Di balik editor

Mengapa sangat bagus dalam mengedit dokumen?

Model bahasa dapat menulis kalimat dengan baik, tetapi menyematkannya kembali dengan pemformatan adalah pekerjaan yang berbeda. Kami menjelaskan mengapa sangat sulit membuat AI mengedit dokumen, dan apa yang kami bangun untuk memperbaikinya.

Waktu baca 9 menit3 Oktober 2026

Tinjauan

Minta chatbot untuk memperbaiki klausul dalam file Word dan Anda meminta chatbot tersebut untuk melakukan dua pekerjaan sekaligus: mengubah kata-kata, dan menulis ulang format file yang menampungnya. Model bahasa mahir dalam pekerjaan pertama namun tidak dapat diandalkan pada pekerjaan kedua.

mengambil tugas kedua dari model. Artikel ini menjelaskan mengapa hal tersebut penting, cara kerjanya pada dokumen panjang, dan perbandingannya dengan situs web obrolan serta agen penggunaan komputer.

  1. 01Model bahasa membaca dokumen sebagai markup, bukan sebagai halaman.
  2. 02Satu karakter yang salah dapat membuat file tidak terbaca, dan keluaran yang panjang membuat kesalahan karakter lebih mungkin terjadi.
  3. 03 memisahkan konten dari pemformatan: model mengedit kata-kata, kode kami menulis file tersebut.
  4. 04Dokumen panjang dibagi menjadi beberapa kelompok, dipotong, dan diberi konteks, seperti yang dilakukan agen pengkodean modern.
  5. 05Situs web obrolan dapat mengedit file dengan Python, tetapi perubahan dapat hilang begitu saja tanpa pemberitahuan.
  6. 06Agen penggunaan komputer melakukan penyuntingan seperti manusia, dengan biaya yang jauh lebih tinggi.

01

LLM hanya melihat teks, bukan pemformatan

Buka kontrak di Word dan Anda akan melihat sebuah halaman: judul dengan gaya khas perusahaan, jumlah tebal, tenggat waktu yang digarisbawahi. Program Word membuat pemformatan ini, sehingga kita dapat mengedit secara visual. Di balik file Word (.docx) terdapat sistem XML yang kompleks, tempat setiap kata yang kita lihat dianotasi secara rumit dengan kata-kata tersembunyi yang dikenal sebagai markup.12

Apa yang Anda lihat

Apa yang dilihat model

<w:p>  <w:pPr><w:pStyle w:val="Heading2"/></w:pPr>  <w:r><w:t>4. Sewa</w:t></w:r></w:p><w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Penyewa wajib membayar </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> pada </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>hari pertama setiap bulan</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Gambar 1Klausul yang sama sebanyak dua kali. Kata-kata tersebut memerlukan 70 karakter; XML di sekitarnya memerlukan 459. Kutipan dari word/document.xml.

LLM tidak dibantu oleh Microsoft Word, LibreOffice, atau Pages dan harus mengandalkan pemahamannya sendiri tentang markup tersebut. Untuk mengedit dengan benar, LLM perlu memahami efek dari markup asli dan menulis kalimat baru dalam markup yang benar.

02

Keluaran LLM pada dasarnya tidak stabil

Model mungkin telah meningkat secara substansial namun yang terbaru pun masih membuat kesalahan. Dalam studi Microsoft Research tahun 2026 terhadap 19 model di 52 domain profesional, model-model mutakhir seperti Gemini 3.1 Pro, Claude 4.6 Opus, dan GPT 5.4 merusak rata-rata 25% konten dokumen pada akhir alur kerja penyuntingan yang panjang.4

Dalam sebuah file Word, satu kesalahan kecil sudah cukup membuat file tersebut tidak dapat digunakan. Di sini model telah menghilangkan satu garis miring:

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Penyewa wajib membayar </w:t></w:r>  <w:r><w:rPr><w:b>1<w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> pada </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>hari pertama setiap bulan</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Gambar 2Satu garis miring yang hilang membuat tag tebal tetap terbuka. XML tersebut tidak lagi tersusun dengan baik, dan Word tidak akan membuka file secara normal.3

XML tidak memiliki toleransi untuk markup yang buruk. Sebuah file berbentuk baik atau tidak sama sekali. Word terkadang dapat memulihkan file yang rusak, tetapi salinan yang dipulihkan mungkin kehilangan teks atau pemformatannya.

