Martin Nababan 
Ringkasan Eksekutif
Martin Nababan – Kecerdasan buatan atau AI (artificial intelligence) kini menjadi rekan kerja sehari-hari. Laporan yang dulu disusun berhari-hari kini bisa selesai dalam hitungan jam. Namun, kecepatan membuat dokumen tidak otomatis diikuti kecepatan memastikan isinya benar. Celah inilah yang melahirkan AI Slop: konten buatan AI yang disebarkan tanpa diperiksa, rapi di luar tetapi dangkal atau keliru di dalam. Di lingkungan kerja, bentuknya disebut Workslop, yaitu pekerjaan yang terlihat selesai, padahal penerimanya masih harus memeriksa dan memperbaikinya.
Survei BetterUp Labs bersama Stanford Social Media Lab terhadap 1.150 pekerja kantoran di Amerika Serikat pada September 2025 menemukan bahwa 40% responden menerima Workslop dalam sebulan terakhir. Setiap kasus rata-rata menyita sekitar dua jam untuk dibereskan, dengan perkiraan kerugian tersembunyi sekitar US$186 (dolar Amerika Serikat) per karyawan per bulan. Survei ini dilakukan oleh perusahaan layanan pengembangan karyawan dan hanya mencakup pekerja di Amerika Serikat, sehingga angkanya lebih tepat dibaca sebagai gambaran besarnya masalah, bukan angka pasti untuk Indonesia.
Artikel ini menyampaikan tiga pesan utama:
- Masalahnya bukan AI, melainkan cara memakainya. AI Slop lahir ketika hasil AI dianggap selesai tanpa diperiksa.
- Risikonya menjalar. Dimulai dari produktivitas semu, lalu merambat ke keputusan investasi, kepemimpinan, kemampuan karyawan, hingga reputasi perusahaan.
- Penangkalnya bisa dimulai dari hal sederhana. Tiga pertanyaan pegangan, lima lapis pemeriksaan, dan tiga tahap pembenahan.
Pendahuluan — Ketika Semua Laporan Terlihat Meyakinkan
Pukul sebelas malam, sehari sebelum rapat direksi sebuah bank. Seorang direktur membuka kajian rencana peluncuran kredit digital setebal 80 halaman. Grafiknya menarik dan proyeksinya optimistis. Namun, semakin jauh dibaca, semakin terasa janggal: sebagian besar data dikutip dari sumber lain, asumsinya belum diuji, dan banyak kalimat terasa umum, seolah bisa dipakai untuk proyek apa saja.
Kajian seperti ini adalah contoh slop. Istilah ini mulai populer pada Mei 2024, salah satunya lewat tulisan pengembang perangkat lunak Simon Willison. Perumpamaannya mudah diingat: jika spam adalah surel sampah, slop adalah konten AI sampah. Namun, tidak semua konten AI termasuk slop, hanya yang dibuat asal jadi lalu diberikan kepada orang lain tanpa diperiksa. Kamus Merriam-Webster kemudian memilih slop sebagai Word of the Year 2025, yaitu kata yang dianggap paling mewakili tahun itu.
Di sinilah letak ilusinya. AI Slop menciptakan kesan bahwa pekerjaan sudah selesai dan keputusan sudah berdasar, padahal belum. Ilusi ini sangat relevan bagi Indonesia. Work Trend Index 2024 yang dirilis Microsoft dan LinkedIn mencatat bahwa 92% pekerja kantoran di Indonesia sudah memakai AI generatif di tempat kerja, lebih tinggi dari rata-rata global sebesar 75%. Sebanyak 76% bahkan membawa alat AI pilihan sendiri, sehingga sebagian besar pemakaian AI berlangsung di luar aturan dan pengawasan perusahaan.
Untuk menghadapinya, artikel ini memakai tiga pertanyaan pegangan: dari mana datanya, apakah asumsinya sudah diuji, dan siapa yang bertanggung jawab atas keputusannya. Pembahasan disusun seperti cara kerja konsultan manajemen: memahami akar masalah (Bab 1), memetakan dampak (Bab 2–6), menawarkan solusi (Bab 7), mengujinya dengan dua kasus nyata, lalu menarik kesimpulan dan rekomendasi.
Bab 1 — Memahami AI Slop: Penyebab dan Ciri-cirinya
Mengapa AI bisa menghasilkan jawaban yang terdengar benar padahal keliru? Jawabannya ada pada cara kerja AI generatif, yaitu jenis AI yang dapat membuat tulisan, gambar, hingga angka. AI semacam ini tidak memeriksa fakta. Ia menyusun jawaban dengan menebak kata berikutnya yang paling mungkin muncul, berdasarkan pola dari data yang dipelajarinya. Lembaga standar teknologi Amerika Serikat, NIST (National Institute of Standards and Technology), menegaskan bahwa kesalahan seperti ini adalah konsekuensi alami dari cara AI generatif dirancang. Hasilnya bisa tepat, tetapi bisa juga keliru dengan bahasa yang sama meyakinkannya.
