Zero-shot vs Few-shot Prompting: Apa Bedanya?

Few-shot prompting adalah teknik memberi AI beberapa contoh pasangan input dan output di dalam prompt sebelum meminta tugas sebenarnya, supaya output lebih konsisten dan sesuai format. Lawannya adalah zero-shot prompting, yaitu memberi instruksi tanpa contoh sama sekali dan mengandalkan pengetahuan bawaan model. "Few" artinya sedikit, biasanya 1 sampai 5 contoh. "Zero" artinya nol contoh. Itulah inti perbedaannya: ada contoh atau tidak.

Bedanya kelihatan jelas lewat satu kasus. Seorang pemilik toko online minta AI mengkategorikan 200 komentar pelanggan jadi "keluhan", "pujian", atau "pertanyaan". Dia tulis prompt: "Kategorikan komentar ini." Hasilnya berantakan, kadang AI bikin kategori baru sendiri seperti "saran" atau "netral", kadang formatnya berubah-ubah. Lalu dia ubah pendekatannya: dia kasih tiga contoh dulu, "Pengiriman lama banget = keluhan", "Barangnya bagus, makasih = pujian", "Bisa COD nggak? = pertanyaan", baru minta AI lanjutkan. Tiba-tiba hasilnya rapi dan konsisten. Contoh pertama itu zero-shot, yang kedua few-shot.

Keduanya bukan teknik canggih yang butuh koding. Ini cuma soal cara Anda menyusun prompt, kalimat yang Anda ketik ke ChatGPT, Claude, atau Gemini. Bedanya kecil di permukaan, tapi dampaknya ke kualitas output bisa besar.

Analogi sederhana: karyawan baru di hari pertama

Bayangkan Anda punya staf admin baru. Pendekatan zero-shot itu seperti bilang, "Tolong rapikan data customer ini." Kalau staf Anda sudah berpengalaman, dia mungkin bisa langsung paham maksud Anda. Tapi kalau tugasnya punya gaya khusus, hasilnya bisa meleset dari ekspektasi.

Pendekatan few-shot itu seperti Anda kasih dua atau tiga contoh hasil yang sudah jadi sebelum dia mulai. "Nih, lihat format yang saya mau: nama depan, spasi, kota dengan huruf kapital di awal. Sekarang lanjutkan sisanya." Staf langsung paham pola persisnya, dan hasilnya jauh lebih seragam tanpa Anda harus bolak-balik mengoreksi.

AI bekerja mirip. Model bahasa besar atau LLM sangat pintar menebak pola. Begitu Anda kasih contoh, model menangkap pola itu dan menirunya untuk input berikutnya.

Cara kerjanya secara singkat

Zero-shot dan few-shot bukan dua mesin berbeda. Ini cara Anda mengisi konteks yang model baca sebelum menjawab.

Pada zero-shot, prompt Anda berisi instruksi murni:

Tentukan sentimen kalimat ini, positif atau negatif: "Pelayanannya lambat sekali."

Model mengandalkan apa yang sudah dipelajarinya selama training untuk menjawab. Untuk tugas umum seperti contoh di atas, zero-shot biasanya sudah cukup bagus.

Pada few-shot, Anda taruh beberapa contoh dulu di prompt yang sama:

"Barangnya cepat sampai." = positif "Saya kecewa, kemasan rusak." = negatif "Adminnya ramah membantu." = positif "Pelayanannya lambat sekali." =

Model melihat pola "kalimat = label", lalu meneruskan polanya. Karena contoh ada di dalam prompt, model tidak berubah sama sekali. Begitu sesi selesai, contoh itu hilang. Ini penting: few-shot tidak melatih ulang model, beda dengan fine-tuning yang benar-benar mengubah model secara permanen.

Satu hal teknis yang perlu Anda tahu: contoh-contoh few-shot ikut memakan ruang context window dan dihitung sebagai token. Jadi makin banyak contoh, makin besar konsumsi token Anda per panggilan.

Kenapa ini penting buat bisnis Anda

Anda mungkin berpikir, "Ini kan urusan teknis, kenapa saya perlu peduli?" Karena selisihnya langsung kena ke dua hal yang Anda urus tiap hari: kualitas output dan biaya.

Konsistensi. Kalau Anda pakai AI untuk tugas berulang seperti membalas chat customer, mengategorikan tiket support, atau menulis deskripsi produk, zero-shot sering kasih hasil yang gaya dan formatnya berubah-ubah. Few-shot mengunci formatnya. Anda kasih 3 contoh balasan yang sesuai tone brand Anda, dan AI mengikuti tone itu untuk ratusan balasan berikutnya.

Hemat waktu koreksi. Output yang konsisten artinya Anda tidak perlu mengedit ulang tiap hasil. Buat tim kecil yang waktunya terbatas, ini selisih antara AI yang benar-benar membantu dan AI yang malah nambah kerjaan.

Biaya. Zero-shot lebih hemat token karena promptnya pendek. Few-shot lebih mahal karena contoh ikut dihitung. Kalau Anda menjalankan ribuan panggilan per bulan, selisih ini terasa di tagihan. Memahami trade-off ini bagian dari menghitung biaya token AI untuk operasional Anda.

Aturan praktisnya: mulai dari zero-shot, naik ke few-shot hanya kalau hasilnya kurang memuaskan. Jangan langsung pakai 5 contoh untuk tugas yang sebenarnya bisa selesai dengan instruksi sederhana.

