AI dan Humaniora di Era Digital: Mengapa Kita Tidak Boleh Terlalu Percaya pada Mesin

Kecerdasan buatan (AI) semakin mudah ditemukan dalam pekerjaan yang sebelumnya dianggap sangat bergantung pada manusia. Menulis, membaca, mencari informasi, merangkum dokumen, sampai menganalisis teks kini dapat dibantu oleh mesin. Dunia humaniora pun tidak berada di luar perubahan ini.

Di satu sisi, perkembangan tersebut membuka banyak kemungkinan. Peneliti dapat memproses ribuan dokumen dalam waktu yang jauh lebih singkat, menemukan pola dalam teks dalam jumlah besar, dan menggunakan berbagai alat digital untuk melihat hubungan yang sulit ditemukan melalui pembacaan manual.

Namun, ada persoalan yang sering luput dibicarakan: seberapa jauh kita boleh mempercayai hasil yang diberikan AI ketika objek penelitian kita adalah manusia, budaya, bahasa, sejarah, dan pengalaman?

Pertanyaan ini penting karena AI bukan pembaca yang netral. Model AI belajar dari data yang dibuat manusia, termasuk data yang mengandung kesalahan, bias sejarah, ketimpangan representasi, dan sudut pandang tertentu. Karena itu, penggunaan AI dalam humaniora seharusnya tidak hanya dibicarakan dari sisi efisiensi, tetapi juga dari sisi kritik.

Dari Close Reading ke Distant Reading

Selama bertahun-tahun, penelitian humaniora sangat bergantung pada pembacaan dekat (close reading), penelusuran arsip, dan interpretasi yang mendalam terhadap teks maupun konteksnya. Metode tersebut memang membutuhkan waktu, tetapi justru di situlah peneliti berhadapan langsung dengan detail.

AI menawarkan pendekatan yang berbeda.

Dengan teknik distant reading, pemrosesan bahasa alami, clustering, dan analisis data dalam skala besar, peneliti dapat memeriksa ribuan bahkan jutaan teks untuk mencari pola tertentu. AI dapat membantu menunjukkan kata yang sering muncul, hubungan antarteks, perubahan penggunaan bahasa, atau kecenderungan tertentu dalam sebuah korpus.

Masalahnya, menemukan pola tidak sama dengan memahami makna.

AI mungkin dapat menunjukkan bahwa dua kelompok teks memiliki kemiripan linguistik. Tetapi pertanyaan tentang mengapa kemiripan itu muncul, dalam konteks sejarah apa, dan apa maknanya bagi masyarakat yang menghasilkan teks tersebut tetap membutuhkan penalaran manusia.

Di sinilah humaniora memiliki persoalan yang berbeda dari sekadar analisis data.

Ketika Menulis Tidak Lagi Sepenuhnya Dimulai dari Manusia

Perubahan yang sama juga terjadi dalam penulisan digital.

Hari ini, penulis dapat meminta AI membuat kerangka tulisan, merapikan paragraf, meringkas artikel, menemukan kemungkinan inkonsistensi, bahkan menghasilkan draf awal. Dalam pekerjaan tertentu, bantuan tersebut memang menghemat waktu.

Bayangkan seorang peneliti sastra sedang menulis ulasan mengenai sebuah novel abad ke-19. Ia memberikan sinopsis, tema, dan beberapa poin argumentasi kepada model bahasa. Dalam hitungan detik, AI menghasilkan beberapa paragraf yang tampak rapi dan terstruktur.

Pada tahap ini, AI terlihat sangat membantu.

Tetapi justru di sinilah peneliti perlu berhenti sejenak.

Apakah argumentasi yang muncul benar-benar berasal dari pembacaan terhadap karya tersebut? Apakah kutipan yang diberikan memang akurat? Apakah konteks sejarahnya tepat? Apakah AI memasukkan interpretasi tertentu hanya karena pola tersebut dominan dalam data pelatihannya?

Pertanyaan-pertanyaan itu tidak dapat diselesaikan hanya dengan mengatakan bahwa "AI hanyalah alat".

Sebuah alat tetap memengaruhi cara kita bekerja. Ketika draf pertama, struktur argumentasi, atau bahkan pilihan istilah diserahkan kepada mesin, AI mulai ikut membentuk proses berpikir penulis.

AI Bisa Membaca Ribuan Manuskrip, tetapi Tidak Otomatis Memahami Sejarahnya

Potensi AI menjadi lebih menarik ketika diterapkan pada manuskrip dan arsip dalam jumlah besar.

Misalnya, proyek digitalisasi manuskrip abad pertengahan menggunakan OCR berbasis AI yang dilatih untuk mengenali aksara tertentu. Setelah teks berhasil dikonversi menjadi data digital, algoritma clustering dapat digunakan untuk mengelompokkan frasa atau pola linguistik yang memiliki kemiripan.

