Membangun Workflow AI yang Konsisten untuk Mengurangi Pekerjaan Berulang

Mengapa Workflow AI Lebih Penting daripada Sekadar Prompt?

Penggunaan kecerdasan buatan dalam pekerjaan sering dimulai dengan aktivitas sederhana. Seseorang membuka aplikasi AI, memasukkan instruksi, memperoleh jawaban, kemudian menyalin hasilnya ke dokumen atau aplikasi lain.

Pendekatan tersebut cukup efektif untuk pekerjaan sesekali. Namun, ketika aktivitas yang sama dilakukan setiap hari, masalah baru mulai muncul.

Instruksi harus ditulis ulang, format keluaran berubah, data perlu dipindahkan secara manual, dan hasil tetap harus diperiksa satu per satu. Pada kondisi seperti ini, persoalannya bukan lagi bagaimana membuat sebuah prompt yang bagus, melainkan bagaimana membangun workflow AI yang konsisten.

Workflow AI adalah rangkaian langkah yang menentukan bagaimana informasi masuk, diproses, diperiksa, dan diteruskan menuju tahap berikutnya.

Secara sederhana:

Input → Persiapan → AI → Validasi → Output → Evaluasi

OpenAI menyediakan panduan prompt engineering yang membahas pendekatan untuk membuat instruksi model lebih konsisten.

Google juga menyediakan Introduction to Prompting sebagai sumber untuk memahami bagaimana instruksi memengaruhi hasil model generatif.

Otomatisasi yang baik bukan sekadar membuat pekerjaan berjalan tanpa manusia, tetapi menentukan bagian mana yang layak diotomatisasi dan bagian mana yang tetap membutuhkan penilaian manusia.

Pembaca dapat langsung menuju [memetakan pekerjaan berulang](#memetakan-pekerjaan-berulang-sebelum-menggunakan-ai) atau [membangun workflow sederhana](#membangun-struktur-workflow-ai-yang-konsisten).

Memetakan Pekerjaan Berulang Sebelum Menggunakan AI

Langkah pertama bukan memilih model AI atau aplikasi otomatisasi. Mulailah dengan mengidentifikasi pekerjaan yang benar-benar berulang.

Perhatikan aktivitas selama satu minggu.

Beberapa contoh dapat berupa:

• Merangkum dokumen.
• Mengklasifikasikan email.
• Mengubah catatan menjadi laporan.
• Membuat deskripsi produk.
• Menyusun notulen rapat.
• Memformat data.
• Membuat draf respons pelanggan.
• Mengubah data mentah menjadi ringkasan.
• Memeriksa struktur dokumen.

Kemudian tanyakan: apakah pekerjaan tersebut memiliki pola input dan output yang cukup jelas?

Jika jawabannya ya, pekerjaan tersebut berpotensi dimasukkan ke dalam workflow.

Bedakan Pekerjaan Deterministik dan Interpretatif

Tidak semua tugas memiliki karakter yang sama.

Pekerjaan deterministik memiliki aturan yang relatif jelas.

Contohnya:

Ambil tanggal, nomor invoice, dan nilai transaksi dari dokumen.

Sementara pekerjaan interpretatif membutuhkan pertimbangan lebih besar.

Contohnya:

Tentukan apakah strategi perusahaan ini layak digunakan tahun depan.

Jenis kedua membutuhkan validasi manusia yang lebih kuat karena jawaban bergantung pada konteks, asumsi, dan penilaian.

Sebelum melakukan otomatisasi, kelompokkan pekerjaan berdasarkan tingkat risiko:

1. Risiko rendah — formatting, klasifikasi sederhana, atau ekstraksi data.
2. Risiko menengah — pembuatan draf, rangkuman, atau analisis awal.
3. Risiko tinggi — keputusan hukum, keuangan, keamanan, kesehatan, atau keputusan strategis penting.

Pembagian tersebut membantu menentukan seberapa banyak pengawasan manusia diperlukan.

Membangun Struktur Workflow AI yang Konsisten

Setelah pekerjaan dipilih, langkah berikutnya adalah menentukan struktur.

