Apakah rekayasa konteks bekerja dalam pemasaran?

Prompt engineering dan vibe coding. Dua istilah yang sering muncul di dunia online. Yang satu adalah cara merangkai pertanyaan untuk mendapatkan respons yang sempurna dari model AI. Yang lainnya memungkinkan orang, terutama non-developer, membuat fungsi tanpa menulis satu baris kode pun.

Sekarang, kita memiliki yang ketiga – context engineering.

Context engineering adalah superset dari prompt engineering. Sebuah metodologi di mana Anda membangun sistem untuk model bahasa besar (LLMs) yang memberikan agen AI Anda informasi dan alat yang tepat, dalam format yang tepat, sehingga mereka dapat menyelesaikan tugas.

Tidak peduli seberapa kompleks tugasnya.

Karena context engineering bekerja dengan menyinkronkan data, memori, alat, dan tujuan pengguna, ini adalah cara yang pasti untuk mendapatkan hasil yang benar-benar penting, dan semakin baik kualitas konteks Anda, semakin baik kinerjanya. Saat ini, ini digunakan untuk membuat asisten coding AI dan chatbot layanan yang mempercepat pengembangan produk dan layanan pelanggan.

Tapi bagaimana dengan context engineering dalam pemasaran – bagaimana cara kerjanya? Dalam artikel ini, Anda akan menemukan jawaban untuk pertanyaan ini dan mempelajari bagaimana pemasar dapat menggunakannya untuk mengurangi beban kerja dan mencapai personalisasi dalam skala besar.

Apa Itu Context Engineering?

Meskipun relatif baru, context engineering berakar pada prinsip-prinsip pengelolaan aliran informasi untuk sistem AI. Ini tak lebih dari praktik memberi model AI segala yang dibutuhkan, baik itu data, tools, atau instruksi, agar dapat melakukan tugasnya dengan andal, setiap saat.

Berikut tweet dari Andrej Karpathy, mantan anggota tim pendiri OpenAI, tentang sifat context engineering:

"Orang mengasosiasikan prompt dengan deskripsi tugas singkat yang akan Anda berikan kepada LLM dalam penggunaan sehari-hari. Padahal dalam setiap aplikasi LLM tingkat industri, context engineering adalah seni dan ilmu yang halus dalam mengisi jendela konteks dengan informasi yang tepat untuk langkah berikutnya."

Ini sangat berbeda dengan prompt engineering, di mana Anda mengetikkan sebuah perintah. Bagaimanapun, satu prompt hanya bisa membawa Anda sejauh ini. Karena, apa yang terjadi ketika AI perlu mengingat percakapan masa lalu, mengambil data pengguna, merangkum diskusi sebelumnya, dan kemudian menulis email yang dipersonalisasi kepada pengguna?

Bukan secara terpisah, tapi dalam satu alur kerja?

Itulah tujuan context engineering dibuat. Ini menggeser narasi dari desain yang berpusat pada prompt menuju sistem holistik yang memberi model LLM "otak eksternal" – lengkap dengan konteks terstruktur, log percakapan, penyimpanan dokumen, API, dan data real-time.

Bagaimana cara kerja context engineering?

Mari kita mulai dengan apa arti "konteks" dalam context engineering. Konteks adalah segala hal yang model AI rujuk sebelum menghasilkan output. Dan ini bukan hanya query pengguna; ini juga mencakup prompt sistem tentang bagaimana agen harus berperilaku, bersama dengan catatan interaksi pengguna, data yang diambil sesuai permintaan, dan tools yang dapat digunakan model.

Dengan konteks yang tepat, LLM yang stateless ditransformasi menjadi agen yang terasa seperti "mengingat," "memahami," dan "bertindak" sesuai arahan Anda.

Dengan demikian, berikut adalah komponen penting dari "konteks" dalam context engineering:

• System prompt: Mendefinisikan peran, aturan, dan suara agen ("Anda adalah asisten pemasaran...").
• User prompt: Permintaan atau tugas langsung dari pengguna.
• Short-term memory: Ringkasan atau riwayat percakapan saat ini.
• Long-term memory: Preferensi pengguna, arsip proyek, dan riwayat percakapan masa lalu yang disimpan dalam basis pengetahuan eksternal.
• Retrieval Augmented Generation (RAG): Pengambilan dinamis dokumen eksternal, database, atau API untuk menyediakan fakta terkini.
• Available tools dan definisi: Katalog fungsi yang dapat dipanggil (API, code runners, pengurai dokumen) dengan nama dan deskripsi.
• Output terstruktur: Format yang telah ditentukan (JSON, tabel, atau templat markdown) yang mengarahkan bentuk respons model.
• Metadata: Petunjuk kontekstual seperti stempel waktu, lokasi pengguna, atau jenis perangkat.

