Martin Nababan 
Ketika Mesin Mampu Menjawab, Universitas Harus Membuktikan Kemampuan Manusia
Executive Summary
Martin Nababan – AI generatif sudah menjadi alat belajar sehari-hari mahasiswa. Di Indonesia, 95% mahasiswa memakainya, tertinggi dari 15 negara dalam survei Chegg 2025. Dukungan institusi belum mengimbangi: di Inggris, hanya 48% mahasiswa merasa dosen membantu mengembangkan keterampilan AI, dan banyak universitas belum memiliki kebijakan AI yang jelas.
Artikel ini berargumen bahwa AI tidak membuat pendidikan formal usang, tetapi membongkar cara lama universitas membuktikan nilainya: S1 harus membuktikan pengetahuan yang bertahan, S2 kualitas keputusan, dan S3 temuan yang orisinal dan dapat diuji.
Pengalaman University of Sydney dan National University of Singapore (NUS) menunjukkan bahwa respons efektif dimulai dari asesmen dan kurikulum, bukan dari pembelian aplikasi. Bagi Indonesia, langkah paling realistis adalah memasukkan agenda AI ke mekanisme mutu yang sudah ada.
Pendahuluan — Ketika Jawaban Tidak Lagi Menjadi Keunggulan
Malam sebelum ujian, seorang mahasiswa S1 meminta AI menjelaskan konsep dan membuat sepuluh contoh soal, lalu merasa siap dalam lima menit. Mahasiswa S2 memakainya untuk membandingkan strategi bisnis, dan kandidat doktor untuk menyisir ratusan jurnal.
Teknologinya sama, tanggung jawabnya berbeda: S1 harus paham, S2 tajam, S3 menemukan hal baru.
Selama ini, kampus membuktikan belajar lewat tugas, makalah, dan skripsi. Ketika mesin bisa menghasilkan semuanya, bukti itu kehilangan daya bedanya. Pertanyaannya kini: bagaimana universitas membuktikan kemampuan manusia yang dibentuknya ketika mesin mampu menjawab hampir semua pertanyaan?
Artikel ini menjawabnya dari makro ke mikro dan dari luar negeri ke Indonesia: gambaran global, akar masalah, dampak per jenjang, tata kelola, dua studi kasus, lalu saran bagi kampus Indonesia.
Chapter 1 — Lanskap Global: Mahasiswa Berlari, Kampus Berjalan
Di luar negeri. Survei Chegg 2025 terhadap 11.706 mahasiswa di 15 negara menemukan 80% memakai AI generatif untuk studi. Inggris memberi gambaran paling rinci karena diukur setiap tahun oleh Higher Education Policy Institute (HEPI): pengguna AI di kalangan mahasiswa S1 naik dari 66% (2024) menjadi 95% (2026). Inggris menjadi sistem peringatan dini.
Bagi Indonesia. Dalam survei Chegg yang sama, 95% mahasiswa Indonesia memakai AI generatif, tertinggi dari 15 negara, disusul Malaysia 90%. Namun, data kesiapan kampus Indonesia belum tersedia. Tabel berikut menyandingkan data global, Inggris, dan Indonesia.
Tabel 1. Adopsi AI dan Kesiapan Kampus: Global, Inggris, dan Indonesia
No. | Indikator | Global (Chegg, 15 negara) | Inggris (HEPI dan Illingworth) | Indonesia |
|---|---|---|---|---|
1 | Mahasiswa yang memakai AI generatif | 80% | 95% mahasiswa S1 | 95%, tertinggi dari 15 negara (Chegg) |
2 | Memakai AI untuk tugas akademik | Tidak dilaporkan | 94% untuk tugas yang dinilai | 86% untuk tugas akademik (Chegg) |
3 | Kampus menyediakan alat AI | Tidak dilaporkan | 38% mahasiswa menyatakan ya | Belum ada data nasional |
4 | Dosen membantu keterampilan AI | Tidak dilaporkan | 48% mahasiswa menyatakan ya | Belum ada data nasional |
5 | Kampus dengan kebijakan AI publik | Tidak dilaporkan | 96 dari 163 kampus (±59%) | Ada panduan nasional sejak Oktober 2024; data per kampus belum ada |
Sumber: Chegg Global Student Survey 2025 (survei Oktober 2024); HEPI Student Generative AI Survey 2026 (1.054 mahasiswa S1, survei Desember 2025); Illingworth, HEPI Policy Note 71, 2026; Kemendikbudristek, 2024.
