Berpikir di Era AI: Autentisitas dan Tanggung Jawab Intelektual ( Bagian ke tiga, habis)

Oleh Farhan Fahmy

AI dapat bekerja dalam dua arah yang saling melengkapi dalam ekosistem pengetahuan. Ke depan, AI dapat mendukung eksplorasi, sintesis, pembentukan hipotesis, pengenalan pola, dan hubungan antarinformasi, sementara observasi, data, pengalaman lapangan, eksperimen, pengetahuan lokal, perspektif baru, dan pertanyaan baru terus memasukkan kontribusi autentik ke dalam sistem. Ke belakang, AI dapat membantu menelusuri klaim menuju sumbernya, memeriksa bukti dan asumsi, menemukan kontradiksi dan perambatan kesalahan, serta mendukung falsifikasi dan koreksi.

DI PUSAT  proses tersebut terdapat Basis Pengetahuan sebagai Living System, bukan gudang informasi yang statis, melainkan sistem yang terus berubah melalui kontribusi, pengujian, koreksi, dan pembelajaran. Loop penguat (R) mempercepat sintesis, produksi konten, publikasi, penemuan, agregasi, rekomendasi, dan sirkulasi. Proses ini dapat memperluas akses terhadap pengetahuan, tetapi jika menjadi dominan juga dapat memperkuat perambatan kesalahan, bias, simplifikasi, automation bias, echo chambers, dan ilusi validitas.

Loop penyeimbang (B) menyediakan kemampuan koreksi melalui penelusuran sumber dan provenance, verifikasi bukti, pengujian kritis, falsifikasi, deteksi kesalahan, dan revisi. Sitasi, metadata, provenance, versioning, data lineage, dokumentasi, standar, dan interoperabilitas membentuk Infrastruktur Jejak Pengetahuan yang memungkinkan proses tersebut tetap dapat ditelusuri. Di atas keseluruhan sistem terdapat Agensi Intelektual Manusia, karena manusialah yang mengajukan pertanyaan, membawa pengalaman dan nilai, melakukan penilaian, menentukan apa yang perlu diterima atau dipertanyakan, serta tetap memegang akuntabilitas atas pengetahuan yang dihasilkan.

Sumber: Konseptualisasi penulis, terinspirasi dari pemikiran sistem, tata kelola pengetahuan, dan prinsip falsifiabilitas Karl Popper.

Melihat pengetahuan sebagai sebuah Living System mengubah cara kita memahami pertumbuhan pengetahuan. Sistem yang sehat tidak hanya mampu memperbanyak dirinya; ia juga harus mampu mengenali kesalahan dan beradaptasi. Dalam systems thinking, reinforcing loops dapat mendorong pertumbuhan, tetapi tanpa balancing loops, pertumbuhan yang sama dapat menghasilkan overshoot dan distorsi.

Hal yang sama dapat terjadi pada pengetahuan. Jika kemampuan menghasilkan informasi tumbuh jauh lebih cepat daripada kemampuan memeriksa dan mengoreksinya, kita mungkin mendapatkan sistem pengetahuan yang sangat produktif tetapi semakin sulit membedakan antara sesuatu yang sering diulang dan sesuatu yang benar-benar dapat dipertahankan.

Karena itu, tantangannya bukan menghentikan reinforcing loop. Kita justru perlu memperkuat balancing loop: kemampuan untuk kembali ke sumber, menguji klaim, menemukan kesalahan, dan memperbarui apa yang sebelumnya kita anggap benar. Ekosistem pengetahuan yang sehat bukanlah ekosistem yang tidak pernah salah, tetapi yang tetap memiliki kemampuan untuk mengetahui ketika ia salah, dan memperbaiki dirinya sendiri.

Bisakah Autentisitas Dideteksi?

Di media sosial kita semakin sering melihat sebuah tulisan diberi label “AI content”, terkadang berdasarkan hasil AI detector yang memberikan probabilitas bahwa teks tersebut dihasilkan oleh mesin. Saya memahami mengapa kebutuhan semacam ini muncul, terutama ketika institusi pendidikan dan publikasi sedang mencari cara untuk menjaga integritas. Namun, saya ragu bahwa autentisitas intelektual dapat direduksi menjadi pola statistik sebuah teks.

Sebuah detector mungkin mengenali karakteristik bahasa tertentu, tetapi ia tidak mengetahui dari mana gagasan berasal. Ia tidak mengetahui pengalaman yang melatarbelakangi sebuah argumentasi, mengapa suatu metode dipilih, mengapa sebuah rekomendasi ditolak, atau berapa kali seorang penulis mempertanyakan dan mengubah kesimpulannya sebelum sebuah teks selesai.

Sebaliknya, tulisan manusia yang sangat terstruktur dapat terlihat “seperti AI”, sementara teks yang awalnya dihasilkan AI dapat diedit sampai tampak sangat personal. Karena itu, AI detection mungkin dapat memberikan sinyal tertentu, tetapi ia tidak dapat menggantikan pertanyaan yang jauh lebih penting mengenai proses intelektual di balik sebuah karya.

