Martin Nababan 
AI, Manusia, dan Nalar di Dunia Kerja
Executive Summary
Ada dua kurva yang sedang bergerak dengan kecepatan berbeda. Kurva pertama adalah kemampuan AI. Stanford AI Index 2026 mencatat skor pada SWE-bench Verified, benchmark yang menguji kemampuan AI menyelesaikan persoalan software engineering nyata, melonjak dari sekitar 60% menjadi mendekati 100% hanya dalam satu tahun. Pada periode yang sama, 88% organisasi yang disurvei sudah memakai AI dalam setidaknya satu fungsi bisnis.
Kurva kedua bergerak jauh lebih pelan. OECD menguji sekitar 160.000 orang dewasa berusia 16–65 tahun di 31 negara dan ekonomi, lalu menemukan bahwa kemampuan literacy dan numeracy sebagian besar stagnan atau menurun selama satu dekade terakhir. Sekitar satu dari empat orang dewasa memiliki literacy rendah, dan 18% berada di level paling dasar pada ketiga domain yang diuji sekaligus.
Produktivitas dari AI memang nyata. Eksperimen lapangan Microsoft terhadap 7.137 pekerja di 66 perusahaan menemukan pengguna rutin GenAI menghemat sekitar 3,6 jam waktu email per minggu. Tapi ada sisi lain. Riset Microsoft Research dan Carnegie Mellon University terhadap 319 knowledge workers menemukan bahwa semakin tinggi kepercayaan seseorang kepada GenAI, semakin rendah usaha critical thinking yang ia laporkan.
Bukti paling gamblang datang dari dunia medis. Di empat pusat endoskopi di Polandia, dokter berpengalaman yang terbiasa dibantu AI ternyata lebih jarang menemukan lesi prakanker ketika AI dimatikan. Tingkat deteksinya turun dari 28,4% menjadi 22,4% hanya dalam hitungan bulan.
Artikel ini menyebut jarak antara kemampuan mesin dan kemampuan independen manusia sebagai Cognitive Divergence. Jika jaraknya terus melebar, organisasi bisa tiba di The Cognitive Cliff: titik ketika perusahaan terlihat makin pintar, cepat, dan produktif dari luar, sementara kemampuan manusianya untuk memahami, mempertanyakan, dan memutuskan secara mandiri justru makin rapuh di dalam.
Pendahuluan — Semua Terlihat Pintar
Ada yang berubah di ruang meeting hari ini. Proposal selesai lebih cepat, executive summary muncul dalam hitungan menit, dan seorang junior analyst bisa menghasilkan market analysis yang sepintas terlihat seperti karya profesional senior.
Dalam banyak hal, ini kabar baik. AI membuka akses pengetahuan, memangkas pekerjaan administratif, mempercepat pengolahan data, dan memberi lebih banyak orang kemampuan yang dulu hanya dimiliki mereka yang berpengalaman panjang.
Tapi produktivitas punya jebakan pengukuran. Perusahaan mudah menghitung berapa jam yang dihemat, berapa laporan yang selesai, atau berapa biaya yang turun. Yang jauh lebih sulit dihitung adalah berapa banyak aktivitas berpikir yang diam-diam tidak lagi dilakukan manusia.
Seorang engineer yang dulu membaca data mentah selama dua jam kini mendapat diagnosis awal dalam dua menit. Seorang manager yang dulu membaca tiga puluh halaman laporan sekarang cukup menerima lima poin kesimpulan sebelum meeting dimulai.
Semuanya terlihat lebih produktif.
Sampai AI memberi jawaban yang salah, dan organisasi butuh seseorang yang benar-benar paham persoalannya.
Chapter 1 — Cognitive Divergence
Selama sebagian besar abad ke-20, berbagai penelitian menemukan kenaikan skor IQ dari generasi ke generasi. Fenomena ini dikenal sebagai Flynn Effect, mengikuti karya James R. Flynn tentang perubahan kemampuan kognitif antargenerasi.
Dalam beberapa dekade terakhir, sejumlah negara justru menunjukkan stagnasi atau penurunan, yang kemudian disebut Reverse Flynn Effect. Studi Bratsberg dan Rogeberg terhadap data wajib militer Norwegia menemukan penurunan skor IQ bahkan terjadi di antara saudara kandung dalam satu keluarga, indikasi kuat bahwa penyebabnya lingkungan, bukan genetik. Dworak, Revelle, dan Condon menemukan pola penurunan serupa pada beberapa domain kemampuan dalam sampel daring orang dewasa Amerika Serikat periode 2006–2018, meski kemampuan spatial reasoning justru naik. Penyebab pastinya masih diperdebatkan dan tidak bisa disederhanakan menjadi “gara-gara internet” atau “gara-gara AI”.
