Bago Mo Gamitin ang Sagot ng AI, Suriin ang Bahaging Talagang Puwedeng Magkamali

Mabilis ang usapan sa group chat, tapos na ang draft ng AI, at kailangan mo nang sumagot. Puwede ba nating suriin ang delikadong bahagi nang hindi inuulit ang buong gawain?

Kayang gawing mukhang tapos ng AI ang isang hindi pa kumpletong gawain sa loob ng maikling oras.

Kapag maayos ang pagkakasulat, eksakto ang tingin ng mga numero, at kumpiyansa ang konklusyon, madaling magmukhang pare-parehong mapagkakatiwalaan ang iba’t ibang uri ng sagot.

Pero magkaiba ang isang petsa sa abiso, isang formula sa spreadsheet, at isang rekomendasyon.

Magkaiba rin ang paraan kung paano sila maaaring magkamali.

Ginagamit ng U.S. National Institute of Standards and Technology, o NIST, ang terminong confabulation para sa maling nilalaman ng AI na ipinapahayag nang may kumpiyansa. Sa simpleng salita, maaaring tunog-sigurado ang AI kahit mali ang bahagi ng sagot nito. Nagbababala rin ang NIST tungkol sa sobrang pag-asa sa AI at sa automation bias, o pagbibigay ng sobrang bigat sa awtomatikong sagot dahil lang sa isang system ito nanggaling. NIST Generative AI Profile

Katulad din nito ang kasalukuyang gabay ng OpenAI para sa ChatGPT. Batay sa pagsusuri noong 30 Agosto 2026, sinasabi nitong maaaring mukhang kumpiyansa ang ChatGPT kahit mali, at inirerekomenda nitong suriin ang mahahalagang katotohanan, sipi, data, teknikal na impormasyon, at panlabas na sanggunian. OpenAI accuracy guidance

Kaya hindi natin kailangang suriin ang bawat pangungusap nang pare-pareho ang bigat.

Magsimula tayo sa isang tanong: Anong uri ng resulta ang gagamitin ko ngayon?

Tatlong paraan ng pagsusuri

• Balikan natin ang pinagmulan kapag ang isang katotohanan ay maaaring magbago ng susunod nating hakbang.
• Subukan muna natin kapag ang output ay kailangang gumana nang tama.
• Ilatag natin ang mga dahilan kapag may inirerekomendang pagpipilian ang AI.

1. Kapag kayang baguhin ng isang katotohanan ang susunod mong hakbang, balikan ang orihinal na pinagmulan

Isipin na may abiso mula sa paaralan, opisina, condominium, o barangay na ipinasa sa isang Messenger group.

Humingi ka sa AI ng mabilis na paliwanag dahil mahaba ang mensahe at ang kailangan mo lang malaman ay kung kailan magsisimula ang pagbabago at kung sakop ka nito.

Maaaring magbigay ang AI ng ilang malinaw na talata.

Pero baka dalawang katotohanan lang talaga ang makapagbabago sa gagawin mo:

• ang petsa ng pagsisimula;
• kung sino ang sakop ng abiso.

Iyon ang mga pahayag na may direktang epekto.

Ang pagbalik sa pinagmulan ay nangangahulugang buksan ang dokumento o opisyal na impormasyong naglabas ng pahayag, sa halip na ihambing lang ang isang buod sa isa pang buod.

Buksan ang orihinal na abiso.

Hanapin mismo ang petsa, saka ang linyang nagsasabi kung sino ang sakop.

Kung may ibinigay na citation ang AI, buksan din iyon. Sinasabi ng kasalukuyang search guidance ng OpenAI na maaaring hindi kumpleto, luma, o mali ang search results at citations, kaya kailangan pa ring buksan ang pinagmulan kapag mahalaga ang accuracy. OpenAI search guidance

Isipin na ipapasa mo na ang buod sa kaklase, katrabaho, o kapamilya.

Sinasabi ng AI na magsisimula ang pagbabago sa susunod na Lunes, pero mas huling petsa ang nasa orihinal na abiso.

Hindi mo binasa ulit ang buong dokumento.

Sinuri mo lang ang katotohanang puwedeng magtulak sa isang tao sa maling susunod na hakbang.

Para sa mga factual claim, ito ang praktikal na ugali: balikan ang pinagmulan ng pahayag na may tunay na epekto.

2. Kapag kailangang gumana ang resulta, subukan muna sa maliit

Ngayon, isipin na tinulungan ka ng AI na gumawa ng spreadsheet para sa event ng student organisation, maliit na online selling record, o listahan ng gastusin ng team na may halagang nasa piso.

Sa ganitong kaso, hindi sapat na alam mo kung saan galing ang impormasyon.

Kailangang gumana nang tama ang formula mismo.

Inirerekomenda ng NIST Generative AI Profile na ikumpara ang AI output sa impormasyong alam nang tama at gumamit ng testing methods sa halip na umasa lang sa mukhang kapani-paniwalang resulta. NIST Generative AI Profile

Maaari nating gawing maliit at praktikal ang prinsipyong iyon.

Sabihin nating dapat lang magdagdag ng fee ang formula kapag mas mataas sa 100 ang value.