Tabel ini dibaca per baris. Perlu diingat, angka antarkolom berasal dari survei yang berbeda, sehingga tidak bisa dibandingkan langsung. Perbandingan paling sahih adalah dalam satu survei: Indonesia 95% berbanding global 80% (Chegg).
Dua baris pertama menunjukkan penggunaan AI oleh mahasiswa sudah sangat tinggi. Baris berikutnya menunjukkan sisi kampus di Inggris: 38% mahasiswa mendapat alat AI, 48% merasa dibantu dosen, dan sekitar dua dari lima kampus belum punya kebijakan AI publik. Untuk Indonesia, kolom ini masih kosong, dan itu sendiri adalah temuan.
Tabel 1 memotret satu titik waktu. Grafik berikut menunjukkan arah perubahannya dengan data Inggris tiga tahun berturut-turut, karena hanya Inggris yang mengukur sisi mahasiswa dan kampus secara berkala.
Gambar 1. Penggunaan AI oleh Mahasiswa dan Penyediaan Alat AI oleh Kampus: Inggris 2024–2026
Sumber: Diolah dari HEPI, Student Generative AI Survey 2026 (memuat data 2024–2026), 2026.
Garis oranye menunjukkan persentase mahasiswa yang memakai AI, sedangkan garis biru menunjukkan persentase mahasiswa yang menyatakan kampusnya menyediakan alat AI. Keduanya naik, tetapi tidak sama cepat: penggunaan mahasiswa melonjak dari 66% ke 95%, sedangkan penyediaan alat baru naik dari 9% ke 38%.
Perlu dicatat, kedua garis mengukur hal berbeda, sehingga area di antaranya bukan ukuran tunggal kesiapan kampus, yang juga mencakup bantuan dosen, asesmen, dan kebijakan. Namun polanya cukup menjadi sinyal bahwa dukungan kampus belum mengimbangi mahasiswa, dan Indonesia belum punya data serupa.
Chapter 2 — Akar Masalah: Paket Kuliah yang Dibongkar
Di luar negeri. Mengapa disrupsi ini begitu cepat? Survei Chegg mencatat 29% mahasiswa kini bertanya ke AI lebih dulu saat kesulitan, jauh di atas materi kuliah (14%). Gambar berikut memperlihatkan apa yang sebenarnya terjadi pada “produk” universitas.
Gambar 2. AI Membongkar Paket Kuliah
Sumber: Analisis penulis, 2026.
Kotak kiri adalah paket kuliah lama yang dijual sebagai satu kesatuan. Dalam bahasa strategi, pembongkarannya disebut value-chain unbundling: kotak oranye berisi bagian yang kini mudah diperoleh dari AI, kotak biru berisi bagian yang tetap sulit digantikan.
Pesannya sederhana: kampus tidak bisa lagi bersaing di kotak oranye. Nilai universitas, dan alasan mahasiswa membayar biaya kuliah, kini harus dibuktikan di kotak biru.
Bagi Indonesia. Dengan tingkat adopsi tertinggi, kampus Indonesia paling cepat merasakan pergeseran ini. Isi kotak biru berbeda di setiap jenjang, seperti dipetakan tabel berikut. Tabel ini sekaligus menjadi kerangka analisis Chapter 3 sampai 6.
Tabel 2. Kerangka Analisis: Peran AI, Risiko, dan Sumber Nilai per Jenjang
No. | Dimensi | S1 — Sarjana | S2 — Magister | S3 — Doktor |
|---|---|---|---|---|
1 | Tujuan utama | Fondasi keilmuan | Kedalaman analisis dan penerapan | Pengetahuan baru yang orisinal |
2 | Peran AI | Tutor dan latihan | Eksplorasi pilihan dan analisis | Dukungan riset dan pemodelan |
3 | Risiko utama | Merasa paham padahal belum | Keputusan tanpa penalaran | Temuan tidak valid atau referensi fiktif |
4 | Sumber nilai kampus | Membentuk cara berpikir | Mempertajam pertimbangan profesional | Pembimbingan dan validasi ilmiah |
5 | Bukti keberhasilan | Pengetahuan yang bertahan | Kualitas keputusan | Kebaruan yang dapat diuji |
Sumber: UNESCO, 2023; OECD, 2023; sintesis penulis, 2026.
