Pernah mengetik "SALAH LAGI! Kamu ini ngerti nggak sih?!" ke ChatGPT, Claude, atau Gemini? Kalau pernah, Anda tidak sendirian. Saat AI memberi jawaban yang meleset untuk kesekian kalinya, rasa kesal itu wajar. Pertanyaannya: apakah memarahi AI benar-benar membuat jawabannya lebih baik, atau kita cuma melampiaskan emosi ke mesin?
Jawaban jujurnya: riset yang ada belum sepakat, dan efeknya kecil. Yang jauh lebih menentukan kualitas jawaban adalah isi pesan kita, bukan nadanya.
Apa Kata Riset tentang Nada Kasar?
Ada dua penelitian yang sering dikutip, dan hasilnya justru bertolak belakang.
Yang pertama berjudul Should We Respect LLMs? karya Ziqi Yin dan rekan-rekan, dipresentasikan di lokakarya SICon 2024. Mereka menguji pengaruh tingkat kesopanan prompt dalam bahasa Inggris, Tionghoa, dan Jepang. Temuannya: prompt yang tidak sopan secara umum menurunkan kinerja model. Tetapi sopan berlebihan juga tidak otomatis lebih baik, dan tingkat kesopanan terbaik berbeda antarbahasa.
Yang kedua, makalah singkat Mind Your Tone oleh Om Dobariya dan Akhil Kumar dari Penn State, diunggah ke arXiv pada 6 Oktober 2025. Mereka membuat 50 soal pilihan ganda (matematika, sains, sejarah), lalu menulis ulang tiap soal dalam lima nada, dari "sangat sopan" sampai "sangat kasar", sehingga totalnya 250 prompt. Diuji ke ChatGPT-4o, prompt "sangat kasar" benar 84,8%, sedangkan "sangat sopan" 80,8%.
Berita tentang riset kedua sempat viral dengan judul semacam "mau hasil AI lebih bagus? jadilah kasar". Padahal batasannya banyak: hanya satu model, sampelnya kecil, soalnya pilihan ganda dengan satu jawaban pasti, dan makalahnya belum melalui telaah sejawat. Selisih empat poin itu juga belum terbukti berlaku untuk tugas sehari-hari seperti menulis surat, merangkum dokumen, atau memperbaiki kode.
Salah satu dugaan yang muncul dalam liputan riset itu cukup masuk akal: kalimat sopan yang berputar-putar ("Kalau tidak keberatan, bisakah Anda mungkin...") bisa membuat inti perintah jadi kabur. Kalimat kasar biasanya lebih pendek dan langsung. Jadi yang membantu kemungkinan besar adalah kelugasannya, bukan makiannya.
Lalu, Marah Itu Ada Untungnya?
Untuk kualitas jawaban: hampir tidak ada, dan bisa merugikan. Pesan seperti "Masih salah! Bodoh!" tidak memberi tahu AI apa yang salah. Model hanya tahu Anda tidak puas, lalu menebak lagi. Sering kali tebakan berikutnya sama melesetnya, atau malah mengubah bagian yang tadinya sudah benar.
Panduan prompt dari Anthropic (pembuat Claude) bahkan menyarankan agar bahasa yang terlalu keras dilunakkan. Untuk model-model terbarunya, instruksi bernada "CRITICAL: You MUST..." bisa membuat model bereaksi berlebihan. Cukup tulis biasa, misalnya "Gunakan alat ini ketika...".
Untungnya mungkin hanya satu: kita merasa lega. Itu manusiawi. Tetapi kalau tujuannya mendapat jawaban yang benar, energi itu lebih berguna dipakai untuk langkah-langkah berikut.
1. Tulis Instruksi yang Jelas dan Lengkap
Anthropic menyarankan kita membayangkan AI sebagai karyawan baru yang cerdas tetapi belum tahu kebiasaan dan cara kerja kita. Makin rinci penjelasannya, makin baik hasilnya.
Bandingkan:
- Kabur: "Buatkan email ke klien."
- Jelas: "Buatkan email ke klien yang proyeknya terlambat dua minggu. Nada sopan dan profesional, maksimal 150 kata, akui keterlambatan, tawarkan jadwal baru, tanpa janji diskon."
Panduan yang sama juga menyarankan menyebut alasannya. Misalnya, "Jangan pakai singkatan, karena email ini akan dibaca pejabat yang tidak akrab dengan istilah teknis." Dengan tahu alasannya, AI bisa menyesuaikan hal-hal lain yang tidak kita sebut. Satu lagi: katakan apa yang harus dilakukan, bukan hanya apa yang dilarang.
