Daftar Isi

Total inti (00–06): 90 menit.

Dua Framework di Materi Ini

• SIAP (Situasi, Instruksi, Acuan, Pola Output) — untuk prompting umum, diajarkan di bagian 03.
• DATA (Data dulu, Aturan larangan mengarang, Tanya balik, Audit sumber) — untuk kerja analisis data/laporan, modul lanjutan di bagian 07.

Prinsip lintas-sesi: AI membantu, manusia memutuskan. Diperkenalkan di bagian 04 (tiga zona data) dan 06, lalu dikembangkan jadi prinsip OWN di Leading Self 2A. *

Kebutuhan Teknis Fasilitator

• Laptop/ponsel dengan akun ChatGPT (versi gratis cukup untuk demo).
• Koneksi internet stabil.
• Contoh data kecil (untuk modul 07) dan satu file PDF pendek (untuk demo upload di bagian 05).

Penjelasan

Sesi ini bukan kelas teori AI. Fokusnya tiga hal: paham cara kerja AI secukupnya untuk percaya diri memakainya, bisa menyusun instruksi (prompt) yang menghasilkan output yang dipakai, dan tahu batas aman soal data sebelum mengetik apa pun ke AI eksternal.

Sampaikan kontrak sesi secara langsung:

1. 90 menit, 6 bagian inti + 1 modul lanjutan opsional.
2. Setiap bagian ditutup dengan satu kalimat kunci sebelum lanjut — supaya tidak kehilangan alur.
3. Bawa laptop atau ponsel dengan koneksi internet. Praktik dilakukan langsung, bukan dibayangkan.

Penjelasan

Sebelum masuk ke istilah AI/LLM, peserta perlu paham satu hal dasar: AI tidak "tahu" apa-apa dari lahir — semua kemampuannya berasal dari data yang dipelajari selama proses pelatihan (training). Semakin besar dan beragam data yang dipelajari, semakin luas pola yang dikenali AI. Sebaliknya, AI tidak bisa menjawab akurat soal sesuatu yang tidak ada polanya di data pelatihan, atau yang terjadi setelah data itu dikumpulkan.

Cara kerjanya: AI membaca instruksi kita, lalu memprediksi kata demi kata yang paling mungkin muncul selanjutnya, berdasarkan pola dari miliaran contoh teks yang pernah dipelajari. Ini bukan mengambil jawaban jadi dari database seperti mesin pencari — AI menyusun jawaban baru setiap kali, kata demi kata, secara real-time.

Poin Penting yang Ditekankan

• AI bukan mesin pencari. Ia menyusun jawaban baru, tidak mengambil dari basis data yang sudah pasti benar.
• Karena berbasis prediksi pola, AI bisa salah dengan nada percaya diri (dibahas lebih dalam di bagian 04).
• Kualitas dan kelengkapan data pelatihan menentukan seberapa baik AI menjawab — ini kenapa setiap platform AI punya karakter berbeda (dibahas di bagian 02).

Penjelasan

LLM (Large Language Model) adalah jenis model AI yang dilatih khusus untuk memahami dan menghasilkan bahasa manusia — inilah "mesin" di balik ChatGPT, Claude, dan Gemini. Ketiganya menggunakan prinsip dasar yang sama (dibahas di bagian 01): menebak pola dari data besar. Perbedaan di antara mereka bukan pada konsep dasarnya, tapi pada data pelatihan, cara "diasah" setelah pelatihan, dan ekosistem produk di sekitarnya.

Tiga pemain utama:

• ChatGPT — dibuat OpenAI.
• Claude — dibuat Anthropic.
• Gemini — dibuat Google.

Disebut sekilas saja (tanpa perlu dibahas dalam, cukup 1 kalimat): Microsoft Copilot (mirip ChatGPT, terintegrasi Office/Windows), Perplexity (fokus pencarian dengan sitasi), Meta AI (bawaan WhatsApp/Instagram), Grok (terintegrasi X), DeepSeek (open-source, murah).

Apa Itu "Model"?

Model adalah "otak" yang sudah selesai dilatih: file besar berisi pola bahasa hasil belajar dari data (lihat bagian 01). ChatGPT, Claude, dan Gemini adalah aplikasinya, sedangkan model adalah mesin di dalamnya. Analogi: aplikasi itu mobil, model itu mesin. Pabrik bisa ganti mesin tanpa mengganti mobil, jadi nama aplikasinya sama tetapi kemampuannya bisa berubah.

Satu perusahaan biasanya membuat satu keluarga model dengan ukuran berbeda. Makin besar dan "berpikir" makin lama, umumnya makin teliti, tetapi makin lambat, makin mahal, dan jatahnya makin terbatas. Karena itu pertanyaan yang tepat bukan "model mana yang terbaik?", tetapi "model mana yang cukup untuk tugas ini?"

Model GPT Saat Ini: Apa Bedanya?

Per 15 Oktober 2026, OpenAI memakai nama keluarga Luna (kecil, cepat, murah), Sol (menengah, model harian berbayar), dan Astra (terbesar, paling pintar). Model baru ditambahkan tiap beberapa minggu, jadi anggap daftar ini foto sesaat.

Catatan: harga API hanya relevan kalau kamu membangun aplikasi atau otomasi sendiri. Pengguna aplikasi ChatGPT membayar langganan, bukan per token.