Namun, mesin hanyalah setengah dari cerita. Jawaban AI yang keliru baru menjadi AI Slop ketika manusia meneruskannya tanpa diperiksa, misalnya karena dikejar tenggat, arahan pemakaian AI yang tidak jelas, atau penilaian kinerja yang lebih menghargai banyaknya dokumen daripada mutunya. Karena itu, langkah pertama pencegahan adalah mengenali ciri-cirinya. Tabel berikut merangkum ciri yang paling sering muncul beserta cara cepat mengeceknya.
Tabel 1. Ciri-ciri AI Slop dan Cara Cepat Mengeceknya
No. | Ciri | Contoh | Cara cepat mengecek |
|---|---|---|---|
1 | Angka atau rujukan tanpa sumber yang bisa ditelusuri | “Menurut riset, pasar tumbuh 30%” tanpa menyebut risetnya | Minta tautan atau dokumen aslinya |
2 | Kalimat umum yang bisa dipakai di mana saja | “Perusahaan perlu beradaptasi dengan perubahan” | Tanyakan apa artinya khusus untuk kasus ini |
3 | Nada sangat yakin tanpa menyebut risiko | Rekomendasi tanpa skenario jika rencana gagal | Minta risiko terbesar dan pilihan lainnya |
4 | Panjang, tetapi tidak menjawab pertanyaan inti | Laporan 20 halaman tanpa kesimpulan yang jelas | Minta ringkasan dalam satu paragraf |
5 | Isi yang tidak konsisten | Angka yang sama berbeda di halaman lain | Cocokkan angka-angka penting antarhalaman |
Sumber: Analisis penulis (2026), diolah dari NIST AI 600-1 serta BetterUp Labs dan Stanford Social Media Lab.
Kelima ciri ini bisa juga muncul di dokumen buatan manusia. Namun, AI membuatnya jauh lebih cepat muncul, karena satu perintah singkat bisa menghasilkan puluhan halaman yang tampak rapi.
Kolom terakhir sengaja dibuat sederhana agar bisa dipakai siapa saja tanpa keahlian teknis. Bila satu dokumen memuat dua ciri atau lebih, itu tanda kuat bahwa dokumen tersebut perlu diperiksa lebih dalam sebelum dipakai untuk mengambil keputusan.
Bab 2 — Ilusi Produktivitas: Cepat Belum Tentu Bermanfaat
Kabar baiknya, manfaat AI itu nyata. Penelitian Erik Brynjolfsson dan rekan, yang diterbitkan lembaga riset ekonomi Amerika Serikat, National Bureau of Economic Research (NBER), mengamati 5.179 petugas layanan pelanggan. Dengan bantuan AI, jumlah keluhan yang diselesaikan per jam naik rata-rata 14%, bahkan 34% pada petugas baru dan yang kurang berpengalaman.
Namun, di layanan pelanggan hasil kerja mudah diukur, sedangkan di banyak pekerjaan kantor tidak. Bayangkan tim pemasaran sebuah perusahaan e-commerce yang kini bisa membuat 20 laporan kampanye per minggu dengan AI. Laporannya banyak dan rapi, tetapi tidak satu pun menjawab pertanyaan terpenting: mengapa penjualan bulan ini turun? Inilah inflasi dokumen: jumlah laporan bertambah, tetapi isinya tidak semakin berguna.
Di sinilah biaya tersembunyi Workslop muncul. Waktu yang dihemat pembuat laporan berubah menjadi waktu pemeriksaan bagi atasan dan rekan kerjanya. Tabel berikut membantu membedakan produktivitas yang sesungguhnya dengan yang hanya terlihat sibuk.
Tabel 2. Ukuran Produktivitas: Yang Terlihat vs yang Sebenarnya
No. | Aspek | Ukuran yang sering dipakai | Ukuran yang lebih tepat |
|---|---|---|---|
1 | Kecepatan | Jumlah laporan yang dibuat | Waktu sampai keputusan diambil |
2 | Kualitas analisis | Tebal dokumen | Ketepatan menemukan akar masalah |
3 | Keandalan data | Kerapian presentasi | Jumlah data yang sudah dicek ke sumbernya |
4 | Biaya | Waktu menulis yang berkurang | Total waktu, termasuk waktu orang lain memperbaiki |
5 | Kinerja karyawan | Jumlah tugas yang selesai | Jumlah masalah bisnis yang benar-benar beres |
Sumber: Analisis penulis (2026), diolah dari National Bureau of Economic Research serta BetterUp Labs dan Stanford Social Media Lab.
Ukuran di kolom tengah mudah dihitung, tetapi bisa menipu. Berkat AI, jumlah laporan dan tugas selesai bisa naik drastis tanpa satu pun masalah terselesaikan. Ukuran di kolom kanan mengajak manajemen melihat hasil akhirnya: apakah keputusan diambil dan apakah masalah benar-benar beres.
Baris keempat paling sering dilupakan. Menghemat dua jam saat menulis tidak ada artinya jika tiga rekan harus lembur memperbaikinya. Karena itu, produktivitas sebaiknya dihitung dari awal sampai akhir proses. Jika di pekerjaan harian kerugiannya berupa waktu, dalam keputusan investasi kerugiannya berupa uang.
Bab 3 — Keputusan Investasi: Data Rapi Belum Tentu Benar
Sebelum menanamkan modal, perusahaan melakukan uji tuntas atau due diligence, yaitu pemeriksaan menyeluruh atas kondisi keuangan, hukum, dan operasional. Masalah muncul ketika pemeriksaan ini terlalu bergantung pada rangkuman AI yang belum dicek.