Workflow sederhana dapat memiliki enam bagian:

1. Input — data yang masuk.
2. Pre-processing — membersihkan atau mempersiapkan data.
3. Instruction — menjelaskan tugas kepada AI.
4. Generation — model menghasilkan keluaran.
5. Validation — memeriksa hasil.
6. Output — menyimpan atau mengirim hasil.

Misalnya sebuah tim editorial ingin merangkum laporan mingguan.

Alurnya dapat menjadi:

Laporan → Ekstraksi teks → AI membuat ringkasan → Pemeriksaan fakta → Editor menyetujui → Ringkasan dipublikasikan

Struktur tersebut jauh lebih mudah dievaluasi dibandingkan hanya memberikan dokumen kepada AI dan meminta "tolong ringkas".

Tetapkan Input dan Output

Salah satu sumber inkonsistensi terbesar adalah format data yang berubah.

Hari ini input mungkin berupa dokumen lengkap. Besok pengguna hanya memasukkan beberapa paragraf. Hari berikutnya terdapat tabel tanpa penjelasan.

Karena itu, tentukan standar input.

Misalnya:

INPUT

• Judul laporan
• Periode
• Data utama
• Catatan tambahan

OUTPUT

• Ringkasan
• Tiga temuan utama
• Data pendukung
• Risiko
• Tindakan berikutnya

Semakin jelas kontrak antara input dan output, semakin mudah workflow dipelihara.

Sumber: Google for Developers — Introduction to Prompting | https://developers.google.com/machine-learning/resources/prompt-eng

Membuat Template Instruksi yang Dapat Digunakan Ulang

Jika pekerjaan dilakukan berulang kali, jangan menulis prompt dari nol.

Buat template instruksi.

Template dapat terdiri dari beberapa bagian:

• Tujuan.
• Konteks.
• Data.
• Aturan.
• Format keluaran.
• Validasi.

Contohnya:

Tujuan: Buat ringkasan laporan untuk manajemen.

Aturan:

• Gunakan hanya informasi dari dokumen.
• Jangan membuat angka baru.
• Pertahankan tanggal penting.
• Tandai informasi yang tidak lengkap.
• Pisahkan fakta dan rekomendasi.

Output:

1. Ringkasan eksekutif.
2. Temuan utama.
3. Risiko.
4. Tindakan berikutnya.

Template tersebut kemudian digunakan kembali dengan mengganti data masukan.

OpenAI melalui panduan prompting menjelaskan sejumlah teknik untuk meningkatkan reliabilitas instruksi, termasuk memberikan konteks, struktur, dan contoh yang relevan.

Gunakan Variabel daripada Menulis Ulang Prompt

Dalam workflow yang lebih terstruktur, bagian yang berubah dapat dijadikan variabel.

Misalnya:

Nama klien: `{nama_klien}`

Periode laporan: `{periode}`

Data: `{data_laporan}`

Bahasa: `{bahasa_output}`

Dengan cara ini, aturan inti tetap sama sementara data dapat berubah.

Manfaatnya adalah ketika sebuah aturan perlu diperbarui, tim cukup mengubah template utama daripada memperbaiki puluhan prompt berbeda.

Menentukan Bagian yang Layak Diotomatisasi

Kesalahan yang sering terjadi dalam penerapan AI adalah mencoba mengotomatisasi seluruh pekerjaan sekaligus.

Pendekatan yang lebih realistis adalah mencari bagian pekerjaan yang:

• Berulang.
• Memiliki aturan cukup jelas.
• Menghabiskan waktu.
• Mudah diperiksa.
• Memiliki konsekuensi rendah jika terjadi kesalahan kecil.

Misalnya, laporan bulanan membutuhkan lima tahap:

1. Mengumpulkan data.
2. Membersihkan data.
3. Membuat ringkasan.
4. Menentukan keputusan bisnis.
5. Mengirim laporan.

AI mungkin cocok untuk membantu tahap ketiga, sementara keputusan bisnis pada tahap keempat tetap dilakukan manusia.

Otomatisasi Tidak Harus 100 Persen

Jika sebuah pekerjaan membutuhkan 60 menit dan AI membantu mengurangi 20 menit pekerjaan manual, workflow tersebut sudah menghasilkan manfaat.