Pilihan "Thinking" di ChatGPT

Di paket berbayar, kamu memilih seberapa lama model berpikir lewat penggeser:

• Instant: jawaban cepat untuk pertanyaan sehari-hari.
• Medium: berpikir standar.
• High: berpikir lebih panjang untuk masalah berlapis.
• Extra High: tingkat tertinggi dari Sol (Plus tidak mendapat ini).
• Pro: memakai model Pro (Astra) untuk tugas sulit, dengan batas pemakaian mingguan.

Penting: sejak 14 September 2026, Instant di Plus dan Pro tidak lagi berpindah sendiri ke mode berpikir. Menulis "pikir lebih dalam" di prompt juga tidak mengubahnya. Kamu sendiri yang harus menaikkan tingkatnya. Paket Free dan Go punya tombol Think yang memakai Luna.

Kelebihan dan Kekurangan Tiap Model GPT

Ringkasan di bawah disusun dari deskripsi resmi OpenAI dan halaman harganya. Klaim benchmark OpenAI sendiri belum diuji pihak independen, jadi anggap sebagai petunjuk, bukan bukti.

Cara Tahu Bedanya

1. Lihat label di pemilih model (menu di kotak pesan pada versi web, atau di bagian atas percakapan di HP). Paket Free tidak punya pilihan: modelnya Luna.
2. Jangan menilai dari satu jawaban. Jawaban bagus belum tentu karena modelnya, bisa karena prompt-nya.
3. Uji dengan tugas kerjamu sendiri, bukan soal contoh. Pakai praktik di bawah.

Yang Paling Murah, dan Apakah Perlu?

Yang paling murah:

• Aplikasi ChatGPT: Free (US$0, chat teks tanpa batas dengan GPT-6 Luna, fitur lain terbatas), lalu Go (US$8 per bulan, bisa memuat iklan), Plus (US$20), dan Pro (mulai US$100).
• API: GPT-6 Luna, US$0,10 input / US$0,50 output per 1 juta token. Lewat Batch atau Flex setengahnya.

Apakah perlu mengejar yang termurah? Untuk pemula: tidak sebagai tujuan, tetapi sebagai titik mulai.

• Mulai dari Free. Kalau Luna cukup untuk tugasmu, tidak ada alasan membayar.
• Naik ke Plus kalau kamu sering memotong pekerjaan karena jawaban dangkal, butuh file panjang, atau butuh tingkat berpikir Medium/High.
• Pro atau Astra hampir tidak diperlukan pemula: mahal, jatahnya terbatas, dan tugas sulit biasanya bisa dipecah jadi langkah kecil dengan model yang lebih ringan.
• Hitung biaya salah, bukan hanya harga langganan. Draf email yang keliru murah diperbaiki. Angka laporan klien yang keliru tidak. Untuk yang kedua, model lebih kuat ditambah verifikasi manual (lihat framework DATA di bagian 07) lebih penting daripada hemat beberapa dolar.
• Harga di atas dalam dolar AS dan bisa berbeda per wilayah. Cek halaman harga resmi sebelum berlangganan.

Tabel Komparasi ChatGPT vs Claude vs Gemini

Catatan fasilitator: harga dan fitur berubah cepat. Sampaikan ke peserta bahwa tabel ini adalah gambaran per periode pelatihan — cek ulang harga resmi sebelum berlangganan.

Kelebihan dan Kekurangan — Lebih Detail

Tabel ringkas di atas cukup untuk sesi 15 menit. Untuk peserta yang bertanya lebih dalam, ini rinciannya:

ChatGPT (OpenAI)

• Kelebihan: ekosistem plugin/integrasi pihak ketiga paling luas; paling banyak tutorial dan komunitas; kuat untuk pembuatan gambar (DALL·E) dan video (Sora); paling mudah dipelajari pemula karena alurnya sederhana (upload, tanya, dapat jawaban).
• Kekurangan: limit paket gratis cepat habis untuk pemakaian intensif; harga paket tertinggi (Pro) di antara ketiganya; tidak punya akses langsung ke database/warehouse — semua kerja file berjalan di sandbox terisolasi.

Claude (Anthropic)

• Kelebihan: kualitas penalaran dan tulisan paling rapi untuk dokumen formal & coding; context window besar (hingga 1 juta token pada tingkat tertentu) untuk sesi eksplorasi panjang; cenderung lebih berhati-hati mengakui ketidakpastian daripada mengarang jawaban — tingkat halusinasi paling rendah di antara ketiganya menurut pembanding independen.
• Kekurangan: ekosistem integrasi pihak ketiga belum seluas ChatGPT; tidak punya notebook/BI product khusus untuk data science berat.

Gemini (Google)

• Kelebihan: terintegrasi penuh dengan Google Workspace (Docs, Sheets, Gmail); context window terbesar (hingga 2 juta token pada tingkat tertentu); satu-satunya yang native terhubung ke BigQuery untuk data skala gudang data (data warehouse).
• Kekurangan: kualitas jawaban kreatif relatif kurang natural dibanding dua lainnya; fitur data paling kuatnya (BigQuery, Data Science Agent di Colab) butuh setup teknis — kurang ramah untuk pengguna non-teknis yang cuma mau analisis cepat.

Tujuan Terbaik — Kapan Pakai yang Mana

• Pakai ChatGPT kalau: kerja harian umum, butuh brainstorming cepat, bikin konten kreatif (teks/gambar/video), atau baru belajar dan mau alur paling sederhana.
• Pakai Claude kalau: menulis dokumen formal/laporan panjang, coding, atau kerja apa pun yang akurasinya kritis dan tidak boleh "dihaluskan" dengan asumsi.
• Pakai Gemini kalau: kerja sudah menyatu dengan Google Workspace (Sheets/Docs/Gmail), atau perlu mengolah data dalam volume sangat besar yang sudah tersimpan di BigQuery.