Data OECD memberi gambaran yang lebih kekinian. Dari 27 negara yang bisa dibandingkan selama satu dekade, literacy orang dewasa naik signifikan hanya di Finlandia dan Denmark, stabil di 14 negara, dan turun di 11 negara. Untuk numeracy, hanya delapan negara yang membaik. Rata-rata 26% orang dewasa memiliki literacy rendah, dan 18% berada di Level 1 atau di bawahnya pada ketiga domain sekaligus: literacy, numeracy, dan adaptive problem solving.
Ironisnya, akses informasi bergerak ke arah sebaliknya. Persentase orang dewasa yang menggunakan internet naik dari 76% pada 2012 menjadi 93% pada 2023. Akses yang jauh lebih luas ternyata tidak otomatis menghasilkan kemampuan dasar yang lebih baik.
Angka benchmark AI pun perlu dibaca kritis. Pada Februari 2026, OpenAI berhenti memakai SWE-bench Verified setelah auditnya menemukan banyak test case yang cacat. Detail ini tidak melemahkan argumen artikel, justru mengilustrasikannya: angka yang mengesankan tetap butuh manusia yang paham cara membacanya.
Tabel berikut tidak dimaksudkan membuktikan bahwa AI menyebabkan penurunan kemampuan manusia. Tabel ini hanya memperlihatkan bahwa kapabilitas teknologi dan kapabilitas manusia sedang tumbuh dengan kecepatan yang sangat berbeda.
Tabel 1. Cognitive Gap
No. | Indikator | Temuan | Makna |
|---|---|---|---|
1 | Kapabilitas AI | SWE-bench Verified naik dari ±60% ke mendekati 100% dalam satu tahun | Mesin berkembang sangat cepat |
2 | Adopsi AI | 88% organisasi yang disurvei menggunakan AI | Exposure AI makin luas |
3 | Literacy | Naik hanya di 2 dari 27 negara; turun di 11 | Human skill tidak otomatis naik |
4 | Numeracy | Hanya 8 dari 27 negara meningkat | Kemajuan tidak merata |
5 | Basic skills | 18% di level dasar pada ketiga domain sekaligus | Skill gap bersifat struktural |
6 | Internet use | Naik dari 76% (2012) menjadi 93% (2023) | Akses tidak sama dengan kemampuan |
Sumber: Stanford AI Index 2026; OECD, Survey of Adult Skills 2023 (publikasi 2024).
Tabel tersebut memperlihatkan structural mismatch: kita membangun technological intelligence jauh lebih cepat daripada pertumbuhan human capability yang paling fundamental.
Inilah Cognitive Divergence. Semakin lebar jaraknya, semakin besar kemungkinan perusahaan punya sistem yang sangat pintar, tetapi manusia yang makin bergantung pada sistem itu untuk berpikir.
Chapter 2 — Productivity Illusion
AI memang meningkatkan produktivitas, dan buktinya kuat. Dalam eksperimen lapangan Microsoft selama enam bulan terhadap 7.137 pekerja di 66 perusahaan, mereka yang rutin memakai GenAI menghemat sekitar 3,6 jam waktu email per minggu, atau 31% dari waktu email sebelumnya. Menariknya, dampak terbesar muncul pada pekerjaan yang bisa diubah sendiri. Waktu meeting, yang butuh koordinasi dengan orang lain, tidak berubah signifikan.
Eksperimen Harvard Business School bersama Boston Consulting Group (BCG) terhadap 758 konsultan memberi gambaran yang lebih tajam. Untuk tugas yang berada dalam jangkauan kemampuan AI, konsultan pengguna AI menyelesaikan 12,2% lebih banyak tugas, 25,1% lebih cepat, dengan kualitas lebih dari 40% lebih tinggi.
Plot twist-nya muncul pada tugas yang berada di luar kemampuan model. Di sini konsultan pengguna AI justru sekitar 19 poin persentase lebih kecil kemungkinannya menghasilkan solusi yang benar dibanding mereka yang bekerja tanpa AI.
Fenomena ini disebut Jagged Technological Frontier, yaitu batas kemampuan AI yang tidak rata antarjenis pekerjaan. Stanford AI Index 2026 memberi contoh yang nyaris lucu: AI sudah bisa meraih medali emas Olimpiade Matematika Internasional, tetapi model terbaik hanya membaca jam analog dengan benar 50,1% dari waktu, jauh di bawah manusia yang mencapai 90,1%.
