Replikasi Reasoning dan Persona Individu Melalui Arsitektur Multi-Prompt: Studi Kasus Single-Subject

01Abstrak

Sistem untuk meniru persona manusia saat ini umumnya baru sebatas meniru gaya bahasa luar dari seorang individu, sementara untuk mereplikasi pola pikirnya masih menjadi pertanyaan riset terbuka. Penelitian ini menguji apakah kita dapat membangun sistem yang mampu meniru cara berpikir serta opininya, tidak hanya gaya bicara target tanpa perlu proses membuat model dari hasil fine tune maupun penggunaan vector database. Sistem ini dirancang dengan model verifikasi berlapis oleh AI. Dari 369 kali pengujian, aturan kata ganti yang didapatkan dari data berhasil diterapkan 100%, biaya per sesi berhasil ditekan sebesar 32.8–37.2%. Namun, sistem masih memiliki keterbatasan: 43.1% respons membutuhkan regenerate, dan 15.7% respons tetap terkirim walaupun gagal melewati dua kali verifikasi fidelitas. Karena evaluasi self-blind test pada holdout set belum dilakukan, hipotesis utama riset ini belum terbukti secara kuantitatif. Temuan menarik dari penelitian ini justru berupa koreksi negatif: melarang penggunaan kata ganti "gua/gue" berhasil mengubah output AI dari yang tadinya sekadar "masuk akal tapi asing" menjadi benar-benar mirip dengan karakter asli subjek.

02Pendahuluan

Konsultan, praktisi, dan spesialis di bidang tertentu menghadapi batas skalabilitas yang sama, keahlian mereka terikat pada kehadiran personal mereka sendiri. Setiap engagement mereka memerlukan waktu dan orang yang sama, sehingga kapasitas layanan berbanding lurus dengan jam kerja individu. Gagasan menskalakan keahlian melalui representasi digital bukan hal baru, tetapi sebagian besar implementasi praktis berhenti pada peniruan gaya bahasa saja. Menghasilkan sistem yang terdengar seperti orangnya tetapi tidak memiliki cara berpikir orangnya.

Perbedaan antara keduanya bukan sekadar gradasi. Gaya bicara adalah properti permukaan yang dapat diukur secara statistik dari corpus teks. Proses penalaran adalah pengetahuan prosedural yang sering bersifat tacit. Praktisi berpengalaman kerap tidak menyadari heuristik yang mereka gunakan sampai diminta menjelaskannya secara eksplisit. Sistem AI menggunakan LLM yang mereplikasi keduanya dengan tingkat kepercayaan yang sama dengan AI saat ini berisiko mengklaim kemampuan yang belum dimilikinya.

Riset ini menguji satu pertanyaan yang dapat diukur: dapatkah sistem prompt-based sederhana saja dan tanpa fine-tuning, tanpa vector database dapat mereplikasi langkah penalaran, opini/judgment, dan gaya bicara satu orang secara konsisten serta cukup baik untuk lolos self-blind-test oleh orang itu sendiri?

Tujuan konkret: (1) membangun instrumen yang memisahkan secara arsitektural apa yang dapat diotomasi dari data dan apa yang memerlukan ekstraksi manusia; (2) mengukur seberapa jauh replikasi permukaan dapat ditegakkan secara deterministik; (3) mengidentifikasi titik-titik kegagalan spesifik pada replikasi penalaran, sebagai peta untuk pekerjaan lanjutan.

03Tinjauan Pustaka

Pemodelan individu tertentu oleh model bahasa umumnya diistilahkan sebagai human digital twin atau persona simulation [1]. Studi berskala besar yang menguji lebih dari selusin variasi konstruksi persona dan metodologi simulasi mencakup format input, pilihan model, strategi prompting seperti chain-of-thought, ringkasan persona, hingga fine-tuning awal, menemukan bahwa akurasi prediktif antar pendekatan berada pada rentang yang serupa satu sama lain [1]. Pada tabel baseline mereka, persona berbasis teks mencapai 71,72% sementara fine-tuning dengan 500 sampel latih justru 69,61%, dengan tebakan acak di 59,17% dan test-retest manusia di 81,72% [1]. Fine-tuning tidak otomatis unggul untuk simulasi persona. Temuan yang menjadi dasar keputusan arsitektural kami untuk tidak menempuh jalur itu.

