attachment”, ternyata DeepSeek tidak mampu memberikan visualisasi datanya seperti Claude. Tapi, DeepSeek memberikan code python yang bisa dijalankan di luar DeepSeek sendiri.

Saya juga meminta DeepSeek melakukan konversi kode dari Python ke R walaupun baik code Python dan R belum saya coba apakah benar berjalan atau tidak. DeepSeek konon lebih baik dari ChatGPT urusan asistensi pemrograman, mungkin mesti ada sesi khusus untuk mengecek ini.

Kesimpulan

Apa yang ditawarkan DeepSeek di level platform gratis untuk semua orang memang belum selengkap ChatGPT dengan GPTs dan input yang tidak hanya teks atau file. Namun, di tahap ini saya yakin DeepSeek akan berkembang cepat untuk melewati ChatGPT.

Jawaban DeepSeek, menurut saya yang baru memakai AI ini, cukup memuaskan dibandingkan dengan model AI lain seperti Llama, Claude, atau Gemini. Saya sepertinya akan mencoba memakai DeepSeek sebagai secondary model AI di penelitian yang sedang saya buat COT DeepSeek juga menarik untuk dibaca karena kita sebagai individu kecerdasan organik seharusnya memiliki cara pikir yang minimal sama atau bahkan melebihi AI.

Kita lihat apa kejutan DeepSeek berikutnya.

The post Panduan Deepseek : LLM Open Source Tiongkok Yang Membuat ChatGPT Kalang Kabut appeared first on Jago Prompt.

Apa itu Copilot?

Microsoft Copilot adalah asisten AI buatan Microsoft yang berfungsi untuk membantu pengguna memproduksi tulisan dan gambar dengan Generative AI. Pengguna browser Edge tentu tidak asing dengan Microsoft Copilot karena di awal-awal kemunculannya, Copilot disematkan di pojok kanan atas browser.

Kegunaan Copilot ini ya seperti Generative AI pada umumnya dimana kamu bisa memasukkan prompt dan nanti Copilot akan memberikan jawaban berdasarkan pertanyaan kamu. Namun, sebenarnya banyak yang belum tahu bahwa kegunaannya lebih dari sekedar ngeprompt saja, saya akan jelaskan nanti di tengah artikel.

Apakah Copilot sama saja dengan ChatGPT?

Di awal kemunculannya, Copilot memang disebutkan memakai engine ChatGPT 4 karena Open AI sendiri memang bekerja sama dengan Microsoft. Namun belakangan, Microsoft menyatakan Copilot tidak dibuat berdasarkan model ChatGPT 4 dan sudah berbeda jauh dari kemunculan awalnya.

Kemungkinan saat ini Copilot sudah memakai modelnya sendiri, di artikel terakhir Microsoft dikabarkan mengembangkan sebuah model baru bernama LAM walau belum diketahui apakah akan dipakai di Copilot.

Dimana bisa mengakses Copilot?

Copilot secara default bisa diakses di perangkat desktop atau laptop yang menginstall Windows 11. Selain itu Copilot bisa diakses di aplikasi mobile baik Android atau Apple dan juga website. Namun yang biasanya saya lakukan adalah mengaksesnya via Sidebar di browser Edge milik Microsoft.

Silahkan download aplikasi Copilot di Google Play atau Apple Store.

Mendownload browser Edge untuk mencobanya dengan Sidebar

Atau langsung saja ke alamat copilot.microsoft.com untuk mengakses AI nya langsung.

Tidak ada perbedaan fungsi ketika mengakses dari mana saja, namun pada artikel ini saya akan menjelaskan pemakaiannya di browser Edge. Ada tiga fungsi dasar yang bisa dilakukan oleh Copilot, yaitu :

1. Prompting dengan teks, sebagaimana kamu memakai AI LLM yang lainnya seperti ChatGPT dan Claude. Untuk prompting di copilot bisa menghasilkan teks dan gambar.
2. Prompting dengan percakapan, alias input promptnya adalah audio sehingga seolah-olah kamu bercakap-cakap dengan AInya.
3. Upload gambar, sehingga bisa dikombinasikan dengan teks.