Tabel ini dibaca per kolom. Pada kolom S1, misalnya, AI berperan sebagai tutor, risikonya rasa paham yang semu, dan buktinya adalah pengetahuan yang tetap ada setelah AI dimatikan.
Logika yang sama berlaku untuk S2 dan S3. Pesan terpentingnya: satu kebijakan AI untuk semua jenjang pasti meleset. Larangan total merugikan S2 yang butuh AI untuk analisis, sedangkan kebebasan total membahayakan S1 yang sedang membangun fondasi.
Chapter 3 — S1: Nilai Bagus Belum Tentu Paham
Di luar negeri. Persoalan di jenjang sarjana bukan seberapa sering mahasiswa memakai AI, melainkan apakah pemakaiannya memperkuat penguasaan dasar keilmuan. AI bisa menjadi tutor yang baik, tetapi juga bisa menciptakan rasa paham yang semu. Uji acak terkontrol André Barcaui (Social Sciences & Humanities Open, 2025) di Brasil memberi gambarannya: 45 hari setelah belajar, 85 mahasiswa bisnis yang mengikuti tes kejutan menunjukkan skor 57,5% bila belajar dengan ChatGPT dan 68,5% bila belajar secara tradisional. Satu eksperimen tidak mewakili semua jenis pemakaian AI, tetapi menjadi peringatan yang patut diperhatikan.
Cepat selesai tidak sama dengan lama diingat.
Mekanismenya disebut cognitive offloading: kerja mental dialihkan ke alat, padahal ingatan tumbuh dari desirable difficulties.
Bagi Indonesia. Regulasi sudah memberi ruang. Pasal 18 Permendiktisaintek Nomor 39 Tahun 2025, pengganti Permendikbudristek Nomor 53 Tahun 2023, membolehkan tugas akhir sarjana berbentuk skripsi, prototipe, atau proyek. Panduan GenAI kementerian bahkan lebih spesifik. Panduan itu memakai Taksonomi Bloom, yang membagi kemampuan berpikir menjadi enam tingkat: mengingat (C1), memahami (C2), menerapkan (C3), menganalisis (C4), mengevaluasi (C5), dan mencipta (C6). Menurut panduan, penilaian pada level C1–C4 paling perlu diperbarui, dan penilaian tatap muka seperti ujian lisan dianjurkan.
Agar hubungan setiap tingkat berpikir dengan AI mudah dibayangkan, gambar berikut memetakan Taksonomi Bloom sesuai penjelasan dalam panduan kementerian.
Gambar 3. Taksonomi Bloom dan Bagian yang Paling Terdampak AI
Sumber: Diolah dari Panduan Penggunaan GenAI pada Pembelajaran di Perguruan Tinggi, Kemendiktisaintek, 2025.
Piramida dibaca dari bawah ke atas. AI dapat membantu di keenam tingkat, sehingga tidak ada garis tegas antara wilayah AI dan wilayah manusia. Yang berubah: makin ke bawah, tugas makin mudah diselesaikan AI tanpa berpikir; makin ke atas, penilaian proses, validasi, dan tanggung jawab manusia makin menentukan.
Karena itu, Taksonomi Bloom lebih tepat dipakai untuk merancang asesmen, bukan memisahkan manusia dan mesin. Bagi S1, dosen perlu menambah pembuktian yang tidak bisa diwakilkan: penjelasan lisan, penerapan pada soal baru, dan tes retensi beberapa minggu kemudian.