Berikut cara elemen-elemen ini bersatu. Pertama, prompt sistem menginstruksikan asisten AI tentang bagaimana seharusnya berperilaku. Kemudian, pengguna mengajukan pertanyaan. Ini memulai proses pengambilan data yang mengambil informasi relevan, sementara memori menyediakan ringkasan percakapan saat ini dan preferensi pengguna sebelumnya.

Kami juga memiliki katalog alat yang siap digunakan. Misalnya, API untuk mengirim email, database untuk mencari catatan pelanggan, atau pengurai untuk mengekstrak konten PDF.

Semua komponen ini bergabung menjadi "bundel konteks" yang diproses model dalam satu panggilan. LLM memproses semuanya — riwayat percakapan, data eksternal, dan instruksi alat — sebagai satu kesatuan. Kemudian menghasilkan output yang sesuai dengan skema yang ditentukan, baik itu konsep email pemasaran atau tabel ringkasan produk.

Setelah menghasilkan respons, loop umpan balik dimulai. Jika respons membutuhkan penyesuaian, Anda dapat menyempurnakan komponen konteks. Seiring waktu, penyetelan berulang ini memastikan setiap bundel konteks menjadi lebih akurat dan disesuaikan dengan kebutuhan pengguna.

Jadi, mengapa rekayasa konteks penting saat ini?

LLM, seperti yang kita ketahui, tidak benar-benar membawa apa pun dari satu interaksi ke interaksi berikutnya. Mereka hampir selalu memulai setiap percakapan baru tanpa ingatan tentang kejadian masa lalu.

AI agentic tidak dapat menavigasi siapa pengguna atau apa tuntutan tugas tanpa kerangka kerja yang jelas untuk menyediakan konteks yang relevan. Sebaliknya, ia keluar topik, mendaur ulang kesalahan, atau hanya menebak. Rekayasa konteks mengisi celah ini dengan mengumpulkan semua yang dibutuhkan model menjadi satu unit yang terstruktur dengan baik.

Dengan bundel konteks, Anda menghilangkan empat kegagalan utama yang terkait dengan LLM: halusinasi, ketiadaan status, respons generik, dan jawaban yang ketinggalan zaman.

• Halusinasi karena output didasarkan pada data nyata.
• Ketiadaan status karena Anda membangun sistem memori jangka pendek dan jangka panjang.
• Respons generik karena preferensi pengguna dan data interaksi masa lalu.
• Jawaban ketinggalan zaman karena dokumen terbaru atau feed API.

Biasanya, agen AI gagal bukan karena tidak memiliki data atau alat yang tepat untuk melakukan pekerjaan, tetapi karena LLM yang dijalankannya mengacau. Ini sebagian besar karena LLM tidak mendapatkan konteks yang tepat untuk menghasilkan respons yang baik.

Entah konteksnya hilang, atau formatnya buruk.

Dan bahkan model terbaik tidak akan membantu jika kualitas konteksnya buruk. Jadi, saat alur kerja AI Anda semakin kompleks, mengikuti praktik terbaik, seperti mendefinisikan skema yang jelas atau menandai sumber data, memastikan bahwa agen Anda selalu memiliki informasi yang benar dalam format yang tepat.

Dengan merekayasa konteks, memutuskan dengan tepat apa yang "dilihat" oleh agen, bagaimana cara melihatnya, dan dalam urutan apa, Anda mengubah generator teks satu-prompt menjadi asisten multi-langkah yang andal. Hal terbaik tentang ini? Ia mengikuti aturan Anda dan belajar dari kesalahan masa lalu.

Context Engineering vs. Prompt Engineering

Anda mungkin berpikir, "Bukankah context engineering hanya prompt engineering yang dibuat lebih mewah?" Tidak juga. Prompt engineering adalah tentang memilih frasa, kata kunci, dan struktur kalimat yang tepat untuk mendapatkan respons terbaik dari LLM.

Namun, dengan sendirinya, metode ini beroperasi dalam ruang hampa: tidak memberikan model data tambahan, tidak juga menanamkan instruksi atau menghubungkan ke alat eksternal. Yang dilakukannya hanyalah menyempurnakan satu perintah tanpa memberikan model kecerdasan yang dibutuhkan untuk menyelesaikan tantangan kompleks.

Di sisi lain, context engineering menjalin aturan, dokumen, kumpulan data dinamis, dan alat menjadi satu kerangka kerja. Dalam pemasaran, ini mungkin melibatkan pemberian katalog produk, pedoman merek, dan data perilaku pengguna ke LLM, beserta instruksi yang jelas tentang nada dan format.