Di luar hal tersebut, Copilot juga di Home nya memberikan rekomendasi prompt dan ringkasan berita global oleh AI.

Fitur yang tadi bisa kamu coba satu-persatu langsung di Copilot, namun saya sering memakai fitur Copilot di Edge yang mungkin tidak banyak orang manfaatkan yaitu ringkasan web yang sedang dibuka.

Fitur meringkas web yang dibuka

Lalu apakah Copilot berguna saat kita menulis essay, artikel, dan paper?

Untuk saya, setiap menulis sesuatu selalu diawali dengan membaca sebuah referensi baik itu artikel berita atau publikasi seperti paper.

Nah, Copilot di browser Edge ini bisa dimanfaatkan untuk meringkas sebuah berita atau publikasi dengan cara prompting sederhana saja. Sekalipun beritanya dalam bahasa Inggris, kamu bisa meringkasnya dalam bahasa Indonesia.

Caranya adalah silahkan buka artikel yang ingin kamu ringkas dan berikan prompt singkat ini :

ringkas berita ini dalam bahasa Indonesia dan buat bullet list hal-hal penting

Tunggu sejenak dan Copilot akan memberikan ringkasan sesuai dengan format yang diminta :

Tidak hanya meringkas website yang dibuka, jika ketemu sebuah publikasi berupa PDF asalkan dibuka dengan browser Edge bisa dibaca oleh Copilot. Saya mencobanya untuk membaca artikel saya sendiri.

Tanya jawab tentang web yang dibuka

Dan apakah Copilot bisa melakukan tanya jawab tentang isi dari web atau pdf yang dibuka? tentu bisa.

Berikut saya mencoba meringkas lagi sebuah artikel dari MIT Sloan dan melanjutkan prompt dengan pertanyaan untuk mengetahui isi dari artikel yang dibuka.

Gagal ketika memakai mode audio dan berhasil di gambar

Saya kira artikel atau paper yang sedang dibuka akan bisa dibaca oleh Copilot dalam bentuk pertanyaan audio percakapan (lihat logo mic kanan bawah), namun sayang ketika saya mencoba bertanya beberapa kali, Copilot gagal membaca apa yang sedang terbuka di website.

Namun ketika saya minta Copilot untuk membuat gambar berdasarkan artikel yang dibuka, Copilot berhasil membuatnya di percobaan kedua (tapi siapa sih yang mau buat gambar dari artikel, intinya nyoba aja sih)

Kesimpulan

Seorang penulis apapun bentuk tulisannya tentu butuh membaca banyak referensi. Fitur ini sangat berguna jika kamu ingin mengetahui sesuatu lebih dalam dengan membaca referensi-referensi dari dalam dan luar sehingga konsep yang ingin ditulis menjadi lebih matang.

Saya pribadi sangat menyukai fitur ini di Copilot sehingga tidak repot lagi membuka ChatGPT untuk meminta ChatGPT mengakses sebuah website (walaupun konon sebentar lagi ChatGPT akan mengeluarkan fitur serupa bernama Operator)

Untuk fitur prompting text dengan tema penelitian, saya belum banyak mencobanya karena lebih sering memakai ChatGPT yang saya rasa sudah memecahkan masalah. Mungkin kamu bisa coba sendiri sebagai pembanding dengan AI gratis lainnya.

Selamat mencoba

The post Semua yang Perlu Kamu Ketahui Tentang Microsoft Copilot dan Cara Memanfaatkannya Untuk Penelitian appeared first on Jago Prompt.

Mulai dari pelajar yang lagi kesulitan dengan tugas, hingga pebisnis yang butuh bantuan bikin konten. Nah, kali ini saya akan bahas lengkap tentang ChatGPT dan segala macam tentang Generative AI.