Chapter 4 — S2: Dari Banyak Pilihan ke Keputusan yang Tepat
Di luar negeri. Di jenjang magister, AI mempercepat penyusunan skenario dan analisis, tetapi 53% pengguna AI dalam survei Chegg khawatir menerima informasi keliru. Mahasiswa magister karena itu harus mampu menjelaskan asumsi, memilih metode, menilai ketidakpastian, dan mempertanggungjawabkan rekomendasinya. Kemampuan ini, professional judgment, tampil berbeda per bidang: keputusan organisasi dalam manajemen, validasi desain dalam teknik, dan pemilihan metode dalam magister riset.
Bagi Indonesia. Panduan GenAI kementerian menegaskan bahwa AI boleh menawarkan alternatif, tetapi keputusan akhir tetap memerlukan manusia. Contohnya cocok untuk magister: menyusun model bisnis dengan AI, mengevaluasinya, lalu diuji lisan. Pasal 19 Permendiktisaintek 39/2025 juga membuka tugas akhir magister berupa tesis, prototipe, atau proyek, sehingga ruang proyek terapan makin luas.
Chapter 5 — S3: Mesin Bisa Menemukan Pola, Manusia Harus Membuktikan Makna
Di luar negeri. Kobak dan rekan (Science Advances, 2025) memperkirakan sekitar 13,5% abstrak biomedis tahun 2024 ditulis dengan bantuan model bahasa besar. Survei Scottish Graduate School for Social Science (2026) terhadap 308 mahasiswa doktoral menemukan 77% pernah memakai AI generatif, tetapi hanya 20% yang membahasnya dengan pembimbing. Walters dan Wilder (Scientific Reports, 2023) juga menemukan 55% sitasi buatan GPT-3.5 dan 18% buatan GPT-4 ternyata fiktif.
Mahasiswa doktoral sudah memakai AI. Yang tertinggal adalah percakapan dengan pembimbingnya.
Bagi Indonesia. Permendiktisaintek 39/2025 membuka tugas akhir doktor berupa disertasi, prototipe, atau proyek (Pasal 20) dan menyerahkan syarat publikasi kepada perguruan tinggi. Sementara itu, panduan GenAI kementerian belum mengatur AI dalam riset doktoral. Tanggung jawab menjaga mutu riset kini lebih banyak berada di tangan kampus dan pembimbing. AI yang terkontrol bermanfaat untuk eksplorasi literatur dan analisis, tetapi kebaruan, metodologi, dan ketepatan kesimpulan tetap tanggung jawab peneliti.
Pertanyaannya, di titik mana saja pengawasan itu perlu dilakukan? Gambar berikut menawarkan jawabannya dalam bentuk alur disertasi.
Gambar 4. Titik Pengawasan AI Sepanjang Perjalanan Disertasi
Sumber: Rekomendasi penulis, 2026.
Gambar ini membagi perjalanan disertasi menjadi lima tahap, masing-masing dengan satu titik periksa, dari persetujuan pembimbing dan komite etik saat proposal hingga pernyataan atribusi AI di halaman awal disertasi.
Pesan utamanya: pengawasan berjalan di setiap tahap, bukan hanya di ruang sidang. Temuan SGSSS bahwa hanya 20% mahasiswa doktoral membahas AI dengan pembimbing menunjukkan mengapa ini penting. Jika baru dibahas saat sidang, kesalahan seperti referensi fiktif sudah terlambat diperbaiki.
Chapter 6 — Tata Kelola: Dari Panduan ke Praktik
Di luar negeri. Studi Illingworth (2026) menemukan banyak kebijakan AI kampus di Inggris lebih berfungsi sebagai alat pengawasan daripada panduan belajar.
Bagi Indonesia. Indonesia sudah selangkah lebih maju. Panduan GenAI kementerian diluncurkan 11 Oktober 2024 dan dicetak ulang pada 2025. Isinya mencakup literasi, etika, integritas akademik, format atribusi, dan daftar periksa etika mahasiswa, serta peringatan bahwa kebanyakan mahasiswa hanya memakai alat AI gratis.
Namun, panduan nasional belum otomatis menjadi aturan di program studi. Jalan paling realistis adalah tidak membuat sistem baru, tetapi memasukkan agenda AI ke Sistem Penjaminan Mutu Internal (SPMI) dengan siklus PPEPP, Rencana Pembelajaran Semester (RPS), dan akreditasi.
