Dahulu, JARVIS terasa seperti gambaran masa depan yang masih sangat jauh. Namun, kini saya mulai merasakan bagaimana AI dapat membantu manusia menyusun laporan, mengolah data, menulis dokumen, melakukan analisis, hingga menjawab berbagai persoalan yang sebelumnya membutuhkan waktu dan tenaga cukup besar.

Dari Padanan Bahasa hingga Kampanye Politik

Menariknya, perkembangan teknologi ini juga mendorong bahasa Indonesia untuk beradaptasi. Badan Pengembangan dan Pembinaan Bahasa telah menggunakan istilah “Akal Imitasi” sebagai padanan Artificial Intelligence, yang tetap disingkat AI. Istilah tersebut bahkan digunakan dalam publikasi resmi Badan Bahasa pada Oktober 2025 ketika membahas perkembangan AI dan tantangannya terhadap orisinalitas karya.

Pemanfaatan AI juga mulai diteliti dalam bidang psikologi dan kesehatan mental. Sejumlah penelitian menunjukkan bahwa chatbot yang dirancang untuk memberikan intervensi psikologis berpotensi membantu mengurangi gejala depresi. Sebuah meta-analisis yang diterbitkan dalam Journal of Affective Disorders pada 2024, misalnya, menggabungkan 18 uji acak terkontrol dengan total 3.477 peserta. Hasilnya menunjukkan adanya penurunan gejala depresi dan kecemasan setelah intervensi menggunakan chatbot berbasis AI. Namun, manfaat tersebut tidak lagi terlihat secara signifikan dalam evaluasi tindak lanjut setelah tiga bulan.

Fenomena AI bahkan telah merambah ke ranah politik. Di Indonesia, AI mulai menjadi bagian dari wacana pembangunan dan komunikasi publik. Wakil Presiden Gibran Rakabuming Raka, misalnya, pernah mendorong generasi muda untuk menguasai AI dan beradaptasi dengan perkembangan teknologi. Pada Maret 2025, ia juga meninjau Program Nasional Digital AI di sebuah sekolah di Jakarta.

Berbagai contoh tersebut menunjukkan bahwa pengaruh AI semakin meluas, mulai dari pendidikan, kesehatan mental, dan dunia kerja hingga agenda pemerintahan. AI bukan lagi sekadar alat bantu bagi individu, melainkan juga bagian dari pembicaraan mengenai arah pembangunan dan kesiapan sumber daya manusia Indonesia.

Bagaimana Sebenarnya AI Bekerja?

Sebelum AI berkembang seperti sekarang, saya merasa bahwa struktur pemrograman konvensional sebenarnya sudah cukup membantu kita menyelesaikan berbagai pekerjaan sehari-hari. Struktur tersebut meliputi sequence atau urutan instruksi, selection atau pemilihan berdasarkan kondisi, dan iteration atau pengulangan. Ketiganya merupakan fondasi penting dalam menyusun logika program, meskipun bukan satu-satunya komponen yang digunakan dalam sebuah sistem atau working paper.

Ketiga struktur tersebut menunjukkan bahwa program konvensional sebenarnya sudah mampu menyelesaikan pekerjaan yang kompleks. Namun, tantangan muncul ketika aturan untuk menyelesaikan suatu persoalan sulit dirumuskan secara eksplisit. Bagaimana kita menuliskan seluruh aturan agar komputer mampu mengenali wajah seseorang dari berbagai sudut, memahami pertanyaan dalam bahasa sehari-hari, atau membedakan foto kucing dan anjing dalam berbagai kondisi pencahayaan?

Di sinilah machine learning, salah satu cabang kecerdasan buatan, menawarkan pendekatan yang berbeda. Alih-alih menentukan seluruh aturan pengenalan secara manual, pengembang melatih model menggunakan data agar sistem dapat mempelajari pola dan memanfaatkannya untuk membuat prediksi terhadap data baru.

Contoh Sederhana: Bagaimana Komputer Belajar Mengenali Kucing?

Bayangkan kita ingin membuat sistem yang dapat membedakan foto kucing dan anjing. Dalam pendekatan pemrograman konvensional, kita mungkin mencoba membuat aturan seperti: jika telinganya memiliki bentuk tertentu, bulunya menunjukkan pola tertentu, atau moncongnya memiliki ukuran tertentu, maka gambar tersebut dikategorikan sebagai kucing. Masalahnya, tidak semua kucing memiliki ciri yang sama, sementara beberapa ciri kucing juga dapat menyerupai ciri anjing.