Apa Itu ChatGPT?

Saya mendapatkan cerita dari sebuah podcast, cerita ini mungkin tidak akan kamu temukan di Google Search karena merupakan konten sebuah podcast.

Seperti yang sudah kita tahu, sebenarnya yang duluan aktif mengembangkan AI justru adalah Google. Coba deh kamu search, pasti banyak menemukan fakta bahwa dari lama Google sudah mengembangkan Generative AI.

Nah, suatu hari para ilmuan AI Google menerbitkan sebuah paper berjudul “Attention Is All You Need”, yang menjadi sebuah publikasi kunci memahami teknologi Generative AI.

Para Ilmuan Google, membawakan paper ini dalam sebuah Conference dimana kebetulan para Ilmuan dari Open AI juga sedang berada dalam momen tersebut.

Ilmuwan Open AI yang ada dalam conference tiba-tiba mendapatkan aha moment untuk mencoba hal yang dibagi oleh peneliti dari Google. Wajar, Open AI sebenarnya juga sudah dari lama bergelut di hal ini, maka semua sumber daya sebenarnya juga lengkap.

Akhirnya para Ilmuwan Open AI ini mengimplementasikan apa yang didapatnya, dan mulai mengembangkan sebuah model AI yang mampu menjadi chatbot pintar layaknya asisten lalu menamainya sesuai arsitekturnya yaitu menjadi Generative Pre-trained Transformer (GPT).

Era ChatGPT Awal Sampai Dengan ChatGPT 4o

Dari dibuatnya GPT, Open AI menamai setiap versinya dengan angka dan perubahannya. Sebenarnya penjelasannya akan sangat panjang jika kita mengulas kebisaan masing-masing versi.

Cara kamu mengakses versi GPT ini adalah dengan mengakses situs Open AI yang beralamat di chatgpt.com.

Apa perbedaan tiap versi? sama saja dengan pertanyaan apa perbedaan versi-versi Android, tentu karena ini adalah kecerdasan buatan maka perbedaannya banyak di efisiensi dan akurasi masing-masing modelnya.

Kita sebagai orang awam yang memakai memang ChatGPT tidak terlalu merasakan, namun ketika sudah dikasi pertanyaan-pertanyaan yang menguji kecerdasan, maka akan terlihat mana model GPT yang lebih pintar dari yang lainnya.

Sampai saat ini model tertinggi dari ChatGPT adalah ChatGPT 4o yang diklaim memiliki kecerdasan tertinggi jika dibandingkan dengan model-model lain di Open AI (bahkan mereka sering membandingkan dengan kecerdasan dari merk lain)

Update ChatGPT O1-Preview

Belum lama ini Open AI kembali meluncurkan model terbaru yang diklaim pengetahuan penalarannya setara dengan PhD (S3). Artinya bahkan ChatGPT 4 dalam bulan-bulan berikutnya akan hilang dari pilihan model ChatGPT.

Baca berita tentang Update Model O1-Preview Disini!

Update model GPT 4.5, O3-mini, dan O3

Sungguh sangat cepat penambahan model dari ChatGPT karena per Maret 2025 ChatGPT menambah jajaran modelnya menjadi GPT 4.5, O3-mini, dan O3. Penambahan model yang dipercepat ini kemungkinan karena DeepSeek yang tiba-tiba masuk ke arena kompetisi AI dan langsung mengungguli akurasi model lainnya.

Untuk lebih memahami mengapa nama-nama model ChatGPT berbeda, jika diawali dengan “O” maka model tersebut adalah “reasoning model” alias bisa berpikir (tidak beneran mikir, seolah-olah). Jika modelnya diakhiri “mini” seperti O1-mini atau 4o-mini, itu artinya kecerdasannya di bawah model utama namun lebih efisien jika diinstall di PC lokal, abaikan jika kamu tidak memakai APInya. Sisanya kecerdasan model bisa dikomparasi dari angkanya.

