Kenapa Butuh Framework?
Kita udah ngobrol panjang lebar soal agentic coding, tools-nya, sampai cara pakainya. Tapi ada satu hal fundamental yang sering kelewat: bagaimana sih cara kita “kerjasama” sama AI supaya hasilnya optimal?
Jawabannya ada di framework yang dipopulerkan Ethan Mollick (profesor Wharton & penulis buku Co-Intelligence): 4Ds.
4D yang ini bukan “3D + waktu” ya 😄 — ini empat skill/kompetensi yang lo butuhin buat kerja bareng AI secara efektif:
- Delegation — apa yang harus didelegasi ke AI, apa yang harus dipegang sendiri
- Description — gimana cara mendeskripsikan yang lo mau dengan jelas
- Discernment — gimana cara menilai dan verifikasi output AI
- Diligence — gimana cara bertanggung jawab dan teliti dalam pake AI
Master these four, dan lo bakal bisa kerja bareng AI dengan efektif — apapun tools-nya.
1. Delegation — Tahu Apa yang Mau Diserahin
Ini skill paling fundamental. Delegation bukan sekadar “kasih kerjaan ke AI” — tapi tahu persis apa yang harus lo serahin, dan apa yang harus tetep di tangan lo.
Yang Cocok Didelegasi ke AI
- 🔧 Boilerplate code — CRUD, validasi, scaffolding project
- 🔍 Riset & discovery — cari dokumentasi, baca codebase, eksplorasi pattern
- 📝 First draft — nulis draf awal, refactor kode, nulis test
- 🐛 Debugging repetitif — error handling, typo, missing imports
- 📊 Analisis data rutin — parsing, formatting, summary
- 🌐 Translation & formatting — translate docs, format JSON/CSV/YAML
Yang SEBAIKNYA Tetap di Tangan Lo
- 🎯 High-level strategy & arsitektur — keputusan bisnis dan tech yang besar
- 🤝 Stakeholder communication — meeting, presentasi, negosiasi
- 🔐 Security & compliance critical — auth, payment, data encryption
- ❤️ Hal yang butuh empati & human touch — UX writing, customer success
- ⚖️ Ethical decisions — trade-off yang ada nilai moralnya
- 📜 Final approval — merging PR, deploy to production
Pertanyaan Kunci Sebelum Delegasi
Sebelum lo kasih task ke AI, coba tanya ke diri sendiri:
- “Kalau AI-nya gagal, apa konsekuensinya?” — kalau catastrophic (medical, financial, security), jangan delegasi. Kalau cuma annoying (typo di docs), gas delegasi.
- “Apakah AI punya konteks yang cukup?” — kalau AI nggak tau project lo, business domain, atau constraint-nya, hasil-nya bakal asal.
- “Berapa effort nge-verify output-nya?” — kalau effort verifikasi sama dengan effort ngerjain sendiri, mungkin nggak worth didelegasi.
- “Apakah ini task yang repeatable?” — kalau iya, AI bakal makin bagus seiring waktu. Kalau one-off, mungkin manual lebih cepet.
2. Description — Seni Mendeskripsikan
Ini skill yang paling impactful — dan paling sering diremehkan. Garbage in, garbage out. Kualitas output AI 90% ditentukan oleh kualitas deskripsi yang lo kasih.
Apa yang Bikin Deskripsi Bagus?
Deskripsi yang bagus itu:
- ✅ Spesifik — bukan “bikinin web”, tapi “bikin landing page dengan hero section, CTA button, dan form newsletter”
- ✅ Kontekstual — jelasin kenapa lo butuh ini, siapa target user-nya, di mana ini akan dipake
- ✅ Ada constraint — budget, waktu, tech stack, preferensi, edge cases
- ✅ Punya criteria success — “test harus cover minimal 80%” atau “waktu load < 2 detik"
- ✅ Contoh > instruksi — kalau bisa kasih contoh, jauh lebih efektif daripada instruksi abstrak
Layer-Layer Deskripsi
Bayangin deskripsi lo kayak layer cake:
- Layer 1 – Goal: “Saya mau bikin sistem rekomendasi film”
- Layer 2 – Context: “Untuk startup streaming lokal, target user 18-35 di Indonesia”
- Layer 3 – Specifics: “Pake collaborative filtering, integrate sama TMDB API, response time < 500ms”
- Layer 4 – Constraints: “Pake Python + FastAPI, deploy ke AWS, budget $50/bulan”
- Layer 5 – Examples: “Contoh rekomendasi kayak Netflix — ‘Because you watched X, you might like Y'”
Makin banyak layer yang lo kasih, makin akurat output-nya.
