Grounding dalam konteks AI merujuk pada teknik menghubungkan atau "menjangkarkan" jawaban model AI dengan sumber informasi yang konkret dan dapat diverifikasi—seperti dokumen tertentu, basis data, atau hasil pencarian internet secara real-time—dengan tujuan utama mengurangi risiko model menghasilkan informasi yang tidak akurat atau mengarang fakta (hallucination).
Tanpa grounding, model bahasa besar menghasilkan jawaban semata-mata berdasarkan pola yang dipelajari selama pre-training, yang bersifat statis dan terbatas pada pengetahuan hingga tanggal batas data pelatihannya (knowledge cutoff). Ini berarti model tidak memiliki akses ke informasi terkini, dan berisiko menghasilkan jawaban yang terdengar meyakinkan namun sebenarnya salah, terutama untuk pertanyaan yang membutuhkan data spesifik atau terbaru.
Teknik grounding yang paling umum digunakan adalah Retrieval-Augmented Generation (RAG), di mana model terlebih dahulu mencari dan mengambil informasi relevan dari sumber eksternal—seperti basis dokumen perusahaan atau hasil pencarian web—sebelum menyusun jawaban akhir berdasarkan informasi yang ditemukan tersebut, bukan hanya mengandalkan ingatan internalnya.
Selain RAG, grounding juga dapat dilakukan melalui pemberian akses langsung ke alat pencarian real-time (seperti fitur pencarian web yang terintegrasi pada asisten AI modern), atau dengan menyertakan dokumen spesifik langsung dalam prompt sebagai konteks yang harus dijadikan rujukan utama oleh model saat menjawab.
Model AI yang di-ground dengan baik umumnya juga dilengkapi kemampuan untuk menyertakan sitasi atau rujukan sumber pada jawabannya, memungkinkan pengguna memverifikasi langsung dari mana informasi tersebut berasal—fitur yang semakin dianggap penting untuk membangun kepercayaan pengguna terhadap keakuratan jawaban AI, terutama untuk aplikasi di bidang yang membutuhkan akurasi tinggi seperti riset, jurnalisme, dan layanan hukum.