Kembali ke contoh bank tadi. Misalkan rangkuman AI menyebut pasar kredit digital “tumbuh 30% per tahun”. Angka itu ternyata berasal dari satu artikel daring tanpa sumber jelas, lalu dikutip ulang di lima dokumen internal hingga dianggap fakta. Inilah pencucian informasi. Risikonya makin besar karena AI bisa mengalami halusinasi, yaitu mengarang informasi yang salah lalu menyampaikannya dengan penuh keyakinan, seperti dijelaskan di Bab 1. NIST menyebut gejala ini confabulation.
Pencegahannya kembali ke pertanyaan pertama: dari mana datanya? Pisahkan dengan jelas data asli, kutipan pihak lain, asumsi, dan pendapat. Untuk keputusan besar, telusuri setiap angka penting sampai ke sumber aslinya. Namun, pertanyaan ini hanya berguna jika para pemimpin mau mengajukannya.
Bab 4 — Ketika Pemimpin Berhenti Bertanya
Risiko terbesar di tingkat pimpinan adalah kebiasaan terlalu percaya pada hasil mesin, yang disebut automation bias. Penelitian Harvard Business School bersama Boston Consulting Group terhadap 758 konsultan menunjukkannya. Untuk tugas yang sesuai kemampuan AI, konsultan yang dibantu AI bekerja 25,1% lebih cepat dengan kualitas lebih dari 40% lebih baik. Namun, untuk tugas di luar kemampuan AI, peluang mereka menjawab benar justru turun 19 poin persentase dibanding konsultan yang bekerja tanpa AI.
Artinya, kemampuan AI tidak merata: sangat andal untuk satu tugas, tetapi bisa gagal untuk tugas lain yang tampak mirip. Masalahnya, jawaban yang salah sering tampil sama meyakinkannya dengan jawaban yang benar. Survei Microsoft Research dan Carnegie Mellon University terhadap 319 pekerja menemukan bahwa orang yang lebih percaya pada AI cenderung lebih jarang berpikir kritis.
“Bahaya sebenarnya bukan ketika AI salah, melainkan ketika kita berhenti bertanya apakah AI benar.”
Di sinilah pertanyaan ketiga menjadi penting: siapa yang bertanggung jawab? AI boleh memberi rekomendasi, tetapi tanggung jawab keputusan tetap pada manusia dan perusahaan. Di Indonesia, prinsip ini sejalan dengan Surat Edaran Menteri Komunikasi dan Informatika (SE Menkominfo) Nomor 9 Tahun 2023 tentang Etika Kecerdasan Artifisial yang menekankan akuntabilitas. Kebiasaan bertanya di tingkat pimpinan akan menular ke karyawan.
Bab 5 — Ketika Karyawan Berhenti Belajar
Memakai alat bantu berpikir sebenarnya hal biasa, seperti kalkulator atau Excel. Masalahnya muncul ketika seorang analis kredit muda selalu meminta AI menyimpulkan kelayakan nasabah tanpa pernah mempelajari laporan keuangannya sendiri. Lama-kelamaan kemampuan analisisnya menumpul, seperti otot yang jarang dilatih.
Kabar baiknya, menurut penelitian Microsoft Research dan Carnegie Mellon University tadi, kemampuan berpikir kritis tidak hilang, tetapi bergeser menjadi kemampuan memeriksa dan memperbaiki hasil AI. Penelitian NBER di Bab 2 juga menunjukkan AI bisa mempercepat belajar karyawan baru, asalkan dipakai sebagai pembimbing.
BetterUp Labs dan Stanford juga mencatat bahwa Workslop menyebar ketika AI dipakai tanpa konteks dan tanpa kejelasan tanggung jawab. Sebaliknya, Workslop dapat ditekan bila pimpinan memberi rambu yang jelas dan mencontohkan cara memakai AI dengan benar. Jadi, solusinya dimulai dari cara memimpin, bukan dari menegur karyawan.
Dalam praktik, atasan bisa membiasakan satu permintaan sederhana: setiap kesimpulan berbantuan AI disertai penjelasan singkat tentang logika dan sumbernya. Dengan begitu, AI tetap mempercepat kerja, sementara karyawan tetap terlatih berpikir.
Bab 6 — Efek Domino bagi Perusahaan
Di tingkat perusahaan, satu kesalahan informasi bisa memicu efek domino. Bayangkan sebuah perusahaan ritel daring. Rangkuman AI yang keliru tentang stok gudang membuat tim pemasaran meluncurkan promo besar. Barang ternyata kosong, ribuan pesanan dibatalkan, keluhan membanjiri media sosial, dan biaya memulihkan kepercayaan pelanggan jauh melampaui waktu yang dihemat.
Contoh ini memperlihatkan tiga lapis kerugian: operasional (pesanan batal dan tim sibuk memadamkan masalah), keuangan (penjualan hilang dan biaya kompensasi), serta yang paling mahal, kepercayaan pelanggan yang butuh waktu lama untuk dipulihkan.