Keluaran lebih panjang, lebih banyak kesalahan

Risiko bertambah seiring dengan panjangnya teks. LongProc, tolok ukur (benchmark) tahun 2025 untuk keluaran terstruktur yang panjang, mendapati model berbobot terbuka (open-weight) mulai goyah pada 2.000 token keluaran dan GPT-4o menurun secara signifikan pada 8.000 token.5 Studi lain menemukan bahwa performa turun sebesar 13,9% hingga 85% seiring bertambahnya input, bahkan ketika model dapat mengambil setiap fakta yang relevan.6 Dokumen Word sepanjang 10 halaman berisi sekitar 10.000 token, mencoba mengedit kesepuluh halaman sekaligus tanpa kesalahan adalah hal yang mustahil.

<w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.1</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Harlow &1 Pike LLP bertindak untuk Pihak yang Menyewakan dalam semua hal yang timbul berdasarkan Perjanjian Sewa ini.</w:t></w:r></w:p><w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24/>2</w:rPr><w:t>5.2</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Penyewa wajib menjaga dan memelihara Properti dalam kondisi dan perbaikan yang baik dan layak.</w:t></w:r></w:p><w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.3</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Pemberitahuan apa pun harus diberikan secara tertulis dan dikirimkan ke alamat yang tercantum dalam Lampiran 2.</w:t></w:p>3<w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.4</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Pihak yang Menyewakan dapat mengakhiri Perjanj4
  1. 1Karakter ampersand tunggal dalam teks. XML mengharuskannya ditulis sebagai entitas yang di-escape.
  2. 2Tanda kutip penutup yang hilang. Segala sesuatu setelahnya dibaca sebagai bagian dari nilai.
  3. 3Sebuah run yang tidak pernah ditutup sebelum paragraf berakhir.
  4. 4Keluaran (output) berhenti begitu saja. Pembuatan teks yang panjang dapat mencapai batas panjang atau habis waktu (time out) di tengah tag.
Gambar 3Empat klausul keluaran model, empat jenis kegagalan. Masing-masing secara mandiri membuat file tidak dapat dibaca.

03

Bagaimana menyelesaikannya

Kami menulis program khusus yang memisahkan pemformatan dari konten. Model ini menerima kata-kata yang perlu diubah, beserta gambar halaman yang dirender, sehingga mendapatkan bantuan dari program Word. Kode kami kemudian memasukkan kembali kata-kata yang telah diedit ke dalam run asli dan membiarkan bagian file lainnya tidak berubah.

File Anda

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Penyewa wajib membayar </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> pada </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>hari pertama setiap bulan</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

memisahkan konten dari pemformatan

Konten yang diekstrak

Penyewa wajib membayar US$2,400 pada hari pertama setiap bulan.

Halaman yang dirender

Keduanya dikirim ke model

Model bahasaMenyunting kata. Tidak pernah menyentuh XML.

Model mengembalikan konten yang telah diedit

Keluaran model

Penyewa wajib membayar US$2,400US$2,600 pada hari pertama setiap bulanhari kelima setiap bulan.

menulis ulang kata-kata ke dalam run asli

File Anda, yang telah diedit

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Penyewa wajib membayar </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,600</w:t></w:r>  <w:r><w:t xml:space="preserve"> pada </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>hari kelima setiap bulan</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

✓ .docx valid. Cetak tebal, warna, dan garis bawah persis seperti aslinya.

Gambar 4Alur kerja penyuntingan, disederhanakan. Teks yang disorot adalah satu-satunya bagian dari file yang berubah.