Saya lebih tertarik pada pertanyaan lain. Bisakah seorang penulis menjelaskan dari mana gagasannya berasal? Bisakah ia mempertahankan asumsi dan metodenya, menunjukkan dan memverifikasi sumber buktinya, menjelaskan mengapa satu interpretasi diterima dan yang lain ditolak, serta menunjukkan apa yang sebenarnya ia tambahkan pada pengetahuan yang sudah tersedia?

Pertanyaan seperti itu memang lebih sulit daripada memasukkan sebuah dokumen ke dalam AI detector. Namun, justru di situlah autentisitas bertemu dengan akuntabilitas. Seorang pembuat model seharusnya mampu menjelaskan asumsi modelnya; seorang peneliti harus mengetahui sumber datanya; dan seorang penulis seharusnya dapat berdiri di belakang argumen yang diterbitkan atas namanya.

Menuju Literasi Autentisitas

Perdebatan mengenai AI sering bergerak di antara dua posisi ekstrem. Pada satu sisi, AI dianggap sebagai jalan pintas yang mengancam kreativitas dan integritas; pada sisi lain, ia dianggap sekadar alat baru sehingga tidak ada persoalan mendasar yang perlu dibicarakan. Saya kira keduanya terlalu sederhana.

Risikonya nyata. AI dapat menghasilkan informasi yang salah dengan bahasa yang sangat meyakinkan, memperkuat automation bias, mereproduksi bias yang sudah ada, dan membuat kita terlalu mudah menerima sebuah jawaban tanpa memahami bagaimana jawaban tersebut diperoleh. Namun, teknologi yang sama juga dapat memperluas akses terhadap pengetahuan, membantu menemukan kontra-argumen, menguji konsistensi sebuah gagasan, menelusuri sumber, serta mempertemukan perspektif dari disiplin atau bahasa yang berbeda.

Karena itu, selain literasi digital dan literasi AI, kita mungkin membutuhkan literasi autentisitas. Bagi saya, ini adalah kemampuan untuk mengetahui kapan teknologi sedang memperluas kapasitas berpikir kita dan kapan kita mulai menyerahkan proses berpikir kepada teknologi.

Literasi tersebut tidak hanya menyangkut kemampuan menggunakan AI. Ia menuntut kebiasaan memeriksa sumber, membedakan bukti dari interpretasi, memahami keterbatasan metode, menguji asumsi, dan bersedia mengubah kesimpulan ketika bukti berubah. Dengan kata lain, kita bukan hanya perlu belajar bagaimana memperoleh jawaban yang lebih baik dari AI; kita juga perlu belajar bagaimana tidak terlalu cepat mempercayai sebuah jawaban, termasuk jawaban kita sendiri.

Transparansi menjadi bagian dari proses tersebut. Jika jurnal, universitas, institusi, atau pemberi dana menetapkan aturan mengenai penggunaan AI, tentu aturan itu perlu dihormati. Namun, menurut saya, pengungkapan sebaiknya menjelaskan fungsi teknologi secara proporsional, sebagaimana kita menjelaskan sumber data, metode, atau perangkat pemodelan ketika hal tersebut relevan terhadap integritas dan reproduksibilitas penelitian.

Untuk tulisan ini, saya memilih menjelaskan penggunaan AI secara terbuka. Bukan karena keberadaan AI menentukan autentisitas tulisan, tetapi karena cara teknologi digunakan merupakan bagian dari argumen yang sedang saya ajukan. Transparansi, dalam pengertian ini, bukan sekadar menyebut alat yang digunakan. Ia membantu pembaca memahami pembagian peran antara teknologi dan penulis, dan di mana tanggung jawab akhirnya berada.

Memperluas Batas Pengetahuan

Jika AI membuat produksi informasi semakin mudah, respons kita tidak seharusnya berhenti menulis, meneliti, atau menggunakan teknologi. Saya justru melihat kebutuhan yang lebih mendesak untuk memasukkan lebih banyak kontribusi autentik ke dalam ekosistem pengetahuan: data baru dari lapangan, pengalaman yang belum terdokumentasikan, perspektif lokal, hasil eksperimen, kegagalan, dan pertanyaan yang belum mempunyai jawaban.

Tidak semua pengetahuan baru harus datang dari laboratorium atau jurnal akademik. Praktisi membawa pengalaman implementasi yang sering tidak tertulis; pemerintah memiliki pembelajaran dari kebijakan yang berhasil maupun gagal; komunitas menyimpan pengetahuan lokal; sementara kelompok yang selama ini kurang terwakili membawa pengalaman dan perspektif yang mungkin tidak pernah masuk ke dalam korpus pengetahuan utama. Bahkan sebuah kegagalan yang didokumentasikan secara jujur dapat lebih berguna daripada seratus ringkasan tentang kisah keberhasilan yang sama.

AI dapat membantu kita menghubungkan semua itu. Ia dapat mencari pola, menerjemahkan bahasa, memperluas analisis, menemukan literatur yang terlewat, atau membawa sebuah gagasan kepada audiens yang lebih luas. Namun, manusia tetap perlu memasukkan sesuatu yang tidak muncul hanya dari daur ulang pengetahuan sebelumnya: observasi, pengalaman, data, perspektif, dan pertanyaan baru.

