Ketika karyawan bertanya kepada chatbot AI umum tentang kebijakan cuti, prosedur retur, atau isi kontrak dengan pemasok, jawabannya sering terdengar meyakinkan tetapi tidak sesuai dengan aturan perusahaan. Penyebabnya sederhana: model AI tidak pernah membaca dokumen internal Anda. Ia menjawab dari pengetahuan umum, bukan dari SOP dan kontrak yang berlaku di kantor Anda.
Di sinilah RAG berperan. Dengan RAG, AI menjawab dari dokumen perusahaan dan menyertakan kutipan sumbernya, sehingga setiap jawaban bisa diperiksa. Artikel ini menjelaskan cara kerja RAG, apa saja yang perlu disiapkan, dan batasan yang perlu Anda pahami sebelum memulai.
Apa itu RAG dan cara AI menjawab dari dokumen perusahaan
RAG adalah singkatan dari Retrieval-Augmented Generation. Idenya: sebelum AI menjawab, sistem lebih dulu mencari potongan dokumen yang paling relevan dengan pertanyaan, lalu memberikan potongan itu kepada model sebagai bahan jawaban. Model diminta menjawab hanya berdasarkan bahan tersebut dan menyebutkan dari dokumen mana jawabannya berasal.
Alurnya kira-kira seperti ini:
- Dokumen perusahaan dipecah menjadi potongan kecil dan disimpan dalam indeks pencarian, biasanya berbasis pencarian semantik yang memahami makna, bukan hanya kata yang sama persis.
- Karyawan mengajukan pertanyaan, misalnya "berapa hari cuti melahirkan untuk karyawan kontrak?"
- Sistem mencari potongan dokumen yang paling relevan, dengan memperhatikan hak akses penanya.
- Model AI menyusun jawaban dari potongan tersebut dan menyertakan kutipan, misalnya nama dokumen dan bagiannya.
- Jika bahan yang relevan tidak ditemukan, AI seharusnya mengatakan tidak tahu, bukan mengarang.
Keunggulan utamanya ada pada kutipan. Karyawan tidak perlu percaya begitu saja; mereka bisa membuka sumbernya dan memastikan sendiri.
Persiapan dokumen: fondasi yang sering diremehkan
Kualitas jawaban RAG sangat bergantung pada kualitas dokumen yang dimasukkan. Jika folder Anda berisi tiga versi SOP yang saling bertentangan, AI akan kebingungan dengan cara yang sama seperti karyawan baru.
Beberapa hal yang perlu dibereskan lebih dulu:
- Tentukan sumber resmi. Pilih dokumen yang benar-benar berlaku dan arsipkan versi lama.
- Perhatikan format. PDF hasil pindaian perlu diproses dengan OCR. Tabel dan lampiran perlu diperiksa apakah terbaca dengan benar.
- Lengkapi metadata. Tanggal berlaku, pemilik dokumen, dan divisi membantu sistem memilih sumber yang tepat.
- Tetapkan proses pembaruan. Ketika kebijakan berubah, indeks juga harus diperbarui.
Chunking, akses, dan data pribadi
Chunking
Chunking adalah cara dokumen dipecah menjadi potongan. Potongan yang terlalu kecil kehilangan konteks, sedangkan potongan yang terlalu besar membuat pencarian kurang tepat dan biaya pemrosesan naik. Pendekatan yang baik biasanya mengikuti struktur dokumen, seperti bab, pasal, atau subjudul, sehingga satu potongan berisi satu gagasan utuh.
Kontrol akses
Ini bagian yang tidak boleh dilewatkan. Jika dokumen gaji hanya boleh dibaca tim HR, maka RAG juga tidak boleh mengambil potongan dokumen itu untuk menjawab pertanyaan dari divisi lain. Hak akses harus diterapkan pada tahap pencarian, sebelum potongan dokumen dikirim ke model, bukan sekadar disembunyikan di tampilan.
Data pribadi
Dokumen perusahaan sering memuat data pribadi seperti NIK, NPWP, atau alamat. Data semacam ini sebaiknya disamarkan sebelum dikirim ke model, sejalan dengan kebijakan privasi perusahaan dan prinsip UU PDP.
Mengevaluasi kualitas jawaban
Sistem RAG perlu diuji dengan cara yang terukur. Susun daftar pertanyaan nyata dari karyawan beserta jawaban yang benar dan dokumen sumbernya. Lalu periksa dua hal secara terpisah:
- Pencarian: apakah sistem menemukan potongan dokumen yang tepat?
- Jawaban: apakah AI menjawab sesuai isi potongan tersebut, dengan kutipan yang benar, tanpa menambahkan hal yang tidak ada?
Memisahkan keduanya membantu Anda tahu di mana masalahnya. Jawaban yang salah sering kali bukan kesalahan model, melainkan karena dokumen yang benar tidak pernah ditemukan. Jalankan ulang pengujian ini setiap kali Anda mengubah cara chunking, model, atau prompt.
Setelah sistem dipakai, kumpulkan juga umpan balik dari pengguna. Pertanyaan yang tidak terjawab menunjukkan dokumen yang belum tersedia, sedangkan jawaban yang ditandai keliru menunjukkan potongan dokumen yang perlu diperbaiki. Catatan seperti ini membuat sistem makin berguna dari bulan ke bulan, dan membantu tim pemilik dokumen tahu bagian mana yang perlu diperjelas.
Batasan dan jebakan yang perlu diwaspadai
RAG mengurangi jawaban mengarang, tetapi tidak menghilangkannya sepenuhnya. Beberapa jebakan yang sering muncul:
- Pertanyaan agregat. RAG cocok untuk "apa aturannya", tetapi kurang cocok untuk "berapa total penjualan bulan lalu". Pertanyaan seperti itu lebih tepat dijawab dari database atau sistem operasional.
- Dokumen yang bertentangan. Jika dua sumber berbeda pendapat, AI bisa memilih yang salah. Kurasi dokumen tetap penting.
- Kutipan yang tidak diperiksa. Kutipan hanya berguna jika pengguna dibiasakan untuk membukanya, terutama untuk keputusan penting.
- Harapan berlebihan. RAG adalah alat bantu mencari dan merangkum, bukan pengganti keahlian hukum, keuangan, atau HR.
Mulai membangun AI yang paham dokumen Anda
RAG paling berhasil jika dimulai dari satu kumpulan dokumen yang jelas, misalnya SOP operasional atau kebijakan HR, dengan pengguna yang terbatas dan pengujian yang rutin. Setelah kualitasnya terbukti, cakupan bisa diperluas ke divisi dan dokumen lain.
Averoa membantu perusahaan membangun pencarian dengan sumber, kontrol akses per tim, dan penyamaran data pribadi melalui layanan AI untuk Perusahaan. Jika perusahaan Anda juga ingin bertanya langsung pada data operasional seperti SDM dan keuangan, Anda bisa melihat Sage di Trellis, yang bekerja di atas data perusahaan Anda sendiri dan terisolasi untuk tiap perusahaan.