Benchmark TwinVoice memecah kemampuan simulasi persona menjadi enam kapabilitas fundamental, yaitu: Konsistensi opini, memory recall, logical reasoning, lexical fidelity, persona tone, dan syntactic style. Mereka juga menemukan model mutakhir hanya mencapai akurasi moderat, dengan kelemahan paling menonjol pada syntactic style dan memory recall [2]. Kloning gaya dan kloning penalaran berada pada tingkat kematangan berbeda dan tidak layak diperlakukan dengan kepercayaan yang sama.

Bukti empiris mengenai batas atas kemiripan keluaran tersedia dari studi yang membangun model bahasa seorang filsuf. Schwitzgebel dan koleganya me-fine-tune GPT-3 dengan seluruh korpus tulisan Daniel Dennett, mengajukan sepuluh pertanyaan filosofis yang sama kepada Dennett dan kepada model, lalu meminta 425 partisipan membedakan jawaban Dennett dari empat jawaban mesin yang dikumpulkan tanpa cherry-picking [3]. Pakar karya Dennett (N = 25) berhasil 51%, di atas chance rate 20% namun jauh di bawah hipotesis peneliti sendiri sebesar 80%. Pembaca blog filsafat berperforma serupa dengan pakar, sementara partisipan awam mendekati tebakan acak [3]. Untuk dua dari sepuluh pertanyaan, model menghasilkan setidaknya satu jawaban yang lebih sering dipilih pakar dibanding jawaban Dennett yang sesungguhnya.

Dua implikasi yang kami ambil. Pertama, pembedaan oleh pihak yang mengenal subjek memang mungkin dilakukan, sehingga protokol semacam ini layak dijadikan alat ukur, bukan formalitas. Kedua, jarak antara 51% dan ekspektasi 80% menetapkan ekspektasi realistis: kemiripan permukaan yang dihasilkan replikasi berbasis fine-tuning sudah cukup tinggi untuk menyulitkan bahkan pembaca paling terlatih. Studi ini karenanya relevan secara metodologis bagi riset kami sebagai model protokol evaluasi yang kami rencanakan, sekaligus kalibrasi atas seberapa berat ambang tersebut.

Untuk menggali penalaran yang tersirat, Critical Decision Method (CDM) meminta partisipan mengingat kembali insiden nyata yang menantang, lalu menerapkan cognitive probes untuk menggali dasar pembedaan perseptual dan isyarat kritis [4], [5]. Sebagai catatan pengembangan untuk riset ini, secara alternatif untuk pengembangannya. CDM harus membuat skenario dimana jawaban juga harus disediakan dan memberikan konteks skenario yang sama yang harus di jawab oleh partisipan tanpa mengetahui jawaban dari model dan membandingkan jawaban keduanya.

Pada sisi arsitektur konteks, Interpretable Context Methodology mengusulkan pemisahan eksplisit antara materi referensi yang stabil dan artefak kerja yang spesifik per eksekusi [6], bersandar pada temuan degradasi performa model saat mengakses informasi di tengah konteks panjang yang dikenal sebagai fenomena "lost in the middle" [7].

Terakhir, penerapan metafora "digital twin" pada LLM personal dinilai sebagai mis-karakterisasi yang bermasalah secara epistemologis dan etis. Sistem saat ini tidak memenuhi syarat interpretasi behavioris, representasional, maupun fenomenal dari metafora tersebut [8]. Studi mega-eksperimen atas 19 studi pra-registrasi yang mencakup 164 outcome menemukan bahwa prediksi digital twin hanya sedikit lebih akurat dibanding base LLM homogen dan berkorelasi lemah dengan respons manusia (rata-rata r = 0,20), serta mendokumentasikan lima distorsi sistematis: insufficient individuation, stereotyping, representation bias, ideological bias, dan hyper-rationality [9]. Yang paling relevan bagi riset ini adalah temuan bahwa jawaban twin terlalu "menyusut" ke arah base model. Twin berpersona penuh justru lebih mirip twin berpersona kosong daripada mirip manusia, sehingga menyediakan data individual yang ekstensif tidak otomatis mengatasi homogeneity bias [9]. Temuan ini sejalan dengan bias penalaran implisit yang terdokumentasi pada LLM berpenugasan persona [10].

Gap: literatur menunjukkan imitasi gaya relatif tertangani. Sementara imitasi penalaran yang konsisten masih menjadi kelemahan terukur. Yang belum tersedia adalah laporan implementasi yang memisahkan kedua dimensi tersebut secara arsitektural.