Infografik dari Dex Horthy, diposting di X/Twitter.

Ini tidak berarti bahwa prompt tidak penting dalam sistem yang direkayasa konteksnya.

Membuat pertanyaan spesifik membantu aplikasi AI menavigasi basis pengetahuan mereka yang luas dengan tepat. Tapi prompt hanyalah sebagian dari gambaran yang lebih besar. Ketika Anda membangun agen AI yang dapat mengingat percakapan sebelumnya, mengambil data eksternal, atau berintegrasi dengan CRM, Anda sedang mempraktikkan context engineering.

Prompt Anda memandu tindakan model, tetapi konteks menyediakan "memori," data, dan aturan model.

Empat Aplikasi Utama Rekayasa Konteks

Menurut Tobi Lutke, CEO Shopify, "[Rekayasa konteks]... menggambarkan keterampilan inti (dari rekayasa prompt) dengan lebih baik: seni memberikan semua konteks agar tugas dapat diselesaikan secara masuk akal oleh LLM."

Metode ini memungkinkan Anda membangun sistem dinamis yang tidak hanya dapat mengakses data eksternal tetapi juga menggunakan alat eksternal selama percakapan. Mereka dapat mencari dokumen, menemukan informasi relevan menggunakan API, dan memasukkannya ke dalam jendela konteks bersamaan dengan pertanyaan atau tugas. Dan semakin lama Anda menggunakannya, semakin baik kinerjanya.

Oleh karena itu, tidak mengherankan bahwa rekayasa konteks dapat digunakan untuk berbagai tujuan, beberapa di antaranya telah kami bahas di bawah ini.

Asisten pengkodean AI

Rekayasa konteks berada di pusat asisten pengkodean modern. Windsurf dan Cursor adalah contoh terbaik dalam hal ini, menggabungkan RAG dengan perilaku seperti agen untuk berinteraksi dengan basis kode yang sangat terstruktur dan saling terhubung.

Ambil permintaan seperti memfaktor ulang fungsi. Mungkin tampaknya Anda hanya menulis ulang beberapa baris. Tetapi asisten AI membutuhkan lebih banyak konteks. Ini perlu tahu di mana fungsi itu digunakan di seluruh basis kode, tipe data yang ditanganinya, bagaimana interaksinya dengan dependensi eksternal, dan apa yang mungkin rusak jika logikanya bergeser, bahkan sedikit.

Agen pengkodean yang baik dibangun untuk menangani kompleksitas ini. Mereka beradaptasi dengan gaya pengkodean Anda, mempertahankan kesadaran akan struktur proyek dan hubungan file, serta melacak commit terbaru untuk mengembangkan memori kerja sistem.

Manajemen pengetahuan

Untuk perusahaan yang menggunakan sistem agentic secara internal, rekayasa konteks menyatukan silo data yang terfragmentasi – catatan CRM, tiket Jira, wiki internal, dan lainnya – untuk memberikan jawaban terkini tanpa membebani rekan kerjanya yang manusia.

Sistem ini secara otomatis merangkum riwayat sesi, mengambil dokumen relevan secara langsung, dan menerapkan aturan yang dipersonalisasi sehingga setiap respons selaras dengan pedoman internal. Pada saat yang sama, mereka mengkoordinasikan memori dan pergantian tugas di seluruh departemen, sehingga AI dapat menangani pertanyaan berlapis dan multi-langkah dan tetap merespons dengan satu jawaban.

Chatbot layanan pelanggan

Dalam layanan pelanggan, rekayasa konteks dapat digunakan untuk membangun chatbot intuitif dan sistem AI percakapan yang memandu setiap interaksi pelanggan.

Ketahui bahwa chatbot dasar memberikan respons umum, terkadang dengan data yang sudah usang.

Namun, rekayasa konteks mengubah bot dasar ini menjadi sistem yang memberikan rasa keakraban.

Karena mereka memiliki akses ke berbagai data, seperti transkrip dukungan, pertanyaan penagihan, status akun pengguna, preferensi, dan dokumen produk, mereka dapat secara konsisten memberikan informasi yang dipersonalisasi untuk pengguna.

Jadi, pada akhirnya, Anda memiliki agen dukungan yang menyebut Anda dengan nama, mengingat pertanyaan sebelumnya, dan memeriksa status akun Anda sebelum merekomendasikan solusi.

Agen AI

Agen AI otonom adalah langkah selanjutnya dalam rekayasa konteks. Mereka melampaui sistem RAG dasar dan menjadi entitas dinamis yang berorientasi pada tujuan yang dapat bernalar, merencanakan, dan mengambil tindakan.

