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

Oleh: Farhan Helmy *

Dua puluh tahun lalu, tidak banyak orang mempertanyakan autentisitas sebuah analisis hanya karena penulisnya menggunakan Google untuk mencari informasi, Geographic Information Systems (GIS) untuk menganalisis data spasial, perangkat statistik untuk mengolah data, atau Vensim untuk membangun model dinamika sistem. Kita memahami bahwa perangkat tersebut adalah alat. Peneliti tetap bertanggung jawab atas pertanyaan yang diajukan, data dan metode yang dipilih, interpretasi yang dibuat, serta kesimpulan yang dihasilkan.

Generative Artificial Intelligence (AI) membuat batas yang selama ini terasa cukup jelas menjadi semakin kabur. AI bukan lagi sekadar mesin pencari atau kalkulator. Ia dapat membantu membaca dan membandingkan dokumen, menulis kode, mengeksplorasi data, mengembangkan argumentasi, membuat visualisasi, menguji konsistensi gagasan, bahkan menyarankan hubungan yang mungkin sebelumnya tidak kita lihat.

Karena itu, wajar jika muncul pertanyaan: ketika AI ikut membantu proses tersebut, siapa sebenarnya penulisnya? Namun, jika autentisitas hanya diukur dari seberapa banyak AI digunakan, kita mungkin sedang mengajukan pertanyaan yang kurang tepat. Persoalan yang lebih mendasar adalah dari mana gagasan berasal, siapa yang membuat keputusan intelektual, bagaimana bukti diperiksa, apa yang benar-benar ditambahkan pada pengetahuan yang sudah ada, dan siapa yang pada akhirnya bersedia mempertanggungjawabkan karya tersebut.

Teknologi dan Evolusi Cara Berpikir: Catatan Reflektif

Pandangan saya mengenai AI tidak muncul tiba-tiba bersama perkembangan generative AI beberapa tahun terakhir. Ia berangkat dari perjalanan yang jauh lebih panjang sebagai peneliti dan systems thinker, ketika teknologi secara bertahap menjadi bagian dari cara saya melihat persoalan, membangun analisis, dan mencoba memahami kompleksitas.

Dalam perjalanan tersebut, saya bekerja dengan berbagai generasi perangkat analitis. Geographic Information Systems (GIS) membantu saya melihat persoalan melalui dimensi spasial; remote sensing memperluas observasi melampaui apa yang dapat dilihat langsung di lapangan; R dan SPSS membantu membaca pola dalam data; Python membuka ruang yang lebih fleksibel untuk pengolahan data, pemrograman, dan otomatisasi; sementara Vensim dan system dynamics mengubah cara saya memahami hubungan sebab-akibat, feedback loops, keterlambatan, dan perilaku sistem. Ketika hasil analisis perlu dikomunikasikan, Figma, Canva, dan berbagai perangkat visualisasi lainnya membantu menerjemahkan model dan hasil asesmen menjadi sesuatu yang lebih mudah dibaca, didiskusikan, dan diperdebatkan.

Saya tidak pernah melihat alat-alat tersebut sebagai pengganti proses berpikir. Masing-masing justru membuat sesuatu yang sebelumnya sulit dilakukan menjadi lebih mungkin. GIS mengubah apa yang dapat saya lihat, statistik membantu menemukan pola yang tidak selalu tampak, sementara system dynamics membuat saya lebih berhati-hati terhadap hubungan sebab-akibat yang terlihat sederhana tetapi ternyata menyimpan umpan balik, keterlambatan, dan konsekuensi yang tidak terduga.

Dalam perjalanan itu, saya juga melihat bagaimana batas antarperangkat perlahan menghilang. GIS tidak lagi sekadar membuat peta; Python tidak hanya menjadi bahasa pemrograman; visualisasi bukan lagi sekadar tahap akhir untuk mempercantik hasil. Data, pemodelan, komputasi, visualisasi, dan komunikasi semakin terhubung satu sama lain. Teknologi baru tidak selalu menggantikan teknologi sebelumnya. Lebih sering, ia menambahkan kemampuan baru dan mengubah bagaimana berbagai alat dapat bekerja bersama.

Mungkin di situlah perubahan yang lebih menarik sebenarnya terjadi. Ketika alat berubah, bukan hanya pekerjaan yang menjadi lebih cepat. Cara kita merumuskan pertanyaan, mengeksplorasi kemungkinan, dan bahkan memahami apa yang belum kita ketahui ikut berubah.

Ketika AI Menjadi Bagian dari Ekosistem Analitis

Dilihat dari perjalanan tersebut, AI tidak terasa sebagai teknologi yang sepenuhnya terpisah dari generasi perangkat sebelumnya. Ia lebih menyerupai lapisan baru yang perlahan masuk ke hampir seluruh ekosistem analitis. Namun, ada perbedaan penting: alat-alat sebelumnya terutama membantu kita melakukan sesuatu, sementara AI mulai membantu menyarankan apa yang mungkin perlu dilakukan, atau bahkan dipikirkan.

AI kini terintegrasi ke dalam GIS, perangkat statistik, lingkungan pemrograman, mesin pencari, aplikasi pengolah kata, sistem desain, dan platform analisis data. GIS semakin memanfaatkan machine learning dan GeoAI, lingkungan pemrograman menawarkan AI-assisted coding, perangkat visualisasi dapat menyarankan alternatif representasi data, sementara mesin pencari tidak lagi hanya menemukan dokumen tetapi juga dapat menyintesis sebagian isinya.

Di titik ini saya mulai bertanya: apa sebenarnya yang kita maksud ketika mengatakan seseorang “menggunakan AI”? Jika saya menggunakan GIS yang memanfaatkan algoritma machine learning, apakah saya sedang menggunakan AI? Jika perangkat pemrograman menyarankan beberapa baris kode Python, apakah analisis saya menjadi AI-generated? Jika mesin pencari membantu menemukan dan merangkum literatur, di mana sebenarnya batas antara search, sintesis, dan analisis?

Batas tersebut akan semakin sulit ditarik. Karena itu, membedakan sebuah karya hanya berdasarkan apakah AI digunakan atau tidak tampaknya akan semakin kehilangan makna. Pertanyaan yang lebih berguna adalah apa yang dilakukan teknologi tersebut di dalam proses berpikir, dan keputusan apa yang tetap berada di tangan manusia.

Di Mana 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.

Gambar 1. AI dan Pengetahuan sebagai Living System: Generasi, Keterlacakan, dan Koreksi

” 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 detektor 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

Catatan Penulis tentang Penggunaan AI

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.