OpenAI merilis panduan prompt GPT-5.6: hanya berikan hasil dan garis merah, sisanya serahkan ke model

OpenAI mempublikasikan panduan prompt GPT-5.6. Uji internal menemukan bahwa setelah prompt system yang terlalu panjang dipangkas, skor justru naik 10% hingga 15%, sementara penggunaan token masih bisa dihemat 41% hingga 66%. Dengan kata lain, saat Anda menyuruh model “melakukan persiapan lebih sedikit”, justru ia berjalan lebih cepat dan menjawab lebih akurat.
(Konteks: Tes rahasia GPT-5.6 sempat viral: ChatGPT tiba-tiba makin pintar, uji pengguna menumbangkan Fable 5)
(Tambahan latar: Harness Engineering (AI mengemudikan engineering) edisi pemula: standar pemrograman terbaru OpenAI, ajari kamu dengan mudah mencapai Lv.1)

Daftar Isi

Toggle

• Semakin sedikit instruksi, semakin akurat model?
• Jangan lagi menulis langkah, tulis “titik akhir” saja
• Dari “menumpuk instruksi” ke “penyesuaian berbasis pengukuran”

Tes internal OpenAI menunjukkan bahwa setelah sebuah system prompt yang awalnya panjang dipangkas secara signifikan, skornya tidak turun—malah naik 10% hingga 15%. Pada saat yang sama, penggunaan token juga dihemat 41% hingga 66%. Dengan kata lain, saat Anda meminta model “melakukan sedikit persiapan”, ia justru berjalan lebih cepat dan menjawab lebih tepat.

Ini adalah poin utama yang dijelaskan dalam panduan prompt resmi GPT-5.6 dari OpenAI. Di bawah ini, penulis merangkum tiga poin: mengapa pemangkasan instruksi justru lebih efektif, seperti apa penulisan baru yang disarankan OpenAI, dan bagaimana pengembang sebenarnya harus mengubahnya.

Semakin sedikit instruksi, semakin akurat model?

Intuisi para insinyur saat menulis prompt dulu adalah: “semakin detail, model semakin patuh”—setiap langkah dan setiap kondisi pengecualian ditulis agar model tidak melewatkan apa pun. Namun, OpenAI dalam panduannya menyebut bahwa intuisi ini tidak bekerja pada GPT-5.6. Tim engineering melakukan pengujian dan menemukan bahwa sebuah system prompt—secara sederhana adalah perintah pengaturan tersembunyi yang disisipkan developer sebelum percakapan pengguna dimulai—kalau dipenuhi dengan aturan berulang, pengingat gaya yang tidak memberi dampak nyata pada perilaku, contoh yang tidak perlu, serta instruksi proses yang sebenarnya sudah bisa dilakukan model, maka setelah semuanya dicabut, kinerja model justru menjadi lebih baik.

Langkah spesifik yang diberikan panduan adalah “mulai dari versi yang sudah bisa jalan, lalu hapus bertahap”: pertahankan prompt yang masih efektif terlebih dulu, cabut bagian-bagian yang mencurigakan satu per satu, sambil memantau eval (skor evaluasi kuantitatif AI). Sederhananya, ambil sekumpulan tugas tetap yang menjalankan model, lalu ukur dengan skor untuk menilai apakah jawaban bagus, dan apakah ada penurunan.

Yang seharusnya dipertahankan adalah: hasil yang bisa dilihat pengguna, standar penilaian untuk keberhasilan dan kapan harus berhenti, batasan keamanan dan komersial, aturan pemilihan alat yang menyesuaikan konteks, serta format output yang diminta. Selebihnya, sebagian besar hanyalah kata-kata tambahan yang membuat insinyur merasa lebih tenang.

Panduan juga menyoroti sebuah aspek yang sering diabaikan: deskripsi tools itu sendiri juga merupakan bagian dari prompt. Semakin banyak tools yang diberikan ke model, dan semakin tidak jelas deskripsinya, semakin tinggi biaya yang dibutuhkan model untuk menentukan tool mana yang harus dipakai. OpenAI menyarankan hanya memberikan tools yang relevan dengan tugas, dan setiap deskripsi tool harus menjelaskan apa yang dilakukan, kapan harus digunakan, dan bagaimana berperilaku saat terjadi kesalahan. Dengan kata lain, pemangkasan yang ringkas bukan hanya pada “instruksi”, tetapi “kotak alat”-nya juga perlu ikut dipangkas.