04Metodologi

Subjek dan etika: satu subjek tunggal, yaitu pengembang sistem itu sendiri (self-study). Pilihan ini disengaja: subjek adalah satu-satunya pihak yang dapat menilai secara otoritatif apakah keluaran sistem "terdengar seperti dirinya", sekaligus menghindari pengolahan data percakapan pribadi pihak ketiga tanpa persetujuan. Hanya pesan yang dikirim oleh subjek yang dianalisis; pesan lawan bicara disaring pada tahap praproses dan corpus mentah tidak dipublikasikan. Prinsip kerja yang dipegang: seluruh keputusan mengenai apa yang layak dianggap representasi diri berada pada subjek, bukan pada tim pembangun.

Sumber data: (a) ekspor WhatsApp dari 5 kontak yang merepresentasikan tingkat relasi berbeda, menghasilkan 3.412 pesan bersih; (b) riwayat percakapan subjek dengan asisten AI lintas topik untuk ekstraksi pola penalaran; (c) verifikasi manual subjek terhadap draf heuristik.

Adaptasi elicitation: CDM diadaptasi dengan mengganti tahap recall wawancara menjadi mining riwayat percakapan historis. Kasus konkret terekam verbatim tanpa recall bias. Trade-off yang diakui: wawancara langsung memungkinkan probing real-time, mining pasif hanya menangkap hasil penalaran.

Pembagian data: holdout set 9 skenario (3 per register) disusun sebelum dan tidak dipakai mengisi data seed, mencakup tipe uji reasoning_fidelity, guardrail_unknown_topic, dan hostility_ceiling.

Arsitektur sistem: tiga panggilan model per giliran dengan classifier gabungan (domain topik, register, sinyal hostilitas, dua gate boolean), generation, dan fidelity verifier. Prompt dipisah menjadi blok statis (referensi) dan blok dinamis (konteks), berlabel eksplisit "PERLAKUKAN SEBAGAI CONSTRAINT" versus "PERLAKUKAN SEBAGAI INPUT".

Aturan gaya bahasa: Semua aturan gaya bahasa di sistem ini dihitung otomatis dari data, bukan ditulis manual di dalam kode. Kata yang dianggap "terlarang" adalah kata-kata yang tidak pernah muncul sama sekali di data chat subjek (jumlah kemunculannya nol). Sementara kata ganti yang dipakai sebagai default adalah kata ganti yang paling sering muncul di data tersebut (di luar kata-kata yang sudah dikhususkan untuk fungsi lain). Karena aturan-aturan ini dihasilkan dari perhitungan data, bukan ditulis manual, maka kalau datanya diganti dengan data baru, perilaku sistem otomatis ikut berubah tanpa perlu mengubah kode program maupun prompt sama sekali.

Environment: Python 3.14, Flask 3.1.3, SQLite, hanya 3 paket eksternal (flask, requests, python-dotenv). Model: google/gemini-3.6-flash untuk generation, google/gemini-3.1-flash-lite untuk classifier dan verifier, diakses via OpenRouter.

Metrik evaluasi: pronoun violation rate (deterministik), regeneration rate, review-queue rate, kesesuaian permukaan (panjang & emoji vs statistik corpus), biaya dan token per giliran (divalidasi silang ke tagihan penyedia), dan self-blind-test rating (belum dieksekusi — lihat Limitasi).

Ketersediaan kode dan data: Kode sistem tidak dipublikasikan. Repositori memuat prompt assembly beserta katalog kosakata berlabel research-only, basis pengetahuan berisi heuristik personal subjek, dan konfigurasi kredensial; merilisnya bertentangan dengan pengaman yang justru diidentifikasi sebagai gap terbuka pada riset ini (lihat Limitasi). Hak ekonomi atas kode berada pada PT Mesin Kantong Ajaib.

Yang dipublikasikan sebagai artefak pendukung: (a) skrip penganalisis corpus yang menurunkan seluruh aturan gaya permukaan, dan (b) berkas statistik agregat hasilnya — keduanya tidak memuat isi percakapan, hanya hitungan frekuensi. Kedua artefak inilah yang memungkinkan pembaca memeriksa klaim bahwa tidak ada ambang gaya yang ditulis manual di kode. Corpus WhatsApp mentah tidak dipublikasikan karena memuat percakapan pihak ketiga. Dapat dilihat di: https://github.com/ai-lab-id/AI-Doppelganger-Research/tree/main

Telemetri: basis data doppelganger.db (52 sesi, 369 giliran, 1.681 panggilan API) beserta log per-agen disimpan internal dan dapat ditinjau atas permintaan yang beralasan. Commit hash yang menjadi dasar seluruh angka pada dokumen ini dicatat pada arsip internal AI Lab untuk keperluan audit: 44fed0c.