Polanya mudah diingat: semakin jauh sebuah kesalahan mengalir dari meja pembuatnya, semakin mahal memperbaikinya. Kesalahan yang ditemukan di meja analis hanya memakan beberapa menit, sedangkan kesalahan yang ditemukan pelanggan, regulator, atau publik bisa berujung pada kerugian reputasi, bahkan jalur hukum. Karena itu, AI Slop perlu dikelola sebagai risiko perusahaan, bukan sekadar urusan kualitas tulisan.
Bab 7 — Kerangka Solusi: Lima Lapis Pemeriksaan
Cara pencegahannya tidak perlu disusun dari nol. NIST telah menerbitkan pedoman pengelolaan risiko AI yang kini banyak dijadikan acuan internasional. Intinya ada empat langkah: menata aturan main, memetakan risiko, mengukur risiko, dan menangani risiko. Tabel berikut menerjemahkan pedoman itu menjadi lima lapis pemeriksaan yang mudah diterapkan, lengkap dengan penanggung jawabnya.
Tabel 3. Lima Lapis Pemeriksaan untuk Mencegah AI Slop
No. | Lapisan | Apa yang diperiksa | Penanggung jawab |
|---|---|---|---|
1 | Data | Apakah data berasal dari sumber yang jelas dan benar | Pemilik data atau proses |
2 | Analisis | Apakah asumsi dan perhitungan sudah diuji | Analis dan tenaga ahli |
3 | Rekomendasi | Apakah risiko dan pilihan lain sudah dipertimbangkan | Kepala divisi |
4 | Keputusan | Siapa yang menyetujui dan apa alasannya tercatat | Direksi |
5 | Pengawasan | Apakah seluruh lapisan benar-benar dijalankan | Audit internal |
Sumber: Analisis penulis (2026), diolah dari pedoman pengelolaan risiko AI dari NIST (AI RMF 1.0 dan NIST AI 600-1).
Bayangkan tabel ini sebagai saringan berlapis. Lapis pertama dan kedua menjawab pertanyaan “dari mana datanya” dan “apakah asumsinya sudah diuji”. Lapis ketiga dan keempat menjawab “siapa yang bertanggung jawab”. Lapis kelima memastikan semua saringan benar-benar berjalan, misalnya dengan memeriksa sejumlah dokumen secara acak.
Ada dua hal penting. Pertama, mengendalikan AI adalah tanggung jawab setiap pemilik proses bisnis, bukan hanya bagian teknologi informasi. Kedua, tingkat pemeriksaan harus sesuai besarnya risiko: memo rutin cukup diperiksa sekali, sedangkan keputusan besar dan dokumen untuk klien atau pelanggan wajib melewati kelima lapis. Dua kasus berikut menunjukkan apa yang terjadi ketika saringan ini tidak bekerja.
Studi Kasus 1 — Deloitte Australia: Ketika Laporan Konsultan Memuat Rujukan Fiktif
Profil singkat
Deloitte adalah salah satu dari empat firma audit dan konsultan terbesar di dunia yang dikenal sebagai Big Four. Firma seperti ini menjual ketelitian dan kredibilitas, sehingga kasusnya menjadi pelajaran penting.
Apa yang terjadi
Pada Desember 2024, Departemen Ketenagakerjaan dan Hubungan Kerja Australia menugaskan Deloitte meninjau sistem pengawasan kepatuhan penerima tunjangan sosial beserta sistem teknologinya. Nilai kontraknya sekitar A$440.000 (dolar Australia). Laporan terbit pada Juli 2025. Setelah itu, Chris Rudge, akademisi University of Sydney, menemukan sejumlah rujukan yang tidak pernah ada, termasuk karya akademis fiktif dan kutipan putusan pengadilan yang dikarang.
Deloitte lalu merevisi laporan dan mengungkapkan bahwa sebagian penyusunannya memakai alat AI generatif berbasis Azure OpenAI GPT-4o. Deloitte juga sepakat mengembalikan sebagian pembayaran kontrak, sambil menyatakan bahwa substansi temuan dan rekomendasinya tidak berubah.
Mengapa bisa terjadi
Deloitte tidak secara tegas menyebut AI sebagai penyebab kesalahan. Namun, pola kesalahannya, yaitu rujukan yang terdengar akademis tetapi tidak pernah ada, sesuai dengan ciri pertama pada Tabel 1 dan merupakan bentuk khas halusinasi AI. Akar masalahnya ada pada proses: hasil AI masuk ke dokumen resmi tanpa setiap rujukannya dicek ke sumber asli.
Kaitannya dengan AI Slop
Ini adalah Workslop dalam skala besar. Laporan tampak selesai, tetapi beban pemeriksaannya justru jatuh ke pihak luar yang kemudian menemukan kesalahannya. Pertanyaan yang terlewat adalah pertanyaan pertama: dari mana datanya?
Cara mencegahnya
- Cek setiap rujukan ke sumber aslinya sebelum dokumen dikirim ke klien.
- Ungkapkan penggunaan AI sejak awal, bukan setelah kesalahan ditemukan.
- Tetapkan penanggung jawab mutu yang menjamin keakuratan isi, bukan hanya kerapian format.