Di sinilah muncul productivity illusion, kondisi ketika peningkatan output terlihat seperti peningkatan kompetensi. Padahal organisasi mungkin hanya bekerja lebih cepat, tanpa meningkatkan kemampuan manusianya untuk tahu apakah hasil itu benar.
Speed of output tidak sama dengan quality of thinking. AI bisa menyampaikan jawaban yang salah dengan struktur dan bahasa yang sangat meyakinkan.
Chapter 3 — Ide yang Makin Seragam
Risiko berikutnya lebih senyap: cognitive homogenization, yaitu pola berpikir yang makin seragam karena banyak orang dibantu model generatif yang serupa.
Dalam eksperimen penulisan cerita pendek, Anil Doshi dan Oliver Hauser menemukan bahwa GenAI meningkatkan kreativitas dan kualitas karya individu, terutama bagi penulis yang kemampuan kreatif awalnya lebih rendah. Tetapi di saat yang sama, karya-karya yang dibantu GenAI menjadi lebih mirip satu sama lain.
Implikasinya bagi perusahaan cukup besar. Kalau ratusan analyst, marketer, engineer, dan strategist meminta model serupa menyusun competitor analysis, risk assessment, atau strategic recommendation, kualitas rata-rata bisa naik, sementara diversity of thinking justru menyempit.
Padahal breakthrough jarang lahir dari jawaban rata-rata.
Chapter 4 — Risiko Antargenerasi
Diskusi ini gampang tergelincir jadi kritik terhadap Gen Z. Padahal tidak ada bukti bahwa satu generasi secara bawaan kurang cerdas dibanding generasi lain.
Masalahnya lebih tepat disebut sequence of learning, yaitu urutan ketika seseorang membangun kemampuan fundamental sebelum memakai teknologi untuk memperbesarnya. Banyak Millennial masih mengalami fase awal karier ketika first draft, analisis, dan argumentasi harus dibangun sendiri, sebelum GenAI hadir.
Sebagian Gen Z masuk dunia kerja dalam kondisi berbeda. Mereka bisa memperoleh sophisticated output bahkan sebelum sophisticated thinking benar-benar terbentuk.
Data awal mendukung kekhawatiran ini, meski harus dibaca hati-hati. Survei Michael Gerlich (2025) terhadap 666 responden menemukan bahwa kelompok usia 17–25 tahun menunjukkan ketergantungan pada AI paling tinggi dan skor critical thinking paling rendah, dengan cognitive offloading sebagai faktor perantara. Studi ini korelasional dan berbasis self-report, jadi tidak membuktikan sebab-akibat. Tapi polanya konsisten dengan argumen sequence of learning.
Karena itu, risikonya berbeda untuk tiap generasi. Risiko Gen Z terutama ada pada foundation, yaitu pembangunan fondasi kemampuan. Millennial menghadapi risiko cognitive atrophy, yaitu melemahnya kemampuan yang sudah dimiliki karena makin jarang dipakai. Seperti yang akan terlihat di bagian case study, risiko kedua ini bahkan bisa menimpa profesional paling berpengalaman.
Chapter 5 — Cognitive Debt
Manusia sudah lama melakukan cognitive offloading, yaitu memindahkan sebagian kerja mental ke alat eksternal. Kalkulator membantu berhitung, GPS membantu navigasi, dan search engine membantu mencari informasi.
GenAI membawa offloading jauh lebih dalam. Yang kini bisa dipindahkan bukan cuma memori dan pencarian, tetapi juga sintesis, interpretasi, argumentasi, penulisan, bahkan pembentukan hipotesis.
MIT Media Lab mencoba memahami konsekuensinya lewat eksperimen penulisan esai yang dirilis sebagai preprint pada 2025. Selama tiga sesi, 54 peserta dibagi menjadi tiga kelompok: pengguna LLM, pengguna search engine, dan Brain-only. Pengukuran EEG menunjukkan kelompok Brain-only memiliki konektivitas neural paling luas, sedangkan kelompok LLM paling lemah. Sebagian besar peserta kelompok LLM juga kesulitan mengutip kembali esai yang baru saja mereka tulis sendiri. Pada sesi keempat yang diikuti 18 peserta, kelompoknya ditukar untuk melihat apa yang terjadi ketika kebiasaan berubah.
Temuan ini harus dibaca proporsional. Sampelnya kecil, belum melalui peer review penuh, dan tidak membuktikan bahwa AI menurunkan IQ atau merusak otak. Yang ditunjukkannya lebih sederhana tapi penting: mendapatkan sebuah output dan membangun pemahaman tentang output itu bukan proses kognitif yang sama.