Perbandingan Khusus: Pengolahan Data

Karena ini pertanyaan yang sering muncul, berikut perbandingan ketiganya spesifik untuk kerja data (upload CSV/Excel, analisis, bikin laporan):

Rekomendasi praktis: untuk peserta pemula yang baru mulai olah data, mulai dari ChatGPT karena alurnya paling sederhana. Begitu kerjanya menyangkut laporan yang harus akurat (angka klien, keuangan), pindah ke Claude atau tetap di ChatGPT/Gemini tapi wajib pakai framework anti-halusinasi — lihat 07 — Framework DATA.

Sumber Bagian Model GPT

• OpenAI Help Center — GPT-6 and other models in ChatGPT
• OpenAI Help Center — ChatGPT release notes
• OpenAI — Introducing GPT-6 Sol and Luna
• OpenAI — GPT-6 and Intelligent UI for everyone
• OpenAI API — Pricing
• ChatGPT — Plans and Pricing

Penjelasan: Token dan Prompt

Token adalah satuan terkecil pemrosesan teks bagi AI — bisa satu kata utuh, bisa juga sebagian kata. Analoginya: token itu kepingan puzzle kecil; kalimat panjang dipecah jadi kepingan-kepingan ini, lalu disusun ulang jadi jawaban. Ini kenapa ada limit di paket gratis (dihitung dari jumlah token), dan kenapa percakapan yang terlalu panjang bisa membuat AI "lupa" bagian awal.

Prompt adalah instruksi atau pertanyaan yang kita ketik ke AI — satu-satunya cara kita mengarahkan hasilnya. Analoginya: prompt itu seperti brief ke asisten baru. Brief jelas → hasil sesuai ekspektasi. Brief samar → AI menebak-nebak, dan tebakannya sering meleset.

Bagian B — Kenapa Meleset (3')

Jelaskan: AI mengisi kekosongan informasi dengan asumsi ketika instruksi tidak lengkap. Semakin lengkap prompt, semakin kecil ruang bagi AI untuk berasumsi keliru. Tunjukkan contoh nyata dari prompt peserta: bagian mana yang ambigu, apa yang AI terpaksa asumsikan.

Bagian C — Framework SIAP (5')

Perkenalkan framework 4 elemen berikut. Ini yang membuat prompt "asal" jadi terstruktur tanpa perlu dihafal rumit:

Prompt lengkap gabungan: "Kamu asisten HR di perusahaan retail. Buatkan surat peringatan pertama untuk karyawan yang sering terlambat. Nada tegas tapi tidak menyinggung, maksimal 200 kata. Format surat resmi."

Cara pakai cepat: sebelum kirim prompt, cek 4 huruf ini satu-satu — kalau salah satu kosong, isi dulu sebelum kirim.

Contoh Tambahan (Bad vs Good)

Penjelasan

Setiap kali kita mengetik sesuatu ke ChatGPT/Claude/Gemini, data itu terkirim ke server perusahaan pembuatnya. Ini bukan soal AI-nya "jahat" — ini konsekuensi teknis biasa dari layanan berbasis cloud. Masalahnya muncul kalau kita mengetik data yang seharusnya tidak keluar dari perusahaan atau dari data klien, tanpa sadar konsekuensinya.

Prinsip dasar: anggap semua yang diketik ke AI eksternal sebagai informasi yang berpotensi tidak sepenuhnya privat, kecuali sudah dipastikan sebaliknya (lewat pengaturan akun atau jenis paket yang dipakai).

Tiga Zona: Boleh, Hati-hati, Dilarang *

Sebelum mengetik, tanyakan: data ini masuk zona mana?

Aturan emas: ragu? Jangan masukkan ke AI. Tanya tim IT atau HR/kepatuhan di tempat kerja. Dasar pemikirannya: begitu data masuk ke AI eksternal, kamu yang bertanggung jawab atas keputusan itu — ini bagian dari prinsip kepemilikan yang dilanjutkan di Leading Self 2A.

Data yang Perlu Dihindari Masuk ke Prompt

Daftar ini disusun untuk peserta umum (bukan cuma developer) — jadi fokusnya data yang bisa dijumpai siapa saja di pekerjaan kantor sehari-hari:

• Kredensial pribadi: password, PIN, kode OTP/verifikasi.
• Identitas perusahaan/klien: nama perusahaan asli, nama klien, nama proyek — kalau isi percakapan menyangkut pekerjaan untuk pihak lain, ini yang paling sering bocor tanpa sadar karena terasa "biasa saja" untuk diketik.
• Data pribadi pihak ketiga: NIK, nomor rekening, alamat rumah karyawan/klien.
• Data kesehatan: riwayat penyakit, hasil medical check-up, kondisi kesehatan karyawan/klien — ini kategori paling sensitif, jangan dimasukkan ke prompt sama sekali walau cuma untuk "diringkas" atau "dianalisis", kecuali sudah dipastikan lewat akun dengan kontrol privasi jelas (Business/Enterprise) dan ada persetujuan dari pihak terkait.
• Data kontrak/klien yang terikat NDA atau perjanjian kerahasiaan.

Kalau perlu tetap memproses data semacam ini, samarkan dulu (mis. ganti nama perusahaan/klien asli jadi "Klien A", hapus nomor identitas dan detail kesehatan) sebelum dikirim ke AI.

