Cara Kerja Chatbot AI, Dijelaskan secara Sederhana

Anda tidak perlu memahami matematika rumit untuk menggunakan chat AI dengan optimal. Namun, gambaran dasar tentang cara kerjanya bisa menjelaskan banyak hal: mengapa jawabannya terdengar meyakinkan meski salah, mengapa pertanyaan yang sama menghasilkan jawaban berbeda, mengapa AI "lupa" dalam obrolan panjang, dan mengapa AI mungkin tidak tahu peristiwa terkini. Berikut penjelasan sederhana tanpa jargon yang membingungkan.

Ringkasnya

Chatbot AI dibangun di atas large language model (LLM): jaringan saraf tiruan berskala masif yang dilatih dengan teks dalam jumlah luar biasa besar untuk memprediksi kata berikutnya. Saat Anda mengirim pesan, model membaca obrolan dan menyusun balasan sedikit demi sedikit, memilih potongan kata paling masuk akal berdasarkan konteks sebelumnya. Pelatihan lanjutan mengajarinya cara mengikuti instruksi, mengobrol secara alami, dan menolak permintaan berbahaya.

Tidak ada basis data jawaban siap pakai yang sedang dicari, dan tidak ada orang yang mengetik di balik layar. Hampir semua hal lain dalam panduan ini berakar dari konsep tersebut.

Langkah 1: Teks diubah menjadi token

Model AI tidak membaca huruf atau kata utuh. Model memecah teks menjadi token: kata umum sering kali berupa satu token, sedangkan kata yang lebih panjang atau langka dipecah menjadi beberapa bagian. Spasi, tanda baca, dan angka juga menjadi token. Inilah mengapa AI terkadang kesulitan dalam tugas sederhana seperti menghitung huruf dalam suatu kata atau membalik susunan teks: AI tidak melihat huruf per huruf seperti manusia.

Satu kalimat yang sama bisa menghasilkan jumlah token yang berbeda antarbahasa, yang menjadi salah satu alasan mengapa kualitas dan batas panjang teks bisa bervariasi dari satu bahasa ke bahasa lain.

Langkah 2: Pra-pelatihan (pre-training) dengan data masif

Pada tahap awal dan paling intensif, model dipaparkan pada volume teks yang sangat besar—seperti halaman web publik, buku, kode pemrograman, dan sumber lainnya tergantung pengembang—untuk belajar memprediksi token berikutnya. Model dikoreksi berulang kali dan secara bertahap menyesuaikan angka-angka internalnya, yang disebut parameter atau bobot (weights).

Untuk memprediksi teks dengan akurat, model akhirnya menyerap banyak hal tentang tata bahasa, fakta, pola penalaran, dan gaya penulisan. Namun, model tidak menyimpan salinan data pelatihannya seperti perpustakaan. Model hanya menyimpan pola statistik. Karena itulah AI bisa menjelaskan suatu konsep dengan sangat fasih namun tetap bisa salah mengingat tanggal, nama, atau kutipan tertentu.

Langkah 3: Fine-tuning mengubah mesin prediksi menjadi asisten

Model yang hanya memprediksi teks akan cenderung melanjutkan kalimat Anda, bukan menjawabnya. Oleh karena itu, pengembang melatihnya lebih lanjut dengan contoh percakapan yang baik dan menggunakan umpan balik—dari manusia serta makin sering melalui evaluasi otomatis dan model lain—untuk memprioritaskan jawaban yang bermanfaat, jujur, dan aman. Salah satu metode populernya adalah reinforcement learning from human feedback (RLHF).

Fase ini membentuk "etika" chatbot: mengikuti instruksi, menggunakan format yang rapi, mengakui ketidaktahuan jika ragu, dan menolak permintaan berbahaya. Fase ini juga bisa memunculkan bias tertentu, seperti kecenderungan untuk selalu setuju dengan pengguna atau terdengar terlalu yakin meski keliru.

Banyak model generasi terbaru juga dilatih untuk menalar (reasoning): memecahkan masalah melalui langkah-langkah bertahap sebelum memberikan jawaban akhir. Ini meningkatkan akurasi pada soal matematika, pemrograman, dan perencanaan logis, meski tidak menjamin bebas dari kesalahan.

Langkah 4: Percakapan Anda dan context window

Saat Anda mengobrol, aplikasi mengirimkan paket teks ke model: instruksi internal dari sistem yang tidak Anda lihat (system prompt), riwayat pesan sebelumnya, dan pesan terbaru Anda. Model itu sendiri tidak menyimpan ingatan antar-permintaan. Model "mengingat" obrolan hanya karena seluruh riwayat percakapan dikirimkan kembali setiap kali Anda membalas.

Secara sederhana, paket teks untuk pesan ketiga Anda terlihat seperti ini:

[system]    Anda adalah asisten yang membantu. Jawablah dengan jelas...
[user]      Apa ide nama yang bagus untuk toko roti?
[assistant] Berikut beberapa idenya: Rise and Shine, The Daily Crumb...
[user]      Buat namanya bernuansa Prancis.
[assistant] (model menulis bagian ini, token demi token)

Instruksi "Buat namanya bernuansa Prancis" hanya bisa dipahami karena pesan-pesan sebelumnya disertakan. Jika aplikasi tidak menyertakannya, model tidak akan tahu apa yang dimaksud dengan "namanya".

Batas maksimal teks yang bisa diproses model sekaligus disebut context window, dan aplikasi sering kali memotong riwayat obrolan yang terlalu panjang agar tetap berada dalam batas tersebut. Itulah sebabnya, dalam percakapan yang sangat panjang, AI bisa mulai melupakan detail di awal. Memulai obrolan baru dengan ringkasan singkat biasanya menjadi solusi terbaik.