Untuk artikel lengkap model-model ChatGPT, silahkan ikuti link ini :

1. Model O3-mini
2. Model 4.5

ChatGPT akhirnya membuat sebuah menu perbandingan di website mereka sendiri agar pengguna tidak bingung tentang setiap model yang dikeluarkan ChatGPT mengingat modelnya semakin lama akan semakin banyak.

Ikuti link ini untuk membaca perbandingan setiap model ChatGPT di website Open AI : https://platform.openai.com/docs/models/compare

Tinggal pilih model yang ingin dibandingkan, ini mirip seperti saat membandingkan spesifikasi smartphone dan Open AI sudah membuat secara singkat keterangan bagaimana model tersebut dari segi performa, kepintaran, kecepatan, dan lain-lain.

Dengan begini, kamu tentu menjadi lebih gampang memutuskan untuk memakai model yang mana jika sudah subscribe ChatGPT Plus (ingat, ini tidak berlaku bagi yang pakai gratisan ya)

Apakah Ada Perbedaan ChatGPT Free dan Plus?

Ini juga banyak ditanyakan oleh para murid di JagoPrompt, saat ini perbedaan yang paling kentara adalah jumlah batas prompt dalam 3 jam dan kemampuan kita untuk melihat model apa yang sedang digunakan.

Untuk batas prompt, pengguna Free tidak akan menyadarinya karena Open AI memberlakukan tingkatan GPT dalam prompt walaupun baik Free dan Plus bisa mengakses ke model yang paling tinggi.

Saat kamu ngeprompt maka yang berlaku adalah ChatGPT 4o, namun ketika sudah lewat 15 prompt, akan diturunkan menjadi model di bawahnya, begitu seterusnya sampai nanti di model terbawah sudah terpenuhi 15 prompt maka chatgpt sudah tidak bisa dipakai lagi.

Di ChatGPT Free kamu tidak bisa memilih model mana yang akan dipakai.

Berbeda dengan ChatGPT Plus, kamu bisa memilih model dan setiap model memiliki batasan prompt per 3 jam. Contoh model GPT 4o memiliki kuota 80 pesan / prompt setiap 3 jam, dan model di bawahnya hanya 40 prompt dalam 3 jam.

Di ChatGPT kita bisa menemukan sebuah pasar aplikasi bernama CustomGPT, layaknya Google Play atau App Store. CustomGPT adalah ChatGPT yang dibuat oleh pengguna ChatGPT untuk tujuan-tujuan khusus seperti misalnya memperbaiki tulisan, membuat tulisan menjadi lebih bagus untuk SEO, mengubah tulisan agar lebih manusiawi, sampai bisa menghasilkan gambar yang realistis.

Untuk mencari CustomGPT, silahkan cek di sidebar halaman website ChatGPT dimana kamu akan menemukan sebuah icon CustomGPT seperti gambar di bawah ini :

Nah pertanyaannya, apa perbedaan fitur ChatGPT Free dan Plus? tidak ada. Dulunya CustomGPT hanya bisa diakses oleh akun Plus namun sekarang Open AI memberikan akses CustomGPT ke semua jenis akun.

Mungkin yang berbeda adalah kuota dan modelnya saja yang dipakai saat menggunakan CustomGPT.

Gimana Cara Menggunakan ChatGPT Gratis?

Sebelum membahas dimana kita bisa menggunakan ChatGPT gratis, saya akan menjelaskan apa perbedaan model dan tools.

Banyak banget yang kegocek dan salah kaprah antara model dan tools. Saya tidak akan jelaskan ini sangat teknis, takutnya nanti kepanjangan.

Model dan Tools itu seperti mesin mobil dan casingnya, jadi model seperti sebuah mesin yang mentenagai sebuah mobil sedangkan casing bisa beda-beda sesuai dengan tujuannya.