Perusahaan bisa memiliki knowledge artifact, yaitu laporan, presentasi, model, dan rekomendasi, tanpa benar-benar memiliki knowledge yang mendalam di dalam orang-orang yang menghasilkannya. Inilah cognitive debt: biaya kognitif yang menumpuk diam-diam ketika terlalu banyak proses berpikir dialihkan ke mesin.
Cognitive debt tidak terasa ketika situasi normal.
Tagihannya datang ketika keadaan tidak normal.
Chapter 6 — Critical Thinking Bergeser
Penelitian Microsoft Research dan Carnegie Mellon University terhadap 319 knowledge workers dengan 936 contoh penggunaan GenAI memberi perspektif yang lebih seimbang. GenAI tidak selalu menghilangkan critical thinking. Ia menggesernya dari aktivitas mencari dan menghasilkan informasi menuju verification, integration, dan task stewardship, yaitu pengawasan atas proses dan hasil kerja.
Penelitian yang sama menemukan bahwa kepercayaan yang lebih tinggi kepada GenAI berkaitan dengan usaha critical thinking yang lebih rendah. Sebaliknya, kepercayaan diri yang lebih tinggi terhadap kemampuan sendiri berkaitan dengan critical thinking yang lebih aktif.
Temuan ini mengisyaratkan satu hal penting: verifikasi hanya bisa dilakukan oleh orang yang paham bidangnya. Tanpa domain mastery, yaitu penguasaan mendalam atas bidang pekerjaan, peran sebagai “pemeriksa AI” berisiko berubah menjadi sekadar “penyetuju AI”.
Contoh harganya terlihat di Australia pada 2025. Laporan senilai sekitar A$440.000 yang disusun Deloitte untuk kementerian ketenagakerjaan Australia ternyata memuat referensi akademik yang tidak pernah ada dan kutipan hakim yang dikarang. Dalam versi revisinya, Deloitte mengungkapkan bahwa sebagian penyusunan memakai tool chain berbasis GPT-4o, meski tidak secara eksplisit menyebut AI sebagai penyebab kesalahan, lalu setuju mengembalikan pembayaran termin terakhir. Firma kelas dunia sekalipun tidak kebal ketika lapisan verifikasi manusianya bolong.
AI literacy tanpa domain mastery bisa menghasilkan profesional yang sangat jago mendapatkan jawaban, tetapi tidak cukup jago menilai jawabannya.
Chapter 7 — Dari Otomasi ke Augmentasi
Solusinya bukan mengurangi AI. Menghambat teknologi demi mempertahankan cara kerja lama sama kelirunya dengan menyerahkan seluruh penalaran kepada mesin.
Perusahaan perlu bergerak dari automation, ketika teknologi menggantikan aktivitas manusia, menuju augmentation, ketika teknologi memperbesar kemampuan manusia tanpa mengambil alih penalaran dan akuntabilitasnya. Dalam augmentation, manusia tetap memegang definisi masalah, hipotesis, judgment, dan keputusan. AI berperan sebagai intellectual sparring partner yang membantu mencari alternatif, menguji asumsi, dan memperluas analisis.
Supaya konsep ini tidak berhenti sebagai teori, tabel berikut menerjemahkannya menjadi pembagian peran di sepanjang proses pengambilan keputusan.
Tabel 2. Human–AI Contract
No. | Tahap | Peran Manusia | Peran AI | Akuntabilitas |
|---|---|---|---|---|
1 | Problem | Mendefinisikan persoalan | Menguji kelengkapan | Manusia |
2 | Hypothesis | Membentuk hipotesis | Memberi alternatif | Manusia |
3 | Analysis | Menentukan variabel | Mengolah dan mensimulasikan | Bersama |
4 | Challenge | Menguji asumsi | Memberi counterargument | Manusia |
5 | Decision | Menentukan keputusan | Menyajikan skenario | Manusia |
6 | Learning | Merefleksikan hasil | Membandingkan pola | Manusia |
Sumber: Sintesis penulis berdasarkan Dell’Acqua dkk. (2023), Lee dkk. (2025), dan Dillon dkk. (2025).
Tabel ini sengaja menempatkan manusia di awal dan di akhir proses. AI paling bernilai di bagian tengah, ketika komputasi, simulasi, pattern recognition, dan eksplorasi alternatif bisa memperbesar kemampuan manusia.
Model ini tidak anti-otomasi. Prinsipnya cuma satu: jangan mengotomasi bagian pekerjaan yang justru dibutuhkan manusia untuk membangun judgment, intuisi, dan pembelajaran.