Catatan untuk peserta yang developer: kredensial teknis seperti API key, token akses, dan source code proprietary juga tidak boleh masuk ke prompt AI eksternal — sama prinsipnya, cuma audiensnya lebih spesifik.

Fakta Penting: Data Kamu vs Training Model

Ini yang sering tidak disadari pengguna baru:

• Akun personal (Free, Plus, Pro): secara default, data yang kamu ketik dipakai untuk melatih model ("Improve the model for everyone"). Ini harus dimatikan manual di Settings → Data Controls.
• Akun Business/Team/Enterprise: secara default, data tidak dipakai untuk training.
• Riwayat chat (history) dan opt-out training adalah dua pengaturan yang berbeda — mematikan salah satu tidak otomatis mematikan yang lain.

Implikasi untuk kerja vendor/agency: kalau kamu mengetik data klien di akun personal tanpa mematikan toggle training, data itu berpotensi jadi bahan pelatihan model pihak ketiga. Ini risiko kontraktual, bukan cuma risiko teknis.

Setting Chat Privat/Sementara di Tiap Platform

Selain toggle training di atas, ketiga platform punya mode chat privat khusus untuk percakapan yang tidak boleh masuk riwayat atau memori. Ini pelengkap, bukan pengganti, dari langkah menyamarkan data di atas.

Catatan penting — ini bukan "menghilang total": ketiga platform tetap menyimpan salinan sementara di server untuk keperluan keamanan/anti-abuse, sebelum benar-benar dihapus: - ChatGPT: bisa disimpan hingga 30 hari. - Claude: disimpan 30 hari (bisa lebih lama untuk akun Enterprise). - Gemini: disimpan 72 jam.

Jadi mode ini tepat untuk mencegah data masuk riwayat/memori/training, tapi bukan jaminan data langsung lenyap dari server pada detik itu juga. Untuk data yang benar-benar sensitif (kesehatan, kontrak klien), tetap jangan diketik sama sekali — bukan cuma diandalkan ke mode privat ini.

Desktop App vs Browser — Mana yang Lebih Aman?

Asumsi umum "install aplikasi supaya lebih praktis" perlu diluruskan — dari sisi keamanan data, justru browser lebih terkontrol untuk kerja sensitif:

Penjelasan

Dua fitur ChatGPT ini paling berdampak pada produktivitas harian, tapi paling sering tidak dipakai pengguna baru: Custom Instructions (profil statis, diisi manual sekali) dan Memory (catatan dinamis, terbentuk otomatis dari percakapan). Begitu keduanya terisi, prompt bisa jauh lebih singkat karena AI sudah "kenal" penggunanya — tidak perlu mengulang konteks yang sama tiap chat baru.

Bagian C — Minta Bantuan Menggali Kebutuhan Sendiri: Framework GALI (5')

Masalah yang sering terjadi: peserta sudah tahu framework SIAP (bagian 03), tapi tetap bingung — karena belum tahu apa Situasi/Instruksi/Acuan/Pola-nya sendiri. Bukan masalah cara menulis prompt, tapi belum tahu apa yang mau ditanyakan. Solusinya: minta AI membantu menggali kebutuhan itu duluan, sebelum minta jawaban akhir.

Konsep: Alih-alih langsung minta AI menjawab, arahkan dulu AI untuk bertanya balik ke kita — supaya kita "digali" informasinya selangkah demi selangkah, seperti wawancara singkat.

Contoh prompt pembuka GALI:

"Saya mau bikin laporan bulanan buat atasan saya, tapi saya belum tahu detailnya harus seperti apa. Sebelum kamu bantu, tanya saya dulu satu per satu hal yang perlu kamu ketahui — jangan langsung kasih template."

Kaitan dengan SIAP: GALI dan SIAP menyelesaikan masalah yang berbeda. Pakai SIAP kalau kamu sudah tahu Situasi/Instruksi/Acuan/Pola-nya sejak awal. Pakai GALI kalau belum tahu — hasil obrolan GALI itulah yang nantinya jadi bahan mengisi SIAP.

Praktik: peserta pilih satu kebutuhan kerja yang mereka sendiri belum tahu cara mulainya, coba jalankan GALI, dan catat pertanyaan-pertanyaan yang diajukan AI.

Penjelasan

Rangkuman alur sesi (bacakan cepat, satu napas):

AI menyusun jawaban dengan menebak pola dari data (01) → platform berbeda-beda tapi prinsipnya sama (02) → prompt yang jelas pakai SIAP menghasilkan jawaban yang jelas (03) → tapi tetap jaga data yang masuk ke AI, cek toggle training (04) → isi profil dan memory supaya AI makin "kenal" kita dan makin sedikit ngarang (05) → tetap verifikasi apa pun yang penting — karena AI membantu, manusia memutuskan. *

Tujuh Praktik Baik Penggunaan AI

1. Isi Custom Instructions sekali di awal — hemat waktu di semua chat berikutnya.
2. Mulai prompt dengan Situasi singkat (kalau belum lewat profil).
3. Pecah tugas besar jadi beberapa prompt kecil, bukan satu prompt raksasa.
4. Minta AI bertanya balik kalau instruksi dirasa kurang jelas.
5. Selalu verifikasi data/fakta/angka penting sebelum dipakai — jangan copy-paste mentah. Kamu yang bertanggung jawab atas apa yang kamu kirim, bukan AI. *
6. Manfaatkan upload file (PDF/gambar) dibanding retype manual.
7. Tinjau dan bersihkan memory secara berkala, terutama data sensitif klien.