Target yang lebih realistis adalah:

mengurangi pekerjaan repetitif sambil mempertahankan kontrol pada bagian penting.

Microsoft melalui Azure Architecture Center untuk AI menyediakan berbagai pola dan pertimbangan arsitektur untuk membangun sistem AI dalam lingkungan produksi.

Ketika otomatisasi mulai terhubung dengan sistem perusahaan, aspek seperti autentikasi, kontrol akses, pencatatan, dan keamanan data menjadi semakin penting.

Menambahkan Human-in-the-Loop dan Validasi

Model AI generatif dapat menghasilkan keluaran yang terlihat meyakinkan tetapi tetap mengandung kesalahan.

Karena itu, workflow sebaiknya memiliki mekanisme validasi.

Validasi dapat berupa:

• Pemeriksaan format.
• Pengecekan angka.
• Verifikasi sumber.
• Pemeriksaan nama.
• Pemeriksaan tanggal.
• Persetujuan manusia.
• Perbandingan dengan database.

Tidak semua output membutuhkan tingkat pemeriksaan yang sama.

Tentukan Titik Persetujuan

Bayangkan AI membuat draf email pelanggan.

Daripada langsung mengirimkannya, workflow dapat menggunakan:

Pesan masuk → AI membuat draf → Staf memeriksa → Staf menyetujui → Email dikirim

Untuk pekerjaan risiko rendah, beberapa tahap dapat berjalan otomatis.

Namun, untuk tindakan yang memiliki konsekuensi eksternal, human-in-the-loop dapat menjadi lapisan kontrol penting.

NIST menyediakan AI Risk Management Framework untuk membantu organisasi memahami dan mengelola risiko AI.

Kerangka tersebut menekankan pentingnya tata kelola, pengukuran, pengelolaan risiko, serta pemantauan sistem.

Semakin besar konsekuensi sebuah kesalahan, semakin kuat mekanisme validasi yang sebaiknya diterapkan.

Sumber: NIST — AI Risk Management Framework | https://www.nist.gov/itl/ai-risk-management-framework

Mengelola Data dan Keamanan dalam Workflow AI

Produktivitas tidak boleh mengabaikan keamanan.

Sebelum memasukkan informasi ke layanan AI, organisasi perlu memahami jenis data yang sedang diproses.

Data dapat mencakup:

• Informasi publik.
• Dokumen internal.
• Informasi pelanggan.
• Data finansial.
• Kredensial.
• Informasi pribadi.
• Rahasia bisnis.

Tidak semua data sebaiknya diperlakukan dengan cara yang sama.

Terapkan Prinsip Data Minimum

Salah satu pendekatan sederhana adalah hanya mengirimkan informasi yang benar-benar diperlukan.

Jika AI hanya perlu mengklasifikasikan kategori pertanyaan pelanggan, mungkin tidak diperlukan nama lengkap, alamat, atau informasi lain yang tidak relevan.

Prinsipnya:

Jika sebuah data tidak diperlukan untuk menyelesaikan tugas, pertimbangkan untuk tidak memasukkannya.

Organisasi juga perlu memeriksa kebijakan penyimpanan, akses, dan pemrosesan data dari layanan yang digunakan.

NIST menyediakan AI Risk Management Framework, sementara OECD memiliki sumber mengenai Artificial Intelligence yang membahas prinsip dan kebijakan AI secara lebih luas.

Sumber: OECD — Artificial Intelligence | https://www.oecd.org/en/topics/artificial-intelligence.html

Mengukur Apakah Workflow Benar-Benar Meningkatkan Produktivitas

Workflow yang terlihat canggih belum tentu produktif.

Jika pengguna harus memperbaiki hampir seluruh output AI, waktu yang dihemat mungkin sangat kecil.

Karena itu, buat beberapa metrik sederhana.

Misalnya:

• Waktu pengerjaan sebelum AI.
• Waktu pengerjaan setelah AI.
• Persentase output yang membutuhkan revisi.
• Jumlah kesalahan.
• Jumlah tugas yang berhasil diproses.
• Waktu yang digunakan untuk pemeriksaan.
• Kepuasan pengguna internal.