Teknik Description yang Powerful
- Role Prompting — “Lo adalah senior Python developer yang specialize di performance optimization…”
- Few-shot Examples — kasih 2-3 contoh input-output yang lo mau
- Negative Constraints — “JANGAN pake library X, JANGAN pake pattern Y karena…”
- Step-by-step — pecah task besar jadi step kecil yang berurutan
- Chain of Thought — “Jelasin dulu logikanya, baru tulis kode-nya”
Contoh Before/After
❌ Deskripsi buruk:
“Bikinin API dong”
✅ Deskripsi bagus:
“Bikinin REST API pakai Go + Gin untuk user management dengan endpoint: register (POST /users), login (POST /auth/login dengan JWT), get profile (GET /users/me dengan auth middleware), update profile (PATCH /users/me). Validation pake go-playground/validator, password di-hash pake bcrypt cost 12, JWT expired 24 jam. Include unit test pakai testify minimal 80% coverage, integration test pakai dockertest dengan PostgreSQL.”
Output-nya bakal jauh beda. Percaya deh.
3. Discernment — Mata Kritis
Ini mungkin skill yang paling penting di era AI. Discernment adalah kemampuan buat menilai, mengevaluasi, dan memverifikasi output AI. Tanpa ini, lo cuma jadi follower yang percaya apapun yang dikasih AI.
Kenapa Discernment Penting?
- 🤖 AI bisa halusinasi — ngasih jawaban yang kedengeran benar tapi sebenernya salah
- 🎭 AI bisa “menyanjung” — agree sama lo meskipun lo salah, biar lo seneng
- 🧠 AI nggak punya context hidup — dia nggak tau kalau lo lagi stress, deadline mepet, atau lagi butuh feedback jujur
- 💀 AI bisa nge-encourage keputusan buruk — “Wah ide bagus!” padahal idenya sebenernya kacau
Cara Develop Discernment
- Selalu assume AI bisa salah — treat output-nya kayak first draft dari junior employee, bukan final answer dari expert
- Verifikasi factual claims — kalau AI nyebut library/API/version, cek langsung ke dokumentasi
- Test dengan edge cases — jangan cuma test happy path, tapi juga boundary cases, error cases, weird inputs
- Cross-check dengan multiple sources — pakai 2-3 AI tools beda atau cek dengan search engine
- Trust your gut — kalau “kedengeran terlalu bagus untuk jadi kenyataan”, biasanya emang begitu
- Code review ketat — review AI code seperti review code dari orang yang baru lo hire
Red Flags di Output AI
Waspada kalau AI:
- ❌ Terlalu percaya diri tanpa qualify (“Ini PASTI berhasil!” — padahal belum ditest)
- ❌ Menghindari pertanyaan lo — jawab hal yang lo nggak tanya, skip yang lo tanya
- ❌ Generate kode yang lo nggak ngerti — “coba pake library X” padahal library X udah deprecated 2 tahun lalu
- ❌ Menggunakan pattern yang outdated — syntax lama, best practice lama
- ❌ Tidak ada error handling — happy path doang, error case diabaikan
- ❌ Copy-paste jawaban generic — kayak StackOverflow answer yang nggak relate ke konteks lo
Tools Pendukung Discernment
- 🔍 Search engine — Google, DuckDuckGo buat verifikasi fakta
- 🧪 Static analysis — ESLint, SonarQube, Snyk buat cek code quality & security
- 🧑💻 Code review — minta senior dev review output AI
- 📚 Dokumentasi resmi — jangan cuma percaya AI, cek docs asli
- 🏃 Test sendiri — run, break, stress test. Jangan cuma diem liatin.
4. Diligence — Tanggung Jawab & Etika
Ini dimensi yang paling sering dilupain. Diligence bukan cuma kerja keras — tapi tanggung jawab, kehati-hatian, dan integritas dalam pake AI.