Rencana Pengembangan Lanjutan

• Leading Self 2A (tersedia): AI untuk analisa data dan kepemilikan hasil — pertanyaan penutup sesi ini ("Bisakah kita selalu mempercayai hasil AI? Tidak selalu") dijawab di sana lewat prinsip OWN: periksa, pisahkan fakta dari asumsi, kirim kesimpulanmu sendiri. *
• Leading Self 2B (usulan): Kustomisasi asisten AI (Custom GPT/Gems/Projects) sesuai peran kerja masing-masing.
• Modul lanjutan yang sudah tersedia: lihat 07 — Framework Data Analyst untuk peserta yang bekerja dengan data dan laporan.

Kenapa Modul Ini Perlu Terpisah

Framework SIAP di bagian 03 dirancang untuk instruksi umum. Untuk kerja analisis data, ada masalah tambahan yang lebih berisiko: AI cenderung mengisi kekosongan data dengan asumsi yang kedengarannya masuk akal, padahal mengarang — ini yang disebut halusinasi. Untuk laporan yang datanya harus akurat (finansial, operasional, laporan ke klien), risiko ini tidak bisa diselesaikan dengan SIAP saja. Perlu aturan tambahan yang secara eksplisit melarang AI berasumsi dan mewajibkan AI mengutip sumber datanya sendiri.

Framework: DATA

Kenapa Setiap Aturan Ini Penting

• Larangan mengarang eksplisit — tanpa ini, AI secara default akan "menghaluskan" kekosongan data dengan asumsi yang tidak ditandai sebagai asumsi. Ini sumber halusinasi paling umum di kerja data.
• Bertanya balik — mencegah AI mengambil jalan pintas menyimpulkan dari data yang sebenarnya tidak cukup.
• Audit sumber (cite per klaim) — memaksa AI "menunjukkan kerjanya". Kalau AI tidak bisa menunjukkan baris sumbernya, itu sinyal klaim tersebut kemungkinan dikarang.
• Istilah dan satuan tidak diubah — laporan yang mengganti istilah asli (misal "revenue" jadi "pendapatan", atau membulatkan Rp 1.234.567 jadi "sekitar Rp 1,2 juta") tanpa disebutkan bisa menyesatkan pembaca laporan yang membandingkan dengan sumber asli.

Batas yang Tetap Harus Dipegang

Framework ini mengurangi risiko halusinasi, tapi tidak menghilangkannya sepenuhnya. AI tetap bisa salah membaca pola meskipun sudah dilarang berasumsi. Laporan hasil AI untuk keputusan berisiko (finansial, kontrak, kepatuhan) tetap wajib direview manusia sebelum dipakai — ini prinsip yang sama dari bagian 04, hanya diterapkan lebih ketat karena taruhannya lebih tinggi.

Tiga Saklar yang Sering Tertukar

Mematikan satu saklar tidak mematikan yang lain:

• Training (Settings → Data controls): boleh tidaknya chat dipakai memperbaiki model OpenAI.
• Memory (Settings → Personalization → Memory): boleh tidaknya ChatGPT mengingat kamu antar-chat.
• Riwayat chat: chat tersimpan di akun sampai kamu hapus atau kebijakan workspace menghapusnya.

Matikan training tidak menghapus chat. Matikan Memory tidak menghapus chat. Hapus chat tidak otomatis menghapus saved memory. Akun personal (Free, Plus, Pro) ikut melatih model bila saklarnya aktif, sedangkan Business, Enterprise, dan Edu tidak dipakai melatih secara default.

Daftar Isi

Total: 90 menit (~20' teori / ~70' praktik).

Framework Sesi Ini: OLAH

OLAH dibangun di atas tiga framework dari Leading Self 1 — bukan pengganti, dan dilengkapi satu prinsip lintas-tahap, OWN (AI membantu, manusia memutuskan, pengirim memiliki hasilnya): *

• SIAP (03-dasar-prompting) — menyusun instruksi ke AI
• GALI (05-praktik-chatgpt) — saat belum tahu harus mulai dari mana
• DATA (07-bonus-framework-data-analyst) — mencegah AI mengarang saat kerja data

Kebutuhan Teknis

• ChatGPT Plus/Pro direkomendasikan minimum (fitur inti berjalan penuh). Akun Free/Go bisa ikut dengan limit lebih ketat.
• Satu dataset kerja (CSV/Excel) per peserta — wajib sudah dianonimkan sesuai 04-keamanan-data-dan-risiko.
• Dataset contoh cadangan dari fasilitator.
• (Opsional) ChatGPT desktop app untuk mode Work — panel skill tambahan (Data Analytics, Validate Data, Visualize Data, dll) bonus kalau akun punya akses; wajib dites H-1 sebelum sesi.