2. Beri Contoh
Menurut panduan Anthropic, contoh adalah salah satu cara paling andal untuk mengarahkan format, nada, dan struktur jawaban. Teknik ini disebut few-shot prompting.
Kalau Anda ingin AI meringkas notulen rapat dalam gaya tertentu, tempelkan satu ringkasan lama yang Anda sukai: "Buat seperti contoh ini." Satu contoh yang baik sering lebih efektif daripada tiga paragraf penjelasan.
3. Koreksi dengan Spesifik
Saat jawaban AI salah, ganti "Salah!" dengan koreksi yang menunjuk masalahnya:
- Apa yang salah: "Angka total di paragraf kedua tidak sama dengan jumlah tabel."
- Seharusnya bagaimana: "Totalnya harus 1.250, bukan 1.520."
- Apa yang dipertahankan: "Bagian lain sudah bagus, jangan diubah."
Koreksi seperti ini memberi AI informasi baru. Kemarahan tanpa rincian hanya memberi sinyal bahwa Anda kesal.
4. Mulai Percakapan Baru Bila Konteks Sudah Kacau
Ini langkah yang paling sering dilupakan. Penelitian LLMs Get Lost In Multi-Turn Conversation (Philippe Laban dan rekan-rekan, arXiv Mei 2025, diterima di ICLR 2026) menjalankan lebih dari 200.000 simulasi percakapan. Hasilnya, model-model terbaik yang diuji rata-rata turun kinerjanya 39% ketika instruksi diberikan sedikit demi sedikit dalam banyak giliran, dibanding saat instruksi lengkap diberikan sekaligus.
Penyebabnya, model cenderung membuat asumsi terlalu dini dan terburu-buru memberi jawaban akhir. Sekali salah arah, model sulit kembali ke jalur yang benar. Para peneliti menyarankan dua hal:
- Mulai percakapan baru yang memuat semua informasi yang sama sekaligus.
- Kalau AI tampak "tersesat", minta ia merangkum semua yang sudah Anda sampaikan, lalu bawa rangkuman itu ke percakapan baru.
Riset lain, Lost in the Middle (Nelson Liu dan rekan-rekan, 2023), menunjukkan bahwa model paling baik memakai informasi yang ada di awal atau akhir masukan, dan kinerjanya menurun ketika informasi penting terselip di tengah konteks yang panjang. Artinya, percakapan yang sudah memanjang dengan banyak revisi, salah paham, dan omelan bisa membuat instruksi penting Anda "tenggelam".
Jadi, kalau sudah tiga atau empat kali koreksi tetapi AI masih berputar-putar, jangan menambah omelan. Buka percakapan baru, tulis ulang instruksi lengkap beserta pelajaran dari percobaan sebelumnya ("Jangan pakai format tabel; angka total harus sesuai lampiran"), lalu mulai lagi.
Kesimpulan
Marah ke AI tidak dilarang, dan bukti bahwa nada kasar membuat jawaban lebih buruk atau lebih baik masih terbatas dan saling bertentangan. Yang konsisten adalah ini: AI bekerja dari teks yang kita berikan. Instruksi yang jelas, contoh yang tepat, koreksi yang spesifik, dan keberanian memulai ulang percakapan jauh lebih menentukan hasil daripada seberapa keras kita membentak layar.
Lain kali jari sudah siap mengetik huruf kapital semua, tarik napas dulu, lalu ganti "SALAH!" dengan satu kalimat yang menjelaskan apa yang salah.
Sumber
- Dobariya, O. & Kumar, A. (2025). Mind Your Tone: Investigating How Prompt Politeness Affects LLM Accuracy. arXiv:2510.04950.
- Yin, Z., dkk. (2024). Should We Respect LLMs? A Cross-Lingual Study on the Influence of Prompt Politeness on LLM Performance. SICon 2024.
- Laban, P., Hayashi, H., Zhou, Y., & Neville, J. (2025). LLMs Get Lost In Multi-Turn Conversation. arXiv:2505.06120.
- Liu, N. F., dkk. (2023). Lost in the Middle: How Language Models Use Long Contexts. arXiv:2307.03172.
- Anthropic. Prompting best practices.
- Decrypt. Want Better Results From an AI Chatbot? Be a Jerk.