Case Study — Dua Kampus, Dua Titik Masuk
Bagaimana kampus yang sudah bergerak meresponsnya? University of Sydney memulai dari asesmen, menjawab Chapter 3 dan 4. NUS memulai dari kurikulum, menjawab Chapter 2 dan 6.
Case Study 1 — University of Sydney: Asesmen Dua Jalur
Pada November 2024, University of Sydney menyimpulkan bahwa larangan AI tidak realistis karena AI sudah mampu mengerjakan tugas rumah dengan baik. Mulai Semester 2 2025, kampus ini menerapkan pendekatan dua jalur (two-lane approach) yang saling melengkapi. Gambar berikut merangkum cara kerjanya.
Gambar 5. Pendekatan Dua Jalur Asesmen University of Sydney
Sumber: Diolah dari University of Sydney, AI Assessment Policy, 2024.
Kotak biru adalah Lane 1, asesmen terkendali untuk membuktikan kompetensi inti, umumnya tatap muka. Lane 1 tidak selalu tanpa AI: penguji menetapkan aturannya, termasuk AI terbatas bila memakai AI memang bagian dari capaian belajar. Kotak oranye adalah Lane 2, asesmen terbuka yang memakai AI sesuai tujuan tugas, dengan kewajiban berpikir kritis dan mengungkapkan cara memakainya.
Model ini menjawab Chapter 3 dan 4. Sydney juga punya panduan bagi mahasiswa riset: AI dalam desain riset harus disetujui pembimbing dan masuk izin etik, catatan prompt dan keluaran disimpan, dan atribusi AI dicantumkan di halaman awal tesis. Pembaruan asesmen dan pengawasan riset berjalan beriringan. Trade-off-nya adalah beban ujian terkendali yang bertambah dan tuntutan keterampilan baru bagi dosen.
Case Study 2 — NUS: Literasi AI Wajib untuk Semua Jurusan
NUS mewajibkan modul THE1008 Applied Generative AI: From Prompting to Evaluation bagi seluruh mahasiswa S1 tahun pertama mulai tahun akademik 2026/2027. Kompetensi AI juga diintegrasikan ke kurikulum umum dan jurusan. Menurut The Star, seluruh mahasiswa dan staf juga mendapat akses ChatGPT Edu. Provost NUS menegaskan:
Tujuan kampus adalah mengembangkan manusia, bukan AI.
Model ini menjawab Chapter 2: kampus menambah nilai dengan mengajarkan cara menilai dan memakai AI. Trade-off-nya, kewajiban seragam bisa kurang lentur, dan satu penyedia AI berisiko menimbulkan ketergantungan.
Untuk membandingkan keduanya secara adil, tabel berikut memetakan kedua kampus dengan kerangka yang sama seperti Tabel 2, ditambah kolom kekuatan bukti agar pembaca tahu mana yang fakta resmi dan mana yang analisis penulis.
Tabel 3. University of Sydney dan NUS dalam Kerangka S1, S2, S3, dan Tata Kelola
No. | Lensa | University of Sydney | NUS | Kekuatan bukti |
|---|---|---|---|---|
1 | S1 | Lane 1 terkendali; Lane 2 melatih pemakaian AI | Modul THE1008 wajib bagi mahasiswa baru | Terkonfirmasi resmi |
2 | S2 | Pengungkapan AI dan penalaran kritis | Integrasi AI dalam kurikulum jurusan | Sebagian; rincian magister belum dipublikasikan |
3 | S3 | Panduan AI bagi mahasiswa riset: persetujuan pembimbing, atribusi, catatan prompt | Ketentuan doktoral yang seragam belum ditemukan dalam dokumen yang diperiksa | Sydney terkonfirmasi resmi; NUS analisis penulis |
4 | Tata kelola | Bertahap; dosen diberi ruang | Terpusat dan seragam | Terdokumentasi resmi |
5 | Trade-off | Logistik ujian; kesiapan dosen | Kurang lentur; ketergantungan vendor | Analisis penulis |
Sumber: University of Sydney, 2024; The Star, 2026; analisis penulis, 2026.
Kedua kampus kuat di S1 dengan cara berbeda: Sydney mengubah cara menilai, NUS mengubah apa yang diajarkan. Untuk S2, keduanya memberi arah yang benar tetapi rinciannya belum dipublikasikan.
