Memecahkan Siklus: Bagaimana Organisasi Dapat Menghindari Doomprompting dan Menghasilkan Keberhasilan

Sejak konsep teoritisnya pada 1950-an, kecerdasan buatan (AI) membuka jalan bagi bisnis untuk mengalami peluang dan produktivitas yang ditingkatkan melalui berbagai teknik, terutama sistem pembelajaran mesin. Alat/alat teknologi ini memperbaiki peramalan dan pengambilan keputusan, meletakkan dasar untuk kemajuan teknis di masa depan. Pada masa sekarang, Generative AI berjanji untuk mengubah semua yang kita ketahui tentang bekerja dan telah mendemokratisasi pengalaman AI. Pengguna sekarang berinteraksi dengan model AI seperti ChatGPT, melalui “prompting”, di mana seseorang berinteraksi bolak-balik dengan model AI. Namun, manfaat ini juga datang dengan tantangan baru: Doomprompting. Ini setara dengan doom scrolling pada konten online, tanpa tujuan yang ditentukan, menjebak pengguna dalam lubang kelinci. Dengan AI, lubang kelinci itu berbicara kembali. Tindakan ini dari refinemen terus-menerus AI prompt untuk kedua model generatif dan agen, didorong oleh ambisi untuk memperoleh output yang sempurna (dan terkadang dengan prompting tanpa tujuan tertentu), menyebabkan biaya meningkat dan pengembalian yang menurun. Ini menciptakan hambatan besar untuk keberhasilan dan mengalahkan tujuan menggunakan teknologi AI itu sendiri.

Karena bisnis meningkatkan anggaran AI mereka, pengambil keputusan perlu memahami jalur untuk menghasilkan pengembalian yang sebenarnya pada investasi mereka dan nilai yang dihasilkannya. Laporan 2025 oleh IEEE, The Hidden Costs of AI: How Small Inefficiencies Stack Up, menunjukkan bagaimana penyesuaian kecil dapat menumpuk menjadi beban ekonomi yang signifikan. Untuk menghindari menjadi bagian dari perjuangan yang mahal ini, organisasi harus memperbarui pelatihan karyawan mereka menggunakan LLMs untuk mencapai potensi penuh dari investasi AI mereka.

Generative AI membawa janji optimisasi dan efisiensi. Namun, ketika tim terjebak dalam siklus penyempurnaan tanpa akhir (atau berkeliaran tanpa radar), ketidakefisienan menghancurkan fondasi ini.

Menghilangkan “Workslop”

Salah satu alasan tim terus-menerus memperbarui output untuk menghasilkan respons yang sempurna adalah workslop. Pertama kali dijelaskan dalam Harvard Business Review, workslop mencakup ‘konten kerja yang dihasilkan AI yang menyamar sebagai pekerjaan yang baik tetapi kekurangan substansi untuk memajukan tugas yang diberikan.’

Konten ‘slop’ yang dihasilkan AI ini adalah domino pertama dalam barisan panjang yang menciptakan siklus doomprompting. Sementara memodifikasi konten yang kurang baik melalui iterasi atau edit penting, perlu memahami kapan harus berhenti, sebelum itu menjadi kurva pengembalian yang menurun. Organisasi harus mendekati investasi waktu mereka dalam pelatihan AI dengan keseimbangan yang halus. Di satu sisi, tim harus menyadari kualitas yang diperlukan; di sisi lain, mereka harus tahu kapan itu terlalu banyak. Pelatihan karyawan dalam penggunaan model AI yang lebih cerdas melalui prompting yang optimal dan tujuan yang jelas juga akan sangat membantu.

Menggunakan Agentic AI untuk Menghindari Doomprompting

Pada tahun-tahun terakhir, bisnis secara signifikan meningkatkan minat dan investasi mereka dalam agentic AI, yang dikenal karena kemampuannya untuk meningkatkan efisiensi operasional. Agentic AI dapat mengambil tugas yang kompleks, mengatur dengan beberapa agen (termasuk RAG dan agen aksi) untuk memutuskan jalur tindakan, dan melaksanakan tugas untuk menyelesaikan tugas secara mandiri.

Kualitas ini mungkin membantu AI mengatasi doomprompting, atau menghindarinya sama sekali. Ini dapat menghilangkan kebutuhan untuk menginstruksikan antarmuka GenAI melalui beberapa prompt untuk menyelesaikan tugas. Contoh dari ini dapat ditemukan dalam operasi IT yang ditenagai AI, atau AIOps, yang memodernisasi IT dengan menyelipkan AI ke dalam tugas sehari-hari. Secara tradisional, tim menghabiskan waktu mereka dengan menyesuaikan sistem secara manual. Departemen abad ke-21 adalah mereka yang menggunakan AI untuk menangani fungsi kritis seperti troubleshooting, respon insiden, dan alokasi sumber daya secara mandiri.