05Hasil & Temuan — Koreksi Pronoun dan Kalibrasi Register

Koreksi berbasis data pada kata ganti orang adalah temuan yang paling mengubah arah pengembangan. Analisis kuantitatif atas 3.412 pesan menunjukkan "aku" menjadi kata ganti orang pertama dominan (198 kemunculan) dan "kau" menjadi kata ganti orang kedua dominan (45 kemunculan). Jauh mengalahkan "lu"/"lo"/"kamu"/"bro" yang masing-masing hanya muncul 1 kali.

Sebelum koreksi, sistem menghasilkan keluaran berbasis pola slang urban generik. Kosakata kasarnya sudah tepat, tetapi kerangka kata gantinya keliru sepenuhnya. Kondisi yang dicatat subjek sebagai "terdengar kasar (secara guyonan) dengan benar, tetapi bukan terdengar seperti saya". Setelah larangan keras ditegakkan secara deterministik, tercatat nol pelanggaran pada seluruh sesi berikutnya.

Analisis konteks kemunculan kosakata kasar menghasilkan temuan yang berlawanan dengan asumsi desain umum: kosakata kasar berfungsi sebagai penguat keakraban, bukan penanda kemarahan dalam konteks test subjek pada penelitian ini. Dominan muncul pada konteks bercanda dan mayoritas disertai penanda tawa. Kemarahan sesungguhnya justru lebih tenang dan lebih terstruktur: pola uraian angka konkret diikuti simpulan pendek tegas, tanpa emosi verbal. Indikator kemarahan adalah rasio instruksi/data terhadap candaan, bukan densitas kata kasar. Konsekuensi desainnya counter-intuitive: "versi marah" dari persona harus dirender lebih tenang, bukan lebih kasar.

Dua pola penalaran ditemukan independen pada dua sumber data terpisah pada domain berbeda: "constraint filosofis dahulu, keputusan teknis kemudian" (riwayat AI, domain arsitektur perangkat lunak), dan "uraian angka mentah dahulu, simpulan tegas kemudian" (riwayat AI domain arsitektur DAN WhatsApp domain audit finansial). Kemunculan struktur identik pada domain berbeda meningkatkan keyakinan bahwa ini pola kognitif yang stabil, bukan artefak satu konteks.

Temuan tambahan yang tidak direncanakan sebagai target pengujian: Sistem AI berhasil menirukan gaya bahasa yang sangat spesifik. Bukan sekadar memakai kata kasar umum, AI ini bahkan bisa menggunakan istilah/panggilan akrab khusus yang biasanya hanya digunakan oleh subjek ke teman dekat tertentu. Meskipun hasil risetnya bagus, hal ini berbahaya jika produk dilepas ke pengguna umum (klien). Istilah rahasia/panggilan pribadi seperti itu seharusnya tidak boleh keluar atau dipakai ke sembarang orang.

Sebaran statistik gaya permukaan: rate penggunaan emoji 4,84% (muncul pada ~1 dari 21 respons), emoji pada pesan kasar vs non-kasar 12,12% vs 4,62% (dikodekan sebagai probabilitas kondisional), panjang pesan median 3 kata (mean 5,32, p75 6, max 412), dan rate kosakata kasar 2,90% (99 pesan). Sebelum koreksi, sistem menempatkan emoji pada mayoritas respons dan menghasilkan paragraf multi-kalimat — berlawanan dengan data, mengingat 95,16% pesan asli sama sekali tanpa emoji.

Gambar 1. Gambar 1. perbandingan kutipan verbatim berhasil vs gagal, kata kasar sudah disensor sebagian untuk publikasi

06Hasil & Temuan — Progresi Biaya Lintas Iterasi

Penurunan biaya terbesar berasal dari perbaikan bug penalaran (yang mencegah hasil AI mengeluarkan hasil berlebihan), bukan dari optimasi infrastruktur yang dikejar secara eksplisit.