Case Study — Bukti, Desain, Pelembagaan
Tiga kasus berikut dipilih karena masing-masing menjawab pertanyaan di judul artikel dari sudut yang berbeda. Kasus pertama membuktikan bahwa jurangnya nyata. Kasus kedua memperlihatkan upaya mendesain AI agar manusia tetap berpikir, lengkap dengan batasnya. Kasus ketiga menunjukkan bagaimana sebuah organisasi di Indonesia melembagakan prinsip tersebut.
Case 1 — Pusat Endoskopi di Polandia: Ketika Keterampilan Melemah
Kolonoskopi adalah pemeriksaan usus besar untuk mendeteksi adenoma, yaitu lesi prakanker. Ukuran kualitasnya adalah adenoma detection rate (ADR): seberapa sering dokter berhasil menemukan adenoma. AI pendeteksi polip dirancang untuk membantu dokter melihat lesi yang mungkin terlewat.
Empat pusat endoskopi di Polandia yang ikut uji klinis ACCEPT mulai memakai AI secara rutin pada akhir 2021. Setelah itu, sebagian pemeriksaan dilakukan dengan AI dan sebagian tanpa AI. Para peneliti lalu membandingkan kinerja dokter saat bekerja tanpa AI, tiga bulan sebelum dan tiga bulan sesudah AI diperkenalkan.
Hasilnya, dipublikasikan di The Lancet Gastroenterology & Hepatology pada Agustus 2025, cukup bikin kaget. Dari 1.443 pemeriksaan tanpa AI, ADR turun signifikan dari 28,4% menjadi 22,4%. Itu penurunan absolut 6 poin persentase, atau sekitar 20% secara relatif. Lebih ironis lagi, saat memakai AI pun ADR mereka 25,3%, masih di bawah kemampuan mereka sebelum mengenal AI.
Yang membuat kasus ini penting: subjeknya bukan pemula, melainkan dokter berpengalaman, dan penurunannya terjadi hanya dalam hitungan bulan. Ini wujud nyata cognitive atrophy yang dibahas di Chapter 4 dan cognitive debt di Chapter 5. Studi ini observasional sehingga belum membuktikan sebab-akibat secara final, tetapi para penelitinya sendiri menyebutnya sinyal risiko deskilling yang serius.
Bagi korporasi, pertanyaannya langsung: apa yang terjadi pada engineer, auditor, analis kredit, atau supervisor operasi Anda ketika dashboard AI suatu hari tidak tersedia, atau ketika kondisi bergerak di luar pola yang dikenal mesin?
Case 2 — Khan Academy: AI yang Sengaja Tidak Memberi Jawaban
Khan Academy, organisasi pendidikan nirlaba asal Amerika Serikat, meluncurkan Khanmigo pada Maret 2023. Berbeda dari chatbot biasa, tutor berbasis GPT-4 ini dirancang dengan metode Sokratik: ia membimbing siswa lewat pertanyaan dan dibatasi agar tidak sekadar memberikan jawaban. Ini adalah upaya paling terkenal untuk mendesain AI yang memaksa manusia tetap berpikir.
Tiga tahun kemudian, sang pendiri, Sal Khan, mengakui hasilnya jauh dari revolusi. Dalam wawancara dengan Chalkbeat pada April 2026, ia menyebut bagi banyak siswa Khanmigo adalah “a non-event”, karena mereka jarang memakainya. Sebuah studi di 18 sekolah menengah di Tennessee menemukan siswa hanya berinteraksi dengan Khanmigo sekitar sepertiga dari hari belajar mereka. Saat berinteraksi pun, banyak yang mengirim pesan di luar topik atau mencoba membujuk Khanmigo memberikan jawaban.
Justru di sinilah nilai kasusnya. Ketika AI menolak menjadi jalan pintas, sebagian pengguna tetap berusaha mencari jalan pintas itu. Itu gambaran paling jujur tentang dorongan cognitive offloading. Pelajaran kedua: desain teknologi saja tidak cukup. Sal Khan sendiri menyimpulkan bahwa motivasi sangat menentukan, dan keterlibatan siswa naik ketika guru menjadikan Khanmigo bagian dari tugas. Pada 2026, Khan Academy mengintegrasikan Khanmigo langsung ke latihan soal karena siswa tidak mencari bantuannya sesering yang diharapkan.
Bagi korporasi, pesannya jelas: menjaga nalar karyawan tidak bisa diserahkan pada fitur AI. Dibutuhkan manager, desain tugas, dan insentif yang membuat proses berpikir tetap dihargai, bukan hanya hasil akhirnya.