Area Kritis yang Perlu Diligence
🔐 Security & Privacy
- Jangan paste API key, password, atau data sensitif ke AI chat (kecuali lo 100% yakin tool-nya aman & privat)
- Waspadai data leakage — beberapa AI tool ngumpulin data buat training
- Selalu review generated code buat security vulnerability
- Pake AI yang sesuai compliance (GDPR, HIPAA, SOC2) kalau handle data regulated
⚖️ Legal & IP
- Jangan asumsi AI output bebas dari copyright — ada grey area yang masih dibahas di banyak yurisdiksi
- Untuk karya yang bakal dipublish komersil, cek policy platform AI yang lo pake
- Jangan generate kode yang jelas-jelas copy dari proprietary software
- Pahami lisensi library yang direkomendasiin AI — jangan asal install
🎯 Akurasi & Kualitas
- Verifikasi klaim fakta — apalagi buat content yang bakal dipublish
- Cek statistik, kutipan, dan reference — AI bisa “halusinasi” data
- Jangan generate medical/legal/financial advice lewat AI tanpa expert review
- Buat content penting, human-in-the-loop is mandatory
🤝 Etika & Dampak Sosial
- Pertimbangkan siapa yang ke-dampak sama output AI lo — employee, customer, masyarakat
- Avoid bias — AI bisa perpetuate bias dari training data
- Transparansi — kasih tau kalau lo pake AI untuk bikin sesuatu (terutama content)
- Jangan pake AI buat manipulasi atau disinformation
Best Practices untuk Diligence
- 📋 Bikin “AI Usage Policy” — document internal kapan boleh & nggak boleh pake AI
- 🔒 Pake enterprise/paid version buat data sensitif (lebih privat & secure)
- 👥 Setup human review buat output yang impact-nya besar
- 📝 Audit log — track apa aja yang lo generate pake AI, kapan, dan kenapa
- 🎓 Stay updated — regulasi soal AI lagi berkembang, ikutin perkembangannya
Cara 4Ds Bekerja Bareng
Keempat D ini bukan berdiri sendiri — mereka saling melengkapi dan membentuk satu siklus lengkap:
- Delegation → kamu putuskan mau delegasiin apa
- Description → kamu deskripsiin task-nya dengan jelas
- Discernment → kamu nilai & verifikasi output-nya
- Diligence → kamu pake hasil-nya secara bertanggung jawab
Skip salah satu, hasilnya bakal suboptimal atau bahkan berbahaya:
- Skip Delegation → lo over-trust atau under-trust AI
- Skip Description → AI bingung, output nggak relevan
- Skip Discernment → lo percaya output yang salah, bisa disaster
- Skip Diligence → masalah etika, legal, atau security
Cara Asah 4Ds Lo
Semua skill ini bisa diasah dengan practice. Ini beberapa caranya:
🧪 Untuk Delegation
- Mulai dari task kecil — kasih task ke AI, lihat hasilnya, iterasi
- Tracking waktu — kalau AI lebih lama dari manual, mungkin belum tepat didelegasi
- Minta AI “explain its plan” — kalau AI bingung, mungkin lo juga harus mikir dua kali delegasiin
✍️ Untuk Description
- Latihan nulis spec dengan detail — treat prompt kayak brief ke freelancer mahal
- Compare output dari prompt generic vs detail — rasain bedanya
- Save “template prompt” yang works — reuse & improve
- Belajar teknik prompting baru (chain-of-thought, few-shot, dll)
🔍 Untuk Discernment
- Selalu verify minimal 1 klaim per output AI — biarin kebiasaan
- Test code yang AI generate — jangan cuma baca
- Tanya “kenapa?” ke AI — kalau dia nggak bisa jelasin logikanya, jangan percaya
- Belajar tentang common AI failure modes (halusinasi, sycophancy, dll)
🛡️ Untuk Diligence
- Setup data handling policy — tau data mana yang boleh di-paste ke AI
- Audit output secara berkala — cek apakah ada violation
- Stay updated soal AI regulation & best practices
- Diskusi sama tim — alignment soal ethical AI use
Studi Kasus: 4Ds dalam Action
Cerita nyata — pas saya bikin salah satu artikel di blog ini:
- Delegation → Saya delegasiin riset & first draft ke AI, tapi saya yang tentuin angle, tone, dan target audience
- Description → Saya kasih brief detail: panjang artikel, gaya bahasa, section yang harus ada, contoh analogy yang cocok, dll
- Discernment → Saya review draf, cek klaim faktual, tambahin personal experience, edit bagian yang terlalu generic
- Diligence → Saya disclose di akhir artikel kalau itu dibikin bareng AI, supaya pembaca tau
Hasilnya: artikel yang efisien (20 menit vs 3 jam) tapi tetep autentik dan akurat. Win-win.
Penutup
Framework 4Ds bukan cuma buat “pakai AI” — ini mindset buat berkolaborasi sama AI dengan cara yang sehat, efektif, dan bertanggung jawab.
Kalau lo bisa master keempat D ini, lo bakal:
- 🚀 Lebih produktif — tepat delegasi = output maksimal
- 🎯 Lebih akurat — description jelas = hasil relevan
- 🛡️ Lebih aman — discernment tinggi = minim error
- ⚖️ Lebih bertanggung jawab — diligence baik = dampak positif
Framework ini nggak cuma relevan buat agentic coding, tapi buat semua use case AI — dari nulis email, analisis data, sampe bikin strategi bisnis.
Selamat belajar berkolaborasi sama AI! 🤝✨
Framework 4Ds dipopulerkan oleh Ethan Mollick dalam karyanya tentang co-intelligence with AI. Artikel ini adalah interpretasi & ekspansi bebas dari konsep aslinya, disesuaikan dengan konteks developer Indonesia.