Pendekatan semacam ini memungkinkan peneliti menemukan hubungan yang mungkin sulit terlihat ketika harus membaca ribuan halaman satu per satu.

Namun, hasil pengelompokan tersebut tetap merupakan petunjuk, bukan kesimpulan akhir.

Sebuah algoritma dapat mengatakan bahwa dua teks memiliki pola yang serupa. Ia tidak secara otomatis dapat menjelaskan hubungan sosial, politik, agama, atau budaya yang melatarbelakangi kemunculan pola tersebut.

Dengan kata lain, AI dapat memperluas jangkauan penelitian, tetapi tidak seharusnya mengambil alih pekerjaan interpretasi.

Efisiensi Bukan Berarti Kebenaran

Salah satu alasan utama AI begitu cepat diterima dalam penelitian adalah efisiensi.

Pengecekan referensi, pengolahan dokumen, pencarian pola, klasifikasi teks, dan berbagai pekerjaan berulang dapat dilakukan jauh lebih cepat. Waktu yang sebelumnya dihabiskan untuk pekerjaan teknis dapat dialihkan ke analisis yang lebih substantif.

Manfaat ini nyata.

Tetapi ada kecenderungan untuk menyamakan kecepatan dengan kualitas.

Output yang dihasilkan dalam beberapa detik belum tentu lebih baik daripada hasil yang membutuhkan beberapa jam. Bahkan dalam penelitian humaniora, proses yang lambat terkadang justru menghasilkan pertanyaan yang lebih baik.

Pembacaan yang berulang, menemukan kontradiksi dalam teks, memeriksa konteks sejarah, dan mempertanyakan asumsi awal merupakan bagian dari proses penelitian. Jika semuanya dipangkas demi efisiensi, kita mungkin memang mendapatkan hasil lebih cepat, tetapi kehilangan sebagian proses berpikir yang membuat penelitian humaniora bernilai.

Masalah yang Lebih Besar: AI Tidak Netral

AI bekerja berdasarkan data.

Dan data tidak pernah benar-benar netral.

Korpus yang digunakan untuk melatih model dapat memiliki ketimpangan bahasa, representasi budaya, bias gender, bias geografis, maupun dominasi perspektif tertentu. Ketika pola tersebut dipelajari oleh model, sebagian bias dapat muncul kembali dalam output yang dihasilkan.

Masalahnya menjadi lebih serius ketika output AI terlihat meyakinkan.

Bahasa yang lancar sering membuat sebuah jawaban terasa benar. Padahal kelancaran bahasa bukan bukti kebenaran.

Dalam konteks humaniora, kesalahan semacam ini dapat menghasilkan konsekuensi yang lebih jauh. Interpretasi yang bias dapat memengaruhi cara sebuah kelompok masyarakat digambarkan. Narasi sejarah tertentu dapat semakin dominan. Perspektif yang sebelumnya sudah kurang terwakili dapat semakin sulit ditemukan.

Karena itu, pertanyaan yang seharusnya diajukan bukan hanya:

"Apakah AI bisa melakukan pekerjaan ini?"

Tetapi juga:

"Perspektif siapa yang muncul dari hasil AI, dan perspektif siapa yang mungkin hilang?"

Siapa yang Sebenarnya Menjadi Penulis?

Penggunaan AI dalam penulisan juga membawa persoalan mengenai kepengarangan.

Jika manusia menentukan gagasan, AI membuat draf, manusia mengeditnya, kemudian AI kembali memperbaikinya, batas antara kontribusi manusia dan mesin menjadi semakin kabur.

Persoalannya bukan sekadar apakah penggunaan AI dapat disebut sebagai plagiarisme. Ada pertanyaan yang lebih mendasar: siapa yang bertanggung jawab terhadap sebuah argumen?

Jika sebuah tulisan mengandung kesalahan faktual karena AI memberikan informasi yang keliru, tanggung jawab tetap berada pada penulis yang menerbitkannya.

Karena itu, menggunakan AI tidak menghilangkan tanggung jawab intelektual. Justru sebaliknya, semakin besar peran AI dalam proses penulisan, semakin besar kebutuhan untuk memeriksa dan mendokumentasikan proses tersebut.

Data Penelitian Tidak Selalu Boleh Diberikan kepada AI

Ada pula persoalan yang lebih praktis tetapi tidak kalah penting: keamanan data.

Peneliti humaniora dapat bekerja dengan manuskrip yang masih memiliki batasan hak cipta, wawancara, dokumen pribadi, arsip institusi, atau data penelitian yang tidak dimaksudkan untuk konsumsi publik.

Memasukkan materi tersebut ke layanan AI tanpa memahami bagaimana data diproses dan disimpan dapat menimbulkan risiko baru.

Karena itu, sebelum menggunakan sebuah layanan AI, peneliti perlu memahami kebijakan datanya. Bukan hanya kemampuan model yang perlu diperiksa, tetapi juga bagaimana data pengguna diperlakukan.