Case 3 — Telkom University: Menjaga Nalar Lewat Kebijakan
Perguruan tinggi adalah pintu masuk Gen Z ke dunia kerja, sehingga cara kampus mengatur AI akan ikut membentuk kualitas talenta yang diterima perusahaan beberapa tahun lagi.
Telkom University, perguruan tinggi swasta di Bandung, menerbitkan Pedoman Penggunaan Artificial Intelligence untuk Pembelajaran dan Pengajaran pada 2025. Pedoman ini tidak melarang AI, tetapi secara eksplisit mewajibkan setiap penggunaan AI menghindari ketergantungan berlebihan, agar kemampuan berpikir kritis dan pembelajaran jangka panjang mahasiswa tetap berkembang. Pedoman tersebut juga memuat klasifikasi tingkat risiko penggunaan AI dan kewajiban deklarasi transparansi penggunaan AI oleh mahasiswa.
Kasus ini menarik karena menerjemahkan kekhawatiran abstrak tentang sequence of learning menjadi aturan yang bisa dijalankan: kapan AI boleh dipakai, seberapa jauh, dan bagaimana penggunaannya harus diungkapkan. Langkah serupa juga diambil sejumlah kampus swasta lain, menandakan bahwa dunia pendidikan Indonesia mulai memperlakukan ketergantungan pada AI sebagai risiko pembelajaran, bukan sekadar isu plagiarisme.
Sebagai catatan jujur, pedoman adalah desain kebijakan, belum bukti hasil. Dampaknya pada kemampuan lulusan baru bisa diukur beberapa tahun ke depan. Tetapi bagi HR dan L&D perusahaan, ini sinyal penting: kalau kampus sudah mulai menjaga nalar mahasiswanya, perusahaan perlu melanjutkannya, bukan malah memutus kebiasaan itu di hari pertama kerja.
Kesimpulan — See, Design, Institutionalize
Ketiga kasus membentuk satu cerita utuh. Pusat endoskopi di Polandia memperlihatkan jurangnya: keterampilan profesional bisa melemah dalam hitungan bulan. Khan Academy memperlihatkan bahwa mendesain AI agar manusia tetap berpikir itu mungkin, tetapi tidak cukup tanpa peran manusia lain. Telkom University memperlihatkan bahwa prinsip menjaga nalar bisa dilembagakan menjadi kebijakan.
Tabel berikut menarik pelajaran manajemen dari masing-masing kasus.
Tabel 3. Case Lessons
No. | Case | Fokus | Temuan Kunci | Pelajaran |
|---|---|---|---|---|
1 | Pusat endoskopi Polandia | Deskilling | ADR tanpa AI turun dari 28,4% ke 22,4% | Keterampilan yang jarang dipakai bisa melemah, bahkan pada ahli |
2 | Khan Academy | Desain AI | AI Sokratik, tapi banyak siswa jarang memakai atau mencari jalan pintas | Desain perlu didukung motivasi dan peran manusia |
3 | Telkom University | Kebijakan | Pedoman anti-ketergantungan, klasifikasi risiko, deklarasi AI | Nalar manusia perlu dilembagakan |
Sumber: Budzyń dkk. (2025); Chalkbeat (2026); Telkom University (2025).
Urutannya jelas: see the cliff, design for thinking, institutionalize the habit.
Artinya, kematangan AI sebuah organisasi tidak diukur dari seberapa banyak proses yang berhasil diotomasi. Organisasi yang matang justru tahu bagian mana yang layak diserahkan kepada teknologi, dan bagian mana yang harus tetap menjadi latihan intelektual manusia.
Penutup — Jaga Nalar Manusia
Seluruh pembahasan membawa kita kembali ke dua kurva di awal. Kapabilitas mesin naik sangat cepat, sementara kemampuan fundamental manusia tidak otomatis mengikuti.
Bagi Board of Directors, AI governance tidak cukup membahas cybersecurity, privasi, akurasi, efisiensi biaya, dan ROI. Perusahaan perlu mulai memikirkan cognitive governance: tata kelola yang memastikan teknologi meningkatkan produktivitas tanpa mengikis domain mastery, critical thinking, judgment, dan akuntabilitas manusia. Korporasi Indonesia sudah mulai bergerak ke arah ini. BCA, misalnya, dalam kebijakan AI-nya mewajibkan sistem AI berada dalam kendali dan pengawasan manusia sepanjang siklus hidupnya, dengan penanggung jawab jabatan yang jelas dan persetujuan Direksi.