Baris S3 menunjukkan perbedaan terpenting. Sydney sudah menghubungkan pembaruan asesmen dengan panduan riset, sedangkan dokumen NUS yang diperiksa belum cukup untuk menyimpulkan adanya ketentuan doktoral yang seragam. Pelajarannya bagi Indonesia: pengaturan AI perlu menjangkau riset.
Kesimpulan — Apa yang Bisa Ditiru Indonesia
AI tidak menghapus kebutuhan akan pendidikan formal, tetapi memaksa kampus mengganti cara membuktikan nilainya. Ada tiga pelajaran.
Pertama, mulai dari tujuan jenjang, bukan dari teknologi.
Kedua, ubah asesmen dan kurikulum sebelum membeli aplikasi.
Ketiga, perluas pengaturan AI ke riset S2 dan S3, seperti yang dilakukan Sydney, karena panduan nasional Indonesia belum menjangkaunya.
Kampus Indonesia sangat beragam, sehingga pelajaran itu perlu diterjemahkan sesuai kapasitas. Tabel berikut memetakannya untuk tiga tipe kampus.
Tabel 4. Penerapan Pelajaran Sydney dan NUS Menurut Tipe Kampus
No. | Tipe kampus | Adaptasi dari Sydney | Adaptasi dari NUS | Langkah pertama |
|---|---|---|---|---|
1 | PTN dan universitas riset besar | Asesmen dua jalur di semua fakultas | Mata kuliah literasi AI wajib | Standar AI per jenjang dalam SPMI dan pedoman integritas riset S3 |
2 | PTS menengah | Lane 1 untuk mata kuliah inti | Modul AI dalam mata kuliah umum | Revisi RPS mata kuliah inti S1 |
3 | Kampus daerah dan vokasi | Ujian lisan dan praktik sebagai Lane 1 | Pelatihan AI dasar bersama industri lokal | Pelatihan dosen memakai alat AI gratis |
Sumber: analisis penulis, 2026.
Tabel ini dibaca per baris. Kampus besar dapat meniru kedua model sekaligus. PTS menengah sebaiknya fokus pada titik ungkit terbesar dengan biaya terendah, yaitu revisi RPS mata kuliah inti.
Kampus daerah dan vokasi tidak perlu menunggu infrastruktur mahal: ujian lisan dan praktik pada dasarnya sudah asesmen Lane 1.
Penutup — Saran bagi Pemangku Kepentingan
AI bisa menghitung opsi dalam hitungan detik, tetapi tidak bisa menanggung tanggung jawab atas keputusan. Di sinilah universitas menemukan kembali maknanya.
Transformasi tidak harus dimulai dengan rencana besar. Tabel berikut merangkum saran bagi lima pemangku kepentingan, dengan contoh tahapan Tahun I, II, dan III bila kampus ingin menuangkannya ke Rencana Transformasi Digital.
Tabel 5. Saran bagi Pemangku Kepentingan dan Contoh Tahapan
No. | Pemangku kepentingan | Saran utama | Contoh tahapan (ilustrasi) |
|---|---|---|---|
1 | Kemendiktisaintek dan LLDikti | Lengkapi panduan GenAI dengan bagian khusus riset S2 dan S3 serta contoh asesmen per jenjang; adakan survei nasional kesiapan kampus | Tahun I: bank contoh RPS dan asesmen dua jalur. Tahun II: survei nasional. Tahun III: masukkan ke instrumen akreditasi |
2 | Pimpinan perguruan tinggi dan LPM | Tetapkan standar AI per jenjang dalam SPMI; dahulukan pelatihan dosen sebelum belanja aplikasi | Tahun I: gugus tugas dan panduan AI kampus. Tahun II: audit mutu internal pertama. Tahun III: perbaikan dan pelembagaan |
3 | Fakultas, prodi, dan dosen | Cantumkan aturan AI di RPS; tambahkan ujian lisan dan tes retensi; awasi integritas riset S3 | Tahun I: 3–5 mata kuliah percontohan. Tahun II: semua mata kuliah inti S1 dan pengungkapan AI di tesis dan disertasi. Tahun III: seluruh prodi |
4 | Mahasiswa | Jadikan AI pelatih, bukan joki; ungkapkan penggunaannya; verifikasi setiap referensi | Sejak Tahun I: pakai format atribusi dan daftar periksa etika dari panduan kementerian di setiap tugas |
5 | Industri dan asosiasi profesi | Libatkan diri dalam proyek nyata S2 dan riset S3 | Tahun I: satu proyek bersama per semester. Tahun II–III: program atau sertifikasi bersama |
Sumber: rekomendasi penulis, 2026. Tahapan bersifat contoh dan dapat disesuaikan dengan kapasitas kampus.
