RAG: Cara AI Mengambil Informasi sebelum Menjawab

RAG (retrieval-augmented generation) adalah cara kerja AI yang mengambil informasi dari sumber luar lebih dulu, lalu memakai informasi itu sebagai bahan saat menyusun jawaban. Dengan RAG, sebuah large language model bisa menjawab memakai informasi terbaru atau informasi khusus tanpa perlu dilatih ulang, walaupun jawabannya tetap bisa keliru.

Bagi brand, mekanisme ini menjelaskan bagaimana sebuah halaman website bisa ikut membentuk jawaban AI hari ini. Google, misalnya, menyatakan bahwa fitur AI di Search memakai RAG untuk mengambil halaman yang relevan dari indeksnya. Memahami tahapannya membantu tim marketing melihat di titik mana halaman mereka berhasil dipakai sebagai sumber, dan di titik mana halaman itu terlewat.

Apa arti RAG dalam AI?

RAG adalah pola yang menggabungkan dua kemampuan, yaitu mencari informasi dan menghasilkan teks. Google Cloud menjelaskan RAG sebagai framework yang menggabungkan sistem pengambilan informasi, seperti penelusuran dan database, dengan model bahasa generatif. Hasilnya, model punya bahan bacaan yang relevan ketika menjawab, di luar apa yang sudah ia pelajari saat training.

Analogi yang paling mudah adalah ujian dengan buku terbuka. Peserta ujian tetap memakai pemahamannya sendiri, tetapi boleh membuka referensi sebelum menulis jawaban. Analogi ini berhenti berlaku di satu titik penting. Peserta yang membuka buku yang salah, atau salah membaca halaman yang benar, tetap bisa menulis jawaban keliru dengan sangat meyakinkan. Hal yang sama berlaku untuk RAG, karena dokumen yang berhasil diambil belum menjamin setiap kalimat di jawaban didukung oleh dokumen tersebut.

Istilah lain yang sering muncul bersama RAG adalah grounding. Google memakai kedua istilah ini untuk teknik yang sama, yaitu menambatkan jawaban AI pada informasi dari sumber yang diambil, dengan tujuan meningkatkan kualitas, akurasi, dan kebaruan jawaban.

RAG juga dipakai di luar mesin pencari. Chatbot layanan pelanggan yang menjawab dari dokumen kebijakan perusahaan, asisten internal yang mencari di arsip laporan, dan fitur tanya jawab di aplikasi belanja umumnya memakai pola yang sama. Google Cloud menyebut RAG bisa dipasang di aplikasi atau agen LLM mana pun yang butuh akses ke data baru, pribadi, atau khusus. Jadi, tim marketing kemungkinan akan bertemu RAG di dua tempat, yaitu di AI search yang merangkum web dan di chatbot milik brand sendiri.

Tiga tahap kerja RAG

Sistem RAG umumnya bekerja dalam tiga tahap yang berurutan. Detail teknis setiap tahap berbeda dari satu sistem ke sistem lain, tetapi alurnya serupa.

Sumber informasi disiapkan

Tahap pertama adalah menyiapkan kumpulan informasi yang boleh diambil. Isinya bisa berupa halaman web, dokumen internal perusahaan, katalog produk, atau database. Dalam banyak implementasi, dokumen dipecah menjadi bagian-bagian yang lebih kecil, lalu setiap bagian diubah menjadi embedding, yaitu deretan angka yang mewakili maknanya. Embedding memungkinkan sistem menemukan bagian yang maknanya mirip dengan pertanyaan, walaupun kata yang dipakai berbeda.

Pemecahan dokumen dan embedding adalah komponen yang umum dipakai, tetapi tidak selalu ada di setiap sistem. Mesin pencari besar seperti Google sudah punya indeks web sendiri, sehingga tahap ini bagi Google pada dasarnya adalah proses crawling dan indexing yang sudah berjalan selama ini.

Informasi yang relevan diambil

Saat pertanyaan masuk, sistem mencari bagian informasi yang paling relevan dengan pertanyaan tersebut. Google Cloud menyebut mesin pencari modern sering menggabungkan pencarian berdasarkan makna dan pencarian berdasarkan kata kunci, lalu memakai reranker, yaitu tahap penilaian ulang yang mengurutkan hasil supaya yang paling relevan berada di atas. Beberapa sistem juga memperbaiki atau mengubah pertanyaan lebih dulu sebelum mencarinya.

Google Search punya versi sendiri dari tahap ini. Panduan Google tentang fitur generative AI di Search menjelaskan bahwa AI Overviews dan AI Mode memakai sistem ranking inti Google untuk mengambil halaman yang relevan dan terbaru dari indeks Search. Google juga menyebut teknik query fan-out, yaitu ketika model membuat beberapa pencarian terkait secara bersamaan untuk mengumpulkan informasi tambahan sebelum menjawab.