Mode personal (29 giliran): Sesi 22 (baseline) $0,415 → Sesi 28 (setelah ganti model generation, sempat naik 2,2% karena model baru lebih mahal per token) $0,424 → Sesi 46 (setelah perbaikan penalaran + caching + penggabungan classifier) $0,279. Penurunan 32,8% dari baseline.

Mode client-facing (17 giliran): Sesi 20 (baseline) $0,403 → Sesi 32 (setelah perbaikan bug anti-runaway generation) $0,227 → Sesi 48 (variansi pemilihan penyedia hulu, lihat bagian berikutnya) $0,253. Penurunan 37,2% dari baseline.

Gambar 2. Gambar 2. Progresi Biaya

07Hasil & Temuan — Variansi Penyedia dan Sinyal Kualitas

Variansi penyedia sebagai karakteristik platform: pada subset 108 panggilan yang metadata penyedianya terinstrumentasi (dari total 1.681 panggilan), cache hit rate pada panggilan yang di-routing ke Google (Vertex langsung) tercatat 0,0% dari 57 panggilan, sementara panggilan yang di-routing ke Google AI Studio mencapai 77,5% dari 51 panggilan. Dikotomi bersih ini membuktikan bahwa sesi dengan 0% cache adalah kemungkinan yang wajar, bukan regresi, melainkan pemilihan penyedia bersifat independen per pasangan (sesi, model) dan tidak dapat dikendalikan tanpa pinning yang terbukti memicu pembatasan request (rate limit).

Sinyal kualitas yang paling perlu dicermati: 159 dari 369 giliran (43,1%) memerlukan generate ulang. generator gagal pada percobaan pertama di hampir separuh giliran. 58 giliran (15,7%) masuk antrian review kemudian dikirim ke pengguna meski gagal verifikasi dua kali. Estimasi porsi biaya untuk regenerasi mencapai sekitar sepertiga dari total biaya. Ini tuas penghematan terbesar yang tersedia ke depan.

Akurasi instrumentasi: deviasi pelaporan biaya terhadap tagihan penyedia tercatat di bawah $0,0001 pada 3 validasi terpisah, dari volume telemetri 52 sesi, 369 giliran, 1.681 panggilan, dan 2,92 juta token.

Gambar 3. Gambar 3. Cache Provider

08Diskusi

Hasil riset ini memperkuat pemisahan yang diangkat TwinVoice [2] dengan bukti implementasi konkret. Dimensi yang dapat diturunkan dari statistik dapat ditegakkan hingga tingkat deterministik: nol pelanggaran kata ganti tercatat. Sebaliknya, dimensi penalaran dan konsistensi gaya yang diserahkan pada penilaian model masih gagal pada 43,1% giliran percobaan pertama. Kesenjangan antara kedua angka ini adalah temuan utama riset: bukan bahwa replikasi penalaran mustahil, melainkan bahwa ia berada pada kelas reliabilitas yang berbeda dari replikasi permukaan, dan tidak layak diklaim dengan kepercayaan yang sama.

Temuan bahwa koreksi kata ganti mengubah persepsi keaslian secara drastis memberi bobot pada kelemahan syntactic style yang diidentifikasi [2]. Kekeliruan awal bukan pada kosakata yang mencolok, melainkan pada kerangka gramatikal yang hampir tak terlihat. Subjek lebih sensitif terhadap pola frekuensi tinggi yang tidak disadari daripada terhadap penanda gaya yang menonjol. Temuan ini juga menawarkan hipotesis untuk hasil studi PDT Dennett [3], di mana evaluator masih mampu membedakan keluaran model dari tulisan subjek aslinya meski model telah di-fine-tune pada seluruh korpusnya: bila pembeda utama keaslian terletak pada properti distribusional berfrekuensi tinggi, maka menegakkan properti tersebut secara eksplisit dan deterministik mungkin lebih efektif daripada mengandalkan model mempelajarinya secara implisit dari korpus. Sebagai catatan, pengembangan kedepan harus bisa menguji reasonal saja secara spesifik tanpa memperdulikan gaya bicara agar melihat pola yang dapat membuat AI lebih deterministik dalam mereplika cara penalaran individu.

Adopsi struktural ICM [6] terbukti bermanfaat di luar alasan awalnya: pemisahan blok statis-dinamis kemudian menjadi prasyarat teknis prompt caching. Keputusan desain yang dimotivasi kejelasan konseptual berbuah efisiensi yang tidak diantisipasi. Sebagai catatan peneliti, sistem arsitektur alternatif lain akan dikembangkan berbasis struktur ICM ini atau jika terlihat butuh sistem dengan arsitektur yang lebih sesuai.

