RAG

Bayangkan petugas customer service bank yang ditanya soal biaya transfer antarbank. Petugas yang baik tidak menjawab dari ingatan. Ia membuka map SOP, mencari halaman yang pas, lalu menjelaskannya dengan kalimatnya sendiri. RAG bekerja dengan dua langkah serupa. Langkah pertama mencari bagian dokumen yang paling nyambung dengan pertanyaanmu (retrieval). Langkah kedua menyuruh AI menyusun jawaban dari bagian itu (generation).

Perumpamaannya berhenti di dua titik. Petugas manusia sadar kalau mapnya sudah kedaluwarsa, sedangkan AI ikut saja isi dokumen yang ditemukan. Lalu, yang diambil biasanya cuma bagian yang dianggap paling relevan. Pengecualian yang tertulis di halaman lain bisa terlewat.

Contoh yang bisa kamu coba gratis adalah NotebookLM, yang sejak Juli 2026 bernama Gemini Notebook. Polanya sama dengan RAG: unggah PDF materi kuliah atau laporan kantor, lalu bertanya. Menurut halaman bantuan Google, jawabannya bersandar pada sumber yang kamu unggah dan diberi kutipan di dalam teks, jadi kamu bisa mengecek kalimat aslinya.

Istilah RAG sendiri berasal dari makalah Patrick Lewis dan rekan tahun 2020. Kenapa banyak dipakai kantor? AWS menulis bahwa melatih ulang model untuk data perusahaan itu mahal, dan RAG cara yang lebih hemat untuk memasukkan data baru. Artinya buat kamu: kalau dokumennya sering berubah, cukup perbarui dokumennya, modelnya tidak perlu disentuh.

"Pakai RAG, AI nggak bisa halusinasi lagi." Peneliti Stanford menguji alat riset hukum berbasis RAG yang diiklankan bebas halusinasi. Hasilnya, alat dari LexisNexis dan Thomson Reuters tetap mengarang jawaban 17–33% dari waktu. Lebih baik daripada chatbot umum, tapi jauh dari nol.

"RAG itu melatih AI dengan dokumenku." Bukan. Modelnya tidak berubah sama sekali. Menurut glosarium Anthropic, dokumen yang relevan dicari saat kamu bertanya, lalu dimasukkan ke context window bersama pertanyaanmu. Mengubah model dengan contoh tambahan itu urusan lain, namanya fine-tuning.