Bago mo kopyahin ang formula sa mahabang listahan, subukan muna ang tatlong gawa-gawang value:

Input	Inaasahang resulta
80	Walang fee
100	Walang fee
120	May fee

Alam mo na ang tamang sagot sa tatlong ito bago pa tumakbo ang formula.

Kapag mali ang isa, maaari kang huminto bago kumalat ang problema sa buong sheet.

Ganoon din ang prinsipyo sa ibang output.

Kung nag-compute ang AI ng percentage, kalkulahin ulit mula sa orihinal na numero. Kung gumawa ito ng code na magpapalit ng pangalan ng product photos, subukan muna sa kopya ng ilang hindi importanteng file bago galawin ang totoong folder.

Hindi ang layunin na gawin nang dalawang beses ang buong trabaho.

Ang layunin ay bigyan ang pagkakamali ng isang maliit at ligtas na lugar para lumabas bago umabot sa gawaing talagang inaasahan mong gagana.

3. Kapag may inirerekomendang pagpipilian ang AI, ilatag ang mga dahilan ng paghahambing

Iba ang pagsusuri sa rekomendasyon dahil nakadepende sa sitwasyon mo ang ibig sabihin ng “mas mabuti.”

Isipin na naghahanda ka ng internship application at tinanong mo ang AI kung alin sa dalawang project example ang dapat mauna.

Pinili ng AI ang mas pulidong project dahil mas madali raw itong ipaliwanag.

Maaaring makatulong ang dahilang iyon, pero baka mas mahalaga sa iyo na maipakita kung paano ka lumutas ng totoong problema, ano ang nagbago dahil sa ginawa mo, at kung kaya mong ipaliwanag nang malinaw ang mga desisyon mo.

Dito, ang kapaki-pakinabang na hakbang ay gawing nakikita ang comparison rules.

Sa simpleng salita, isulat ang mga dahilan na ginagamit para ikumpara ang dalawang pagpipilian.

Ano ang mahalaga sa application na ito	Project A	Project B
Kaya ko bang ipaliwanag nang malinaw ang problema?	Mas madali	Mas mahirap
Kaya ko bang ipakita kung ano ang nagbago pagkatapos ng ginawa ko?	Hindi gaanong malinaw	Mas malinaw
Kaya ko bang ipaliwanag ang mahahalagang desisyon ko?	Bahagya	Mas buo

Ngayon, may nakikita ka nang basehan ng rekomendasyon.

Makikita mo kung bakit nananalo ang isang option at kung ang mga dahilan ba nito ay tugma sa gusto mong ipakita.

Dito nagiging praktikal ang babala ng NIST tungkol sa automation bias. Maaaring magmukhang mas matibay ang rekomendasyon dahil lang awtomatikong system ang gumawa nito, kahit hindi akma sa sitwasyon mo ang mga dahilan sa ilalim nito. NIST Generative AI Profile

Kung sabihin pa rin ng AI na “Piliin ang Project A,” hindi mo kailangang hilingin na ulitin nito ang sagot nang mas kumpiyansa.

Ilagay sa tabi ng dalawang project ang mga dahilan at tingnan ulit.

Maaaring manatili o magbago ang huling pagpili.

Alinman ang mangyari, nakikita mo na ngayon kung saan nakatayo ang desisyon sa halip na hiramin lang ang konklusyon ng AI na parang kusa na itong napatunayan.

Maaaring may higit sa isang uri ng dapat suriin sa iisang sagot ng AI

Magkakaugnay ang tatlong pagsusuri dahil sinasagot nila ang tatlong magkaibang uri ng posibleng pagkakamali.

Ang factual claim ay maaaring tama o mali, kaya binabalikan natin ang orihinal na pinagmulan. Ang formula, calculation, code result, o proseso ay maaaring gumana o pumalya, kaya sinusubukan natin ito sa maliit na halimbawa.

Ang rekomendasyon naman ay maaaring naka-base sa mga dahilang akma o hindi akma sa sitwasyon mo, kaya inilalantad natin ang mga dahilan.

Maaaring nasa iisang sagot ng AI ang tatlong uri nang sabay.

Halimbawa, puwedeng may petsa mula sa isang abiso, calculation sa spreadsheet, at rekomendasyon kung aling gawain ang dapat unahin.

Hindi mo kailangang lagyan ng iisang label na “mapagkakatiwalaan” o “hindi mapagkakatiwalaan” ang buong sagot.

Paghiwa-hiwalayin ang mga bahagi, saka gamitin ang pagsusuring bagay sa bawat isa.

Sa ganitong paraan, napapanatili mo ang bilis na kapaki-pakinabang sa AI nang hindi ginagawang awtomatikong ebidensiya ang makinis na pananalita.

Lumapit tayo sa taong gusto mong maging

• Huminto tayo sa susunod na sagot ng AI at tukuyin ang bahaging talagang puwedeng magbago ng desisyon natin.
• Balikan natin ang pinagmulan kung katotohanan ito, o subukan muna kung kailangan nitong gumana.
• Ilagay natin ang mga dahilan sa tabi ng mga pagpipilian kapag may rekomendasyon ang AI para sa atin.