Jawaban disusun dengan konteks tambahan

Informasi yang terambil kemudian diberikan ke model sebagai konteks, bersama pertanyaan pengguna. Model menyusun jawaban dengan memakai bahan tersebut, dan banyak produk menampilkan tautan ke halaman yang dipakai sebagai sumber. AWS mencatat bahwa atribusi sumber seperti ini membantu pengguna memeriksa jawaban dan meningkatkan kepercayaan terhadap hasilnya.

Kualitas jawaban di tahap ini sangat bergantung pada tahap sebelumnya. Google Cloud mengingatkan bahwa jika informasi yang diambil tidak relevan, jawabannya bisa tetap berbasis rujukan tetapi melenceng dari topik atau salah.

Pilihan kata yang dipakai penyedia teknologinya sendiri layak diperhatikan. Google Cloud menyebut pemberian fakta lewat RAG dapat memitigasi halusinasi AI generatif, yaitu mengurangi risikonya. Dokumentasi Google Cloud dan AWS yang menjadi rujukan di sini tidak menyebut RAG menghapus kesalahan sepenuhnya, sehingga jawaban yang mengutip sumber tetap perlu diperiksa dengan membuka sumbernya.

Perbandingan RAG, training, dan fine-tuning

RAG, training, dan fine-tuning adalah tiga cara berbeda untuk membuat model bisa menjawab dengan pengetahuan tertentu, dan masing-masing mengubah hal yang berbeda.

Aspek	Training	Fine-tuning	RAG
Yang berubah	Seluruh parameter model dibentuk dari awal	Sebagian parameter model disesuaikan	Parameter model tetap, konteks jawaban yang bertambah
Sumber pengetahuan tambahan	Kumpulan teks yang sangat besar	Contoh khusus untuk tugas atau gaya tertentu	Dokumen atau halaman yang diambil saat pertanyaan diajukan
Cara memperbarui	Melatih ulang model, jarang dan mahal	Melatih ulang dengan contoh baru	Memperbarui sumber informasinya
Contoh penggunaan	Membangun model bahasa umum	Model yang menulis dengan format tetap untuk satu perusahaan	Chatbot yang menjawab dari kebijakan terbaru perusahaan, atau AI search yang merangkum web

Perbandingan ini tidak berarti RAG selalu lebih baik atau lebih murah untuk setiap kebutuhan. Fine-tuning cocok ketika yang dibutuhkan adalah perilaku atau gaya yang konsisten, sedangkan RAG cocok ketika informasinya sering berubah atau terlalu banyak untuk dimasukkan ke dalam model. Banyak sistem memakai keduanya sekaligus.

Kolom "cara memperbarui" punya konsekuensi praktis. Ketika Anda mengubah harga atau informasi di sebuah halaman, perubahan itu baru bisa terbawa ke jawaban AI setelah sistemnya mengambil versi terbaru halaman tersebut. Untuk Google, dokumentasi fitur AI menyebut proses crawling ulang bisa memakan waktu beberapa hari sampai beberapa bulan, tergantung seberapa sering sistem menilai halaman itu perlu diperbarui.

Bagi pemilik website, kolom RAG adalah yang paling relevan. Halaman Anda tidak bisa mengubah parameter model ChatGPT atau Gemini, tetapi halaman yang bisa ditemukan dan relevan bisa masuk sebagai bahan bacaan ketika sistem mengambil sumber.

Apakah setiap AI search memakai RAG yang sama?

Tidak. RAG adalah pola umum, dan setiap produk menerapkannya dengan cara sendiri yang sebagian besar tidak dipublikasikan.

Perbedaannya terlihat dari dokumentasi masing-masing. Google menyatakan fitur AI-nya mengambil halaman dari indeks Search memakai sistem ranking inti. OpenAI menjelaskan bahwa ChatGPT search memakai penyedia pencarian pihak ketiga dan konten dari mitranya. Perplexity menggambarkan produknya sebagai answer engine yang meriset web secara real-time dan menjalankan beberapa model sekaligus. Sumber datanya, cara menyaring, cara mengurutkan, dan aturan menampilkan sitasi bisa berbeda di setiap produk.

Karena itu, diagram RAG yang umum tidak bisa membuka cara pasti sebuah produk memilih sumber. Diagram itu menjelaskan alurnya, tidak aturan ranking, penyaringan, atau sitasi yang dipakai Google, ChatGPT, atau Perplexity. Klaim siapa pun yang mengaku tahu algoritma sitasi lengkap salah satu produk ini sebaiknya diperlakukan dengan hati-hati.

