Prompt engineering sering dianggap sepele. Cukup ketik pertanyaan, tekan enter, selesai. Tapi kalau hasilnya selalu meleset \u2014 terlalu umum, salah fokus, atau justru hallucinations parah \u2014 kemungkinan besar Anda melakukan kesalahan yang sama berulang kali.
Setelah menguji puluhan prompt untuk berbagai use case, saya mengidentifikasi 5 kesalahan yang paling sering terjadi. Bukan theory \u2014 ini pattern yang langsung bisa Anda cek dan perbaiki hari ini.
Kesalahan #1: Prompt Terlalu Singkat Tanpa Konteks
Contoh buruk:
"Buatkan email follow-up untuk client."
Contoh baik:
"Buatkan email follow-up untuk client yang sudah kami kirimkan proposal 2 minggu lalu tapi belum ada kabar. Tone profesional tapi friendly, max 150 kata, ajukan 1 pertanyaan spesifik di akhir untuk membuka dialog, dan hindari sounding desperate."
Bedanya? Prompt kedua memberi AI semua yang dibutuhkan untuk menghasilkan output yang actionable. AI tidak bisa membaca pikiran Anda \u2014 semakin spesifik, semakin akurat hasilnya.
Kesalahan #2: Tidak Menentukan Peran (Role) AI
Salah satu teknik paling powerful dalam prompt engineering adalah role assignment. Tanpa ini, AI merespons sebagai asisten umum \u2014 bukan expert di bidang yang Anda butuhkan.
Coba tambahkan di awal prompt:
"Kamu adalah seorang Content Marketing Specialist dengan pengalaman 10 tahun di industri SaaS B2B. Tugasmu adalah..."
Studi internal dari Anthropic menunjukkan bahwa role assignment meningkatkan relevance output hingga 40% dibanding prompt tanpa konteks peran. Ini gratis \u2014 tidak perlu upgrade plan.
Kesalahan #3: Terlalu Banyak Instruksi Sekaligus
Banyak user memberikan prompt berisi 10+ instruksi sekaligus. Hasilnya? AI mengabaikan sebagian dan hanya mengikuti 2-3 instruksi pertama.
Prinsipnya: 1 prompt = 1 job. Jika Anda butuh bantuan dengan 3 hal berbeda, buat 3 prompt berurutan. Ini lebih efektif dan hasilnya jauh lebih terukur.
Kesalahan #4: Tidak Memberikan Contoh Output (Few-Shot)
AI Claude, ChatGPT, dan Gemini semua lebih akurat ketika diberi contoh. Ini disebut few-shot prompting \u2014 Anda memberikan 1-3 contoh output yang Anda inginkan, lalu AI mengikuti pola tersebut.
Dengan memberikan contoh, Anda pada dasarnya mengkalibrasi AI ke preferensi Anda tanpa harus menjelaskan semua detail secara eksplisit.
Kesalahan #5: Tidak Menggunakan Pembatas untuk Konten yang Harus Dipreserve
Saat Anda meminta AI mengolah teks panjang, tanpa pembatas yang jelas, AI sering mengasumsikan bagian tertentu adalah instruksi dan mengubahnya.
Gunakan delimiter secara konsisten: Extract insight utama dari teks berikut: [[KONTEN]] ... [[AKHIR KONTEN]]
Kesimpulan
Prompt engineering bukan tentang menghafal template \u2014 tapi tentang memahami bagaimana AI memproses instruksi. Lima kesalahan di atas adalah yang paling sering saya lihat, dan semuanya bisa diperbaiki dalam 5 menit.
🚀 Mulai Belajar AI Sekarang!
Dapatkan akses ke materi belajar AI yang terstruktur dan mudah dipahami.
Lihat Paket Belajar →