Contoh lain yang sesuai adalah bagaimana sistem agentic AI dapat menangani insiden yang kompleks secara mandiri. Agen-agen ini, bersama dengan ITOps, mampu memahami konteks masalah, mengatur dengan agen penalaran untuk memutuskan jalur tindakan, menggunakan agen aksi untuk melakukan perbaikan terakhir pada sistem IT dan akhirnya, menggunakan agen pembelajaran untuk memahami resolusi dan menerapkan lebih efektif dalam insiden di masa depan.

Otomatisasi cerdas agentic AI membantu dalam interaksi manusia yang lebih sedikit dan melakukan tugas secara mandiri. Untuk memenuhi tuntutan bisnis yang terus berkembang, tugas dan operasi yang berulang harus diserahkan kepada AI yang mandiri. Delegasi ini menghilangkan siklus re-prompting dan penyempurnaan berulang yang sering memicu doomprompting. Operasi yang mandiri memungkinkan model AI untuk terus-menerus mengoptimalkan dan merespons perubahan variabel tanpa input manual, menghasilkan hasil yang lebih cepat dengan intervensi manusia yang minimal.

Sementara profesional terlatih masih akan memainkan peran instrumental dalam operasi sehari-hari melalui pendekatan human-in-the-loop, waktu mereka akan lebih baik digunakan dalam memindai verifikasi hasil. Pendekatan ini meminimalkan risiko memperkenalkan kesalahan atau penyesuaian yang berlebihan.

Peran Tata Kelola dalam Mencegah Doomprompting

Dalam survei McKinsey baru-baru ini, 88% responden melaporkan menggunakan AI dalam setidaknya satu fungsi bisnis. Ini adalah lompatan 10% dari 2024 dan lompatan 33% yang mengesankan sejak 2023. Untuk Agentic AI, lompatan ini bahkan lebih mendalam. Dari hanya 33% pada 2023 hingga hampir 80% pada 2025.

Adopsi yang meluas ini mendorong bisnis untuk menemukan solusi baru untuk doomprompting. Salah satu alat tersebut adalah kerangka tata kelola yang kuat. Mereka harus dirancang dengan hati-hati untuk memastikan proyek AI tetap sejalan dengan tujuan bisnis dan tidak menjadi korban waltz tak berakhir dari optimisasi. Ketika tim mengembangkan kerangka ini, mereka harus mempertimbangkan:

• Pembentukan pedoman: Aliran data ke dan dari model AI menjadi semakin kompleks. Untuk menyederhanakannya, pedoman AI harus membuat kerangka untuk tim untuk menangani data, membuat keputusan, dan mengelola output AI secara bertanggung jawab.
• Pelatihan pengguna: Pelatihan yang tepat dalam penggunaan prompt dapat membantu menuju produktivitas yang optimal
• Penggunaan model khusus: Model AI khusus industri dan tujuan kemungkinan akan memberikan output yang bermakna dan kontekstual lebih cepat
• Pelatihan model AI: Pelatihan model AI dengan data khusus industri/tugas/organisasi (di mana memungkinkan) dapat menghasilkan lebih sedikit workslop dan output yang lebih sesuai lebih cepat.
• Pengembangan aturan: Membuat dan menerapkan seperangkat aturan yang jelas sangat penting untuk memandu pengembangan dan penerapan AI. Ketika tim menetapkan batasan operasional, mereka memastikan bahwa sistem yang diadopsi sejalan dengan tujuan organisasi, standar etika, dan persyaratan peraturan.

Sementara tingkat adopsi solusi AI meningkat, tata kelola belum. Menurut Laporan Industri PEX 2025 , kurang dari setengah memiliki kebijakan tata kelola AI. Sementara itu, hanya 25% sedang menerapkan satu, dan hampir sepertiga tidak memiliki kebijakan tata kelola AI. Kerangka ini dapat menjadi faktor penentu dalam membantu bisnis menetapkan batasan yang jelas tentang apa yang merupakan kinerja yang dapat diterima.

Menghindari Siklus Doomprompting

Untuk menghindari jatuh ke dalam siklus doomprompting, bisnis harus mengadopsi strategi AI yang memprioritaskan hasil daripada kesempurnaan. Penggunaan pelatihan prompt, model AI khusus tujuan, dan model yang dilatih pada data kontekstual perusahaan dapat mengurangi kebutuhan akan re-prompting yang luas. Bisnis yang menggunakan agentic AI, operasi IT yang mandiri, dan kerangka tata kelola yang kuat dapat mengalokasikan sumber daya kritis mereka untuk mencapai tujuan bisnis mereka tanpa terjebak dalam siklus optimisasi yang tidak berakhir. Keberhasilan akan datang ketika tim mengubah mindset mereka dari penyempurnaan terus-menerus ke eksekusi yang fokus dan hasil yang terukur.