Yang bisa diamati adalah hasilnya. Pertanyaan yang sama sering memunculkan sumber yang berbeda di Google AI Overviews, ChatGPT, dan Perplexity, dan cara menampilkan sumbernya pun berbeda, mulai dari tautan bernomor di dalam kalimat sampai daftar sumber di samping jawaban. Mencatat sumber yang muncul di masing-masing produk untuk pertanyaan yang sama memberi gambaran yang lebih jujur daripada menebak cara kerja internalnya.

Lima titik halaman bisa gagal dipakai

Sebuah halaman bisa gagal ikut membentuk jawaban AI di salah satu dari lima titik, dan masalah di titik awal membuat perbaikan di titik akhir tidak berguna. Kerangka berikut adalah alat diagnosis yang kami pakai untuk menganalisis halaman. Ini bukan tahapan internal yang dikonfirmasi oleh platform mana pun.

1. Penemuan dan akses. Halaman diblokir di robots.txt, tidak terindeks, atau isi utamanya baru muncul setelah JavaScript dijalankan sehingga crawler hanya melihat halaman kosong.
2. Relevansi pengambilan. Halaman bisa diakses, tetapi isinya tidak cukup cocok dengan pertanyaan, misalnya karena memakai istilah internal yang tidak dipakai pembeli.
3. Seleksi kandidat. Halaman terambil bersama banyak halaman lain, lalu kalah ketika sistem mengurutkan mana yang paling layak.
4. Pemakaian konteks. Halaman masuk sebagai bahan, tetapi bagian yang menjawab pertanyaan terkubur atau informasinya bertentangan dengan sumber lain, sehingga model memakai sumber lain.
5. Atribusi akhir. Informasi dari halaman dipakai, tetapi tautan yang ditampilkan mengarah ke halaman lain, atau tidak ada tautan sama sekali.

Titik pertama paling sering bisa diperiksa langsung oleh tim. Untuk Google, syarat teknisnya adalah halaman terindeks dan memenuhi syarat tampil di Search dengan snippet. Untuk crawler AI lain, cara mengecek apa yang benar-benar terbaca ada di artikel mengecek apakah AI crawler bisa membaca halaman Anda. Titik kedua sampai kelima tidak bisa dilihat langsung, tetapi gejalanya bisa dipelajari dari jawaban dan sumber yang muncul.

Beberapa pola gejala cukup mudah dikenali. Jika jawaban AI untuk pertanyaan tentang kategori Anda mengutip halaman kompetitor yang membahas topik serupa, kemungkinan masalahnya ada di relevansi atau seleksi kandidat, karena halaman lain dinilai lebih cocok. Jika jawaban menyebut brand Anda dengan informasi yang keliru, periksa apakah ada informasi yang saling bertentangan di halaman Anda sendiri atau di sumber pihak ketiga. Jika jawaban memakai informasi yang jelas berasal dari halaman Anda tetapi menautkan situs lain, kemungkinan masalahnya ada di atribusi, misalnya karena halaman pihak ketiga menyalin atau merangkum isi Anda. Semua dugaan ini adalah hipotesis kerja yang perlu dicek dulu sebelum dijadikan dasar perbaikan.

Perlukah konten dipecah menjadi potongan kecil?

Untuk Google Search, jawabannya tidak. Panduan Google menyatakan tidak ada keharusan memecah konten menjadi potongan kecil agar AI lebih mudah memahaminya, karena sistemnya bisa memahami beberapa topik dalam satu halaman dan menampilkan bagian yang relevan. Google juga menyebut tidak ada panjang halaman yang ideal.

Kebingungan ini muncul karena dua keputusan yang berbeda sering dicampur. Developer yang membangun sistem RAG sendiri memang memecah dokumen menjadi bagian kecil di dalam pipeline-nya, dan itu urusan teknis sistem tersebut. Penulis website membuat keputusan lain, yaitu bagaimana halaman disusun agar enak dibaca manusia. Memecah artikel menjadi puluhan paragraf pendek yang terputus-putus demi AI justru membuat halaman sulit diikuti.

Struktur yang jelas tetap layak dipertahankan karena alasan pembaca. Heading yang deskriptif, jawaban di awal setiap bagian, dan paragraf yang fokus pada satu gagasan membantu orang menemukan apa yang mereka cari. Untuk produk AI selain Google, belum ada dokumentasi serinci itu, sehingga struktur yang ramah pembaca adalah pilihan paling aman.

Sebagai gambaran, halaman layanan pengiriman yang baik cukup punya bagian terpisah untuk area layanan, estimasi waktu, tarif, dan cara klaim kerusakan, masing-masing dibuka dengan jawaban singkat lalu dilengkapi detail. Halaman seperti itu sudah mudah dipahami manusia dan sistem, tanpa perlu dipotong menjadi puluhan fragmen yang berdiri sendiri.