Agen-agen ini tidak hanya merespons prompt; mereka memecahkan masalah.

Rekayasa konteks mendukung kemampuan mereka untuk mengelola memori, menetapkan tujuan, dan menggunakan alat yang tepat, bahkan selama sesi panjang atau kompleks. Misalnya, mereka mungkin memanggil API pemasaran untuk mengambil wawasan iklan atau menghubungkan beberapa alat untuk menyelesaikan alur kerja kampanye lengkap. Mereka memutuskan alat mana yang akan digunakan berdasarkan tugas yang sedang dikerjakan secara real time.

Daripada memberikan jawaban sekali jalan, agen-agen ini beradaptasi dengan situasi yang berubah dan melaksanakan tugas multi-langkah dalam pengaturan dunia nyata. Mereka bertindak seperti rekan kerja digital, mendeteksi masalah dan memberikan hasil dengan pengawasan manusia minimal.

Sampai sekarang, kita telah membahas empat kasus penggunaan rekayasa konteks di berbagai sektor.

Jadi, bisakah rekayasa konteks diterapkan pada pemasaran? Tentu saja. Di bagian berikutnya, kita akan melihat bagaimana hal ini mengubah jangkauan generik menjadi pengalaman yang dipersonalisasi yang benar-benar mendorong keterlibatan.

Konteks, Agen AI, dan Alur Kerja Pemasaran

Beberapa waktu lalu, Christina J. Inge, instruktur pemasaran di Harvard University, menampilkan Delve AI dalam Berita Pemasaran AI & Analitik di LinkedIn.

Pada awalnya, dia berbicara tentang bagaimana Anda dapat memanfaatkan perangkat lunak untuk membuat persona menggunakan data situs web Anda. Yang menarik adalah kasus penggunaan yang dia sebutkan kemudian: menyuplai persona yang dihasilkan ke ChatGPT dan memintanya membuat kalender konten, menguji strategi pesan, dan mensimulasikan respons grup fokus.

Ini bukan sekadar contoh eksperimen otomatisasi lain; ini adalah latihan dalam rekayasa konteks.

Jenis penyatuan yang Anda lihat di sini antara persona dan AI generatif, di mana satu alat menyuplai teks kaya data ke alat lain untuk menciptakan strategi pemasaran, adalah inti dari rekayasa konteks dalam pemasaran.

Ketika pendekatan ini digabungkan dengan agen — entitas AI otonom yang mampu menggunakan alat dan membuat keputusan dengan keterlibatan manusia minimal — menjadi mungkin untuk mengotomatisasi sebagian besar alur kerja pemasaran Anda tanpa kehilangan kedalaman strategis yang Anda harapkan dari tim yang dipimpin manusia.

Ini mungkin berarti menjalankan kampanye email dari awal hingga akhir.

Agen email tidak hanya akan menulis email; ia akan mensegmentasi audiens Anda, memeriksa kalender Anda, mengambil data dari CRM Anda, beradaptasi dengan promosi, dan mengukur keterlibatan. Ia akan menggunakan setiap alat dan titik data yang tersedia untuk mencapai tujuan pemasaran Anda.

Tetapi tidak seperti manusia, ia tidak akan kewalahan ketika mengelola ribuan pelanggan. Ia tidak akan melupakan detail atau kehilangan konteks.

Apa arti rekayasa konteks bagi pemasar...

Ini berarti menciptakan agen pemasaran, atau kopilot, yang berjalan pada sistem yang memiliki konteks relevan: profil audiens Anda, data performa kampanye, aset merek, analisis kompetitif, tujuan bisnis, sinyal pasar, dan lainnya.

Sehingga ini bukan sekadar generator teks generik tetapi asisten yang dinamis dan sadar konteks.

Rekayasa prompt sudah ketinggalan zaman. Pemasar perlu bergerak melampaui penggunaan dasar alat seperti ChatGPT dan Claude, dan meningkatkan keterlibatan dan konversi dengan rekayasa konteks.

Alih-alih melihat data, fungsi, dan alat sebagai komponen terpisah, Anda perlu membangun sistem yang saling terhubung dan holistik yang memahami: siapa pelanggannya, di mana mereka dalam perjalanan, apa yang diwakili merek, dan bagaimana kinerja kampanye sebelumnya untuk menyelesaikan tugas dan membuat keputusan.