Bagi Human Capital dan L&D, prompt engineering memang penting. Tapi kemampuan membaca data mentah, membangun hipotesis, melakukan field observation, berdebat, dan menyelesaikan masalah tanpa bantuan AI tetap harus sengaja dilatih. Kasus endoskopi memberi ide sederhana: jadwalkan “sesi tanpa AI” secara berkala untuk pekerjaan kritis, agar keterampilan inti tidak berkarat.
Bagi para manager, pertanyaan review tidak boleh berhenti pada “apakah pekerjaannya sudah selesai?”. Pertanyaan yang lebih penting adalah: “Apakah kamu paham alasan di balik rekomendasi ini, dan bisa mempertahankannya tanpa AI?”
Bagi Gen Z dan Millennial, AI bukan ancaman yang perlu dijauhi. Ia mungkin intellectual leverage terbesar dalam sejarah knowledge work, selama dipakai untuk memperbesar kemampuan, bukan menggantikan proses membangunnya. Tiga pertanyaan sederhana berikut bisa jadi kebiasaan sebelum kamu mengirim pekerjaan apa pun yang dibantu AI.
Tabel 4. Cek Nalar Sebelum Kirim
No. | Pertanyaan | Yang Diuji |
|---|---|---|
1 | Bisakah saya menjelaskan logika hasil ini tanpa membuka AI? | Pemahaman, bukan sekadar output |
2 | Fakta dan sumber mana yang sudah saya cek sendiri? | Verifikasi |
3 | Di bagian mana jawaban ini paling mungkin salah? | Frontier awareness |
Sumber: Rumusan penulis.
Pada akhirnya, keunggulan kompetitif tidak hanya datang dari siapa yang punya AI paling canggih. Teknologi akan makin kuat, murah, dan tersedia bagi semakin banyak perusahaan.
Keunggulan yang paling sulit ditiru adalah organisasi yang mampu menjadi AI-enabled tanpa menjadi cognitively dependent.
Karena Cognitive Cliff tidak terjadi ketika mesin menjadi terlalu pintar.
Ia terjadi ketika manusia berhenti merasa perlu untuk tetap berpikir.
FAQ — Pertanyaan yang Sering Muncul
Apakah AI membuat manusia kurang cerdas?
Belum ada bukti bahwa AI menurunkan kecerdasan manusia secara umum. Yang ditunjukkan riset adalah cara penggunaan AI dapat mengurangi usaha berpikir yang dilakukan sendiri, dan dalam beberapa kasus keterampilan yang jarang dipakai terbukti melemah.
Apakah ada bukti nyata AI melemahkan keterampilan profesional?
Ada. Studi di empat pusat endoskopi di Polandia yang terbit di The Lancet Gastroenterology & Hepatology (2025) menemukan tingkat deteksi lesi prakanker oleh dokter saat bekerja tanpa AI turun dari 28,4% menjadi 22,4% setelah beberapa bulan terbiasa memakai AI.
Apa itu cognitive debt?
Cognitive debt adalah biaya kognitif yang menumpuk ketika terlalu banyak proses berpikir dialihkan ke AI. Hasil kerja tetap ada, tetapi pemahaman di baliknya tidak terbangun, dan kekurangannya baru terasa ketika situasi tidak normal.
Apa itu Jagged Technological Frontier?
Istilah dari riset Harvard Business School dan BCG untuk menggambarkan batas kemampuan AI yang tidak rata. AI bisa sangat unggul pada tugas yang rumit, lalu gagal pada tugas lain yang terlihat jauh lebih sederhana.
Bagaimana perusahaan memakai AI tanpa kehilangan critical thinking?
Terapkan augmentasi, bukan sekadar otomasi: manusia memegang definisi masalah, hipotesis, keputusan, dan akuntabilitas, sementara AI membantu analisis dan eksplorasi alternatif. Dukung dengan verifikasi oleh ahli domain, sesi kerja tanpa AI secara berkala, dan budaya review yang menguji pemahaman, bukan hanya output.
Referensi
1. Bratsberg, B., & Rogeberg, O. (2018). Flynn effect and its reversal are both environmentally caused. Proceedings of the National Academy of Sciences, 115(26), 6674–6678.
2. Budzyń, K., dkk. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. The Lancet Gastroenterology & Hepatology, 10(10), 896–903. https://doi.org/10.1016/S2468-1253(25)00133-5
3. Chalkbeat. (2026, 9 April). Why Sal Khan is rethinking how AI will change schools. Chalkbeat.
4. Chalkbeat. (2026, 25 Agustus). Students rarely engaged with Khan Academy’s AI-powered tutor Khanmigo, study finds. Chalkbeat.