Catatan Kritis untuk Fasilitator

1. Fitur Skills tambahan berubah cepat dan resminya untuk akun Business/Enterprise/Edu — jangan asumsikan sama seperti dokumentasi ini tanpa dites ulang.
2. Jangan pernah pakai data klien asli untuk demo di depan kelas.
3. Porsi praktik 75% berarti risiko molor tinggi — time-box ketat per segmen.
4. Konsep OWN (bagian 01, 04, 05) diadaptasi dari materi SOPRA AI@Work Sesi 2. Durasi bagian tidak berubah; kalau molor di 05, potong contoh kasus fakta vs asumsi, bukan uji OWN. *

Prasyarat

Sesi ini lanjutan langsung dari Leading Self 1 — peserta wajib sudah paham:

• Framework SIAP (menyusun prompt) — LS1 bagian 03
• Framework GALI (minta AI menggali kebutuhan) — LS1 bagian 05
• Framework DATA (anti-halusinasi untuk kerja data) — LS1 bagian 07
• Prinsip keamanan data eksternal — LS1 bagian 04

Kalau ada peserta yang belum ikut Leading Self 1, jangan lanjutkan tanpa mereka membaca minimal keempat bagian di atas — sesi ini berjalan cepat dan berasumsi semua istilah itu sudah dikenal.

Penjelasan

Leading Self 1 fokus ke penggunaan AI untuk kerja individual sehari-hari. Sesi ini ("Leading Others") naik satu tingkat: memakai AI untuk mengolah data, menghasilkan insight, dan menyusun laporan/presentasi yang bisa dipertanggungjawabkan ke orang lain — atasan, tim, atau klien. Karena outputnya dikonsumsi orang lain, standar akurasi dan validasinya harus lebih ketat dari sekadar kerja personal.

Porsi sesi ini: ~25% teori, ~75% praktik. Kalau di Leading Self 1 kita banyak menjelaskan dulu baru coba, di sini kebalikannya — konsep dijelaskan singkat, sisanya langsung kerja dengan data.

Penjelasan

Framework yang dipelajari di Leading Self 1 (SIAP, GALI, DATA) dirancang untuk satu prompt sekali jalan. Kerja data yang berujung ke laporan/presentasi butuh beberapa tahap berurutan, bukan satu prompt ajaib. OLAH adalah rumah yang menaruh ketiga framework itu di tempat yang tepat pada tiap tahap.

Framework OLAH

Kenapa urutannya harus begini: melompat ke Insight (L) sebelum benar-benar Observasi (O) adalah penyebab paling umum laporan AI yang menyesatkan — AI (atau kita) menyimpulkan dari data yang polanya belum benar-benar dipahami. Melompat ke Presentasi (A) sebelum Validasi (H) berarti kesalahan yang belum ketahuan langsung dikirim ke audiens.

Pemetaan Tool: Inti vs Bonus

Sesi ini didesain berjalan penuh dengan fitur yang ada di semua akun ChatGPT Plus/Pro (Advanced Data Analysis: upload file, jalankan analisis, bikin grafik). Kalau akun peserta punya akses ke Skills tambahan (dicek di bagian 00), ini mempercepat prosesnya — tapi bukan syarat.

Peringatan penting untuk tahap A: kalau skill Publish Artifact dipakai (menerbitkan dashboard/laporan ke link publik seperti Vercel), jangan pernah publish data klien asli ke link publik — prinsip ini sama dengan LS1 bagian 04. Link publik berarti siapa pun yang punya link bisa akses, bukan cuma tim internal.

Lapisan OWN: Siapa yang Memiliki Hasilnya? *

OLAH menjawab bagaimana mengolah data dengan benar. Satu pertanyaan masih tersisa: siapa yang bertanggung jawab atas hasilnya? Jawabannya selalu manusia — AI menyusun draf, kamu yang memilikinya begitu hasilnya dikirim ke orang lain.

[Output AI] + [Dicek & Disesuaikan] = [Hasil Kerja]

Tiga aturan OWN, berlaku di semua tahap OLAH:

1. AI membantu, manusia memutuskan. AI boleh menganalisis, membandingkan, dan menyarankan — keputusan akhir tetap di tangan manusia.
2. Jangan teruskan output AI — teruskan kesimpulanmu. Meneruskan hasil mentah AI ke atasan/tim = melempar pekerjaan berpikir ke orang lain.
3. Kamu pemilik apa pun yang kamu kirim. Kalau salah, "kata AI" bukan jawaban; tanggung jawab ada pada pengirim.

OWN dipraktikkan konkret di dua tahap: A (setiap laporan wajib punya kesimpulan, tindakan, dan pemilik) dan H (uji kepemilikan sebelum kirim, plus batas keputusan yang tidak boleh diserahkan ke AI). Kerangka ini diadaptasi dari materi SOPRA AI@Work Sesi 2 (Think & Own).

Penjelasan

EDA (Exploratory Data Analysis) adalah tahap mengenali data sebelum menyimpulkan apa pun darinya: struktur kolom, tipe data, rentang nilai, data kosong, dan pola kasar. Ini tahap yang paling sering dilewati orang yang buru-buru — padahal ini yang menentukan apakah insight di tahap berikutnya bisa dipercaya atau tidak.

Ingat aturan dari framework DATA (LS1 bagian 07): AI dilarang berasumsi kalau data tidak lengkap, dan wajib bertanya balik kalau ada yang ambigu. Di tahap Observasi ini, aturan itu diterapkan paling ketat — karena kesalahan pemahaman data di sini akan menjalar ke semua tahap berikutnya.

Bonus: Kalau Skill Muncul

Kalau akun peserta punya akses ke skill Analyze Data Quality atau Create Data Context (dicek di bagian 00–01), ini bisa mempercepat langkah 2 — skill tersebut biasanya sudah menjalankan pemeriksaan serupa secara otomatis. Tetap validasi manual di langkah 3, skill tidak menggantikan itu.