Mungkin karena itu tantangan kita di era AI bukan sekadar menghasilkan lebih banyak konten, tetapi menambahkan sesuatu yang sebelumnya belum ada. Alih-alih hanya khawatir bahwa dunia akan dibanjiri oleh AI, kita dapat membanjiri ruang pengetahuan dengan gagasan, data, pengalaman, dan pertanyaan autentik, kemudian menggunakan AI untuk membantu menghubungkan, menguji, menelusuri, dan memperluas manfaatnya.

Ada satu perkembangan lain yang menurut saya tidak kalah penting. AI berkembang pada saat kemampuan komputasi juga meningkat sangat cepat. Analisis dan pemrosesan data yang dahulu membutuhkan komputer khusus kini sebagian dapat dilakukan dari sebuah notebook atau PC, atau dengan menghubungkannya ke sumber daya komputasi yang jauh lebih besar melalui cloud. Dalam praktiknya, seorang peneliti individual sekarang dapat melakukan pekerjaan komputasi yang dua atau tiga dekade lalu mungkin hanya dapat dilakukan oleh institusi dengan fasilitas khusus.

Bagi saya, perubahan ini menarik karena yang menjadi semakin mudah diakses bukan hanya AI, tetapi juga kemampuan untuk bereksperimen dengan data, model, dan gagasan. Seorang mahasiswa, peneliti, praktisi, bahkan komunitas dapat memiliki perangkat analitis yang sebelumnya berada jauh di luar jangkauan mereka. Ini tentu membuka ruang yang jauh lebih luas bagi munculnya pengetahuan baru. Tetapi semakin mudah kita menghasilkan sesuatu, semakin penting pula kemampuan untuk bertanya: apakah yang kita hasilkan benar-benar menambah pengetahuan, atau hanya menambah informasi?

Beberapa tahun dari sekarang, pertanyaan “Apakah Anda menggunakan AI?” mungkin terdengar sama kurang lengkapnya dengan pertanyaan “Apakah Anda menggunakan internet?” hari ini. AI akan semakin tertanam dalam GIS, statistik, pemodelan, pemrograman, desain, mesin pencari, dan berbagai alat yang kita gunakan untuk bekerja. Pada titik itu, persoalan yang jauh lebih penting bukan apakah AI hadir, tetapi apakah manusia masih memahami dan bertanggung jawab atas apa yang dihasilkannya bersama teknologi tersebut.

Autentisitas tidak berarti bekerja sendirian tanpa teknologi. Sejarah pengetahuan manusia justru merupakan sejarah tentang bagaimana kita memperluas kemampuan berpikir melalui bahasa, tulisan, matematika, instrumen ilmiah, komputasi, dan berbagai alat lainnya. AI adalah bagian terbaru dari perjalanan panjang itu, mungkin salah satu yang paling kuat, tetapi tetap sebuah bagian.

Yang perlu kita jaga adalah agensi intelektual manusia: kemampuan untuk mengajukan pertanyaan yang belum pernah diajukan, mempertanyakan sesuatu yang dianggap benar, memahami mengapa kita mengambil suatu keputusan, mengakui ketika kita salah, dan bersedia berdiri di belakang pengetahuan yang kita hasilkan.

Pada akhirnya, mungkin itulah arti berpikir di era AI. Bukan berpikir tanpa mesin, tetapi memastikan bahwa ketika mesin semakin mampu membantu kita berpikir, kita sendiri tidak berhenti melakukannya.

Tentang Penulis

Farhan Helmy adalah peneliti, systems thinker, dan praktisi yang bekerja pada persilangan perubahan iklim, keberlanjutan, inklusi, transformasi digital, dan tata kelola. Ia aktif mengadvokasi hak dan inklusi penyandang disabilitas, lanjut usia, serta kelompok marginal, dengan perhatian pada bagaimana pengalaman dan pengetahuan mereka dapat menjadi bagian dari penelitian, perumusan kebijakan, dan penciptaan pengetahuan. Ia menginisiasi Thamrin School of Climate Change and Sustainability, ASCODI (Advanced Systems, Computing, Design and Innovation) Lab, pendiri DILANS Indonesia, serta Asia-Africa Inclusive Nexus Network (AAINN) sebagai ruang untuk menghubungkan pemikiran sistem, ilmu pengetahuan, teknologi, keberlanjutan, dan inklusi. Dalam penelitian dan praktiknya, ia menggunakan berbagai pendekatan analitis, mulai dari GIS, remote sensing, statistik, system dynamics, pemrograman, dan visualisasi data hingga AI, untuk memahami kompleksitas dan mendorong pengetahuan yang autentik, inklusif, dapat diuji, dan dapat dipertanggungjawabkan.** (Profil lengkap: LinkedIn — Farhan Helmy . AI dan perangkat digital digunakan sebagai bagian dari proses eksplorasi, tinjauan kritis, visualisasi, dan penyuntingan tulisan ini. Gagasan, argumentasi, interpretasi, keputusan intelektual, dan tanggung jawab atas tulisan tetap berada pada penulis.)

Editor : rianto muradi