Seorang mahasiswa meminta izin memakai AI untuk meringkas presentasinya sendiri, dan pertanyaan kecil itu membuka sesuatu yang lebih besar tentang apa yang sebenarnya kita pertaruhkan ketika belajar berpikir.
Di akhir semester lalu, seorang mahasiswa baru selesai mempresentasikan analisis soft systems methodology untuk studi kasusnya di kuliah Model Based Decision Making. Saya minta dia menutup sesi dengan meringkas sendiri apa yang baru dia paparkan, 1–2 menit saja, cukup untuk menunjukkan bahwa dia tahu bagian mana yang paling penting dari analisisnya sendiri. Dia mengangkat tangan dan bertanya, sungguh-sungguh, bukan bercanda: boleh tidak dia minta AI yang meringkaskannya?
Saya diam sebentar. Bukan karena marah. Karena saya tidak langsung tahu jawabannya, dan itu sendiri yang mengganggu saya lebih dari pertanyaannya.
Beberapa bulan sebelum kejadian ini, saya sempat membagikan sebuah artikel CNN di salah satu grup chat. Liputannya soal mahasiswa-mahasiswa di Yale yang mulai menyadari sesuatu yang aneh di kelas seminar mereka: argumen yang dilontarkan teman-temannya makin rapi, tapi diskusinya makin terasa hambar. Salah satu dari mereka bilang ke wartawannya,
“everyone now kind of sounds the same”
semua orang sekarang rasanya kedengaran sama saja. Bukan cuma perasaan dia sendiri. Ada riset yang dirujuk artikel itu, dipublikasikan awal tahun ini di jurnal Trends in Cognitive Sciences oleh tim dari University of Southern California, yang menemukan bahwa model bahasa secara sistematis meratakan cara manusia berbahasa, mengambil sudut pandang, dan bernalar.
Kalau itu benar, ada satu hal yang berubah secara diam-diam: kompetisi di antara mahasiswa justru terlihat adil. Seolah-olah tidak lagi berdasarkan kemampuan intelektual, karena AI sudah bisa menyamakan itu. Jawaban rapi, terbaca atau terdengar logis, dan bahkan menurut kita, lebih baik dari tulisan kita sendiri.
Namun, ini artinya kompetisi harus meningkat ke tingkat yang sebelumnya belum pernah diminta. Bukan lagi kompetisi untuk melihat siapa yang bisa memberikan jawaban paling rapi, karena AI telah menyamakan semua orang dalam hal itu. Kompetisi yang sebenarnya kini terletak di daerah yang tidak bisa dijangkau AI, yakni di dalam kepala masing-masing mahasiswa, sebelum AI sempat campur tangan. Tanpa kompetisi di level itu, pemikirannya yang paling tajam pun akan terdengar sama saja dengan mahasiswa yang sekadar mengikuti arus.
AI memang bagus dalam meringkas. Saya sendiri sering memakainya untuk itu, merapikan catatan rapat, memadatkan draf paper yang masih berantakan. Kalau ada yang bilang AI tidak bisa diandalkan untuk tugas semacam ini, saya akan bilang itu tidak jujur. Yang membuat saya gelisah bukan kemampuannya. Yang membuat saya gelisah adalah meringkas mulai dianggap pekerjaan yang tidak penting, sesuatu yang tidak perlu lagi dilatih, padahal justru itulah yang sedang dipertaruhkan..
TAPI TUNGGU, MERINGKAS ITU SEBENARNYA APA?
Coba pikirkan lagi apa yang sebenarnya terjadi ketika seorang mahasiswa meringkas hasil analisisnya sendiri setelah menyelesaikan studi kasus masalah kompleks dan merumuskan rekomendasi solusinya. Dia tidak sekadar memotong kalimat agar lebih pendek. Dia harus memutuskan, dari semua hal yang dia temukan sepanjang analisis, akar masalah mana yang sebenarnya menggerakkan seluruh rekomendasinya, dan ketegangan kepentingan mana di antara pihak-pihak yang terlibat yang tetap harus terlihat meskipun semuanya dipersingkat. Itu bukan kompresi teks. Itu keputusan. Dan keputusan itu hanya bisa diambil oleh orang yang benar-benar memahami struktur masalahnya, bukan oleh siapa pun yang membaca transkripnya dari luar.
