Artikel
Bahasa Prompt-mu menentukan dengan alam semesta paralel data pelatihan yang mana kamu sedang berbicara
Berhenti menerjemahkan Prompt ke bahasa Inggris demi menghemat Token! Mengapa makin kamu terjemahkan ke bahasa Inggris, AI makin suka menjawab dengan "給到" dan "質量"? Artikel ini memadukan riset model bahasa dari ACL dengan pengalaman praktik untuk menjelaskan mengapa "istilah teknis tetap dalam bahasa aslinya + deskripsi dalam bahasa ibu + jangkar wilayah yang jelas" adalah solusi terbaik untuk menekan biaya bolak-balik revisi.
· 8 menit baca
Berhenti menerjemahkan Prompt ke bahasa Inggris: mengapa makin kamu ingin menghemat Token, AI makin suka menjawab dengan "給到" dan "質量"?
TL;DR (kesimpulan inti)
Rumus praktik terbaik untuk menulis Prompt adalah: "istilah teknis tetap dalam bahasa Inggris asli + konteks kebutuhan ditulis dalam bahasa ibu target pembaca + kaitkan dengan jelas wilayah dan target pembaca sebagai jangkar". Ini tidak menjamin setiap kali hasilnya 100% paling alami, tetapi bisa meningkatkan peluang tepat sasaran sekali jalan secara besar-besaran dan menghemat gesekan karena harus berulang kali merevisi nada dan pilihan kata.
Banyak engineer dan pengguna AI berat punya kebiasaan ini: demi menghemat sedikit Token, atau karena mendengar bahwa "logika AI lebih baik kalau ditanya dalam bahasa Inggris", sebelum mengirim Prompt mereka menerjemahkan kebutuhan ke bahasa Inggris dengan alat penerjemah, lalu di akhir menambahkan kalimat Please reply in Traditional Chinese.
Hasilnya? Kamu menghemat Token beberapa sen, tetapi mendapat jawaban penuh kalimat seperti "solusi ini bisa 給到 kamu pengalaman yang bagus" dan "cara 優化 質量 代碼". Pada akhirnya kamu masih harus menghabiskan 10 menit mengubah sendiri kata-kata itu menjadi pemakaian yang lazim di Taiwan.
Bahasa yang kamu pakai untuk bertanya menentukan dari korpus kelompok orang mana AI mencari jawabannya.
Beberapa waktu lalu saya meminta AI merapikan ringkasan informasi, dengan keluaran dalam bahasa Mandarin Tradisional. Logika isinya tidak bermasalah, tetapi di dalamnya muncul pola kalimat seperti "給到…".
"給到" adalah ungkapan khas dunia kerja di Tiongkok daratan; orang Taiwan hampir tidak pernah berbicara seperti itu dalam komunikasi sehari-hari.
Masalahnya bukan AI tidak paham bahasa Mandarin, melainkan "bahasa tidak sama dengan wilayah, dan Mandarin Tradisional tidak sama dengan Taiwan".
Dalam korpus pelatihan model bahasa besar (LLM), jumlah data Mandarin Sederhana jauh lebih besar daripada Mandarin Tradisional; ketika kamu hanya memberi instruksi dalam bahasa Inggris dan meminta Traditional Chinese, model sangat mudah memakai kosakata Mandarin dengan data terbanyak (umumnya berasal dari Tiongkok daratan), hanya saja ditampilkan dengan aksara tradisional.
Menulis Prompt dalam bahasa ibu hanya membuat AI bergerak ke arah lokalisasi; menyebutkan "wilayah" dan "target pembaca" dengan jelas barulah menutup kesenjangan konteks yang terakhir.
II. Mengapa bahasa pertanyaan langsung mengubah jawaban AI?#
Ini bukan hal gaib, melainkan konsekuensi yang tak terelakkan dari cara kerja dasar model bahasa. Dari sisi teknis dan riset, ada tiga alasan utama:
1. Fondasi AI adalah "probabilitas bersyarat dan prediksi kata berikutnya"#
Untuk hal yang sama, komunitas bahasa yang berbeda memang punya sudut pandang, ungkapan sehari-hari, dan nilai yang sangat berbeda. Semua perbedaan itu terkompresi ke dalam bobot data pelatihan. Saat kamu bertanya dalam bahasa Inggris, model melanjutkan mengikuti korpus dunia berbahasa Inggris; saat kamu bertanya dengan kosakata Mandarin Tradisional yang lazim di Taiwan, model lebih mudah tersambung ke distribusi probabilitas konteks Taiwan.