Beberapa layanan menambahkan fitur memori terpisah yang menyimpan fakta tentang Anda antar-obrolan. Itu adalah fitur aplikasi yang dibangun di sekitar model, bukan kemampuan bawaan dari model itu sendiri.

Langkah 5: Membuat respons

Untuk setiap token berikutnya, model menghitung probabilitas dari berbagai pilihan kata yang memungkinkan. Aplikasi kemudian memilih satu, biasanya dengan tingkat keacakan terkontrol agar teks tidak terdengar kaku. Ini menjelaskan dua hal yang mungkin pernah Anda sadari:

• Pertanyaan yang sama bisa menghasilkan jawaban berbeda. Membuat ulang jawaban (regenerate) adalah cara cepat untuk melihat variasi lain.
• Kalimat yang terdengar fasih belum tentu benar. Model memilih kata yang selaras secara pola, bukan memverifikasi kebenaran fakta saat menyusunnya.

Coba sendiri: minta chat menjelaskan token beserta contohnya, lalu buat ulang jawabannya dan bandingkan kedua versinya.

Mengapa AI bisa mengarang hal yang salah

Saat model memberikan informasi yang terdengar meyakinkan padahal salah total, fenomena ini disebut halusinasi. Hal ini terjadi karena model dirancang untuk menghasilkan teks yang tampak masuk akal, dan kutipan, statistik, atau biografi fiktif yang tampak meyakinkan sangat mudah disusun meski data aslinya tidak diketahui. Proses pelatihan telah meminimalkan ini, tetapi belum sepenuhnya menghilangkannya. Area yang lebih berisiko meliputi:

• Angka pasti, tanggal spesifik, dan kutipan harfiah.
• Referensi ke buku, jurnal ilmiah, kasus hukum, dan tautan web.
• Topik khusus (niche) dengan data pelatihan yang minim.
• Peristiwa yang terjadi setelah batas akhir data pelatihan model.

Panduan pemeriksaan fakta kami menjelaskan cara memverifikasi jawaban dengan cepat.

Mengapa AI mungkin tidak tahu peristiwa terkini

Pengetahuan model berasal dari data yang dikumpulkan hingga tanggal tertentu, yang disebut knowledge cutoff. Setelah tanggal tersebut, model tidak mengetahui informasi baru kecuali aplikasi memberinya data segar, misalnya melalui alat pencarian web atau teks yang Anda tempelkan. Saat asisten AI menelusuri web, kualitas jawabannya sangat bergantung pada halaman yang ditemukannya, jadi sumbernya tetap perlu diperiksa. Jika pertanyaan Anda bergantung pada info terkini, tempelkan teks yang relevan langsung ke obrolan atau pastikan jawabannya lewat sumber terpercaya.

Model, pengembang, dan menu pilihan model

Sejumlah perusahaan mengembangkan large language model, termasuk OpenAI (model GPT di balik ChatGPT), Anthropic (Claude), Google (Gemini), Meta (Llama), xAI (Grok), DeepSeek, Alibaba (Qwen), dan Mistral AI. Beberapa di antaranya merilis bobot model secara terbuka sehingga siapa saja dapat mengunduh dan menjalankannya; yang lain hanya menyediakan model melalui aplikasi dan API mereka sendiri. Tiap model berbeda dalam gaya bahasa, keunggulan, dukungan bahasa, dan tingkat kehati-hatiannya. Panduan model dan perbandingan kami seperti ChatGPT vs Claude mengulasnya lebih mendalam.

Di ChatG, Anda dapat memilih model yang Anda sukai di menu, atau membiarkannya di ChatG Auto. ChatG adalah situs independen dan tidak terafiliasi dengan perusahaan-perusahaan tersebut.

Tanya Jawab (FAQ)

Apakah AI memahami apa yang dikatakannya?

Ini masih menjadi perdebatan. Model jelas memahami banyak struktur bahasa dan dunia, serta mampu memecahkan masalah baru yang belum pernah dilihat sebelumnya. Namun, AI tidak memiliki kesadaran atau pengalaman nyata, dan bisa membuat kesalahan yang tidak akan dilakukan oleh manusia yang benar-benar memahami topik tersebut. Singkatnya, perlakukan AI sebagai alat bantu yang andal, bukan sumber otoritas mutlak.

Apakah AI belajar langsung dari percakapan saya?

Tidak secara langsung saat mengobrol: bobot model tidak berubah saat Anda berinteraksi dengannya. Beberapa layanan mungkin menggunakan percakapan untuk melatih model masa depan di kemudian hari, tergantung pada kebijakan privasi dan pengaturan akun Anda.

Apakah AI terhubung ke internet?

Model itu sendiri tidak terhubung. Model bekerja murni dari apa yang dipelajari selama pelatihan ditambah teks yang ada di percakapan. Beberapa aplikasi menambahkan fitur pencarian web sebagai alat terpisah. Kecuali jika jawaban menampilkan sumber rujukan yang ditelusuri, anggap saja jawaban berasal dari data pelatihan yang mungkin sudah usang.

Mengapa sebagian jawaban lebih bagus dalam bahasa Inggris daripada bahasa lain?

Model umumnya melihat jauh lebih banyak teks bahasa Inggris selama proses pelatihan dibanding bahasa lain, dan bahasa selain bahasa Inggris bisa membutuhkan lebih banyak token untuk menyampaikan hal yang sama. Bahasa yang umum digunakan di dunia biasanya ditangani dengan baik; bahasa yang lebih jarang digunakan mungkin memberikan hasil yang kurang optimal.