Pelajaran
Reputasi besar tidak kebal terhadap AI Slop. Semakin dipercaya sebuah institusi, semakin mahal harga satu rujukan fiktif. Jika kasus Deloitte terjadi pada dokumen untuk pengambil keputusan, kasus berikutnya terjadi langsung di hadapan pelanggan.
Studi Kasus 2 — Air Canada: Ketika Chatbot Salah dan Perusahaan Harus Membayar
Profil singkat
Air Canada adalah maskapai terbesar di Kanada. Seperti banyak perusahaan penerbangan, perbankan, dan telekomunikasi, Air Canada memakai chatbot, yaitu program percakapan otomatis, untuk melayani pertanyaan pelanggan.
Apa yang terjadi
Setelah neneknya meninggal, Jake Moffatt bertanya kepada chatbot Air Canada tentang tarif duka. Chatbot menjawab bahwa ia bisa membeli tiket dengan harga normal lalu mengajukan potongan tarif duka dalam 90 hari. Padahal, kebijakan resmi Air Canada tidak mengizinkan pengajuan setelah perjalanan. Ketika Moffatt mengajukan klaim, Air Canada menolaknya.
Kasus ini dibawa ke Civil Resolution Tribunal, lembaga penyelesaian sengketa di provinsi British Columbia. Di sana, Air Canada berargumen bahwa chatbot adalah pihak terpisah yang bertanggung jawab atas tindakannya sendiri. Pada Februari 2024, lembaga tersebut menolak argumen itu: tidak ada bedanya apakah informasi berasal dari halaman situs atau dari chatbot. Air Canada diperintahkan membayar CA$812,02 (dolar Kanada), termasuk ganti rugi dan biaya.
Mengapa bisa terjadi
Jawaban chatbot bertentangan dengan kebijakan resmi yang tercantum di situs perusahaan sendiri. Dari kasus ini terlihat bahwa jawaban chatbot belum dipastikan selaras dengan aturan perusahaan sebelum sampai ke pelanggan.
Kaitannya dengan AI Slop
Ini adalah AI Slop yang langsung sampai ke pelanggan, tanpa manusia di tengahnya. Pertanyaan yang terlewat adalah pertanyaan ketiga: siapa yang bertanggung jawab? Putusan ini menjawabnya dengan tegas: perusahaan, bukan mesinnya.
Cara mencegahnya
- Batasi jawaban chatbot hanya pada kebijakan resmi yang sudah diverifikasi.
- Uji chatbot secara berkala dengan pertanyaan sulit dan kasus khusus.
- Sediakan jalur ke petugas manusia untuk pertanyaan yang menyangkut uang atau hak pelanggan.
Pelajaran
Nilai ganti ruginya kecil, tetapi dampaknya besar karena putusan ini menjadi rujukan bagi kasus serupa. Setiap perusahaan yang memasang chatbot kini tidak bisa lagi berlindung di balik alasan “itu jawaban mesin”.
Kesimpulan — Dua Kasus, Dua Titik Kegagalan, Satu Pelajaran
Yang satu berupa laporan profesional untuk pemerintah, yang lain jawaban singkat chatbot kepada seorang pelanggan. Tabel berikut menyandingkan keduanya agar perbedaan dan persamaannya terlihat jelas.
Tabel 4. Perbandingan Kasus Deloitte Australia dan Air Canada
No. | Aspek | Deloitte Australia | Air Canada |
|---|---|---|---|
1 | Jenis AI Slop | Laporan dengan rujukan fiktif | Jawaban chatbot yang salah |
2 | Penerima dampak | Pemerintah dan publik | Pelanggan individu |
3 | Posisi manusia | Ada penyusun, tetapi pemeriksaan lemah | Tidak ada manusia di tengah proses |
4 | Pertanyaan yang terlewat | Dari mana datanya? | Siapa yang bertanggung jawab? |
5 | Siapa yang menemukan | Akademisi dari luar | Pelanggan yang dirugikan |
6 | Akibat | Pengembalian sebagian bayaran dan sorotan publik | Kewajiban membayar ganti rugi dan putusan yang menjadi rujukan |
Sumber: Analisis penulis (2026), diolah dari pemberitaan Cyber Daily, Malay Mail, MobileSyrup, dan American Bar Association.
Perbedaan utamanya terletak pada titik kegagalan. Pada Deloitte, AI Slop lolos di hulu, yaitu saat menyusun dokumen bagi pengambil keputusan; ada manusia dalam proses, tetapi pemeriksaannya lemah. Pada Air Canada, AI Slop lolos di hilir, yaitu saat melayani pelanggan; tidak ada manusia sama sekali di tengah proses.
Persamaannya justru lebih penting. Kedua kesalahan ditemukan oleh pihak luar, bukan oleh sistem internal perusahaan. Keduanya juga berakhir dengan pengembalian uang atau ganti rugi yang ditanggung perusahaan, bukan oleh teknologinya. Ini membuktikan pola yang dijelaskan di Bab 6: semakin jauh kesalahan mengalir, semakin mahal harganya.
Pelajaran yang bisa dipetik
- Tampilan profesional bukan bukti kebenaran. Rujukan yang rapi dan jawaban yang lancar tetap harus dicek.
- Ada atau tidak ada manusia, risikonya tetap ada. Manusia di tengah proses hanya berguna bila benar-benar memeriksa.