Inilah yang sering tertukar. Bukan AI tidak bisa meringkas; AI bisa, bahkan dengan rapi. Soalnya bukan di situ. Soalnya, AI tidak ada di dalam kepala Anda saat Anda membangun analisis itu, dan tidak akan pernah tahu, kecuali Anda yang memberitahunya, bagian mana yang Anda anggap paling genting. Kalaupun suatu hari AI jadi sangat pintar membaca konteks, jauh lebih pintar dari hari ini, itu tidak mengubah satu hal: kapasitas untuk menimbang mana yang penting bagi kasus spesifik Anda tetap harus ada di kepala Anda sendiri, supaya Anda tahu kapan harus percaya pada hasil AI dan kapan harus mencurigainya. Seorang grandmaster catur tetap harus jago catur untuk tahu kapan mesin catur di depannya salah membaca posisi, walaupun mesin itu sendiri sudah jauh lebih kuat daripada grandmaster mana pun di dunia. Kekuatan alatnya tidak menghapus kebutuhan akan penilaian manusia. Kalau ada, justru membuatnya lebih penting.
Dan ada satu hal lagi yang jarang disadari sebelum nasi jadi bubur: AI bisa salah arah dengan penuh percaya diri. Ia bisa berhalusinasi, menyimpulkan sesuatu yang kedengarannya pas tapi sebenarnya melenceng dari apa yang Anda maksud, tanpa memberi tanda apa pun bahwa ia sedang salah. Kalau itu terjadi di ringkasan presentasi Anda dan dosen Anda menemukan kejanggalannya, yang dipertanyakan bukan AI-nya.
Tanggung jawab tidak ikut diserahkan saat pekerjaannya diserahkan.
Nama yang melekat pada analisis itu adalah nama Anda, bukan AI.
Tapi katakanlah Anda belum sepenuhnya setuju dengan semua ini. Mungkin yang ada di kepala Anda begini: kalau AI sudah bisa mengerjakan ini, untuk apa saya capek-capek belajar melakukannya sendiri?
Aspek pertama: kalau Anda tidak pernah melatihnya, Anda akan kehilangan kemampuan menilai, dan kemampuan menilai itu justru menjadi pembeda Anda dari semua orang lain yang memakai AI yang sama. AI bisa mengerjakan ringkasannya, tapi menilai apakah hasil itu benar untuk kasus spesifik Anda adalah kapasitas yang berbeda, dan kapasitas itu tidak bisa dipinjam dari siapa pun, termasuk dari AI yang menghasilkannya. Kalau Anda tidak pernah melatih diri untuk menimbang sendiri mana yang penting, Anda juga tidak punya dasar untuk tahu kapan ringkasan AI itu melenceng, dan Anda bisa menyerahkan ringkasan yang kedengarannya rapi, padahal melewatkan tegangan paling penting dalam analisis Anda sendiri, tanpa menyadarinya.
Aspek kedua: meringkas sendiri adalah cerminan langsung dari kapasitas analisis Anda: komponen mana yang penting dari semua yang Anda temukan, mengapa, dan dalam konteks apa. Tapi kapasitas ini berbeda dari kapasitas produksi di pabrik. Kapasitas produksi, begitu mesinnya terpasang, tetap ada meski tidak pernah dijalankan penuh; ia cuma menganggur, menunggu permintaan datang. Kapasitas menimbang tidak begitu. Ia hanya terbentuk kalau benar-benar dilatih, dan kalau tidak pernah dipakai sejak awal, ia bukan menganggur; ia memang tidak pernah ada. Kalau AI yang mengerjakan ringkasan Anda, dokumennya tetap muncul, tugasnya kelihatan selesai, tapi kapasitas yang seharusnya terbentuk di baliknya tidak ikut terbentuk. Anda baru menyadarinya nanti, dalam situasi profesional yang taruhannya jauh lebih tinggi, justru saat Anda butuh mengubah kapasitas itu menjadi kapabilitas yang nyata, dan ternyata tidak ada apa-apa yang perlu diubah.