Cara founder dan UKM memanfaatkannya

Mari masuk ke contoh konkret yang bisa langsung Anda pakai.

1. Standarkan balasan customer service. Misalnya Anda mau AI membalas DM Instagram dengan tone ramah khas brand Anda. Pakai few-shot:

Balas pesan customer dengan ramah dan singkat. Contoh: Pelanggan: "Kak ready stok?" → "Halo Kak, ready ya. Mau dibantu pesan sekarang?" Pelanggan: "Harganya berapa?" → "Halo Kak, untuk harga saya infokan di chat ya. Boleh tahu mau yang ukuran berapa?" Sekarang balas pesan ini: "Pengirimannya berapa lama?"

AI akan mengikuti gaya dua contoh tadi, bukan mengarang gaya sendiri.

2. Klasifikasi data. Seperti contoh toko online di awal artikel, kasih beberapa contoh kategori dulu sebelum minta AI mengolah ratusan baris data. Ini menghindari AI bikin kategori liar.

3. Ekstrak informasi dengan format tetap. Mau ubah email masuk jadi data terstruktur? Kasih satu contoh:

Dari email ini, ambil: Nama, Kebutuhan, Budget. Contoh: "Halo saya Budi, butuh 50 seragam, budget 5 juta." → Nama: Budi | Kebutuhan: 50 seragam | Budget: 5 juta Sekarang olah email berikut: ...

Untuk tugas yang lebih sederhana, zero-shot tetap pilihan tercepat. Minta AI merangkum notulen rapat, menulis draf caption, atau menjawab pertanyaan umum biasanya tidak butuh contoh. Kemampuan Anda memilih kapan kasih contoh dan kapan tidak adalah inti dari prompt engineering yang baik.

Kesalahpahaman umum

"Few-shot pasti lebih bagus dari zero-shot." Tidak selalu. Untuk tugas umum, model modern sudah jago zero-shot. Menambah contoh justru bisa membuang token tanpa menaikkan kualitas, bahkan kadang mempersempit jawaban AI ke pola contoh yang terlalu sempit.

"Few-shot melatih AI-nya." Salah. Contoh hanya hidup selama satu percakapan dan tidak mengubah model. Sesi baru, AI lupa contoh Anda. Kalau mau perubahan permanen, itu ranah fine-tuning.

"Makin banyak contoh makin akurat." Tidak linear. Sering kali 2 sampai 3 contoh berkualitas mengalahkan 10 contoh asal-asalan. Kualitas dan keberagaman contoh lebih penting daripada jumlah.

"Contoh few-shot itu gratis." Tidak. Setiap contoh dihitung sebagai token input dan menambah biaya. Untuk volume besar, ini perlu dihitung.

Kaitan dengan istilah AI lain

Zero-shot dan few-shot adalah dua dari beberapa teknik prompting. Saudaranya yang sering dipakai bareng adalah chain-of-thought, yaitu meminta AI menjelaskan langkah penalarannya sebelum kasih jawaban akhir. Anda bahkan bisa menggabungkan few-shot dengan chain-of-thought: kasih contoh yang menunjukkan cara berpikir, bukan cuma hasil akhir.

Teknik ini juga berhubungan dengan system prompt, yaitu instruksi global yang mengatur perilaku AI di seluruh percakapan. Anda bisa menaruh contoh few-shot di system prompt agar konsisten dipakai untuk semua input. Semuanya bertumpu pada cara model bahasa besar memproses token dan menebak pola, jadi makin Anda paham fondasinya, makin presisi Anda menyusun prompt.

FAQ

Apa itu few-shot prompting?

Few-shot prompting adalah teknik memberi AI beberapa contoh pasangan input dan output di dalam prompt sebelum meminta tugas sebenarnya. Contoh-contoh ini menunjukkan pola yang Anda inginkan, sehingga jawaban AI lebih konsisten dan sesuai format. "Few" berarti sedikit, biasanya 1 sampai 5 contoh.

Apa bedanya zero-shot dan few-shot prompting?

Zero-shot prompting hanya memberi instruksi tanpa contoh, AI mengandalkan pengetahuan bawaannya. Few-shot prompting menyertakan beberapa contoh jawaban agar AI meniru polanya. Zero-shot lebih cepat dan hemat, few-shot lebih akurat untuk format atau gaya yang spesifik.

Kapan sebaiknya pakai few-shot prompting?

Pakai few-shot ketika output zero-shot tidak konsisten, ketika Anda butuh format yang seragam (misalnya kategori, tabel, atau gaya bahasa tertentu), atau ketika tugasnya cukup nuansa sehingga sulit dijelaskan lewat instruksi saja. Mulai dari zero-shot dulu, naik ke few-shot kalau hasilnya kurang.

Berapa banyak contoh yang ideal untuk few-shot?

Tidak ada angka pasti, tergantung tugas dan modelnya. Umumnya 2 sampai 5 contoh sudah cukup untuk menetapkan pola. Terlalu banyak contoh memakan ruang context window dan menambah biaya token tanpa selalu menaikkan kualitas. Uji dari sedikit lalu tambah bila perlu.

Apakah few-shot prompting sama dengan fine-tuning?

Tidak. Few-shot prompting menaruh contoh langsung di dalam prompt setiap kali Anda bertanya, tanpa mengubah modelnya. Fine-tuning melatih ulang model dengan banyak data sehingga perilakunya berubah permanen. Few-shot jauh lebih murah dan cepat untuk dicoba.