- Pemeriksaan internal adalah investasi, bukan biaya. Menemukan kesalahan sendiri jauh lebih murah daripada ditemukan klien, pelanggan, atau publik.
Penutup — Insight dan Rekomendasi ke Depan
Insight terpenting dari seluruh pembahasan ini sederhana: di era AI, yang langka bukan lagi informasi, melainkan kepastian bahwa informasi itu benar. AI membuat biaya menghasilkan dokumen nyaris nol, tetapi biaya memeriksanya tidak ikut turun. Perusahaan yang hanya mengejar kecepatan akan tertimbun AI Slop, sedangkan yang ikut memperkuat kemampuan memeriksa akan memetik manfaat AI tanpa menanggung risikonya.
Karena kondisi setiap organisasi berbeda, pembenahan tidak perlu dipatok dengan jadwal seragam. Tabel berikut menyajikan tiga tahap yang dapat disesuaikan dengan kebutuhan masing-masing.
Tabel 5. Tiga Tahap Mencegah AI Slop
Tahap | Tujuan | Contoh langkah |
|---|---|---|
1. Petakan | Mengetahui di mana AI dipakai dan bagian mana yang paling berisiko | Mendata pemakaian AI di setiap fungsi, termasuk alat AI pribadi karyawan; mengelompokkan dokumen dan layanan menjadi rutin, penting, dan kritis |
2. Perketat | Memasang pemeriksaan sesuai tingkat risiko | Menerapkan lima lapis pemeriksaan untuk hal yang kritis; mewajibkan sumber untuk angka penting; menguji AI yang melayani pelanggan |
3. Biasakan | Menjadikan pemeriksaan sebagai budaya kerja | Pelatihan mengenali ciri-ciri AI Slop, ukuran kinerja berbasis hasil nyata, dan pemeriksaan acak secara berkala |
Sumber: Rekomendasi penulis (2026), diolah dari pedoman NIST, SE Menkominfo 9/2023, Work Trend Index 2024, serta BetterUp Labs dan Stanford.
Urutan ketiga tahap ini penting. Perusahaan tidak bisa memperketat pemeriksaan sebelum tahu di mana risikonya berada, dan aturan yang sudah dibuat akan cepat dilupakan bila tidak dijadikan kebiasaan. Tahap pertama juga perlu mencakup alat AI pribadi yang dibawa karyawan, karena data Work Trend Index menunjukkan pemakaian seperti ini sangat umum di Indonesia.
Ketiga tahap ini sebaiknya dijalankan berulang, seperti siklus PDCA (Plan, Do, Check, Act) yang sudah akrab di banyak perusahaan, karena pemakaian AI terus berkembang. Hampir semua langkahnya berkaitan dengan aturan dan kepemimpinan, bukan pembelian teknologi baru, sehingga bisa dimulai oleh perusahaan apa pun, dari BUMN (badan usaha milik negara) hingga startup.
Setiap pihak juga punya peran yang berbeda:
- Direksi dan komisaris: jadikan tiga pertanyaan pegangan sebagai standar setiap keputusan besar.
- Investor dan pemegang saham: tanyakan apakah perusahaan sudah memiliki aturan dan pengawasan penggunaan AI.
- Bagian SDM (sumber daya manusia) dan para manajer: berikan arahan penggunaan AI yang jelas, beban kerja yang wajar, dan nilai kinerja dari hasil nyata.
- Karyawan: jangan mengirim hasil kerja AI yang belum bisa Anda jelaskan dan buktikan sendiri.
- Bagian teknologi informasi: pastikan setiap alat AI yang berhadapan dengan pelanggan diuji sebelum dan sesudah diluncurkan.
- Audit internal: masukkan penggunaan AI ke dalam rencana audit rutin.
- Regulator: kembangkan SE Menkominfo 9/2023 menjadi panduan praktis untuk setiap sektor.
Mari kembali ke direktur bank di awal tulisan ini. Kajian 80 halaman itu tidak perlu ditolak hanya karena dibantu AI. Ia cukup bertanya: dari mana datanya, apakah asumsinya sudah diuji, dan siapa yang bertanggung jawab? Tiga pertanyaan sederhana itulah yang mengubah ilusi menjadi keputusan yang berdasar, dan membedakan perusahaan yang sekadar cepat dari perusahaan yang cepat sekaligus tepat.
AI dapat mempercepat pekerjaan manusia. Namun, ketelitian berpikir, kejujuran data, dan tanggung jawab pemimpin tetap menjadi fondasi perusahaan, dan fondasi itu tidak bisa diserahkan kepada mesin.
FAQ — Pertanyaan yang Sering Muncul
Apakah semua konten buatan AI termasuk AI Slop?
Tidak. Konten AI yang sudah diperiksa, dipahami, dan dipertanggungjawabkan oleh penggunanya bukan slop. AI Slop adalah konten AI yang langsung diteruskan tanpa diperiksa.
Apa bedanya AI Slop dengan halusinasi AI?
Halusinasi adalah kesalahan yang dibuat mesin. AI Slop adalah kesalahan dalam cara manusia memakai hasil mesin. Halusinasi baru menjadi AI Slop ketika diteruskan tanpa dicek.