2. Riset akademis membuktikan: bahasa pertanyaan memicu penyelarasan budaya (Cultural Alignment) yang sesuai#
Sebuah penelitian yang terbit di ACL pada 2024 (AlKhamissi et al., 2024, arXiv:2402.13231) mensimulasikan survei sosial di Mesir dan Amerika Serikat. Tim peneliti menemukan bahwa saat bertanya dalam bahasa utama suatu budaya, distribusi jawaban LLM menjadi jauh lebih mendekati hasil survei manusia sungguhan di tempat itu. Penelitian ini juga menemukan bahwa makin sedikit suatu kelompok terwakili dan makin sensitif topiknya, makin besar bias model.
3. Bahasa dan pilihan kata adalah petunjuk utama bagi AI untuk menilai "siapa kamu"#
AI tidak mengenalmu. Tanpa memori pribadi yang kompleks (Memory) yang dimuat, bahasa yang kamu pakai, istilah teknis yang kamu selipkan, bahkan kebiasaan tanda bacamu, semuanya adalah petunjuk tersirat yang dipakai model untuk menyimpulkan "latar belakang penanya" dan "tingkat keluaran yang diharapkan".
III. Bukan hanya bahasa, "nada" juga bagian dari Prompt#
Selain memilih bahasa yang tepat, "tingkat kesopanan" yang kamu tunjukkan dalam bahasa ibu juga memengaruhi performa model.
Penelitian lintas bahasa lain terhadap Prompt dalam bahasa Inggris, Mandarin, dan Jepang (Yin et al., 2024, arXiv:2402.14531) menunjukkan: bersikap terlalu kasar atau tidak sopan kepada AI biasanya menyebabkan kualitas generasi menurun, tetapi terlalu sopan atau bertele-tele juga tidak menjamin performa lebih baik. Yang lebih penting, setiap bahasa punya "skala kesopanan optimal (Sweet Spot)" masing-masing, yaitu titik keseimbangan emas yang pas, yang berbeda dari bahasa ke bahasa.
Dengan menulis dalam bahasa ibu yang paling kamu kuasai, kamu bisa mengatur takaran nada dengan tepat (misalnya: "nada langsung, tanpa basa-basi pemasaran") dan menghindari hilangnya kendali atas nada dan gaya dalam terjemahan bahasa Inggris yang kaku.
IV. Matriks keputusan Prompt bahasa Mandarin vs. Inggris (kapan sebaiknya memakai bahasa Inggris?)#
Menekankan pentingnya bahasa ibu bukan berarti meninggalkan bahasa Inggris sepenuhnya.
Di masa ketika Input Token sangat murah, "menghemat Token" sudah lama menjadi isu semu, dan biaya yang sebenarnya adalah gesekan akibat komunikasi bolak-balik dan revisi manual. Intinya bukan Mandarin atau Inggris, melainkan apakah yang sedang kamu kejar adalah "konteks lokal" atau "ketepatan teknis murni".
Kamu bisa langsung mengacu pada tabel keputusan ini:
| Skenario tugas |
Bahasa penulisan yang disarankan |
Alasan inti dan strategi |
| Pembuatan konten lokal (blog, naskah pemasaran, teks UI produk, surat pelanggan) |
Deskripsi dalam bahasa ibu + istilah Inggris + jangkar wilayah |
Menghindari nuansa terjemahan dan ungkapan yang bukan lazim di Taiwan (misalnya: 視頻, 質量, 給到), langsung masuk ke konteks pembaca Taiwan. |
| Terjemahan multibahasa lintas negara (misalnya: Mandarin ke Thai, situs multibahasa lokal) |
Instruksi dalam bahasa ibu + wilayah target dan peran ditentukan dengan jelas |
Menghindari bahasa Inggris sebagai bahasa perantara (Pivot Language) yang menyebabkan hilangnya makna dua kali. |
| Pembuatan kode murni dan Debug (arsitektur sistem, algoritma, pencarian bug) |
Mandarin atau Inggris sama-sama boleh (disarankan: logika dalam bahasa ibu + istilah Inggris dan Error Log) |
Kata kunci teknis (API, PR, Deployment) dan dokumentasi resmi memang berbahasa Inggris; mempertahankan aslinya menyelaraskan dengan bobot teknis yang paling akurat. |
| Mencari dokumentasi teknis terbaru dari luar negeri / makalah akademis |
Terutama bahasa Inggris |
Sumber aslinya kebanyakan berbahasa Inggris; mencari langsung dengan kata kunci bahasa Inggris (RAG / Search) memberi recall tertinggi. |
V. Checklist praktik: 5 titik pemeriksaan untuk mendapat jawaban tepat sekali jalan#
Lain kali saat menulis Prompt yang membutuhkan keluaran Mandarin berkualitas tinggi, jangan buka lagi perangkat lunak penerjemah. Langsung terapkan daftar ini:
- Pertahankan istilah teknis dalam bentuk aslinya:
API, PR, Token, Deployment sama sekali tidak diterjemahkan paksa ke bahasa Mandarin.