Dalam pendekatan machine learning, kita menggunakan banyak foto yang telah diberi label, sebagian bertuliskan “kucing” dan sebagian lainnya “anjing”. Data tersebut digunakan untuk melatih model agar mempelajari pola yang dapat membantu membedakan kedua kategori. Dalam sistem pengenalan gambar modern, model dapat mempelajari representasi fitur yang kompleks tanpa mengharuskan pengembang menentukan setiap ciri secara manual.

Perbedaan mendasarnya terletak pada bagaimana pola tersebut diperoleh. Dalam program berbasis aturan konvensional, pengembang menuliskan logika yang harus diikuti. Sementara itu, dalam machine learning, pengembang menyediakan metode pembelajaran dan data, kemudian proses pelatihan menyesuaikan parameter model agar prediksinya semakin sesuai dengan pola yang dipelajari. Perkembangan pendekatan ini turut melahirkan AI generatif, seperti ChatGPT, yang mampu menghasilkan teks, merangkum dokumen, menyusun ide, hingga membantu pengguna memecahkan persoalan berdasarkan instruksi yang diberikan.

Optimalisasi Penggunaan AI dan Memahami Risikonya

Kemudahan yang ditawarkan AI perlu diimbangi dengan kebijaksanaan dalam penggunaannya. AI memang mampu membantu menyusun laporan, mengolah data, hingga menghasilkan rekomendasi dalam waktu singkat. Namun, kemampuan tersebut tidak seharusnya membuat manusia menyerahkan seluruh proses berpikir kepada mesin. Konsep, kerangka analisis, serta alur pengambilan keputusan tetap harus ditentukan oleh manusia sebagai pengguna. AI dapat membantu mengembangkan gagasan dan menguji berbagai alternatif, tetapi manusia tetap perlu memahami persoalan yang dihadapi, menentukan tujuan, serta menilai apakah hasil yang diberikan benar-benar relevan dengan kondisi sebenarnya.

Risiko lain muncul ketika semakin banyak proses kerja menjadi otomatis. Otomatisasi dapat meningkatkan efisiensi, tetapi sekaligus berpotensi menciptakan jarak antara manusia dan proses yang berlangsung di balik layar. Kita mungkin menerima hasil akhir dalam hitungan detik tanpa mengetahui secara terperinci bagaimana setiap tahap dijalankan. Akibatnya, ketika terjadi kesalahan, pengguna dapat mengalami kesulitan mengidentifikasi sumber masalah, memahami asumsi yang digunakan, atau menentukan bagian yang perlu diperbaiki. Dalam pekerjaan yang berkaitan dengan analisis dan pengambilan keputusan, memahami proses sama pentingnya dengan memperoleh hasil akhir.

Salah Satu Risiko AI: Sycophancy

Selain risiko kesalahan, terdapat pula fenomena yang dikenal sebagai sycophancy dalam AI. Istilah ini merujuk pada kecenderungan model untuk menyetujui, memvalidasi, atau mengikuti pandangan pengguna secara berlebihan, alih-alih memberikan tanggapan yang kritis dan berimbang. Dalam situasi tertentu, AI dapat terkesan membenarkan pendapat kita, padahal pendapat tersebut masih memiliki kelemahan atau didasarkan pada asumsi yang belum teruji. Jika pengguna hanya mencari pembenaran, interaksi dengan AI justru dapat memperkuat bias dan membuat sudut pandang alternatif terabaikan.

Karena itu, menggunakan AI secara bijak bukan sekadar mengetahui cara memberikan instruksi atau prompt yang tepat. Pengguna juga harus berani mempertanyakan jawaban yang diberikan, memeriksa sumber informasi, meminta perspektif alternatif, serta membandingkan hasilnya dengan data dan pengetahuan yang relevan. Perusahaan pun perlu memastikan adanya mekanisme validasi, perlindungan data, dan pembagian tanggung jawab yang jelas dalam penggunaan AI.

Jika JARVIS dalam film Iron Man menjadi gambaran asisten AI yang mampu membantu Tony Stark dalam berbagai situasi, dunia nyata tetap menuntut manusia untuk memahami dan menilai setiap hasil yang diberikan teknologi. AI dapat menjadi asisten yang canggih, tetapi manusia tetap harus memegang kendali atas cara teknologi itu digunakan dan keputusan yang diambil.