Jangan lagi menulis langkah, tulis “titik akhir” saja

Kalimat paling inti dalam panduan adalah: “Tentukan hasil, batasan penting, bukti yang dapat digunakan, standar penyelesaian, lalu sisakan ruang agar model memilih jalur yang efisien sendiri.” Sederhananya, Anda hanya memberitahu model harus sampai ke mana dan batas merah apa yang tidak boleh dilanggar; tidak perlu menentukan setiap langkah yang harus ditempuh.

Contoh dari OpenAI adalah “selesaikan permintaan dengan loop tools yang paling sedikit yang berguna, tetapi jangan sampai pengurangan jumlah loop mengorbankan akurasi, bukti yang diperlukan, atau sitasi,” yaitu aturan keputusan “jika X maka Y”, bukan perintah mati.

Detail lain yang mudah terlewat adalah bahwa jawaban default GPT-5.6 cenderung lebih ringkas. Dulu insinyur menulis prompt seperti “jawab secara singkat”. Sekarang, itu bisa saja tidak hanya berlebihan, tetapi juga berbahaya. Panduan menyarankan menggantinya dengan parameter text.verbosity. Sederhananya, kontrol seberapa panjang jawaban model dilakukan lewat satu parameter terpisah, dipisah dari pengaturan nada; panjang dibagi menjadi low, medium, high untuk mengatur durasi, sedangkan gaya dan formalitas dijelaskan lewat personalitas yang terpisah—keduanya ditulis singkat.

Jika memang butuh jawaban yang lebih pendek, panduan menyarankan agar dijelaskan secara tegas “apa yang dipertahankan, apa yang dipotong”, bukan sekadar melempar kalimat umum “lebih singkat”. Soal seberapa besar model perlu mengerahkan usaha berpikir—yaitu reasoning effort—sederhananya adalah mengatur seberapa banyak “tenaga berpikir” yang harus dipakai model sebelum menjawab; panduan membaginya menjadi low, medium, high, xhigh, max. Sebelum menaikkan, OpenAI menyarankan untuk lebih dulu memeriksa apakah prompt sudah menulis jelas standar keberhasilan dan loop verifikasinya; sering kali “jelas dalam menjelaskan” lebih efektif daripada “menambah agar model lebih banyak berpikir”.

Dari “menumpuk instruksi” ke “penyesuaian berbasis pengukuran”

Dampak paling praktis bagi developer adalah workflow migrasi prompt yang disertakan panduan.

OpenAI menyampaikan dengan lugas: saat mengganti model, jangan menulis ulang seluruh paket prompt sekaligus. Alasannya, jika sekaligus mengubah model, setelan inferensi, prompt, dan kumpulan tools, maka setelah itu Anda tidak bisa membedakan perubahan perilaku disebabkan oleh yang mana. Urutan yang benar adalah: ganti model dulu, pertahankan setelan kekuatan penalaran yang asli, jalankan sekali sebagai baseline lewat eval yang representatif; lalu cabut scaffolding yang sudah usang dan instruksi yang berulang, hanya untuk bagian yang “ternyata memang turun” menurut eval, dengan revisi paling minimal; setelah itu uji ulang. Setiap Anda mengubah satu faktor, Anda harus mengukur ulang; tidak boleh mengacak-ngacak berbagai hal secara bersamaan.

Panduan juga meminta developer menuliskan dengan jelas “seberapa banyak keputusan yang boleh diambil model sendiri”, bukan menyampaikannya secara kabur. Contoh kebijakan dari OpenAI adalah: untuk permintaan seperti menjawab, menjelaskan, memeriksa, model hanya boleh memeriksa dan melaporkan, tidak boleh mengubah. Untuk permintaan yang melibatkan perubahan atau perbaikan, dalam batas tertentu model boleh melakukan perubahan lokal dan menjalankan verifikasi yang tidak bersifat destruktif. Sedangkan yang benar-benar menyangkut penulisan ke pihak luar, tindakan yang destruktif, atau memperluas ruang lingkup tugas, semuanya harus berhenti dulu untuk meminta konfirmasi.

Instruksi dulu makin banyak, pernah dianggap cara insinyur untuk merasa aman. Sekarang terlihat bahwa itu bisa memperlambat model sekaligus membebani tagihan. Semakin cerdas modelnya, justru manusia perlu belajar bicara lebih sedikit, menyisihkan tenaga untuk pengukuran dan verifikasi.