Aspek ketiga, dan ini yang langsung menjawab kekhawatiran soal semua orang kedengaran sama seperti yang saya bahas di awal: untuk membedakan diri Anda, Anda harus punya “tanda tangan” yang khas dalam cara Anda mengarahkan AI, bukan pada apa yang dihasilkan AI. Semua orang bisa memakai chatbot yang sama, memasukkan studi kasus yang sama, dan mendapatkan ringkasan yang terdengar hampir identik. Yang membedakan Anda bukan AI-nya, melainkan penilaian yang Anda masukkan sebelum AI sempat bekerja, komponen mana yang Anda anggap penting, dan kenapa Anda yang menentukan itu, bukan AI. Tanpa tanda tangan itu, argumen “kalau AI sudah bisa, kenapa saya harus belajar?” justru tidak terbantahkan, karena tidak ada lagi yang membedakan hasil kerja Anda dari hasil kerja siapa pun yang memakai AI yang sama persis.
Saya teringat lagi pada pertanyaan mahasiswa saya tadi. Dia tidak salah karena bertanya. Dia mengajukan pertanyaan yang sangat masuk akal dari sudut pandang seseorang yang sudah terbiasa hidup dengan AI sebagai alat sehari-hari. Yang membuat saya gelisah bukan pertanyaannya. Yang membuat saya gelisah adalah betapa wajarnya pertanyaan itu terdengar, seolah pekerjaan itu tidak penting, sesuatu yang tidak perlu lagi dilatih.
Dan di sinilah saya harus jujur pada diri sendiri sebagai pengajar, bukan hanya kepada mahasiswa saya. Mungkin bukan cuma mahasiswanya yang perlu dipertanyakan. Mungkin cara saya merancang tugas itu sendiri juga ikut berperan. Kalau “ringkaskan presentasi Anda” bisa dijawab dengan sah lewat satu prompt AI, itu artinya tugas itu sendiri tidak pernah secara struktural memaksa penilaian yang saya kira sedang saya uji. Ia hanya kelihatan seperti tugas yang menuntut penilaian. Dan kalau begitu, mungkin mahasiswa saya yang perlu berubah lebih dulu.
Saya belum punya jawaban yang menyeluruh untuk itu. Saya sendiri masih harus belajar bagaimana mengajarkan penggunaan AI untuk belajar, dan percayalah, ini lebih sulit daripada mengajarkan penggunaan AI untuk bekerja.
Namun, buat mahasiswa saya begini saja. Sebelum Anda membuka AI lagi untuk tugas apa pun yang menuntut pertimbangan, tentukan pendapat utama atau hal terpenting dalam sebuah kalimat/paragraf singkat untuk diri sendiri; tidak perlu ditulis di AI. Ini adalah “tanda tangan” Anda. Bukan nama yang dibubuhkan di akhir dokumen, melainkan penilaian yang Anda masukkan sebelum siapa pun, termasuk AI, sempat menyentuhnya. Baru gunakan AI dan lihat apakah ringkasan AI menjaga kalimat itu, atau menghapusnya tanpa Anda sadari. Kalau ringkasan hasil AI itu menjaga kalimat Anda, mungkin Anda sudah lebih siap daripada yang Anda kira untuk berkompetisi
Catatan editorial:
- Artikel ini berdiri sendiri, tetapi bagi pembaca yang ingin melihat argumen yang lebih luas tentang AI dan berpikir sistem, ada bacaan terkait di artikel “Systems thinking vs AI” di blog ini.
- Artikel ini merupakan artikel refleksi menjadi pendidik di Departemen Teknik Industri, yang akan berusia 28 tahun di 30 Juni 2026 ini, Dirgahayu Teknik Industri Universitas Indonesia. Untuk Indonesia.
Hidayatno's Blog 