Berpikir di Era AI: Autentisitas dan Tanggung Jawab Intelektual ( Bag kedua dari tiga tulisan)

Ketika AI semakin menyatu dengan alat (tools), analisis, dan penciptaan pengetahuan, pertanyaannya bukan lagi apakah kita menggunakannya, tetapi bagaimana kita tetap berpikir.

Farhan Helmy*

.Dimana Agensi Intelektual Berada?

Di sinilah saya melihat pentingnya agensi intelektual manusia. Agensi bukan sekadar kemampuan mengoperasikan sebuah perangkat. Ia adalah kemampuan untuk tetap menentukan arah: memilih pertanyaan yang layak diajukan, memahami mengapa sebuah metode digunakan, menilai apakah suatu hasil masuk akal, serta menolak jawaban yang terdengar meyakinkan tetapi tidak dapat dipertanggungjawabkan.

Dalam penelitian, sebuah alat dapat membantu saya menemukan pola, tetapi saya tetap harus bertanya apakah pola tersebut bermakna. Sebuah model dapat menghasilkan skenario, tetapi saya perlu memahami asumsi yang membuat skenario itu muncul. AI dapat menawarkan interpretasi yang tidak pernah saya pikirkan sebelumnya, tetapi keputusan untuk menerima, menolak, atau mengujinya tetap membutuhkan penilaian manusia.

Di sinilah perbedaan antara AI-assisted work dan intellectual outsourcing menjadi penting. Seorang peneliti dapat memulai dari pengalaman, observasi, data, atau pertanyaan yang belum terjawab, kemudian menggunakan AI untuk mencari literatur, menemukan kontra-argumen, membantu menulis kode, mengeksplorasi alternatif, atau memperbaiki cara sebuah gagasan dikomunikasikan. Selama ia memahami prosesnya, memeriksa sumbernya, menguji hasilnya, dan menentukan kesimpulannya sendiri, AI memperluas kapasitas intelektualnya.

Situasinya berbeda ketika kita menerima sebuah argumentasi karena terdengar masuk akal, menggunakan referensi tanpa memeriksanya, atau mengadopsi kesimpulan yang sebenarnya tidak dapat kita jelaskan sendiri. Pada titik itu, persoalannya bukan lagi bahwa kita “menggunakan AI”, tetapi bahwa sebagian proses berpikir telah kita serahkan tanpa disertai pemahaman dan tanggung jawab yang setara.

Karena itu, autentisitas bukanlah pilihan biner antara “manusia” dan “AI”. Yang lebih penting adalah di mana keputusan intelektual dibuat dan siapa yang dapat mempertanggungjawabkannya. Teknologi dapat memperluas kemampuan kita untuk berpikir, tetapi perluasan itu hanya bermakna jika kita tidak kehilangan kemampuan untuk menilai apa yang dihasilkannya.

Ketika Informasi Bertambah, Apakah Pengetahuan Juga Bertumbuh?

AI membuat produksi informasi menjadi sangat cepat dan murah. Artikel, laporan, policy brief, presentasi, analisis, gambar, video, dan berbagai bentuk konten dapat diproduksi dalam jumlah yang sebelumnya sulit dibayangkan. Saya tidak terlalu khawatir bahwa dunia akan kekurangan informasi. Justru sebaliknya, kita mungkin akan memiliki jauh lebih banyak informasi daripada kemampuan kita untuk memahami apa yang benar-benar penting di dalamnya.

Pertanyaannya kemudian menjadi lebih mendasar: ketika informasi terus bertambah, apakah pengetahuan juga bertumbuh?

Generative AI sangat baik dalam menemukan pola, menghubungkan informasi, dan menyintesis pengetahuan yang sudah tersedia. Itu merupakan kemampuan yang luar biasa. Namun, jika sebagian besar penggunaannya hanya menghasilkan versi baru dari apa yang sebenarnya sudah kita ketahui, kita dapat memiliki semakin banyak teks tanpa mengalami pertumbuhan pengetahuan yang sebanding.

Bagi saya, di sinilah autentisitas mulai berhubungan dengan sesuatu yang lebih besar daripada kepengarangan. Ia juga menyangkut kontribusi. Pengalaman lapangan, data baru, eksperimen, kegagalan, pengetahuan lokal, perspektif yang selama ini tidak terdengar, atau sebuah pertanyaan yang menggugat asumsi lama merupakan cara manusia memasukkan sesuatu yang baru ke dalam ekosistem pengetahuan. AI dapat membantu mengolah dan menghubungkannya, tetapi bahan baku kebaruan itu tidak selalu datang dari apa yang sudah tersedia dalam korpus pengetahuan.

