100 percakapan, satu konteks

1. Chat adalah antarmuka pertama. Konteks adalah yang berikutnya

Chat baru. Latar belakang yang sama.

Tool baru. File yang sama.

Pertanyaan baru. Penjelasan yang sama tentang apa yang sedang dikerjakan, sumber mana yang penting, output itu akan dipakai untuk apa, apa yang harus diingat AI, dan apa yang tidak boleh dikarang.

Inilah biaya tersembunyi dari kerja AI.

Biaya sebenarnya muncul setiap kali pekerjaan berpindah, lalu konteks harus dibangun ulang.

Anda membuka satu produk AI untuk memahami pasar. Produk lain untuk merangkum PDF. Produk lain lagi untuk menulis ulang memo. Ada lagi yang lebih cocok untuk search, coding, menulis, atau penalaran. Lalu chat menjadi terlalu panjang. Jawaban mulai melenceng. Bagian yang berguna terkubur jauh di riwayat percakapan. Akhirnya Anda mulai lagi.

Tugasnya berlanjut. Konteksnya tidak. Di situlah masalahnya.

2. Context window yang lebih besar membantu. Namun masalahnya tidak hilang

Generasi pertama tool AI menjadikan chat sebagai pusat produk. Anda bertanya. Model menjawab. Jika jawabannya salah, prompt diperbaiki. Jika thread mulai berantakan, Anda membuka yang baru.

Pola ini cukup untuk tugas kecil. Untuk kerja yang serius, pola ini rapuh.

Kerja serius memiliki konteks: sumber, batasan, keputusan, contoh, nada, audiens, pertanyaan terbuka, arah yang ditolak, dan alasan mengapa tugas itu penting.

Founder yang meneliti pasar membutuhkan halaman kompetitor, screenshot harga, bahasa pelanggan, catatan positioning, draft lama, dan alasan mengapa satu sudut pandang ditolak. Mahasiswa membutuhkan catatan kuliah, PDF, diagram, titik lemah, dan pertanyaan yang terus salah. Penulis membutuhkan ide awal, referensi, struktur, pembaca, dan rasa.

Dalam semua kasus ini, percakapan bersifat sementara. Konteks bertahan lebih lama.

3. Biaya dari kerja yang terpecah

Jawaban yang terlihat paling mudah adalah memperbesar context window.

Konteks yang lebih besar memang berguna. Model bisa mempertimbangkan lebih banyak informasi dalam satu proses. Dokumen panjang dan tugas yang lebih kaya menjadi mungkin.

Namun context window tetaplah window. Ia hanya menggambarkan apa yang bisa dilihat model pada satu waktu. Ia tidak menentukan sumber mana yang relevan, versi proyek mana yang paling baru, atau asumsi mana yang perlu dipakai lagi minggu depan.

Riset long-context terbaru menunjukkan bahwa input yang lebih banyak tidak selalu berarti input yang lebih berguna. Semakin panjang input, semakin besar pula peluang distraksi, ambiguitas, dan kesulitan retrieval.

Jadi pertanyaan yang lebih baik bukan: bagaimana memasukkan semuanya ke satu chat? Pertanyaannya adalah: bagaimana membawa konteks yang tepat ke chat yang tepat?

4. Pola yang lebih baik: simpan sekali, pakai berkali-kali

Kerja AI makin kuat, tetapi juga makin tersebar.

Satu tugas bisa melewati ChatGPT, Claude, Gemini, NotebookLM, Perplexity, coding agent, aplikasi catatan, browser, PDF viewer, dan editor dokumen. Tiap tool punya kekuatan. Tiap tool juga punya batas.

Di setiap batas, pengguna membayar biaya: menjelaskan tujuan lagi, menempel sumber yang sama lagi, mendeskripsikan audiens lagi, membangun ulang batasan, memberi tahu AI apa yang berubah, dan memeriksa apakah jawaban punya dasar atau hanya terdengar masuk akal.

Ketika konteks dibangun ulang secara manual, konteks itu dipadatkan oleh rasa terburu-buru. Penjelasan kedua kehilangan detail. Yang ketiga menjadi ringkasan kasar. Yang keempat menjadi “Anda tahu maksud saya”, padahal model tidak tahu.

Akhirnya proyek menjadi rantai konteks parsial. Konteks parsial menghasilkan kecerdasan parsial.

5. Contoh sederhana

Jawabannya bukan satu percakapan tanpa akhir.

Jawabannya adalah lapisan konteks yang bisa dipakai ulang.

Percakapan adalah tempat untuk berpikir, bertanya, membandingkan, memutuskan, membuat draft, dan menyempurnakan. Konteks harus bisa disimpan, diatur, dipilih, dan digunakan kembali.

Itulah ide produk di balik Pickmix.

Pickmix mengubah materi berguna menjadi Picks tersimpan: halaman web, catatan, PDF, screenshot, gambar, Markdown, link, dan teks biasa. Picks dapat hidup di Spaces, tetap terhubung dengan konteks proyek, dan menjadi sumber terpilih untuk AI Chat.

Alurnya sederhana: simpan sumber saat konteks masih segar, kumpulkan Picks terkait dalam Space, pilih sumber yang relevan, tanya AI dengan konteks itu, lalu kembali ke Pick asli saat perlu memverifikasi, memakai ulang, atau melanjutkan.

Ketika tugas berubah, Anda tidak mulai dari nol. Ketika chat terlalu panjang, proyek tidak hilang. Ketika tool atau pertanyaan berubah, Anda tidak membangun ulang seluruh prompt. Anda membawa kembali Picks yang tepat.

6. Output AI terbaik dimulai sebelum prompt

Bayangkan Anda sedang meneliti kategori produk baru.

Dalam workflow lama, halaman kompetitor ada di tab browser. Screenshot harga ada di desktop. Catatan ada di dokumen. PDF ada di folder. Prompt dan jawaban tersebar di beberapa chat AI.

Saat butuh memo pasar, Anda menempel beberapa link ke satu tool. Saat butuh ide positioning, Anda menempelkannya lagi di tool lain. Saat butuh rencana peluncuran, Anda meringkas ringkasan dan berharap detail penting masih bertahan.

Di Pickmix, materi sumber menjadi bagian dari workspace sejak awal. Halaman kompetitor, screenshot harga, review pelanggan, PDF, catatan, dan draft bisa menjadi Picks dalam Space yang sama.

Minta memo pasar dengan sumber relevan yang dipilih. Minta peta positioning dari lapisan sumber yang sama. Minta rencana peluncuran tanpa berpura-pura pekerjaan sebelumnya tidak pernah ada.

Kerja menjadi lebih sedikit copy-paste dan lebih banyak akumulasi.