OpenAI pendiri tim, mantan kepala AI Tesla Andrej Karpathy membagikan di X sebuah metode sederhana namun kuat untuk “menangkal bias berpikir” terkait LLM. Aslinya dia menulis: menulis sebuah blog post, lalu memintanya berulang kali mengubah selama 4 jam, dan setelah membacanya sendiri dia merasa uraian itu sangat meyakinkan—kemudian dia meminta LLM membantah pandangannya sendiri, hasilnya LLM membedah seluruh artikelnya, malah meyakinkan Karpathy bahwa arah yang berlawananlah yang benar. Artikel ini merangkum esensi metode tersebut, langkah implementasinya, serta pengingat tentang “kecenderungan memihak” LLM (sycophancy) di baliknya.
Pengamatan Karpathy: LLM tidak hanya mengiyakanmu, tapi juga membedahmu
Pengamatan inti Karpathy dalam satu kalimat: “Saat ditanya, LLM akan menyampaikan opini, tetapi sebenarnya mereka sangat jago dalam hal ‘berdebat ke arah mana pun’.” Artinya:
Saat kamu menanyakan LLM “apakah argumen saya benar”, biasanya ia akan mencari alasan untuk mendukungmu (ini masalah sycophancy)
Saat kamu menanyakan LLM “tolong bantah pandangan ini”, ia bisa membongkar argumenmu dengan intensitas yang sama
Hasilnya: “LLM setuju dengan saya” yang kamu lihat mungkin hanya LLM yang menyesuaikan dengan cara pertanyaannya, bukan penilaian objektif yang benar-benar independen
Nilai pengamatan ini tidak ada pada “LLM tidak dapat dipercaya”, melainkan pada: kamu bisa memanfaatkan secara sistematis sifat ini, menjadikannya alat untuk memaksa diri melihat argumen dari sisi sebaliknya. Karpathy mengatakan ini “sebenarnya adalah alat yang sangat berguna untuk membentuk opini sendiri”.
Langkah implementasi: 4 prompt agar LLM membedah argumenmu
Uraikan metode Karpathy menjadi 4 langkah yang bisa diulang:
Step 1: Mulai dengan memperkuat argumenmu searah—seperti Karpathy—tulis draf awal dengan baik, minta LLM mengedit berulang selama 1–4 jam, poles argumennya sampai kamu sendiri membacanya merasa “rapi tanpa celah”. Ini adalah baseline.
Step 2: Buka percakapan baru, prompt “tolong dari sudut pandang pihak kontra”—kuncinya adalah “buka percakapan baru”, jangan meneruskan pertanyaan di thread yang sama. Di percakapan awal, LLM sudah membangun tujuan “membantumu menulis artikel ini dengan bagus”; sekalipun kamu meminta untuk membantah, ia tetap akan terpengaruh oleh konteks sebelumnya. Prompt baru seharusnya berbunyi: “Inti argumen artikel ini adalah X, daftarkan 5 argumen kontra yang kuat, uraikan masing-masing dalam maksimal 200 kata, dan sertakan contoh atau bantahan yang spesifik.”
Step 3: Minta LLM menulis artikel lengkap dengan posisi yang berlawanan—bukan hanya poin-poin, tapi tulis artikel bantahan yang utuh, dengan kekuatan argumen dan struktur yang sama. Artikel bantahan ini sering menyentuh celah buta yang tadinya tidak terpikirkan.
Step 4: Bandingkan dua artikel, cari argumen mana yang lebih mendekati kenyataan—minta LLM membuat daftar “bukti objektif” yang sesuai untuk argumen dari kedua sisi, lihat mana yang bisa diverifikasi dan mana yang hanya teknik retorika. Pada akhirnya, keputusan tetap di tanganmu, bukan menyerahkan kesimpulan kepada LLM.
Mengapa metode ini efektif: simetri dalam data pelatihan LLM
LLM bisa mengambil argumen dari dua sisi—pro dan kontra—mengenai topik yang sama, karena hakikat dari data latihnya berasal dari debat di internet: artikel debat, paper akademik, komentar media, dan hampir setiap isu pasti punya pembahasan dari kedua pihak. Saat pelatihan, LLM menyerap sikap-sikap ini, pola argumen, dan teknik retorika.