Apakah perusahaan sebaiknya melarang penggunaan AI?
Tidak perlu. Larangan justru mendorong karyawan memakai AI diam-diam. Yang dibutuhkan adalah aturan main yang jelas dan pemeriksaan sesuai tingkat risikonya.
Bagaimana cara tercepat mengecek hasil AI?
Ajukan tiga pertanyaan pegangan, lalu cocokkan dokumennya dengan lima ciri pada Tabel 1. Jika ada dua ciri atau lebih, periksa lebih dalam sebelum dipakai.
Referensi
1. Artificial Intelligence Risk Management Framework (AI RMF 1.0), Elham Tabassi, National Institute of Standards and Technology (NIST), 2023. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
2. Generative AI at Work (NBER Working Paper 31161), Erik Brynjolfsson, Danielle Li, dan Lindsey R. Raymond, National Bureau of Economic Research (NBER), 2023. https://www.nber.org/papers/w31161
3. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality, Fabrizio Dell’Acqua, Edward McFowland III, Ethan R. Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon, dan Karim R. Lakhani, Harvard Business School (Working Paper 24-013) melalui SSRN, 2023. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321
4. Surat Edaran Menteri Komunikasi dan Informatika Nomor 9 Tahun 2023 tentang Etika Kecerdasan Artifisial, Menteri Komunikasi dan Informatika Republik Indonesia, Kementerian Komunikasi dan Informatika (kini Kementerian Komunikasi dan Digital), 2023. https://jdih.komdigi.go.id/produk_hukum/view/id/883/t/surat+edaran+menteri+komunikasi+dan+informatika+nomor+9+tahun+2023
5. Air Canada Has to Pay for Mistake Made by Chatbot, B.C. Civil Resolution Tribunal Rules, Nida Zafar, MobileSyrup, 2024. https://mobilesyrup.com/2024/02/16/air-canada-has-to-pay-for-chatbot-mistake/
6. BC Tribunal Confirms Companies Remain Liable for Information Provided by AI Chatbot, Lisa R. Lifshitz dan Roland Hung, American Bar Association (Business Law Today), 2024. https://www.americanbar.org/groups/business_law/resources/business-law-today/2024-february/bc-tribunal-confirms-companies-remain-liable-information-provided-ai-chatbot/
7. Slop Is the New Name for Unwanted AI-Generated Content, Simon Willison, Simon Willison’s Weblog, 2024. https://simonwillison.net/2024/May/8/slop/
8. Microsoft dan LinkedIn Luncurkan Work Trend Index 2024: Menilik Keadaan AI dalam Dunia Kerja di Indonesia, Microsoft Indonesia, Microsoft Corporation, 2024. https://news.microsoft.com/source/asia/2024/06/11/microsoft-dan-linkedin-luncurkan-work-trend-index-2024-menilik-keadaan-ai-dalam-dunia-kerja-di-indonesia/?lang=id
9. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1), Chloe Autio, Reva Schwartz, Jesse Dunietz, Shomik Jain, Martin Stanley, Elham Tabassi, Patrick Hall, dan Kamie Roberts, National Institute of Standards and Technology (NIST), 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
10. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers, Hao-Ping (Hank) Lee, Advait Sarkar, Lev Tankelevitch, Ian Drosos, Sean Rintel, Richard Banks, dan Nicholas Wilson, Microsoft Research, 2025. https://www.microsoft.com/en-us/research/uploads/prod/2025/01/lee_2025_ai_critical_thinking_survey.pdf
11. Workslop: The Hidden Cost of AI-Generated Busywork, BetterUp Labs dan Stanford Social Media Lab, BetterUp, 2025. https://www.betterup.com/workslop
12. Deloitte to Pay Partial Refund to Australian Govt for Report Using AI, Redaksi Malay Mail, Malay Mail, 2025. https://malaymail.com/news/world/2025/10/07/deloitte-to-pay-partial-refund-to-australian-govt-for-report-using-ai/193773
13. Deloitte to Refund Government After Using AI in $440k Report, Daniel Croft, Cyber Daily, 2025. https://www.cyberdaily.au/government/12737-deloitte-to-refund-government-after-using-ai-in-440-000-report
14. Merriam-Webster’s 2025 Word of the Year Is ‘Slop’, The Associated Press, Associated Press melalui ABC7 News, 2025. https://abc7news.com/post/merriam-websters-2025-word-year-is-slop/18288780/
Lampiran A — Daftar Singkatan
Agar pembaca tidak perlu berulang kali mencari arti singkatan, tabel berikut merangkum seluruh singkatan yang muncul dalam artikel ini.