Ada risiko lain. Pengetahuan yang sudah tersedia digunakan untuk menghasilkan konten baru; konten tersebut dipublikasikan, diindeks, ditelusuri dan dihimpun secara otomatis, direkomendasikan, kemudian digunakan kembali untuk menghasilkan konten berikutnya. Dalam bahasa systems thinking, kita sedang membangun sebuah reinforcing feedback loop. Semakin banyak konten tersedia, semakin banyak bahan yang dapat direproduksi; semakin banyak yang direproduksi, semakin besar pula basis informasi untuk putaran berikutnya.

Masalahnya, sistem tersebut tidak hanya memperkuat hal-hal yang benar. Kesalahan, bias, simplifikasi, dan asumsi yang tidak pernah benar-benar diuji dapat ikut berputar di dalamnya. Sebuah informasi yang salah bahkan dapat terlihat semakin meyakinkan karena muncul di banyak tempat, padahal berbagai sumber tersebut mungkin sebenarnya berasal dari kesalahan awal yang sama.

Informasi dapat bertambah melalui reproduksi; pengetahuan bertumbuh melalui kontribusi, pengujian, dan koreksi.

Pengetahuan sebagai Living System

Di sinilah saya justru melihat salah satu kemungkinan paling menarik dari AI yang belum banyak dibicarakan. Kita biasanya membayangkan AI sebagai teknologi yang membawa pengetahuan bergerak ke depan: menghasilkan jawaban, hipotesis, sintesis, kode, model, atau kemungkinan baru. Namun, AI juga dapat membantu kita menelusuri pengetahuan ke belakang: dari sebuah klaim menuju sumbernya, dari kesimpulan menuju bukti dan asumsi yang mendasarinya, membandingkan berbagai interpretasi, bahkan menemukan titik ketika suatu kesalahan mulai masuk dan merambat dalam rantai pengetahuan.

Ilmu pengetahuan selama berabad-abad telah mengandalkan mekanisme semacam ini. Catatan kaki dan daftar pustaka bukan sekadar ritual akademik; keduanya membentuk jejak yang memungkinkan orang lain menelusuri sebuah argumen. Data, metode, dokumentasi, kemudian metadata dan versioning, memperpanjang jejak tersebut. Sebuah klaim idealnya tidak berdiri sendiri. Kita seharusnya dapat bertanya dari mana ia berasal, bukti apa yang mendukungnya, dan melalui proses apa ia akhirnya diterima sebagai pengetahuan.

Dengan kemampuan komputasi dan AI, jejak tersebut berpotensi digali dalam skala yang jauh lebih besar. Bayangkan kemampuan untuk mengikuti sebuah klaim mundur melalui puluhan atau ratusan dokumen, melihat bagaimana maknanya berubah dari satu rujukan ke rujukan berikutnya, kemudian menemukan di mana interpretasi mulai bergeser. Jika sebuah kesalahan telah merambat, kita memiliki peluang yang jauh lebih besar untuk menemukan asalnya.

Pada titik ini saya kembali teringat pada Karl Popper. Gagasan mengenai falsifikasi menjadi sangat relevan karena pengetahuan ilmiah tidak berkembang hanya dengan mengumpulkan semakin banyak bukti yang membenarkan apa yang sudah kita percaya. Ia berkembang karena kita memberi kesempatan kepada sebuah klaim untuk diuji, dan jika bukti menuntutnya, untuk dinyatakan salah.

AI meningkatkan kemampuan kita menghasilkan jawaban secara dramatis. Namun, mungkin kontribusinya yang sama pentingnya justru terletak pada kemampuannya membantu kita mempertanyakan jawaban.

Dengan demikian, AI dapat bekerja dalam dua arah. Ia dapat mendorong pengetahuan ke depan melalui eksplorasi, sintesis, dan penciptaan kemungkinan baru, tetapi juga membantu kita bergerak ke belakang melalui sumber, asumsi, bukti, dan kemungkinan kesalahan. Yang pertama memperbesar kapasitas knowledge generation; yang kedua dapat memperkuat knowledge traceability dan knowledge corrigibility.