Model Generative AI ini adalah GPT oleh Open AI, Llama oleh Meta, Gemini oleh Google, dan Claude oleh Anthropic. Tentu masih banyak model Generative AI namun saya hanya menyebut yang populer saja.

Model Generative AI ini dipakai oleh sebuah tool untuk tujuan tertentu, mari kita ambil contoh tool untuk melakukan pencarian seperti Perplexity.

Atau seperti Scite.ai yang bertujuan untuk melakukan tinjauan pustaka namun memakai GPT 4 sebagai mesinnya.

Barulah sekarang kita ke pertanyaan dimana kita bisa mengakses ChatGPT Gratis? jawabannya adalah bisa langsung dari website chatgpt.com atau bisa juga di tools yang beredar di internet.

Jika di chatgpt.com, web ini adalah resmi dari Open AI dan kamu akan menemukan semua fitur gratis yang sudah saya sebutkan sebelumnya.

Namun jika kamu ingin mengakses ChatGPT gratis dari tools lain juga bisa, misalnya kamu bisa akses ke poe.com dimana website ini memberikan akses ke beberapa AI model seperti GPT, Gemini, Claude, dan Llama.

ChatGPT 3.5: Model Open AI Yang Telah Ditinggalkan

ChatGPT 3.5 awalnya banyak digunakan karena ini adalah versi gratis dan yang pertama menyapa publik. Namun versi ini sudah tidak banyak digunakan, alasannya bukan karena ketidakakuratannya kok.

Open AI telah mengeluarkan banyak versi GPT sejak 3.5 dan sudah sampai ke versi GPT 4o-mini (sampai artikel ini ditulis) yang konon paling efisien dan sama akuratnya dengan versi tertinggi ChatGPT yaitu GPT 4o.

Masalahnya, Open AI sekarang tidak lagi menaruh GPT 3.5 sebagai pilihan di ChatGPT.

Pada ChatGPT Plus, coba cek kiri atas versi GPT yang sedang dipakai, pasti tidak lagi menampilkan ChatGPT 3.5 karena versi paling rendah sekarang adalah GPT 4. Pada Free, Open AI telah mengeluarkan pernyataan juga bahwa di versi Free, GPT paling rendah adalah 3.5.

Jika kamu menemukan sebuah website tool yang masih memakai GPT 3.5 itu wajar karena pemilik webnya tidak mau membayar biaya API yang lebih mahal mengingat sudah pasti ada sedikit perbedaan harga untuk memakai versi yang lebih tinggi.

Update model terendah di free

Saat ini model terendah yang diberikan ChatGPT di versi free adalah GPT 4, dan ini juga mungkin berubah karena semakin banyak model biasanya akan mengubah model terendah yang diberikan. Misal jika ada GPT 5, maka kemungkinan model terendah yang diberikan ke pengguna gratis adalah GPT 4o.

Update : Selamat Tinggal GPT 4

Setelah sebelumnya meninggalkan model GPT 3.5, akhirnya model terendah yang disediakan ChatGPT adalah GPT 4o-mini dan menyingkirkan GPT 4. Per April 2025, kamu tidak akan menemukan model ini lagi yang artinya model yang kamu pakai saat memakai di ChatGPT gratis adalah 4o-mini.

Apa Saja Cara Mengakses ChatGPT? Apakah Hanya ChatGPT Web?

Tidak, ada beberapa cara mengakses ChatGPT dari Open AI. Sekali lagi, kita sekarang sedang tidak membicarakan tools namun model GPT dari Open AI.

Pada dasarnya selain website, hanya ada dua cara mengakses ChatGPT yaitu via aplikasi di smartphone dan Mac.

Untuk aplikasi di smartphone, kamu tinggal mencari di Google Play dan Appstore. Namun hati-hati, ada banyak sekali tools AI yang berkedok ChatGPT dan kamu harus secara seksama melakukan pengecekan. Agar tidak salah install, saya akan sediakan link ChatGPT yang asli di Google Play dan Appstore.