Tabel ini dibaca per baris: siapa, melakukan apa, dan bagaimana memulainya. Semua saran menempel pada perangkat yang sudah ada, yaitu SPMI, RPS, audit mutu, dan akreditasi. Langkah pertamanya pun kecil dan murah.
Tiga tahun dipilih karena siklus SPMI ditutup audit mutu setiap tahun, sehingga ada tiga kesempatan untuk menguji, memperbaiki, dan melembagakan. Keberhasilannya tidak diukur dari jumlah aplikasi atau dosen terlatih, tetapi dari hasil: lulusan S1 yang mampu menerapkan ilmunya, mutu keputusan lulusan S2, dan validitas riset S3.
Ketika mesin semakin mampu menjawab, pendidikan harus semakin mampu mengajarkan manusia untuk bertanya dengan tepat, berpikir mandiri, dan bertindak bijaksana.
Referensi
- Fabrication and Errors in the Bibliographic Citations Generated by ChatGPT, William H. Walters dan Esther Isabelle Wilder, Scientific Reports (Springer Nature), 2023. https://pmc.ncbi.nlm.nih.gov/articles/PMC10484980/
- Guidance for Generative AI in Education and Research, Fengchun Miao dan Wayne Holmes, UNESCO, 2023. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
- OECD Digital Education Outlook 2023, OECD, OECD Publishing, 2023. https://www.oecd.org/en/publications/oecd-digital-education-outlook-2023_c74f03de-en.html
- University of Sydney AI Assessment Policy (rilis berita, 27 November 2024), University of Sydney, University of Sydney, 2024. https://www.sydney.edu.au/news-opinion/news/2024/11/27/university-of-sydney-ai-assessment-policy.html
- The Future of Jobs Report 2025, World Economic Forum, World Economic Forum, 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/
- Global Student Survey 2025, Chegg dan Yonder Consulting, Chegg, 2025. https://www.chegg.org/global-student-survey-2025
- Delving into LLM-Assisted Writing in Biomedical Publications through Excess Vocabulary, Dmitry Kobak dkk., Science Advances (AAAS), 2025. https://doi.org/10.1126/sciadv.adt3813
- ChatGPT as a Cognitive Crutch: Evidence from a Randomized Controlled Trial on Knowledge Retention, André Barcaui, Social Sciences & Humanities Open (Elsevier), 2025. https://doi.org/10.1016/j.ssaho.2025.102287
- Panduan Penggunaan Generative Artificial Intelligence (GenAI) pada Pembelajaran di Perguruan Tinggi (Edisi Pertama 2024; Cetakan ke-2 2025), Direktorat Pembelajaran dan Kemahasiswaan, Ditjen Pendidikan Tinggi, Kemendikbudristek dan Kemendiktisaintek, 2025 (halaman resmi peluncuran berisi tautan unduh). https://kemdiktisaintek.go.id/news/article/kawal-transformasi-digital-ditjen-diktiristek-luncurkan-buku-panduan-penggunaan-genai-dan-transformasi-pendidikan-mbkm
- Peraturan Menteri Pendidikan Tinggi, Sains, dan Teknologi Nomor 39 Tahun 2025 tentang Penjaminan Mutu Pendidikan Tinggi, Kemendiktisaintek, Kemendiktisaintek, 2025. https://peraturan.go.id/files/permendiktisaintek-no-39-tahun-2025.pdf
- Student Generative Artificial Intelligence Survey 2026, Rose Stephenson dan Charlotte Armstrong, Higher Education Policy Institute, 2026. https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/
- Generative AI and the Social Science PhD, Katherine Keenan, Dean Smith, dan Clara Seyfried, Scottish Graduate School for Social Science, 2026. https://www.sgsss.ac.uk/files/Generative-AI-and-the-Social-Science-PhD-Report-February-2026-for-website.pdf
