Ada satu pekerjaan yang kelihatan sepele tapi sebenarnya berisiko tinggi kalau dikerjakan asal-asalan, yaitu mencocokkan data orang dari dua sumber yang skemanya berbeda. Waktu itu saya punya dua sheet data karyawan yang harus disatukan, satu pakai NIK, satu lagi pakai skema ID yang sama sekali berbeda dan tidak nyambung satu sama lain. Satu-satunya cara mencocokkannya hanya lewat nama.

Kalau pernah mengurus data karyawan dalam jumlah besar, pasti tahu masalah macam ini. Nama depan bisa sama tapi orangnya beda, ada yang namanya cuma satu kata seperti “Arif” atau “Ayu” yang jelas dipakai lebih dari satu orang, bahkan ada baris yang sebenarnya bukan nama orang sama sekali, melainkan nama grup kerja. Kalau dicocokkan manual satu per satu, ribuan baris data bisa memakan waktu berhari-hari.

Godaan minta AI cocokkan langsung

Cara paling gampang tentu saja tinggal buka Claude di Google Sheets lewat add-on, lalu bilang “cocokkan nama-nama ini”. Dalam hitungan detik semua baris akan terisi. Tapi di situ juga masalahnya muncul, karena hasil yang cepat dan terlihat rapi belum tentu benar. AI tetap bisa menebak, dan tebakannya bisa saja meyakinkan padahal salah, terutama untuk nama-nama pendek yang saya sebutkan tadi.

Saya tidak mau data karyawan yang dipakai untuk urusan administrasi dan payroll berisiko salah orang hanya karena sistem terburu-buru memberi jawaban. Jadi saya ubah cara memintanya.

Bukan minta jawaban, tapi minta tingkat kepercayaan

Alih-alih menyuruh Claude langsung mengisi nama yang paling mirip, saya minta dia menghitung skor kemiripan untuk setiap baris, lalu mewarnai barisnya secara otomatis sesuai tingkat kepercayaan skor tersebut. Jadi yang keluar bukan cuma “ini namanya”, tapi juga “seberapa yakin saya, dan kenapa segitu yakinnya”.

Hasilnya langsung kelihatan bedanya. Dari ribuan baris data yang diproses, 592 baris atau sekitar 65 persen mendapat skor di atas 85 persen, ini kategori yang paling bisa dipercaya. Sebanyak 124 baris atau 14 persen ada di kisaran 65 sampai 85 persen, kategori ini perlu dicek lagi nama depan dan belakangnya karena mirip belum tentu berarti orang yang sama. Ada 159 baris atau 17 persen dengan skor 40 sampai 65 persen, risiko salahnya cukup tinggi karena banyak nama pendek seperti “arif” atau “ayu” yang bisa dipakai banyak orang. Sisanya, 39 baris atau 4 persen, skornya di bawah 40 persen, kemungkinan besar orang tersebut memang tidak ada di sheet pembanding, misalnya dokter tamu atau nama grup kerja.

Yang bikin hasilnya bisa dipercaya bukan cuma angkanya

Bagian yang menurut saya paling berguna bukan sekadar angka skornya, tapi Claude juga menjelaskan alasan di balik baris yang berisiko. Baris merah dan oranye ditandai karena sering berupa nama satu kata atau nama grup non-perorangan, bukan nama orang biasa, jadi wajib dicek manual dan tidak boleh langsung dipercaya begitu saja. Ada juga satu sheet referensi lain yang saya kira bisa dipakai sebagai acuan tambahan, ternyata skemanya beda total dan tingkat kecocokannya nol persen langsung, jadi tidak dipakai.

Kolom bantu yang dipakai selama proses ini pun sengaja belum dihapus sampai semua hasilnya selesai saya review satu per satu. Ini bagian yang sering dilewatkan orang, terburu-buru menghapus jejak proses padahal justru jejak itu yang memudahkan verifikasi kalau ada yang meleset.

Pelajaran yang saya ambil

Titik pentingnya di sini, AI tidak otomatis teliti dengan sendirinya. Dia mengikuti arahan yang diberikan. Kalau hanya disuruh mencocokkan, jawabannya akan terlihat percaya diri walau di baliknya banyak tebakan. Begitu diminta mengukur dan menjelaskan alasannya, jawaban yang keluar jadi bisa dipertanggungjawabkan, dan yang lebih penting, jadi jelas bagian mana yang aman dipakai langsung dan bagian mana yang masih butuh mata manusia.

Untuk pekerjaan dengan data dalam jumlah besar dan taruhannya salah orang bisa merepotkan, bagian tersulitnya bukan menyuruh AI bekerja. Bagian tersulitnya justru memikirkan cara bertanya yang membuat AI jujur soal batasan kemampuannya sendiri.