- Tulis latar belakang dan logika dalam bahasa ibu: jelaskan konteks kebutuhan dengan bahasa ibu yang paling lancar untuk kamu berpikir.
- Paksa kaitkan dengan jangkar wilayah: jangan hanya menulis "Mandarin Tradisional", tulis dengan jelas "gunakan Mandarin Tradisional Taiwan dan ungkapan sehari-hari Taiwan".
- Tentukan target pembaca dan batas nada: misalnya "ditulis untuk software engineer di Taiwan", "nada langsung dan objektif, tanpa kesan pemasaran".
- Periksa sampel dan buat pagar daftar kata terlarang: setelah keluaran jadi, periksa satu-dua kata lokal; jika model sering salah, kamu bisa langsung menambahkan "kata terlarang: 給到, 質量, 優化, 視頻, 賦能".
Perbandingan contoh Prompt dalam praktik#
❌ Contoh yang salah (percaya buta pada bahasa Inggris + syarat yang kabur):
Write a blog post about prompt language selection in Traditional Chinese. Make it professional.
✅ Contoh yang benar (konteks bahasa ibu + istilah tetap asli + jangkar wilayah dan target pembaca):
Tulislah dalam Mandarin Tradisional yang lazim dipakai di Taiwan, sebuah artikel opini teknis untuk para engineer Taiwan, dengan topik "Pemilihan bahasa pertanyaan dalam Prompt".
Persyaratan:
1. Istilah teknis (seperti Token, Prompt, Context, API) tetap dalam bahasa Inggris asli, jangan sengaja diterjemahkan.
2. Nada langsung dan objektif, langsung berikan kesimpulan dan daftar yang bisa dijalankan, tanpa nada buku pelajaran atau omong kosong pemasaran.
3. Gunakan secara ketat istilah lokal Taiwan, hindari kata seperti "給到, 質量, 視頻, 代碼".
Pertanyaan yang sering diajukan (FAQ)#
Q1: Apakah menulis Prompt dalam bahasa Mandarin memakai lebih banyak Token dan lebih lambat?#
Untuk isi yang sama, jumlah Token dalam bahasa Mandarin biasanya sedikit lebih banyak daripada bahasa Inggris, tetapi harga Input Token sangat rendah. Dibandingkan dengan biaya Token yang dihemat itu, waktu yang terbuang untuk "membuat ulang" atau merevisi secara manual karena kesalahan konteks adalah pengeluaran tersembunyi yang paling mahal.
Q2: Mengapa saya sudah meminta AI memakai "Mandarin Tradisional (Traditional Chinese)", tetapi masih muncul ungkapan khas Tiongkok daratan?#
Karena bagi model, Traditional Chinese sering kali hanya berarti "pengodean dan bentuk aksara (Script)", bukan "budaya wilayah (Locale)". Korpus Hong Kong dan Makau, Taiwan, serta korpus hasil konversi dari Sederhana ke Tradisional semuanya termasuk Mandarin Tradisional. Harus menentukan dengan jelas "istilah Taiwan (zh-TW)" dan "target pembaca (misalnya: engineer Taiwan)" agar pilihan kosakata model menyempit dengan benar.
Ingin jawaban yang terlokalisasi, bertanyalah dalam bahasa setempat, lalu sebutkan wilayahnya dengan jelas.
Logika ini tidak hanya berlaku untuk tanya jawab sehari-hari, tetapi juga fondasi inti lokalisasi produk lintas negara. Di artikel berikutnya, kita akan langsung memperluas konsep ini ke praktik rekayasa: "Ketika sebuah situs mendukung 22 bahasa, bagaimana membuat AI menerjemahkan secara otomatis terjemahan lokal yang benar-benar alami?"