Tabel 6. Daftar Singkatan
No. | Singkatan | Kepanjangan | Keterangan singkat |
|---|---|---|---|
1 | A$ | Australian Dollar | Mata uang dolar Australia |
2 | AI | Artificial Intelligence | Kecerdasan buatan |
3 | AI RMF | Artificial Intelligence Risk Management Framework | Pedoman pengelolaan risiko AI yang diterbitkan NIST |
4 | BUMN | Badan Usaha Milik Negara | Perusahaan yang modalnya dimiliki negara |
5 | CA$ | Canadian Dollar | Mata uang dolar Kanada |
6 | NBER | National Bureau of Economic Research | Lembaga riset ekonomi nirlaba di Amerika Serikat |
7 | NIST | National Institute of Standards and Technology | Lembaga standar teknologi pemerintah Amerika Serikat |
8 | PDCA | Plan, Do, Check, Act | Siklus perbaikan berkelanjutan: rencanakan, kerjakan, periksa, tindak lanjuti |
9 | SDM | Sumber Daya Manusia | Karyawan beserta keahliannya; juga nama bagian yang mengelolanya |
10 | SE Menkominfo | Surat Edaran Menteri Komunikasi dan Informatika | Pedoman resmi kementerian, kini bernama Kementerian Komunikasi dan Digital |
11 | US$ | United States Dollar | Mata uang dolar Amerika Serikat |
Sumber: Disusun penulis (2026) dari seluruh singkatan yang muncul dalam naskah.
Singkatan disusun menurut abjad agar mudah dicari. Kolom kepanjangan memuat bentuk resminya, sedangkan kolom keterangan menjelaskan maknanya dalam bahasa yang lebih sederhana, karena kepanjangan berbahasa Inggris sering belum cukup menjelaskan maksudnya.
Beberapa di antaranya, seperti NIST, AI RMF, dan SE Menkominfo, adalah rujukan yang dapat langsung dipakai saat menyusun aturan penggunaan AI di perusahaan. Sementara itu, PDCA dan BUMN adalah istilah yang sering muncul dalam percakapan bisnis sehari-hari.
Lampiran B — Daftar Istilah Baru dan Asing
Selain singkatan, artikel ini menggunakan sejumlah istilah baru dan istilah asing. Tabel berikut menghimpun semuanya beserta arti singkatnya, agar pembaca dari berbagai latar belakang memiliki pemahaman yang sama.
Tabel 7. Daftar Istilah Baru dan Asing
No. | Istilah | Arti singkat |
|---|---|---|
1 | AI generatif | Jenis AI yang dapat membuat tulisan, gambar, atau angka baru. |
2 | AI Slop | Konten buatan AI yang langsung disebarkan tanpa diperiksa; rapi tetapi dangkal atau keliru. |
3 | Automation bias | Kebiasaan terlalu percaya pada hasil mesin atau sistem otomatis. |
4 | Big Four | Sebutan untuk empat firma audit dan konsultan terbesar di dunia: Deloitte, PwC, EY, dan KPMG. |
5 | Chatbot | Program percakapan otomatis yang menjawab pertanyaan pengguna, misalnya di situs atau aplikasi. |
6 | Confabulation | Istilah NIST untuk halusinasi AI. |
7 | E-commerce | Perdagangan atau toko yang berjualan secara daring. |
8 | Halusinasi AI | Kondisi ketika AI mengarang informasi yang salah, lalu menyampaikannya dengan meyakinkan. |
9 | Ilusi AI Slop | Kesan bahwa pekerjaan sudah selesai dan keputusan sudah berdasar, padahal isinya belum diperiksa. |
10 | Inflasi dokumen | Jumlah laporan bertambah banyak, tetapi isinya tidak semakin berguna. |
11 | Pemeriksaan acak | Pemeriksaan atas sejumlah dokumen yang dipilih secara acak untuk menilai apakah aturan dijalankan. |
12 | Pencucian informasi | Angka atau asumsi lemah yang terus dikutip ulang sampai dianggap sebagai fakta. |
13 | Siklus PDCA | Siklus perbaikan berkelanjutan: rencanakan, kerjakan, periksa, lalu tindak lanjuti. |
14 | Slop | Sebutan untuk konten AI asal jadi, mirip spam untuk surel sampah. |
15 | Startup | Perusahaan rintisan yang mengejar pertumbuhan cepat, umumnya di bidang teknologi. |
16 | Tarif duka | Potongan harga tiket bagi penumpang yang bepergian karena anggota keluarganya meninggal. |
17 | Uji tuntas (due diligence) | Pemeriksaan menyeluruh atas keuangan, hukum, dan operasional sebelum berinvestasi. |
18 | Word of the Year | Kata yang dipilih kamus sebagai kata yang paling mewakili suatu tahun. |
19 | Workslop | Pekerjaan buatan AI yang terlihat selesai, padahal penerimanya masih harus memeriksa dan memperbaikinya. |
Sumber: Disusun penulis (2026) dari istilah yang digunakan dalam naskah dan definisi pada sumber rujukan.
Istilah diurutkan berdasarkan abjad dan dijelaskan dalam satu kalimat sederhana. Beberapa di antaranya, seperti AI Slop dan Workslop, tergolong baru sehingga maknanya masih berkembang. Penjelasan di sini mengikuti cara istilah tersebut dipakai dalam artikel ini.
Jika dicermati, istilah-istilah ini membentuk satu cerita utuh. AI generatif melahirkan slop dan Workslop. Automation bias membuat kita lupa memeriksa. Pencucian informasi dan halusinasi AI membuat informasi yang lemah tampak meyakinkan. Lalu tiga pertanyaan pegangan, lima lapis pemeriksaan, dan siklus PDCA hadir sebagai penangkalnya. Memahami istilah-istilah ini adalah langkah awal untuk membangun perusahaan yang cepat sekaligus teliti.