Kesalahan Umum yang Perlu Diwaspadai

• Langsung minta insight tanpa observasi dulu — lompat ke tahap L sebelum O selesai.
• Percaya angka ringkasan AI tanpa cek manual — terutama untuk dataset yang peserta sendiri belum hafal isinya.
• Mengabaikan data kosong/anomali yang ditemukan di tahap ini — catat, jangan dilewati begitu saja karena akan memengaruhi keakuratan insight nanti.

Penjelasan

Observasi (tahap O) menjawab "apa isi data ini?". Insight (tahap L) menjawab "jadi apa artinya, dan apa yang perlu dilakukan?". Insight yang baik selalu bisa ditelusuri balik ke observasi — kalau AI memberi insight yang tidak bisa ditunjukkan sumbernya dari data, itu tanda halusinasi, bukan analisis.

Di tahap ini, dua framework digabung: SIAP (LS1 bagian 03) untuk menyusun prompt yang terarah, dan DATA (LS1 bagian 07) untuk memastikan hasilnya tidak mengarang.

Bonus: Kalau Skill Muncul

Skill Data Analytics (kalau ada di akun peserta) bisa membantu proses ini berjalan lebih terstruktur, kadang dengan visualisasi otomatis. Aturan sitasi dan validasi manual tetap wajib — skill tidak menghilangkan kewajiban itu.

Kesalahan Umum yang Perlu Diwaspadai

• Pertanyaan insight terlalu umum ("kasih insight dari data ini") — hasilnya generik dan sulit diverifikasi. Selalu spesifik seperti di tahap observasi.
• Menerima insight tanpa cek sitasi — ini titik paling rawan halusinasi di seluruh alur OLAH.
• Insight yang sebenarnya cuma pengulangan observasi — insight harus menjawab "jadi apa", bukan cuma mengulang angka mentah.

Penjelasan

Insight yang sudah divalidasi sitasinya (bagian 03) masih dalam bentuk mentah — belum tentu enak dibaca atasan atau klien. Tahap Atur (A) menyusun insight itu jadi format yang bisa dikonsumsi orang lain: ringkasan eksekutif singkat + visual pendukung, bukan tumpukan data mentah.

Prinsip format: audiens (atasan/klien) butuh kesimpulan dulu, detail belakangan. Struktur yang disarankan: headline (1 kalimat inti) → 3-5 poin insight → rekomendasi tindakan (kalau relevan).

Dari Output AI ke Hasil Kerja (OWN) *

Laporan AI sering terlihat sempurna — struktur rapi, bahasa korporat, paragraf panjang — tetapi belum ada keputusan di dalamnya. Atasan tidak butuh analisis panjang; atasan butuh tahu apa yang terjadi, kenapa penting, dan siapa melakukan apa. Sebelum laporan dikirim, pastikan lima unsur ini ada:

AI bisa membantu menstruktur kelima unsur ini. Tetapi kesimpulan, tindakan, dan pemilik adalah penilaian manusia — AI tidak tahu situasi lapangan, siapa yang punya kapasitas, atau apa yang realistis minggu ini.

Jangan teruskan output AI — teruskan kesimpulanmu

Pola yang dihindari (forwarding problem): staf meneruskan email AI ke supervisor, supervisor meneruskan ke manajer — semua meneruskan, tidak ada yang memproses. Pertanyaan penguji: "So what? Apa kesimpulannya, apa yang harus kita lakukan?"

Bonus: Kalau Skill Muncul

Skill Visualize Data bisa mempercepat pembuatan chart. Skill Data Analytics: Publish Artifact bisa langsung menerbitkan hasil (dashboard/laporan) ke link publik (misalnya di Vercel) yang bisa dibagikan.

Peringatan Keras Sebelum Publish

Kalau memakai fitur publish ke link publik:

Jangan pernah menerbitkan dashboard/laporan berisi data klien atau data pribadi asli ke link publik. Link publik berarti siapa pun yang memegang link — bukan cuma tim internal — bisa mengaksesnya. Ini pelanggaran langsung terhadap prinsip di LS1 bagian 04: anggap semua yang masuk ke AI eksternal berpotensi tidak privat, apalagi kalau hasilnya sengaja dipublikasikan.

Kalau perlu membagikan hasil ke pihak lain, pastikan dulu: (1) data sudah dianonimkan sejak tahap 00, (2) link dibagikan lewat kanal internal yang diatur akses, bukan disebar bebas, (3) sesuai kebijakan berbagi data organisasi/klien.

Kesalahan Umum yang Perlu Diwaspadai

• Headline melebih-lebihkan insight yang sebenarnya lemah — kembali cek ke sitasi sumber di tahap L.
• Mencampur fakta (temuan data) dengan opini (rekomendasi) tanpa penanda jelas — audiens bisa salah mengira rekomendasi sebagai fakta.
• Langsung publish tanpa mikir siapa yang bisa akses link — ini kesalahan paling berisiko di tahap ini.
• Laporan tanpa pemilik dan tenggat — rapi, tetapi tidak ada yang bergerak setelah dibaca. *
• Meneruskan output AI mentah dengan catatan "FYI" — penerima tidak tahu apa yang harus dilakukan. *

Penjelasan

Ini tahap terakhir OLAH, dan tahap yang paling sering dilewati karena laporan sudah terlihat rapi di tahap A. Padahal "terlihat rapi" tidak sama dengan "benar". Ingat batas dari framework DATA (LS1 bagian 07): framework anti-halusinasi mengurangi risiko, tapi tidak menghilangkannya. Validasi manusia tetap wajib untuk keputusan yang berisiko — dan laporan yang dikonsumsi orang lain (atasan, klien) selalu masuk kategori ini.