Buka disini untuk ChatGPT di Google Play : Link ChatGPT Google Play

Dan buka disini untuk ChatGPT di App Store : Link ChatGT App Store

ChatGPT juga bisa diinstall di laptop, namun untuk sekarang baru terbatas di Mac saja.

Saya sudah jelaskan tentang apa kelebihan dan kelemahan memakai ChatGPT di Mac pada artikel lain.

Namun menurut pengalaman pribadi saya, penggunaan ChatGPT di Mac ini agak jarang karena sebenarnya fungsi yang saya butuhkan sudah cukup disediakan di ChatGPT Web.

Kurang banyak alasan saya memakai ChatGPT baik di Mac waupun di aplikasi smartphone karena biasanya saya melakukan pengeditan tulisan full di website saja dan mengetik prompt di luar browser agak merepotkan.

ChatGPT di Indonesia: Bagaimana Potensinya?

Aturan memakai ChatGPT di Indonesia secara nasional tidak ada.

Konon Kementerian Komunikasi dan Informasi dan Badan Riset Inovasi Nasional akan membahas regulasi tentang AI (kabar orang dalam, belum bisa divalidasi).

Untuk level penggunaan korporat pasti agak lebih ketat karena penggunaan ChatGPT harus dibarengi dengan keamanan karena ChatGPT bisa memakai data perusahaan, jadi mungkin setiap perusahaan akan berbeda.

Untuk level penggunaan akademis, mengingat belum ada aturan level kementerian, kemungkinan tergantung dari Universitas masing-masing. Namun Pemerintah sebenarnya sudah mengeluarkan panduan penggunaan Generative AI di perguruan tinggi, silahkan baca artikelnya disini.

Pada akhirnya setiap karya akademis juga akan dilakukan pengecekan ulang oleh perangkat lunak pendeteksi plagiasi (walaupun menurut saya tidak bisa mendeteksi 100%).

Apakah boleh lulus dibantu AI? mungkin kita akan bahas di artikel lainnya atau kalau kamu penasaran bisa langsung saja angkut produk ChatGPT Research Magic.

Perbandingan ChatGPT Dengan Model Generative AI Lainnya

Yang pasti ChatGPT dengan GPT 3.5 menjadi model Generative AI yang mengawali Generative AI booming di dunia.

Google sampai kalang kabut dan segera mengeluarkan BARD (yang sekarang menjadi Gemini) untuk menandingi ChatGPT.

Akhirnya satu persatu banyak model Generative AI yang dikeluarkan berbagai perusahaan seperti Anthropic, Meta dengan Llama, dll.

Kalau kita ingin membandingkan, rasanya tiap hari setiap klaim akan muncul dari yang lainnya. Llama dari Meta agak berbeda karena mengusung keunikan model yang opensource (bisa dipakai semua pengembang).

Namun, ini seperti jualan kecap karena semua mengatakan kecapnya adalah produksi no 1 di dunia.

Untuk melihat mana yang paling akurat, ada sebuah situs benchmark model Generative AI bernama Artifical Analysis yang bisa jadi bahan pertimbangan kalau kamu memang ingin memilih Generative AI dengan akurasi paling tinggi.

Selain performa, di situs tersebut juga dibandingkan berdasarkan kecepatan, harga, dll.

Jika kamu memang sebegitu inginnya tahu mana yang paling cocok dipakai, silahkan banding-bandingkan semuanya.

ChatGPT saat ini mengeluarkan model baru yang dinamai Model O1, silahkan baca artikel kami tentang model O1 yang konon jawabannya setara dengan Mahasiswa PhD. Model ini memiliki penalaran dengan cara memproses prompt agak lama.

