Disusun dengan bantuan AI. Angka dan kutipan dari pihak lain ditautkan ke sumber yang dibuka saat menulis.
Cara kerja AI pada dasarnya begini: AI belajar dari banyak contoh data untuk mengenali pola, lalu memakai pola itu untuk menebak jawaban atas data baru. Proses belajarnya disebut pelatihan, dan proses memakai hasil belajarnya disebut inferensi. Semua kemampuan AI yang Anda lihat, dari filter spam sampai ChatGPT, berdiri di atas tiga bahan yang sama: data, algoritma, dan daya komputasi.
Google Cloud menjelaskan bahwa sistem AI belajar dari data dalam jumlah besar, mengenali pola untuk membuat prediksi atau keputusan, tanpa diprogram secara eksplisit untuk setiap skenario. Mereka juga menegaskan bahwa semua teknik AI, seberagam apa pun, pada dasarnya bergantung pada data, algoritma, dan daya komputasi (Google Cloud).
Artikel ini menjelaskan cara kerja AI tanpa rumus: bedanya AI berbasis aturan dan machine learning, apa yang terjadi saat AI dilatih dan dipakai, bagaimana model bahasa seperti ChatGPT menyusun jawaban, kenapa AI bisa keliru, dan apa artinya untuk tim yang mulai memakai AI. Kalau Anda baru mulai, artikel ini cocok dibaca bersama panduan belajar AI dari nol.
Ada dua cara besar membuat komputer tampak "pintar". Cara pertama adalah menulis aturannya satu per satu. Cara kedua adalah memberi banyak contoh dan membiarkan komputer menemukan aturannya sendiri.
IBM memberi contoh filter spam. Dengan pendekatan aturan, programmer menulis daftar ciri spam secara manual. Dengan machine learning, model diperlihatkan contoh email dan diminta menebak mana yang spam; kesalahan tebakannya dihitung, algoritmanya disesuaikan untuk mengurangi kesalahan, dan proses ini diulang sampai tebakannya akurat. Model yang sudah terlatih itu secara tidak langsung telah belajar mengenali spam (IBM).
| Aspek | Berbasis aturan | Machine learning |
|---|---|---|
| Asal logika | Ditulis manual oleh manusia | Dipelajari dari contoh data |
| Kelebihan | Mudah diperiksa, hasilnya pasti | Luwes menghadapi variasi yang sulit dirumuskan |
| Kelemahan | Rapuh saat kasus makin rumit | Butuh data yang cukup dan bisa keliru |
| Contoh di bisnis | Menu chatbot "ketik 1 untuk harga" | Mengenali maksud chat yang ditulis bebas |
IBM menulis bahwa makin rumit tugasnya, makin rapuh model berbasis aturan, karena sering mustahil mendefinisikan setiap pola dan variabel secara eksplisit. Itulah sebabnya machine learning kini menjadi tulang punggung sebagian besar sistem AI modern. Ringkasnya: semua machine learning adalah AI, tetapi tidak semua AI adalah machine learning (IBM). Perbedaan ini juga terlihat di dunia chatbot: ada chatbot menu berbasis aturan, ada chatbot yang memahami kalimat bebas.
Data adalah bahan belajar. Google Cloud menyebut kualitas dan jumlah data pelatihan sangat menentukan kinerja AI. Data bisa berupa teks, gambar, angka penjualan, rekaman suara, atau riwayat chat.
Algoritma adalah resep belajarnya: cara model menyesuaikan dirinya supaya tebakannya makin tepat. IBM memberi contoh sederhana model penebak harga rumah dari luas bangunan, jumlah kamar, dan umur rumah. Bobot untuk tiap faktor itu disebut parameter, dan tujuan machine learning adalah menemukan nilai parameter yang menghasilkan tebakan paling akurat (IBM). Model AI modern punya parameter dalam jumlah yang sangat besar, tetapi prinsipnya sama.
Daya komputasi adalah tenaga untuk mengolah data sebanyak itu. Inilah alasan pelatihan model besar dilakukan perusahaan dengan pusat data raksasa, sementara kita sebagai pengguna cukup memakai hasilnya lewat aplikasi.
Di dalam machine learning ada cabang yang disebut deep learning, yang memakai jaringan saraf tiruan berlapis-lapis untuk belajar dari data. Menurut IBM, deep learning telah menjadi arsitektur terdepan di hampir semua bidang tempat AI dipakai, termasuk model bahasa besar.
Cara paling mudah memahami cara kerja AI adalah memisahkan dua fase. Fase pertama terjadi sekali (atau sesekali) di tempat pembuat model. Fase kedua terjadi setiap kali Anda memakai AI.
