Di awal abad ke-21, ketika manusia pertama kali membayangkan mesin yang bisa bicara, para futuris banyak menaruh harapan pada logika. Mereka menyangka kecerdasan buatan akan dibangun dari rumus-rumus keras dan determinasi absolut. Namun nyatanya, fondasi AI yang paling masif hari ini justru dibentuk dari bidang yang selama ini dianggap “asing” untuk banyak orang: linguistik.

Mari kita buka dengan satu kenyataan kecil yang kerap dilewatkan: teknologi seperti ChatGPT bukanlah makhluk yang mengerti dunia. Ia tidak memiliki empati, tidak punya tujuan, dan tidak tahu bahwa yang kau ketik adalah harapanmu—atau kemalasanmu. Ia hanyalah sebuah model probabilistik, atau dalam istilah resminya: Large Language Model (LLM).

LLM adalah hasil pembelajaran statistik dari miliaran contoh kalimat yang pernah ditulis manusia. Ia tidak tahu arti dari kata “pulang”, tapi ia tahu bahwa “pulang” biasanya didahului oleh “ingin” dan diikuti oleh “ke rumah”. Dalam kerangka ini, setiap kali kita menulis sesuatu, kita sebenarnya sedang melempar dadu ke dalam ruang semesta korelasi semantik.

Bahwa AI bekerja dengan cara ini bukan kebetulan, melainkan proses panjang dari riset linguistik selama lebih dari satu abad. Linguistik, ilmu tentang bahasa, punya cabang-cabang yang berlapis: fonetik (bunyi), morfologi (struktur kata), sintaksis (urutan), dan tentu saja: semantik—ilmu tentang makna.

Semantik, dalam sejarahnya, adalah medan pertempuran antara niat dan bentuk. Ferdinand de Saussure menyebut bahasa sebagai sistem tanda yang arbitrer: tidak ada alasan logis mengapa “kucing” merujuk pada makhluk berkaki empat berbulu. Tapi kita menyepakatinya. Dan dari kesepakatan ini lahirlah makna.

Ketika kita mengetik prompt untuk AI—misalnya “seorang perempuan di tempat gelap”—kita sedang bermain di wilayah ini. Kita sedang mencoba membentuk makna dengan cara yang bisa ditangkap oleh mesin yang hanya bisa mengenali pola, bukan realitas. Di sinilah semantik menjadi penting: bukan karena AI itu pintar, tapi karena manusia harus cukup cermat untuk membungkus makna dalam bahasa yang presisi.

Tanpa kesadaran semantik, prompt hanyalah sekumpulan kata yang berharap dikasihani.

Dalam praktiknya, memahami semantik untuk menulis prompt bukan soal banyaknya kata, tapi kejernihan relasi. AI akan lebih memahami “seorang perempuan muda bersandar di dinding stasiun yang sepi, hanya diterangi lampu neon berwarna kuning pudar” daripada “perempuan cantik di tempat sunyi”. Karena pada contoh pertama, kita memberi ruang bagi AI untuk mengenali konteks, emosi, dan tindakan—tiga elemen yang membentuk struktur semantik.

Semantik juga bersinggungan erat dengan frame, sebuah konsep yang diperkenalkan oleh Charles Fillmore. Dalam dunia AI, frame membantu LLM membentuk konstelasi makna yang lebih kompleks: bahwa kata “pernikahan” bisa berarti perayaan atau belenggu tergantung dari kata-kata di sekitarnya. Maka tugas prompt engineer bukan sekadar merangkai kata, tapi mengarahkan bingkai dunia seperti seorang sutradara mengarahkan adegan.

Inilah sebabnya kenapa prompt yang lahir dari kemalasan atau terlalu banyak jargon akan menghasilkan keluaran yang dangkal. AI tidak bisa menyelam lebih dalam dari makna yang kamu tawarkan. Ia hanya bisa memantulkan struktur berpikirmu. Dan jika struktur itu keropos, hasilnya pun akan compang-camping—tak peduli berapa kali kamu menambahkan kata “keren”, “cinematic”, atau “realistic”.

Barangkali ini pelajaran yang menyakitkan bagi para musisi, penulis, desainer, atau siapapun yang berharap AI bisa menjadi shortcut menuju karya besar. Tapi justru di sinilah titik baliknya. Jika kita kembali memahami bahasa bukan sekadar sebagai alat, tapi sebagai medium yang hidup—yang penuh dengan sejarah, ideologi, dan pilihan-pilihan etis—maka kita tidak akan melihat AI sebagai penyelamat, tapi sebagai cermin.

Dan seperti semua cermin, ia hanya akan menampilkan bayangan dari apa yang kita bangun di dalam kepala kita sendiri.


Referensi:

Chomsky, N. (1957). Syntactic Structures. Mouton.
Saussure, F. de (1916). Course in General Linguistics.
Fillmore, C. (1982). Frame Semantics.
Bender, E. M., & Koller, A. (2020). “Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data”. ACL.
Mitchell, M. (2023). Artificial Intelligence: A Guide for Thinking Humans. Penguin.