Ketika Anda meminta AI menulis kode, kebanyakan developer hanya memberitahu apa yang mereka inginkan. Tapi kunci mendapatkan kode yang benar bukan hanya spesifikasi—melainkan konteks mengapa.

Contoh: Cara Salah vs Cara Benar

❌ Cara Salah — Hanya Apa
"Buatkan fungsi untuk menghitung pajak"
✅ Cara Benar — Apa + Mengapa
"Buatkan fungsi untuk menghitung pajak penghasilan 
untuk WPD di Indonesia. Fungsi ini akan digunakan 
di dashboard real-time, jadi performa sangat penting. 
Perlu menangani PTKP, tarif progresif, dan edge case 
penghasilan di antara bracket. Return format harus 
kompatibel dengan API DJP yang sudah ada."

Mengapa Konteks Mengubah Segalanya

Ketika Anda menjelaskan mengapa, AI memahami:

  • Constraints: Batasan yang harus dipenuhi (performa, kompatibilitas)
  • Edge cases: Kasus khusus yang relevan dengan domain Anda
  • Trade-offs: Prioritas antara kecepatan, keamanan, dan kemudahan baca
  • Standards: Konvensi dan framework yang harus diikuti

Framework 4W untuk Prompt Coding

  • What: Apa yang ingin dibuat
  • Why: Mengapa ini dibuat dan konteks penggunaannya
  • Where: Di mana kode ini akan hidup (codebase, infrastruktur)
  • When: Kapan kode ini akan dieksekusi (real-time, batch, on-demand)
"AI tanpa konteks adalah developer junior yang sangat cepat mengetik. AI dengan konteks adalah senior architect yang kebetulan mengetik cepat."

Untuk Developer Teknologi Pajak

Domain pajak paling diuntungkan dari pendekatan ini karena:

  • Regulasi pajak seringkali kontra-intuitif—AI perlu tahu mengapa aturan tertentu ada
  • Perhitungan pajak memiliki banyak edge case yang hanya relevan di konteks tertentu
  • Kode yang menangani uang publik harus memenuhi standar keamanan yang lebih tinggi

Kesimpulan

Pelajaran sederhana namun powerful: luangkan 30 detik ekstra untuk menjelaskan mengapa, dan Anda akan menghemat 30 menit debugging. Kualitas output AI berbanding lurus dengan kualitas konteks yang Anda berikan. Bukan tentang prompt yang lebih panjang—tentang prompt yang lebih bermakna.