15.2 Memilah Konteks: Mana yang Penting, Mana yang Bisa Dibuang

Seorang kepala produk datang dengan ide baru. Ia ingin timnya membangun fitur rekomendasi produk berbasis AI. Ia sudah menyusun brief panjang: latar belakang perusahaan, sejarah produk, data penjualan tiga tahun terakhir, nama-nama pesaing, opini pribadi tentang UX, hingga kutipan dari artikel tren e-commerce. Brief itu 15 halaman. Ia kirimkan ke AI dan berkata, “Bantu saya rancang solusinya.”

Hasilnya? AI mengembalikan dokumen yang terlihat rapi, tetapi terlalu umum. Rekomendasinya cocok untuk siapa saja. Tidak spesifik untuk tim itu, untuk pelanggan mereka, untuk teknologi yang mereka punya. Kepala produk itu kecewa. Ia merasa sudah memberi banyak informasi, tapi AI tetap tidak paham.

Masalahnya bukan kekurangan konteks. Masalahnya adalah kelebihan konteks yang tidak terfilter.

AI bekerja seperti manusia dalam satu hal: ia tidak bisa membedakan mana informasi yang relevan dan mana yang hanya latar belakang. Jika Anda memberi 15 halaman cerita perusahaan, AI akan mencoba memproses semuanya. Ia tidak punya insting untuk berkata, “Ini tidak penting, saya buang.” Ia akan mengolah semua yang Anda beri, termasuk noise yang justru mengaburkan inti persoalan.

Karena itu, sebelum memberikan konteks ke AI, Anda perlu melakukan pemilahan. Ini bukan pekerjaan teknis. Ini pekerjaan judgment. Anda harus menentukan: dari sekian banyak informasi yang ada, mana yang benar-benar memengaruhi keputusan yang akan diambil?

Mulailah dengan satu pertanyaan sederhana: keputusan apa yang ingin saya buat dengan bantuan AI ini? Jika Anda ingin memutuskan arsitektur teknis untuk fitur rekomendasi, maka konteks yang relevan adalah data pengguna yang tersedia, infrastruktur yang ada, batasan performa, dan siapa yang akan memakai fitur itu. Sejarah perusahaan dan opini pribadi tentang UX tidak membantu AI merancang solusi yang lebih baik. Itu noise.

Filter konteks bisa dilakukan dengan tiga lapisan. Pertama, tanya apakah informasi ini langsung memengaruhi keputusan. Jika tidak, simpan dulu. Kedua, tanya apakah informasi ini membantu AI memahami batasan yang nyata. Jika hanya bersifat dekoratif, buang. Ketiga, tanya apakah informasi ini sudah diketahui bersama oleh tim. Jika ya, tidak perlu ditulis ulang. Cukup sebutkan sebagai asumsi.

Berikut adalah diagram alur yang merangkum proses pemilahan konteks tersebut:

flowchart TD A[Keputusan: Arsitektur Fitur Rekomendasi] --> B{Informasi ini langsung memengaruhi keputusan?} B -- Ya --> C{Informasi ini membantu memahami batasan nyata?} B -- Tidak --> D[Buang: simpan sebagai latar belakang] C -- Ya --> E{Informasi ini sudah diketahui tim?} C -- Tidak --> D E -- Ya --> F[Sebut sebagai asumsi, tidak perlu ditulis ulang] E -- Tidak --> G[Konteks Relevan: data pengguna, infrastruktur, batasan performa] F --> H[Input ke AI] G --> H D --> I[Output: solusi spesifik dan tajam] H --> I

Konteks yang baik itu pendek. Bukan karena AI tidak bisa memproses panjang, tetapi karena konteks yang panjang membuat AI kehilangan fokus pada hal yang penting. Seorang arsitek yang baik tidak memberikan seluruh dokumen perusahaan ke AI. Ia memberikan ringkasan yang tajam: ini masalahnya, ini data yang relevan, ini batasannya, ini yang perlu diputuskan.

Kemampuan memilah konteks ini yang membedakan orang yang mendapat hasil berguna dari AI dan orang yang hanya mendapat output panjang yang tidak bisa dipakai. Semakin tajam Anda memilih konteks, semakin tajam pula jawaban AI.

Setelah konteks terpilah, langkah berikutnya adalah memberi batasan yang membuat AI tidak melantur ke solusi ideal yang tidak realistis. Di situlah constraint berperan.