Ini menyelesaikan kedua masalah sekaligus. Model sekarang melihat pemformatan yang sebelumnya tidak dapat dilihatnya, dan model tidak lagi menulis markup yang paling berisiko rusak.

Anda tidak akan menemukan lapisan ini pada chatbot serbaguna. Program ekstraksi, rendering, dan perakitan dibuat serta dipelihara oleh para insinyur sendiri.

04

Memecahkan masalah konteks panjang

Beberapa penyuntingan berukuran panjang: satu paragraf yang membentang di beberapa halaman, atau satu perubahan yang diterapkan secara konsisten di ratusan halaman. Untuk hal ini, kami belajar dari rekayasa perangkat lunak. Pada Maret 2026, Anthropic secara tidak sengaja mempublikasikan kode sumber Claude Code, agen pengkodean AI-nya, di dalam sebuah paket npm publik.7

Editor kode yang bocor itu memberikan pelajaran sederhana: untuk mengedit sesuatu yang panjang, uraikan. Kami membagi dokumen menjadi beberapa kelompok halaman, teknik yang disebut pengelompokan (batching), dan memecah paragraf panjang menjadi kalimat-kalimat, sehingga setiap pengeditan cukup kecil untuk dikerjakan dengan benar.

Memecah dokumen menimbulkan masalah baru: konteks. Bagaimana Anda mengedit paragraf di halaman 60 menggunakan definisi di halaman 2? Di sinilah pengalaman dua tahun dalam editor kode AI (Cursor, GitHub Copilot, OpenAI Codex) sangat berguna. Jawaban mereka adalah rekayasa konteks, yang mengumpulkan informasi terkait ke dalam koleksi terfokus dan memberikannya kepada agen sub dengan jendela konteks yang bersih.8 Kami melakukan hal yang sama pada dokumen. Kami mengelompokkan informasi yang secara logis saling terkait, seperti yang dilakukan pembaca yang cermat, lalu mengirimkannya bersama target suntingan ke subeditor yang melakukan perubahan sebenarnya.

1Proses dokumen secara batch

hal. 1–40hal. 41–80hal. 81–120hal. 121–160hal. 161–200hal. 201–240hal. 241–280hal. 281–300

2Pecah paragraf panjang

Klausul 18.3 · hlm. 60
Kalimat 1Kalimat 2Kalimat 3Kalimat 4Kalimat 5

3Kumpulkan konteks, lalu edit secara paralel

Istilah yang didefinisikanhal. 2–12

Para pihak dan peranhal. 1

Amandemen sebelumnyahal. 34

Subeditor 1hal. 1–40 + koleksi

Subeditor 2hal. 41–80 + koleksi

Subeditor 3hal. 81–120 + koleksi

Gambar 5Dokumen 300 halaman, diurai. Setiap sub-editor mendapatkan bagian kecil dari dokumen beserta konteks yang menjadi acuan bagian tersebut.

Contoh: menyamarkan nama dalam putusan

Seorang pengacara ingin setiap nama saksi dalam putusan disamarkan, beserta daftar kasus yang dikutip untuk diteliti oleh pengacara junior.

  1. Cari. menemukan setiap nama pribadi dan setiap sitasi kasus dengan pencocokan pola biasa. Belum diperlukan model.
  2. Klasifikasikan. Setiap nama, beserta kalimat di sekitarnya, dikirim ke model yang menentukan: saksi, pengacara, atau hakim. Jawabannya membentuk kumpulan saksi.
  3. Kumpulkan. Metode yang sama membangun kumpulan kasus yang dikutip.
  4. Bertindak. Karena kami tahu persis di mana nama setiap saksi ditemukan, kami menyamarkan bagian-bagian tersebut, dan hanya bagian itu, di dalam file asli.

DI PENGADILAN TINGGI

DIVISI KING'S BENCH

Harrow v Kestrel Logistics Ltd

Sebelum: Mrs Justice Holloway

PUTUSAN

Mrs Justice Holloway: Klaim ini timbul dari runtuhnya anjungan pemuatan di gudang Tergugat pada 14 Maret 2024. Penggugat diwakili oleh Ms Priya Raman dan Tergugat oleh Mr Thomas Whitby. Saya mendengarkan keterangan lisan selama empat hari.