Apa artinya untuk strategi konten brand

Kalau sistem AI mengambil halaman sebagai bahan jawaban, halaman yang berguna adalah halaman yang memberi informasi spesifik dan bisa diperiksa. Klaim samar seperti "kualitas terbaik" atau "harga paling kompetitif" tidak memberi apa pun yang bisa diambil sebagai fakta.

Ada lima hal yang membuat sebuah halaman lebih layak dipakai sebagai bahan jawaban.

• Halaman menjawab pertanyaan nyata calon pembeli secara akurat, langsung di bagian yang relevan.
• Detail produk atau layanan ditulis eksplisit, termasuk spesifikasi, harga, lokasi, syarat, dan pengecualian.
• Ada bukti orisinal yang tidak tersedia di halaman lain, misalnya data sendiri, pengalaman langsung, atau contoh lokal.
• Tautan antarhalaman menjelaskan hubungan topik, sehingga pembaca dan crawler bisa mengikuti alurnya.
• Isi utama halaman bisa dibaca crawler tanpa hambatan teknis.

Google sendiri menekankan konten yang orisinal dan tidak generik, dan memperingatkan bahwa membuat halaman terpisah untuk setiap variasi pertanyaan demi memanipulasi jawaban AI melanggar kebijakan spam scaled content abuse. Pendekatan yang lebih menyeluruh untuk menyusun konten seperti ini ada di panduan GEO, sementara versi khusus untuk jawaban di halaman hasil Google ada di panduan AEO. Hubungannya dengan pekerjaan SEO sehari-hari dibahas di artikel AI SEO.

Konsistensi antarsumber sering diremehkan. Sistem yang mengambil beberapa halaman sekaligus akan menemukan informasi yang berbeda jika harga di website, marketplace, dan profil bisnis Anda tidak sama. Model kemudian harus memilih salah satu, atau menyebut rentang yang membingungkan. Merapikan informasi dasar di semua tempat tersebut adalah pekerjaan yang tidak menarik, tetapi dampaknya langsung terlihat pada akurasi jawaban tentang brand Anda.

Lembar kerja audit untuk satu halaman

Cara paling praktis memakai pemahaman tentang RAG adalah mengaudit satu halaman penting terhadap satu pertanyaan pembeli. Lembar kerja berikut berisi enam pertanyaan, diikuti contoh hipotetis yang sudah diisi untuk sebuah toko furnitur di Bandung.

Pertanyaan audit	Contoh hipotetis yang sudah diisi
Pertanyaan pembeli yang ingin dijawab	"Sofa bed yang awet untuk apartemen kecil di Bandung apa ya?"
Apakah halaman menjawabnya langsung?	Belum. Halaman kategori sofa bed hanya berisi daftar produk tanpa penjelasan ukuran ruang atau daya tahan
Bukti apa yang tersedia di halaman?	Foto dan harga. Tidak ada dimensi saat dibuka, bahan rangka, masa garansi, atau ulasan pembeli
Apakah halaman bisa diakses crawler?	Daftar produk dimuat lewat JavaScript, dan versi tanpa JavaScript hanya menampilkan judul kategori
Ada informasi yang bertentangan?	Masa garansi tertulis 1 tahun di halaman produk dan 2 tahun di halaman FAQ toko
Sumber apa yang dikutip AI sebagai gantinya?	Artikel perbandingan dari portal dekorasi rumah dan halaman sebuah marketplace

Dari contoh itu, keputusan perbaikannya cukup jelas dan berurutan. Bereskan dulu akses, supaya daftar produk terbaca tanpa JavaScript. Samakan informasi garansi di semua halaman. Setelah itu, tambahkan bagian singkat di halaman kategori yang menjawab pertanyaan ukuran ruang dan daya tahan, lengkap dengan dimensi dan bahan. Keputusan seperti ini jauh lebih berguna daripada rekomendasi umum untuk "menambah konten".

Setelah satu halaman selesai, ulangi lembar kerja yang sama untuk empat atau lima halaman lain yang paling dekat dengan keputusan pembelian, misalnya halaman kategori utama, halaman layanan, dan halaman lokasi. Pola masalahnya biasanya cepat terlihat. Jika hampir semua halaman gagal di titik akses, perbaikannya adalah pekerjaan teknis yang berlaku untuk seluruh situs. Jika aksesnya beres tetapi bukti di halaman tipis, prioritasnya adalah isi. Catat juga tanggal pengecekan dan produk AI yang dipakai, supaya hasil audit berikutnya bisa dibandingkan dengan adil.

Kalau Anda ingin tahu apakah masalah halaman Anda ada pada akses, relevansi, atau bukti, tim AI Search bisa memeriksanya untuk pertanyaan-pertanyaan terpenting di kategori Anda lewat AI Visibility Audit gratis. Untuk memperbaiki isi halamannya, layanan Content Development kami menulis konten berbahasa Indonesia yang berangkat dari pertanyaan pembeli.