Begitu Anda selesai membangun konteks, menyatukan aset, alat, data pasar, aturan, dan KPI bisnis, agen AI Anda dapat:

• Membuat materi pemasaran yang sesuai dengan suara merek dan pesan.
• Memberikan konten yang dipersonalisasi dan rekomendasi produk berdasarkan riwayat penelusuran dan perilaku pembelian.
• Memanfaatkan data real-time seperti lokasi atau cuaca untuk memberikan diskon atau kupon.
• Mengotomatisasi tugas pemasaran berulang seperti penangkapan prospek, tindak lanjut, dan alur pembinaan.
• Memprediksi kebutuhan pengguna dan merekomendasikan produk atau konten terbaik berikutnya sebelum pengguna memintanya.

Agen-agen AI ini memberi Anda kemampuan untuk mempersonalisasi semuanya dalam skala besar dan secara otomatis mengoptimalkan rencana pemasaran Anda berdasarkan data pasar real-time, dengan loop umpan balik responsif yang terus membaik.

Masalah dengan Rekayasa Konteks

Meskipun rekayasa konteks menawarkan manfaat besar, hal ini juga membawa tantangan yang membutuhkan solusi cerdas agar berfungsi dengan baik.

1. Keracunan konteks

Ketika AI berhalusinasi atau salah menafsirkan data pelatihannya, respons buruk tersebut dapat menyelinap ke dalam konteksnya. Sejak saat itu, sistem mungkin terus mengutip atau membangun detail yang salah. Seiring waktu, kesalahan ini menumpuk, dan menghapusnya menjadi merepotkan.

Solusi: Bangun pemeriksaan validasi ketat dan penyimpanan konteks berversi. Ketika Anda menemukan potongan yang buruk, Anda dapat mengembalikan atau mengganti hanya fragmen tersebut, tanpa menghapus semuanya.

2. Gangguan konteks

Saat Anda mulai memberi lebih banyak data ke model, situasi mungkin muncul di mana ia mulai fokus pada riwayat yang terakumulasi. Alih-alih mengambil dari pelatihannya, ia mengulang jawaban lama.

Solusi: Gunakan peringkasan dan abstraksi konteks. Secara berkala kompres riwayat panjang menjadi ringkasan singkat. Ini membuat AI tetap fokus pada informasi baru dan relevan.

3. Kebingungan konteks

Membebani konteks dengan informasi tambahan dapat menyebabkan jawaban yang tercampur. Data yang tidak relevan, seperti pedoman pemasaran saat Anda menyusun email dukungan, dapat mengarahkan AI ke arah yang salah. Anda mendapatkan respons yang mencampur dua atau lebih tugas.

Solusi: Terapkan filter konteks. Sebelum setiap panggilan, saring dokumen atau deskripsi alat yang tidak terkait sehingga model hanya "melihat" apa yang dibutuhkan untuk tugas tersebut.

4. Bentrokan konteks

Terkadang, dua sumber dalam konteks saling bertentangan, misalnya, dua versi spesifikasi produk atau harga lama versus tarif saat ini. AI kemudian harus menebak mana yang harus dipercaya, yang mengarah ke jawaban yang membingungkan.

Solusi: Gunakan pemangkasan konteks. Secara rutin pindai entri yang kedaluwarsa atau bertentangan dan hapus. Ini menjaga "memori" tetap koheren dan dapat diandalkan.

Mengatasi tantangan ini adalah kunci untuk membangun alur kerja pemasaran yang efisien dan akurat.

Jalan ke Depan

Context engineering adalah salah satu keterampilan paling penting di era AI. Sudah jelas, ini telah melampaui traditional prompt engineering, memberikan penggunanya keunggulan signifikan dibanding pesaingnya.

Anda tidak lagi membutuhkan prompt yang sempurna untuk menulis salinan iklan; Anda membutuhkan sistem cerdas yang mengelola dan menjalankan seluruh kampanye.

Dengan context engineering dan AI agent, Anda dapat mempersonalisasi konten dalam skala besar, beradaptasi dengan preferensi pelanggan yang berkembang, dan memberikan jawaban spesifik domain yang membangun nilai merek, tanpa input manual.

Ini bukan masa depan yang jauh. Dengan context engineering, Anda dapat membangun alur kerja di mana AI agent bekerja seperti asisten pemasaran. Mereka mengenal pelanggan Anda, berbicara dengan bahasa merek Anda, dan membuat keputusan berbasis data.

Tentu saja, masih ada orang di pusatnya, membimbing agent dan menyempurnakan hasil kampanye. Tetapi tugas-tugas berulang yang membutuhkan banyak konteks? Itu sekarang dapat ditangani oleh rekan kerja berbasis AI Anda.

Dan bagi pemasar yang ingin bergerak cepat tanpa kehilangan nuansa, ini adalah kemenangan besar.