Selamat memilih model AI

Mesin Pencari ChatGPT

Kalau boleh dibilang, ChatGPT ini ingin mencaplok semua pesaing lain. Saat ini ChatGPT sudah menyematkan mesin pencari di form promptnya. Silahkan simak artikel kami tentang bagaimana menggunakan ChatGPT sebagai mesin pencari.

Mungkin kita belum terbiasa menggunakan ChatGPT untuk mencari informasi, namun sebuah artikel dari SearchEngineLand, sebuah blog SEO terpercaya mengatakan pencarian di mesin pencari akan turun sekitar 25% di tahun 2026.

Mari kita lihat apakah trend penurunan ini benar-benar terjadi deh.

Agent ChatGPT di tahun 2025

Pernah membayangkan semua proses yang kamu lakukan di internet secara manual seperti membeli tiket pesawat bisa dilakukan AI? ChatGPT punya kejutan di tahun ini yang konon katanya akan mengubah cara kita bekerja dengan AI.

Pada dasarnya ChatGPT akan bisa mengotomatisasi semua langkah per langkah yang dilakukan di internet dan kita tinggal memberikan prompt-prompt secara runut. Lihat demonya di bawah ini :

Image Generator Native

Nah ini nih yang bikin rame karena pada akhirnya ChatGPT mengeluarkan fitur pembuatan gambar yang “native”. Mengapa hal ini berbeda? karena ChatGPT sebelumnya memakai model pembuatan gambar DALL-E yang setelah dicoba tidak terlalu bagus mengkonversi foto menjadi gambar atau mengubah teks (prompting) menjadi gambar yang diinginkan.

Pembuatan gambar dari ChatGPT ini langsung mengubah peta permainan Generative AI karena akurasi gambar yang diberikan meningkat jauh, terutama bagaimana model AI bisa menggambar teks dengan akurat seperti contoh dari Open AI di bawah ini :

Namun yang bikin ini tambah booming bukanlah pembuatan gambar realistis, tapi gambar ala “Ghibli”! Semua orang di dunia tiba-tiba mengubah potret dirinya menjadi Ghibli, mengubah meme menjadi ala Ghibli, foto sejarah ala Ghibli, dan segala macam ala Ghibli sampai GPU ChatGPT tidak sanggup melayani banyak permintaan.

Namun gara-gara kepopuleran ChatGPT dengan image generatornya ini, orang-orang mulai mempertanyakan lagi copyright gambar hasil AI dan apakah boleh meniru style seniman. Jawaban saya masih sama, selama regulasinya tidak ada atau cara teknis mencegahnya maka kita akan selalu ribut di zona abu-abu ini.

Apa yang Akan Terjadi di Masa Depan?

Teknologi AI terus berkembang, dan ChatGPT kemungkinan besar akan semakin canggih di masa depan. Di Indonesia sendiri, AI diperkirakan akan menjadi salah satu pilar utama dalam transformasi digital.

Yang pasti semakin hari AI akan merambah banyak bidang dan serunya kita akan dihadapkan dengan pilihan-pilihan model dan tools yang berbagai macam.

Tentunya seperti biasa, kemajuan ini akan dibarengi dengan risiko memakai AI.

Sampai sekarang belum terlalu jelas apakah AI secara umum sudah meningkatkan produktivitas pekerja, terutama di Indonesia. Sebuah penelitian dari MIT malah mengatakan AI banyak digunakan untuk bercakap-cakap dan ada kaitannya dengan kesehatan mental.

Namun satu yang pasti, kita harus terus belajar “menjinakkan” AI agar lebih banyak keuntungan yang kita dapat daripada kerugiannya.

Namun satu yang pasti, kita harus terus belajar “menjinakkan” AI agar lebih banyak keuntungan yang kita dapat daripada kerugiannya.

The post Panduan Lengkap Tentang ChatGPT 2025: ChatGPT 3.5, ChatGPT 4, ChatGPT O1, ChatGPT Web, ChatGPT Indonesia dan Lainnya appeared first on Jago Prompt.