Bandingkan Sebelum dan Sesudah

Misalnya sebuah pekerjaan sebelumnya membutuhkan:

45 menit per laporan.

Setelah menggunakan workflow AI:

• AI memproses: 2 menit.
• Pemeriksaan manusia: 12 menit.
• Perbaikan: 6 menit.

Total menjadi sekitar 20 menit.

Artinya terdapat pengurangan waktu kerja manual yang cukup berarti.

Namun, jika pemeriksaan dan perbaikan membutuhkan 40 menit, manfaat workflow perlu dievaluasi kembali.

Gunakan data beberapa minggu, bukan satu percobaan.

Dengan demikian, keputusan mengenai otomatisasi didasarkan pada pola, bukan sekadar kesan bahwa AI terasa cepat.

Mengevaluasi dan Memperbarui Workflow Secara Berkala

Workflow AI bukan sistem yang selesai setelah dibuat sekali.

Model dapat berubah. Format dokumen dapat berubah. Kebutuhan organisasi juga berkembang.

Karena itu, lakukan evaluasi secara berkala.

Beberapa pertanyaan yang dapat digunakan:

1. Apakah output masih konsisten?
2. Kesalahan apa yang paling sering terjadi?
3. Apakah prompt perlu diperbaiki?
4. Apakah terdapat tahap manual yang masih berulang?
5. Apakah workflow memproses data yang sebenarnya tidak diperlukan?
6. Apakah pengguna masih melakukan banyak koreksi?
7. Apakah kontrol keamanan masih sesuai?

Gunakan Versioning

Template instruksi sebaiknya memiliki versi.

Contohnya:

Workflow Ringkasan v1.0

Versi awal.

Workflow Ringkasan v1.1

Menambahkan aturan mempertahankan angka.

Workflow Ringkasan v1.2

Menambahkan verifikasi tanggal.

Workflow Ringkasan v2.0

Mengubah struktur output.

Catatan versi membantu tim mengetahui mengapa hasil berubah.

Jika versi baru ternyata menghasilkan kualitas lebih buruk, sistem dapat dievaluasi berdasarkan perubahan yang terdokumentasi.

Dari Otomatisasi Kecil Menuju Sistem Kerja yang Konsisten

Membangun workflow AI tidak harus dimulai dengan sistem kompleks yang menghubungkan puluhan aplikasi.

Mulailah dari satu pekerjaan yang benar-benar berulang.

Petakan prosesnya.

Tentukan input.

Buat template instruksi.

Tentukan format output.

Tambahkan validasi.

Kemudian ukur hasilnya.

Jika workflow terbukti membantu, barulah proses dapat diperluas.

Pendekatan bertahap memiliki keuntungan karena setiap bagian dapat diuji sebelum menjadi bagian dari sistem yang lebih besar.

Tujuan akhirnya bukan mengganti seluruh pekerjaan manusia.

Nilai terbesar AI sering muncul ketika teknologi digunakan untuk mengambil alih bagian yang repetitif sehingga manusia dapat memusatkan perhatian pada pekerjaan yang membutuhkan konteks, kreativitas, komunikasi, dan pengambilan keputusan.

Workflow yang baik juga tidak dinilai dari berapa banyak AI yang digunakan.

Jika sebuah proses sederhana dapat diselesaikan dengan aturan biasa tanpa AI, menggunakan sistem generatif mungkin justru menambah kompleksitas.

Sebaliknya, AI menjadi berguna ketika input memiliki variasi yang cukup besar tetapi masih memiliki pola yang dapat dipahami model.

Karena itu, prinsip dasarnya dapat dirangkum menjadi:

Otomatiskan pekerjaan yang berulang, standarkan instruksi, validasi hasil penting, ukur dampaknya, dan perbaiki workflow berdasarkan data.

Dengan pendekatan tersebut, AI berubah dari alat yang digunakan sesekali menjadi bagian dari sistem kerja yang lebih konsisten.

Produktivitas kemudian tidak bergantung pada seberapa cepat seseorang dapat menulis prompt setiap hari, melainkan pada seberapa baik organisasi membangun proses yang dapat digunakan ulang, diperiksa, diukur, dan dikembangkan secara berkelanjutan.