- What UK University AI Policies Actually Do: A Study of 96 Institutions, Sam Illingworth, Higher Education Policy Institute, 2026. https://www.hepi.ac.uk/2026/05/21/new-hepi-policy-note-what-uk-university-ai-policies-actually-do-a-study-of-96-institutions/
- Fostering an AI-fluent Generation: NUS Equips Students to Use AI Well, National University of Singapore, NUS News, 2026. https://news.nus.edu.sg/fostering-an-ai-fluent-generation-nus-equips-students-to-use-ai-well/
- NUS Makes AI Courses Compulsory, Gives All Students and Staff Free ChatGPT Edu Access, Redaksi The Star, The Star, 2026. https://thestar.com.my/aseanplus/aseanplus-news/2026/08/11/nus-makes-ai-courses-compulsory-gives-all-students-and-staff-free-chatgpt-edu-access
- Frequently Asked Questions about the Two-Lane Approach to Assessment in the Age of AI, Educational Innovation, University of Sydney, diakses 2026. https://educational-innovation.sydney.edu.au/teaching@sydney/frequently-asked-questions-about-the-two-lane-approach-to-assessment-in-the-age-of-ai/
- Getting Started: Higher Degree by Research (panduan mahasiswa riset), University of Sydney, University of Sydney, diakses 2026. https://www.sydney.edu.au/research/graduate-research/current-students/getting-started.html
Lampiran A — Daftar Singkatan
Daftar berikut membantu pembaca memahami singkatan yang muncul di artikel.
No. | Singkatan | Kepanjangan |
|---|---|---|
1 | AI / GenAI | Artificial Intelligence / Generative AI |
2 | HEPI | Higher Education Policy Institute |
3 | Kemendiktisaintek | Kementerian Pendidikan Tinggi, Sains, dan Teknologi |
4 | LLDikti | Lembaga Layanan Pendidikan Tinggi |
5 | LPM | Lembaga Penjaminan Mutu |
6 | NUS | National University of Singapore |
7 | PPEPP | Penetapan, Pelaksanaan, Evaluasi, Pengendalian, Peningkatan |
8 | PTN / PTS | Perguruan Tinggi Negeri / Perguruan Tinggi Swasta |
9 | RPS | Rencana Pembelajaran Semester |
10 | S1, S2, S3 | Strata Satu, Strata Dua, Strata Tiga |
11 | SPMI | Sistem Penjaminan Mutu Internal |
Sumber: Kompilasi penulis, 2026.
Lampiran B — Daftar Istilah Baru dan Asing
Istilah berikut dipakai dalam pembahasan dan dijelaskan sesuai konteks artikel.
No. | Istilah | Penjelasan |
|---|---|---|
1 | Value-chain unbundling | Pemisahan fungsi layanan yang sebelumnya dijual sebagai satu paket |
2 | Cognitive offloading | Pengalihan kerja mental kepada alat eksternal |
3 | Desirable difficulties | Tantangan belajar yang terasa berat tetapi menguatkan ingatan |
4 | Professional judgment | Pertimbangan profesional berdasarkan pengetahuan, bukti, dan konteks |
5 | Hallucination | Keluaran AI yang salah tetapi tampak meyakinkan |
6 | Research integrity | Kejujuran dan tanggung jawab dalam penelitian |
7 | Taksonomi Bloom | Enam tingkat kemampuan berpikir: mengingat (C1), memahami (C2), menerapkan (C3), menganalisis (C4), mengevaluasi (C5), dan mencipta (C6) |
8 | Two-lane approach | Pemisahan asesmen tanpa alat (Lane 1) dan asesmen berbantuan AI (Lane 2) |
9 | Fit for purpose | Solusi yang sesuai dengan kebutuhan dan tujuan penggunaannya |
Sumber: Kompilasi penulis dari referensi artikel, 2026.