Fakta vs Asumsi AI *

Contoh kasus: sebuah cabang hanya mencapai 73 transaksi/hari dibanding 140 di cabang lain. AI langsung menyebut empat penyebab: kurang tenaga kerja, pelatihan buruk, tata letak tidak efisien, kekurangan alat. Pertanyaan kritisnya: mana yang benar-benar kita ketahui?

• Fakta (terbukti): cabang ini 73/hari, cabang lain 140/hari.
• Asumsi AI (belum terbukti): "kurang orang", "pelatihan buruk", dst. — AI menebak penyebab tanpa data yang menunjukkannya.

Rekomendasi AI "tambah dua karyawan" berdiri di atas asumsi. Hasil kerja yang benar menulis Fakta, Belum diketahui, Kesimpulan (ada gap, akar penyebab belum terbukti — jangan tambah orang dulu), dan Tindakan + Pemilik + Tenggat (ukur 3 hari, Manajer Cabang, Jumat).

Uji Kepemilikan (OWN) Sebelum Kirim *

Setelah lima poin validasi di atas lolos, tambahkan lima pertanyaan ini. Satu saja dijawab "tidak" = belum siap kirim:

1. Apakah saya bisa menjelaskan laporan ini tanpa melihat layar AI?
2. Apakah kesimpulan ini milik saya — bukan sekadar salinan dari AI?
3. Apakah ada tindakan, pemilik, dan tenggat yang jelas?
4. Apakah saya sudah memisahkan fakta dari asumsi AI?
5. Kalau atasan bertanya "kenapa angka ini?", saya yang menjawab, bukan "kata AI"?

Jadikan AI mitra berpikir, bukan mesin penjawab. Sebelum kirim, minta AI menguji kesimpulanmu: "Apa asumsi yang saya buat? Risiko apa yang mungkin saya lewatkan? Apa yang bisa membuat rencana ini gagal? Pertanyaan kritis apa yang akan diajukan Direktur?"

Batas Otoritas: Keputusan yang Tetap di Manusia *

AI boleh menganalisis, membandingkan, dan memberi saran di semua bidang. Tetapi untuk area berikut, hanya manusia yang mengambil keputusan akhir — dan manusia itu yang menanggung akibatnya:

Aturan praktis: kalau keputusannya menyangkut salah satu area ini, AI memberi bahan, kamu menandatangani.

Bonus: Kalau Skill Muncul

Skill Validate Data (kalau ada di akun peserta) bisa membantu langkah 1-2 secara otomatis. Langkah 3-5 tetap wajib dilakukan manusia — ini soal penilaian konteks (proporsionalitas, pemisahan fakta/opini) yang tidak sepenuhnya bisa didelegasikan ke AI, termasuk AI yang memvalidasi AI lain.

Kesalahan Umum yang Perlu Diwaspadai

• Melewati tahap ini karena "sudah keburu terlihat bagus" — ini justru sinyal untuk lebih hati-hati, bukan lebih santai.
• Minta AI yang sama untuk "validasi ulang" tanpa membuka data asli — AI yang sama bisa mengulangi kesalahan yang sama. Validasi butuh sumber independen (file asli, bukan cuma tanya ulang ke AI).
• Menganggap validasi selesai kalau checklist "lolos semua" — checklist ini meminimalkan risiko, bukan menghilangkannya sepenuhnya.
• Menjadikan AI alasan lepas tangan ("kata AI begitu") — tanggung jawab akhir ada pada pengirim, bukan pada sistem. *
• Menyerahkan keputusan di area otoritas ke AI — keselamatan, SDM, keuangan, spesifikasi teknis, dan hukum selalu keputusan manusia. *

Penjelasan

Rangkuman alur sesi (bacakan cepat, satu napas):

Kenali data dulu sebelum menyimpulkan (Observasi) → gali insight yang bisa ditelusuri sumbernya (Lacak Insight) → susun jadi laporan yang memisahkan fakta dari opini dan punya pemilik (Atur Presentasi) → jangan pernah kirim/publish sebelum dicek manual (Hasil Divalidasi) — dan ingat: AI membantu, manusia memutuskan; yang kamu kirim, kamu yang memiliki. *

Ini semua dibangun di atas fondasi Leading Self 1: SIAP untuk menyusun instruksi, GALI untuk saat belum tahu harus mulai dari mana, DATA untuk mencegah AI mengarang, dan prinsip keamanan data untuk menjaga apa yang boleh dan tidak boleh masuk ke AI eksternal.

Perbandingan Singkat: Leading Self 1 vs Leading Self 2A

Rencana Pengembangan Lanjutan

• Leading Self 2B (usulan): kustomisasi skill/GPT khusus untuk jenis data yang berulang dikerjakan tim (mis. laporan penjualan bulanan, monitoring kualitas produksi).
• Leading Self 3 (usulan): dari analisis individual ke kolaborasi tim — bagaimana beberapa orang memakai dataset dan alur OLAH yang sama secara konsisten.

Rujukan Silang

• Fondasi wajib: Leading Self 1 — daftar isi lengkap
• Framework yang dipakai di sesi ini: SIAP, GALI, DATA
• Prinsip keamanan data yang berlaku di semua tahap OLAH: Keamanan Data dan Risiko
• Kepemilikan hasil (OWN): Lapisan OWN, lima unsur hasil kerja, uji kepemilikan & batas otoritas *