Hal ini juga berkaitan dengan transparansi penelitian. Jika peneliti tidak mencatat model yang digunakan, versi perangkat lunak, parameter penting, atau proses pengolahan data, peneliti lain akan kesulitan mengetahui bagaimana sebuah hasil diperoleh.

Bukan Menolak AI, tetapi Belajar Mengkritisinya

Sikap kritis terhadap AI tidak berarti bahwa humaniora harus menolak teknologi.

Justru sebaliknya.

AI dapat menjadi alat yang sangat berguna jika ditempatkan pada posisi yang tepat. Ia dapat membantu mempercepat pekerjaan administratif, mengeksplorasi korpus dalam skala besar, menghasilkan hipotesis awal, atau membantu peneliti melihat pola yang sebelumnya sulit diamati.

Yang perlu ditolak adalah gagasan bahwa hasil AI dapat diterima begitu saja.

Peneliti dan mahasiswa perlu memiliki literasi AI yang tidak berhenti pada kemampuan menggunakan prompt. Mereka perlu memahami keterbatasan model, sumber data, kemungkinan bias, halusinasi, serta cara memverifikasi output.

Dalam penelitian humaniora, kemampuan untuk mengatakan "saya tidak percaya hasil ini sebelum memeriksanya" sama pentingnya dengan kemampuan menghasilkan hasil tersebut.

Humaniora dan Ilmu Komputer Perlu Berbicara Lebih Banyak

Penggunaan AI yang bertanggung jawab juga membutuhkan kolaborasi lintas disiplin.

Humanis memahami konteks budaya, sejarah, bahasa, dan interpretasi. Ilmuwan data memahami model, statistik, dan pemrosesan data. Desainer UX memahami bagaimana teknologi dapat digunakan oleh manusia tanpa menambah beban yang tidak perlu.

Ketiganya dapat saling melengkapi.

Kolaborasi semacam ini juga membantu menghindari satu masalah umum: teknologi dibuat terlebih dahulu, kemudian manusia diminta menyesuaikan diri dengannya.

Untuk humaniora, seharusnya prosesnya tidak selalu demikian.

Teknologi perlu dirancang berdasarkan kebutuhan penelitian dan karakteristik objek yang diteliti, bukan sekadar berdasarkan apa yang secara teknis dapat dilakukan oleh sebuah model AI.

Transparansi Harus Menjadi Bagian dari Penelitian

Jika AI digunakan dalam penelitian atau penulisan, penggunaannya sebaiknya dicatat.

Peneliti dapat mendokumentasikan model yang digunakan, versi perangkat lunak, jenis data yang diproses, tujuan penggunaan AI, serta bagian mana yang dihasilkan atau dibantu oleh AI.

Dokumentasi tersebut bukan sekadar formalitas.

Ia memberikan jejak yang memungkinkan pembaca dan peneliti lain memahami bagaimana sebuah hasil diperoleh. Dalam penelitian akademik, kemampuan untuk menelusuri proses sama pentingnya dengan hasil akhir.

Keterbukaan juga membantu membangun batas yang lebih jelas antara kontribusi manusia dan kontribusi mesin.

AI Sebaiknya Menjadi Partner, Bukan Otoritas

Perdebatan mengenai AI dalam humaniora sering terjebak pada dua posisi ekstrem.

Di satu sisi, ada anggapan bahwa AI akan menyelesaikan banyak persoalan penelitian. Di sisi lain, ada kekhawatiran bahwa AI akan menggantikan manusia sepenuhnya.

Keduanya terlalu sederhana.

AI lebih tepat dipandang sebagai teknologi yang memperluas kemampuan tertentu sekaligus membawa risiko baru. Ia dapat membaca lebih banyak teks daripada manusia, tetapi membaca dalam skala besar tidak sama dengan memahami pengalaman manusia. Ia dapat menghasilkan tulisan yang terdengar meyakinkan, tetapi tidak berarti setiap argumennya dapat dipercaya.

Karena itu, hubungan yang sehat dengan AI bukanlah hubungan antara manusia dan mesin yang saling bersaing.

Manusia tetap memegang kendali atas pertanyaan penelitian, interpretasi, keputusan, dan tanggung jawab akademik. AI dapat membantu mengerjakan sebagian proses, tetapi tidak seharusnya menjadi otoritas terakhir.

Pada akhirnya, masa depan humaniora berbasis AI tidak ditentukan oleh seberapa canggih model yang kita gunakan. Yang lebih penting adalah seberapa kritis kita ketika menggunakannya.

Teknologi dapat membantu kita membaca lebih banyak, menulis lebih cepat, dan menemukan pola yang sebelumnya tersembunyi. Tetapi untuk memahami manusia, budaya, dan sejarah, kita masih membutuhkan sesuatu yang tidak dapat disederhanakan menjadi sekadar output model: konteks, keraguan, interpretasi, dan pertanyaan kritis.