Saksi mata utama, Mr Daniel Okafor, adalah seorang operator forklift pada giliran kerja malam. Mr Okafor menyampaikan kepada pengadilan bahwa lampu peringatan di anjungan pemuatan telah rusak selama beberapa minggu, dan bahwa ia telah melaporkan hal ini dua kali. Saksi kedua, Ms Margaret Ellison, seorang kontraktor yang memeriksa anjungan tersebut pada bulan Februari, mengonfirmasi bahwa laporannya merekomendasikan perbaikan segera. Saya mendapati kedua saksi tersebut cermat dan kredibel.

Kewajiban hati-hati dari pihak yang menguasai tempat terhadap mereka yang berada di tempatnya secara sah sudah mapan, dan saya jadikan sebagai titik awal prinsip bertetangga dalam Donoghue v Stevenson [1932] AC 562. Apakah adil, tepat, dan wajar untuk memberlakukan kewajiban dalam keadaan baru diatur oleh Caparo Industries plc v Dickman [1990] 2 AC 605, tetapi keadaan ini tidak baru. Mr Whitby menyatakan bahwa kerugian yang diklaim terlalu jauh (remote). Pernyataan tersebut harus diuji terhadap Hadley v Baxendale (1854) 9 Exch 341.

Setelah mempertimbangkan keterangan dari Mr Okafor dan Ms Ellison beserta dokumen-dokumen yang ada, saya yakin bahwa Tergugat mengetahui cacat tersebut dan lalai bertindak. Gugatan dikabulkan atas dasar tanggung jawab hukum. Ganti rugi akan ditetapkan dalam persidangan lanjutan. Saya berterima kasih kepada Ms Raman dan Mr Whitby atas argumen mereka yang jelas dan terfokus.

Gambar 6Alihkan tampilan untuk melihat hasilnya. Putusan dan nama bersifat fiktif; ketiga kasus yang dikutip adalah nyata.

05

Apakah chatgpt.com, claude.ai, dan situs obrolan lainnya dapat melakukan hal yang sama?

Terkadang, ya. Situs web ini sering kali menyertakan interpreter Python, yang memungkinkan model untuk membuka file Word atau PowerPoint dan mengedit XML-nya menggunakan kode.

Namun kodenya masih ditulis oleh model yang tidak stabil, dan tidak ada yang memeriksa hasilnya terhadap aslinya. Dalam pengujian internal kami, kami sering menerima dokumen dengan penghapusan dan pengeditan yang tidak terduga. Dalam satu kasus ekstrim, dokumen 20 halaman kembali menjadi 10 halaman, tanpa peringatan apa pun.

Situs web obrolan dengan Python

20 halaman
10 halaman

Selesai! Saya telah memperbarui dokumen Anda dengan perubahan yang diminta.

Tidak ada penyebutan tentang 10 halaman yang hilang.

catatan perubahan

  • hal. 4 · Klausul 2.1

    tiga puluh (30) hari enam puluh (60) hari

    Kembalikan
  • hal. 9 · Klausul 6.3

    Pihak Pemasok Pihak Penyedia Jasa

    Kembalikan
  • hal. 17 · Lampiran 1

    US$2,400 US$2,600

    Kembalikan

Buat dokumen baru

Gambar 7Kiri: pemotongan senyap dari pengujian internal kami. Kanan: setiap perubahan AI pada OneTurn dicantumkan dan dapat dibatalkan.

Kelalaian atau modifikasi diam-diam berakibat fatal untuk pekerjaan serius apa pun. Di , setiap perubahan yang dibuat oleh agen AI kami dicatat. Anda dapat meninjau setiap perubahan, mengembalikan salah satu di antaranya, dan menghasilkan dokumen baru.

06

Bisakah agen penggunaan komputer seperti OpenClaw atau Manus melakukan ini?