Mengenai kritik epistemologis terhadap metafora "digital twin" [8], riset ini mengambil posisi eksplisit: sistem diposisikan sebagai instrumen riset yang mereplikasi pola dan heuristik pengambilan keputusan, bukan representasi presisi seseorang. Sistem kami paling jauh hanya menyentuh interpretasi behavioris dari taksonomi [8], dan itupun secara parsial — interpretasi representasional jelas tidak terpenuhi karena basis pengetahuan berisi 5 entri, jauh dari substrat informasional yang membentuk identitas seseorang.

09Limitasi

Hipotesis inti belum terjawab. Self-blind-test terhadap holdout set 9 skenario belum dieksekusi. Seluruh validasi yang tersedia membuktikan mekanisme berjalan sesuai desain, bukan replikasi berhasil.

Subjek tunggal, tanpa generalisasi dimana seluruh temuan berasal dari satu orang dan tidak dapat digeneralisasi ke subjek lain tanpa pengulangan proses dari awal.

Skala data seed di bawah target menghasilkan basis pengetahuan berisi 5 entri dari target 10–15, seluruhnya berlabel persona judgment tanpa satu pun didukung tinjauan literatur.

Corpus bias domain dan selisih pencatatan. Sampel didominasi konteks teknis dan pekerjaan; opini personal di luar konteks kerja masih tipis. Dibutuhkan corpus yang jauh lebih luas agar bias ini dapat dikurangi lintas konteks. Terdapat pula selisih pencatatan jumlah pesan antar dokumen (4.784 versus 3.412) yang berasal dari penyaringan pesan media dan notifikasi sistem — tidak mengubah simpulan larangan keras kata ganti, tetapi perlu dicatat, dan angka 4.784 yang muncul pada Gambar 3 merujuk pada hitungan pra-penyaringan. Angka emoji dan kosakata kasar pada Section 5 juga telah diperbarui mengikuti dua perbaikan bug pada penganalisis corpus (cakupan blok emoji Unicode dan pencocokan word-boundary untuk kata kasar, lihat komentar FIX pada skrip); nilai pada versi draf sebelumnya sedikit berbeda karena dihitung sebelum kedua perbaikan tersebut.

Pengaman verifier melemahkan dirinya sendiri secara sengaja. Dua guard anti-halusinasi dapat membalikkan vonis gagal menjadi lolos, salah satunya tanpa telemetri berapa kali ia menyala.

Nol pengujian otomatis. Seluruh klaim "tervalidasi" berarti seseorang menjalankan skenario dan membaca hasilnya secara manual.

Pengaman produksi belum terpasang. Penyaring kosakata berlabel research-only telah dirancang dan kolomnya tersedia, tetapi klausa penyaringnya belum diimplementasikan pada prompt assembly; mode ambang hostilitas produksi belum pernah dijalankan. Sistem dalam kondisi sekarang tidak layak dipertemukan dengan pengguna di luar subjek.

Variansi biaya di luar kendali. Pemilihan penyedia hulu menyebabkan selisih biaya 30–40% antar sesi dengan konfigurasi identik.

Reliabilitas factual recall model dasar tidak konsisten. Pertanyaan faktual identik pernah dijawab benar pada satu pengujian dan keliru pada pengujian lain.

10Kesimpulan & Arah Selanjutnya

Riset ini menunjukkan bahwa arsitektur prompt berlapis dengan pemisahan eksplisit antara materi referensi dan konteks percakapan dapat menegakkan replikasi gaya permukaan hingga tingkat deterministik. Namun replikasi penalaran berbeda, dimana tujuan utama riset ini masih menunjukkan kegagalan verifikasi pada 43,1% giliran percobaan pertama. Hipotesis inti belum terjawab karena evaluasi self-blind-test belum dieksekusi.

Kontribusi metodologis yang kami anggap paling berguna: (a) pemisahan tegas antara jalur yang dapat diotomasi dari statistik dan jalur yang memerlukan ekstraksi manusia; (b) disiplin tidak memfabrikasi angka pada setiap lapisan sistem; (c) pencatatan kegagalan sekuat pencatatan keberhasilan.