Implikasinya penting untuk pemakaian sehari-hari. Saat Anda mengetik pertanyaan di aplikasi AI, model itu tidak sedang belajar dari Anda secara langsung. Ia memakai pola yang sudah terbentuk saat pelatihan. Karena itu informasi yang muncul setelah pelatihan selesai bisa tidak diketahuinya, kecuali aplikasinya dilengkapi pencarian web atau dokumen yang Anda unggah.
ChatGPT, Gemini, dan Claude memakai model bahasa besar (large language model atau LLM). IBM mendefinisikan LLM sebagai model deep learning yang dilatih dengan data dalam jumlah sangat besar sehingga mampu memahami dan menghasilkan bahasa alami. LLM dibangun di atas arsitektur jaringan saraf bernama transformer, yang diperkenalkan pada 2017 (IBM).
| Langkah | Yang terjadi | Artinya untuk Anda |
|---|---|---|
| Tokenisasi | Teks dipecah menjadi unit kecil bernama token: kata, potongan kata, atau karakter | Panjang percakapan dihitung dalam token, bukan halaman |
| Embedding | Setiap token diubah menjadi deretan angka yang mewakili maknanya | Model bekerja dengan angka, bukan memahami seperti manusia |
| Self-attention | Model menghitung hubungan antar token, termasuk yang letaknya berjauhan | Konteks yang jelas di prompt membuat jawaban lebih tepat |
| Prediksi berulang | Model memperkirakan kata berikutnya, lalu mengulanginya sampai jawaban selesai | Jawaban yang lancar belum tentu benar |
IBM menggambarkan LLM sebagai mesin prediksi statistik raksasa yang berulang kali memperkirakan kata berikutnya dalam sebuah urutan. Penjelasan lebih lengkap tentang AI yang menghasilkan konten ada di artikel generative AI adalah, dan cara menulis instruksi supaya hasilnya konsisten ada di artikel prompt engineering.
Karena AI bekerja dari pola, ia bisa menghasilkan jawaban yang terdengar meyakinkan tetapi salah. Ada beberapa sebab yang perlu dipahami tim:
Memahami cara kerja AI membantu tim memakainya dengan ekspektasi yang tepat. Beberapa kebiasaan yang kami sarankan:
Kalau Anda ingin tim memahami dan memakai AI dengan benar dalam pekerjaan sehari-hari, lihat kursus AI untuk pemilik usaha dan tim dari Nalurika. Kalau yang Anda butuhkan adalah sistem yang langsung jalan, misalnya chat WhatsApp yang tercatat ke CRM, ada jasa AI untuk bisnis.
AI belajar dari banyak contoh data untuk mengenali pola, lalu memakai pola itu untuk membuat prediksi atau keputusan pada data baru. Proses belajarnya disebut pelatihan, dan proses memakai model yang sudah terlatih disebut inferensi.
Machine learning adalah bagian dari AI. IBM menyebut semua machine learning adalah AI, tetapi tidak semua AI adalah machine learning. Ada juga AI berbasis aturan yang logikanya ditulis manual, sedangkan machine learning mempelajari logikanya dari data.
ChatGPT memakai model bahasa besar. Menurut IBM, model seperti ini memecah teks menjadi token, mempelajari pola dari miliaran kata saat pelatihan, lalu saat dipakai berulang kali memperkirakan kata berikutnya yang paling cocok sampai jawabannya utuh.
Karena AI menghasilkan jawaban dari pola, bukan dari pengecekan fakta. Data pelatihan yang kurang, berat sebelah, atau sudah usang membuat hasilnya keliru. Google Cloud mengingatkan bahwa AI hanya sebaik data yang dipakai untuk melatihnya.
Tidak perlu sampai matematikanya. Cukup paham bahwa AI bekerja dari pola data, bisa keliru dengan yakin, dan sangat dipengaruhi instruksi serta data yang Anda berikan. Pemahaman ini membantu tim tahu kapan hasil AI perlu dicek.
Pengertian generative AI (AI generatif), bedanya dengan AI prediktif, cara kerjanya dari pelatihan model sampai prompt, contoh pemakaiannya di bisnis, serta risiko seperti halusinasi dan bias.
6 Oktober 2026 | 6 menit baca
Urutan belajar AI untuk pemilik usaha dan tim tanpa latar teknis, lengkap dengan rencana latihan 30 hari dan sumber belajar gratis yang sudah dicek.
29 September 2026 | 13 menit baca
Pengertian prompt engineering, bedanya dengan sekadar menulis prompt, teknik dasar seperti zero-shot, few-shot, dan prompt chaining, siklus prompt engineering di tim, serta cara belajarnya.
4 Oktober 2026 | 7 menit baca