Agen-agen ini mengendalikan komputer seperti yang dilakukan manusia. Mereka membuka dokumen di Microsoft Word atau PowerPoint, lalu menggulir, mengklik, dan mengetik.11 Karena mereka menggunakan program yang sama seperti manusia, mereka dapat mengedit seperti manusia, dan hasilnya sering kali mengesankan.

Harganya adalah biaya dan kecepatan. Agen membaca dokumen dengan mengambil tangkapan layar saat menggulir, dan setiap langkah kecil memerlukan panggilan model untuk memutuskan apa yang harus dilakukan selanjutnya. Tangkapan layar Full-HD saja membutuhkan biaya antara sekitar 1.500 dan 2.700 token.10 Pada tolok ukur OSWorld, bahkan agen terbaik pun membutuhkan 2,7 hingga 4,3 kali lebih banyak langkah dari yang diperlukan, dan langkah-langkah selanjutnya membutuhkan waktu hingga 3 kali lebih lama daripada langkah-langkah awal.9

Agen penggunaan komputer

  1. Ambil tangkapan layar
  2. Model memutuskan tindakan berikutnya
  3. Gulir, klik, atau ketik
  4. Ulangi untuk setiap langkah

  1. Baca teksnya sekali
  2. Sunting dalam kelompok
  3. Tulis file
kontrak 20 halaman, 30 suntinganAgen penggunaan komputer
Panggilan model≈ 180≈ 12
Token per panggilan≈ 10,000≈ 4,000
Total token≈ 1,800,000≈ 48,000
Perbedaan≈ 37× lebih banyak, atau ≈ 100–160× dengan langkah-langkah tambahan yang diukur pada OSWorld
Gambar 8Asumsi: sekitar 11.000 kata; 60 tangkapan layar untuk membaca dokumen; 4 tindakan per pengeditan; setiap panggilan membawa tangkapan layar ditambah riwayat terbaru. OneTurn membaca teks sekali dan mengirimkan pengeditan secara berkelompok.

Menurut perkiraan kami, agen penggunaan komputer dapat menggunakan token LLM hingga 100 kali lebih banyak daripada untuk pengeditan yang sama, dan membutuhkan waktu yang jauh lebih lama untuk menyelesaikannya.

Sumber

  1. Struktur dokumen WordprocessingMLMicrosoft Learn · Dokumentasi Open XML SDK
  2. ECMA-376: Format file Office Open XMLEcma International · standar
  3. Validasi dokumen pengolah kataMicrosoft Learn · Dokumentasi Open XML SDK
  4. LLM Merusak Dokumen Anda Saat Anda MendelegasikannyaLaban, Schnabel, dan Neville · Microsoft Research · 2026
  5. LongProc: Menguji Model Bahasa Konteks Panjang pada Pembuatan Prosedural PanjangYe et al. · COLM 2025
  6. Panjang Konteks Saja Merusak Kinerja LLM Meskipun Pengambilan SempurnaDu dkk. · Temuan EMNLP 2025
  7. Anthropic Secara Tidak Sengaja Membocorkan Kode Sumber Claude Code Melalui File Peta Sumber npmInfoQ · 7 April 2026
  8. Rekayasa konteks yang efektif untuk agen AITeknik Anthropic · 29 September 2025
  9. OSWorld-Human: Menguji Tolok Ukur Efisiensi Agen Pengguna KomputerAbhyankar, Qi dan Zhang · MLSys 2026
  10. Vision: resolusi dan biaya tokenDokumentasi Platform Claude
  11. Manus milik Meta meluncurkan aplikasi desktop untuk menghadirkan agen AI-nya ke perangkat pribadi di tengah kegilaan OpenClawCNBC · 18 Maret 2026

Gambar adalah ilustrasi yang dibuat untuk artikel ini. XML tersebut adalah WordprocessingML asli; nama file, orang, dan putusan bersifat fiktif.

Coba pada dokumen yang tidak boleh rusak.

Coba secara gratis →