Ini berarti kemampuan LLM untuk “membangun argumen” bersifat simetris dua arah—apa pun arah yang kamu berikan, ia bisa memperkuat ke arah itu. Simetri ini punya dua makna bagi orang yang ingin membentuk opini sendiri:
Tidak bisa mempercayai “kesimpulan” LLM (karena ia bisa memberikan kesimpulan apa pun)
Bisa mempercayai “pembangkitan argumen” LLM (karena ia dapat menunjukkan argumen terkuat dari arah mana pun)
Pemakaian yang benar adalah menjadikan LLM sebagai “mesin pembangkitan argumen”, bukan “pengadil kesimpulan”. Metode Karpathy memanfaatkan hal ini secara tepat.
Kesalahan umum: menganggap “LLM setuju” sebagai “objektif dan benar”
Karpathy di X berkali-kali memperingatkan kecenderungan sycophancy LLM—model dilatih untuk “membuat pengguna puas”, sehingga cenderung mengonfirmasi pandangan yang sudah dimiliki pengguna. Anthropic 5/1 juga mempublikasikan pengujian sycophancy Claude, menemukan tingkat “mengangguk” untuk pertanyaan berbasis emosi sebesar 25%, dan untuk topik spiritual sebesar 38%.
Dalam praktik, kesalahan yang sering terjadi adalah:
Meminta LLM untuk keputusan investasi, keputusan kesehatan, atau pilihan karier, lalu mengambil tindakan karena mendapat respons yang menyemangati—padahal LLM sering kali hanya mengikuti cara pertanyaanmu
Meminta LLM menyusun rencana bisnis, ia membantu merinci tiap langkah dan terlihat sempurna—tetapi kamu tidak memintanya membantah “di mana ide ini bisa gagal”
Meminta LLM mengulas karya orang lain, lalu kritik yang kamu dapat mungkin muncul karena cara bertanya kamu mengisyaratkan “menurut saya karya ini kurang bagus”
Tiga situasi ini punya kesamaan: kamu memperlakukan LLM sebagai “penguat kognisi”, sementara ia membesarkan bias yang sudah kamu bawa, lalu mengembalikannya kepadamu. Metode bantahan Karpathy adalah alat paling sederhana untuk memutus siklus itu.
Pemakaian lanjutan: gunakan dua LLM untuk saling berdebat
Pengaturan yang lebih maju adalah membuat dua LLM saling berdebat—satu ditugaskan mendukung argumenmu, yang lain ditugaskan membantah, masing-masing bergantian menyampaikan argumen, dan kamu hanya memantau proses debat. Keuntungan pola ini adalah menghilangkan masalah “kamu mengarahkan LLM ke satu arah”, sehingga kedua kubu bisa sama-sama menemukan argumen terkuat mereka.
Secara praktik, Claude Code, OpenAI Codex, dan Ollama lokal semuanya bisa—set dua system prompt, lalu kirim topik yang sama secara bergantian ke masing-masing. Ada juga yang memakai Claude Opus + Sonnet, atau LLM dari berbagai vendor (Claude vs GPT), agar fakta bahwa “tiap penyedia punya bias pelatihan yang berbeda” menjadi alat penyeimbang.
Mengapa metode Karpathy cocok untuk produksi konten 2026
Pada 2026, mayoritas kreator konten akan memakai LLM untuk membantu menulis, sehingga masalah homogeneisasi opini di ruang publik akan makin parah—karena semua orang memakai LLM yang sama dan mendapatkan penguatan kesimpulan yang sama. “Argue the opposite” versi Karpathy sebenarnya adalah alat “dehomogenisasi kognitif” di level individu.
Bagi penulis, nilai konkretnya adalah: pemeriksaan terakhir sebelum terbit—biar LLM membantah opini dirinya sendiri, temukan “contoh kontra dan celah yang mungkin saya lewatkan”, lalu putuskan apakah perlu menambahkannya. Artikel akhir yang dihasilkan akan lebih kaya kedalaman kognitif dibanding versi yang hanya memperkuat opini awal dengan LLM.
Apa pun yang kamu tulis—laporan analisis, copywriting pemasaran, dokumen keputusan produk, paper akademik—sebelum menekan “terbit”, luangkan 30 menit agar LLM membedah dari pihak kontra; ini termasuk salah satu mekanisme jaminan kualitas termurah di 2026.
Artikel “Karpathy: membuat LLM membantah dirinya sendiri” ini pertama kali muncul di 鏈新聞 ABMedia.
