Chain of Thought

Introduction

Chain of thought sering dipahami sebagai meminta AI "berpikir langkah demi langkah". Tujuannya adalah membuat model tidak langsung melompat ke jawaban, terutama untuk tugas yang butuh penalaran: analisis kasus, debugging, perencanaan, atau keputusan bisnis. Namun meminta model menampilkan seluruh proses berpikir bisa membuat output panjang, lambat, dan kadang tidak perlu.

Praktik yang lebih berguna adalah meminta AI menggunakan penalaran terstruktur, lalu menampilkan ringkasan alasan yang relevan. Anda tidak selalu membutuhkan semua jejak pikiran; Anda membutuhkan jawaban yang benar, asumsi penting, dan alasan yang bisa diaudit.

Concepts

Gunakan chain-of-thought style ketika tugas memiliki beberapa langkah dependen. Contoh: menghitung biaya, mengevaluasi trade-off, menyusun strategi, atau mencari akar masalah. Untuk tugas sederhana seperti mengubah tone email, teknik ini sering berlebihan.

Alih-alih menulis "jelaskan semua pemikiranmu secara detail", gunakan instruksi seperti: "kerjakan bertahap secara internal; tampilkan hanya ringkasan alasan dan jawaban final". Ini menjaga kualitas penalaran tanpa memboroskan token output.

Struktur yang aman: definisikan tujuan, minta model memeriksa data, minta asumsi eksplisit, lalu minta keputusan final. Jika risiko tinggi, minta model menyebut ketidakpastian dan data yang dibutuhkan.

Examples

Tolong pikirkan langkah demi langkah dengan sangat detail dan jelaskan semua proses berpikirmu untuk menentukan kenapa conversion rate landing page kami turun bulan ini. Bahas semua kemungkinan penyebab dan jelaskan secara panjang.

Analisis penurunan conversion rate. Gunakan reasoning internal. Output: 3 hipotesis terkuat, bukti yang perlu dicek, prioritas investigasi, aksi 48 jam.

Versi setelah tidak meminta narasi pikiran panjang. Ia meminta artefak keputusan: hipotesis, bukti, prioritas, dan aksi. Ini lebih praktis untuk tim growth.

Saya punya masalah bug yang rumit. Tolong jelaskan langkah demi langkah semua kemungkinan yang kamu pikirkan dari awal sampai akhir supaya saya bisa memahami bagaimana kamu sampai pada solusi.

Debug bug berikut. Kerjakan bertahap. Tampilkan: kemungkinan root cause, cara verifikasi tiap cause, fix minimal, risiko regresi. Jangan tampilkan spekulasi lemah.

Prompt setelah mengarahkan penalaran ke proses debugging yang bisa dieksekusi. Model tidak membuang token pada kemungkinan yang tidak kuat.

Practical Tips

Gunakan frasa "ringkasan alasan" daripada "semua proses berpikir". Minta model menampilkan asumsi, bukan setiap langkah mental. Asumsi membantu Anda mengoreksi arah jika model memakai dasar yang salah.

Untuk keputusan bisnis, minta kriteria evaluasi sebelum rekomendasi. Misalnya: biaya, dampak, risiko, waktu implementasi. Untuk masalah teknis, minta hipotesis dan cara verifikasi. Untuk analisis teks, minta bukti kutipan pendek agar alasan tidak mengambang.

Chain-of-thought juga bisa dipakai sebagai checkpoint. Minta AI membuat rencana 3 langkah, lalu jalankan langkah pertama. Ini lebih terkendali daripada meminta solusi besar sekaligus. Namun jangan membuat workflow terlalu panjang jika tugas sederhana.

Perhatikan biaya output. Jawaban penalaran panjang bisa menghabiskan token lebih banyak daripada input. Jika Anda hanya butuh keputusan, batasi format: "maksimal 5 bullet" atau "tabel 4 kolom".

Summary

Chain of thought berguna untuk tugas bernalar, tetapi jangan otomatis meminta semua proses berpikir ditampilkan. Arahkan model untuk bernalar secara internal dan mengeluarkan ringkasan alasan, asumsi, bukti, serta keputusan final. Hasilnya lebih hemat dan lebih mudah dipakai.