5. Dell’Acqua, F., dkk. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013.
6. Dillon, E. W., Jaffe, S., Immorlica, N., & Stanton, C. T. (2025). Shifting Work Patterns with Generative AI. NBER Working Paper 33795; akan terbit di American Economic Review: Insights.
7. Doshi, A. R., & Hauser, O. P. (2024). Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content. Science Advances, 10(28).
8. Dworak, E. M., Revelle, W., & Condon, D. M. (2023). Looking for Flynn Effects in a Recent Online U.S. Adult Sample: Examining Shifts within the SAPA Project. Intelligence, 98.
9. Flynn, J. R. (2012). Are We Getting Smarter? Rising IQ in the Twenty-First Century. Cambridge University Press.
10. Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies, 15(1), 6.
11. Kosmyna, N., dkk. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab, arXiv preprint 2506.08872.
12. Lee, H.-P., dkk. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of CHI 2025, ACM.
13. OECD. (2024). Do Adults Have the Skills They Need to Thrive in a Changing World? Survey of Adult Skills 2023. OECD Publishing. https://doi.org/10.1787/b263dc5d-en
14. OpenAI. (2026, 23 Februari). Why SWE-bench Verified No Longer Measures Frontier Coding Capabilities.
15. PT Bank Central Asia Tbk. (2026). Kebijakan Penggunaan Artificial Intelligence yang Bertanggung Jawab.
16. Stanford Institute for Human-Centered Artificial Intelligence. (2026). AI Index Report 2026. Stanford University.
17. Telkom University. (2025). Pedoman Penggunaan Artificial Intelligence (AI) untuk Pembelajaran dan Pengajaran.
18. Liputan kasus Deloitte Australia: Australian Financial Review dan media lain (Agustus–Oktober 2025).
Lampiran
Daftar berikut membantu pembaca kembali ke definisi tanpa mengganggu alur utama artikel.
Tabel Lampiran 1. Daftar Singkatan
No. | Singkatan | Kepanjangan | Arti |
|---|---|---|---|
1 | AI | Artificial Intelligence | Kecerdasan buatan |
2 | GenAI | Generative Artificial Intelligence | AI penghasil konten |
3 | LLM | Large Language Model | Model AI berbasis bahasa |
4 | IQ | Intelligence Quotient | Ukuran kemampuan kognitif tertentu |
5 | EEG | Electroencephalography | Perekaman aktivitas listrik otak |
6 | ADR | Adenoma Detection Rate | Tingkat deteksi lesi prakanker usus besar |
7 | OECD | Organisation for Economic Co-operation and Development | Organisasi kerja sama ekonomi |
8 | BCG | Boston Consulting Group | Perusahaan konsultasi global |
9 | GPS | Global Positioning System | Sistem navigasi satelit |
10 | BOD | Board of Directors | Jajaran direksi |
11 | L&D | Learning and Development | Pengembangan kompetensi |
12 | ROI | Return on Investment | Tingkat hasil investasi |
Tabel Lampiran 2. Istilah Kunci
No. | Istilah | Penjelasan |
|---|---|---|
1 | Cognitive Divergence | Jarak antara perkembangan kemampuan teknologi dan kemampuan independen manusia |
2 | Cognitive Cliff | Titik ketika produktivitas AI naik tetapi kemampuan berpikir manusia tertinggal |
3 | Cognitive Offloading | Memindahkan sebagian pekerjaan mental ke alat eksternal |
4 | Cognitive Debt | Biaya kognitif akibat terlalu banyak mendelegasikan proses berpikir |
5 | Cognitive Atrophy | Pelemahan kemampuan karena semakin jarang digunakan |
6 | Deskilling | Menurunnya keterampilan profesional akibat ketergantungan pada alat bantu |
7 | Cognitive Homogenization | Pola berpikir yang semakin seragam |
8 | Jagged Technological Frontier | Batas kemampuan AI yang tidak rata antarjenis pekerjaan |
9 | Productivity Illusion | Peningkatan output yang terlihat seperti peningkatan kompetensi |
10 | Sequence of Learning | Urutan membangun fondasi kemampuan sebelum memakai teknologi |
11 | Domain Mastery | Penguasaan mendalam terhadap bidang pekerjaan |
12 | Augmentation | Teknologi memperbesar kemampuan manusia |
13 | Cognitive Governance | Tata kelola untuk menjaga kualitas nalar manusia |
Baca juga: MERAJUT RELEVANSI DI TENGAH DISRUPSI: Tiga Dekade Transformasi Jasa Konsultasi Manajemen (2000–2030)