Arah selanjutnya, berurutan:

1. Eksekusi D7. Jalankan holdout set 9 skenario dan isi penilaian self-blind-test dengan alternatif dimana jawaban AI dan manusia di cross check pada skenario yang sama setelah AI dilatih untuk meniru cara berpikir individu tersebut. Protokol dapat diperkuat dengan mengadopsi desain studi PDT Dennett: libatkan evaluator yang mengenal subjek untuk membedakan keluaran sistem dari tulisan asli.

2. Analisis 58 baris antrian review sebelum menambah jumlah regenerasi.

3. Instrumentasi telemetri untuk guard verifier.

4. Perluasan corpus ke domain non-kerja dan penambahan entri basis pengetahuan hingga memenuhi target.

5. Perluasan penganalisis corpus ke properti ortografi yang saat ini hanya terdeskripsi kualitatif.

6. Pengaman produksi sebagai gerbang wajib sebelum siapa pun selain pengembang menyentuh sistem. Filter visibility='standard' harus ditegakkan sebagai assertion keras di prompt_assembly, bukan hanya di level katalog Agent 1/2, sebelum onboarding pihak mana pun — termasuk rekan terdekat.

11Referensi

[1] O. Toubia, G. Z. Gui, T. Peng, D. J. Merlau, A. Li, dan H. Chen, "Twin-2K-500: A dataset for building digital twins of over 2,000 people based on their answers to over 500 questions," arXiv:2505.17479, Mei 2025. [Daring]. Tersedia: https://arxiv.org/abs/2505.17479 (versi terbit: Marketing Science, doi: 10.1287/mksc.2025.0262; tabel baseline fine-tuning dirujuk dari versi arXiv)

[2] B. Du, M. Guo, S. He, Z. Ye, X. Zhu, W. Su, S. Zhu, Y. Zhou, Y. Zhang, Q. Ai, dan Y. Liu, "TwinVoice: A multi-dimensional benchmark towards digital twins via LLM persona simulation," dalam Findings of the Association for Computational Linguistics: ACL 2026, San Diego, CA, USA, Jul. 2026, hlm. 19604–19628, doi: 10.18653/v1/2026.findings-acl.981.

[3] E. Schwitzgebel, D. Schwitzgebel, dan A. Strasser, "Creating a large language model of a philosopher," Mind & Language, vol. 39, no. 2, hlm. 237–259, 2024, doi: 10.1111/mila.12466.

[4] G. A. Klein, R. Calderwood, dan D. MacGregor, "Critical decision method for eliciting knowledge," IEEE Trans. Syst., Man, Cybern., vol. 19, no. 3, hlm. 462–472, Mei/Jun. 1989, doi: 10.1109/21.31053.

[5] R. R. Hoffman, B. Crandall, dan N. Shadbolt, "Use of the critical decision method to elicit expert knowledge: A case study in the methodology of cognitive task analysis," Human Factors, vol. 40, no. 2, hlm. 254–276, 1998, doi: 10.1518/001872098779480442.

[6] J. Van Clief dan D. McDermott, "Interpretable Context Methodology: Folder structure as agentic architecture," arXiv:2603.16021v2, Mar. 2026, doi: 10.48550/arXiv.2603.16021.

[7] N. F. Liu, K. Lin, J. Hewitt, A. Paranjape, M. Bevilacqua, F. Petroni, dan P. Liang, "Lost in the middle: How language models use long contexts," Transactions of the Association for Computational Linguistics, vol. 12, hlm. 157–173, 2024, doi: 10.1162/tacl_a_00638.

[8] M. Annoni, D. Battisti, dan B. Marchegiani, "Personalised LLMs and the risks of the digital twin metaphor," AI & Society, vol. 41, no. 5, hlm. 5177–5189, Mei 2026, doi: 10.1007/s00146-026-02875-4.

[9] T. Peng, G. Gui, M. Brucks, D. J. Merlau, G. J. Fan, M. Ben Sliman, E. J. Johnson, et al., "Digital twins as funhouse mirrors: Five key distortions," arXiv:2509.19088v5, terakhir direvisi 19 Apr. 2026. [Daring]. Tersedia: https://arxiv.org/abs/2509.19088v5

[10] S. Gupta, V. Shrivastava, A. Deshpande, A. Kalyan, P. Clark, A. Sabharwal, dan T. Khot, "Bias runs deep: Implicit reasoning biases in persona-assigned LLMs," arXiv:2311.04892, 2023. [Daring]. Tersedia: https://arxiv.org/abs/2311.04892

12Disclaimer