Seorang dosen membuka puluhan esai pada Senin pagi. Struktur tulisannya rapi. Bahasanya formal. Referensinya tampak meyakinkan. Bahkan beberapa argumennya terasa lebih matang dibanding tugas mahasiswa pada tahun-tahun sebelumnya.
Lalu seorang mahasiswa diminta menjelaskan satu hal sederhana: mengapa ia memilih argumen utama dalam esainya.
Ia terdiam, lalu mulai mengulang kalimat-kalimat dari esainya sendiri. Dosennya tahu saat itu juga.
Masalahnya bukan semata-mata mahasiswa itu menggunakan AI. Masalahnya, sistem penilaian masih memperlakukan esai akhir sebagai bukti bahwa mahasiswa berpikir.
AI generatif membuat hubungan antara kualitas output dan tingkat pemahaman manusia menjadi jauh lebih lemah. Seseorang kini dapat menghasilkan esai yang terdengar akademik, kode yang berjalan, presentasi yang rapi, atau ringkasan jurnal yang meyakinkan, tanpa benar-benar memahami isi di baliknya.
Ini bukan sekadar persoalan plagiarisme versi baru. Ini adalah sinyal bahwa infrastruktur penilaian akademik sedang kehilangan salah satu asumsi dasarnya.
Produk akhir tidak lagi cukup menjadi bukti kemampuan. Yang perlu dinilai adalah pertimbangan di balik produk tersebut.
Perlombaan yang Salah
Respons banyak institusi terhadap AI masih berputar pada satu pertanyaan: bagaimana memastikan mahasiswa tidak memakainya?
Dari sana muncul pola yang mudah ditebak. Dosen mencoba mengenali tulisan yang dibuat AI. Mahasiswa mencoba mengubah gaya bahasa agar hasilnya terlihat lebih manusiawi. Dosen memakai alat pendeteksi AI. Mahasiswa mencari alat untuk menghindarinya.
Energi akhirnya dihabiskan untuk mengelola jejak penggunaan, bukan membangun kualitas berpikir.
Masalahnya, pendekatan ini sulit diandalkan. Alat pendeteksi AI dapat keliru. Tulisan mahasiswa yang memang rapi dapat dicurigai sebagai buatan mesin. Sebaliknya, output AI yang sudah diedit dengan baik bisa lolos tanpa masalah. Kampus lalu berada dalam permainan kucing dan tikus yang tidak menghasilkan pembelajaran yang lebih baik.
Larangan total juga mengabaikan kenyataan yang lebih besar: ketika mahasiswa memasuki dunia kerja, AI kemungkinan besar sudah menjadi bagian dari cara kerja normal. Mereka akan diminta membuat analisis lebih cepat, merangkum informasi lebih banyak, membuat draf lebih awal, dan memeriksa berbagai opsi dengan bantuan sistem AI.
Melarang AI di semua konteks mungkin terasa tegas. Namun itu tidak otomatis membangun kemampuan yang dibutuhkan untuk bekerja secara bertanggung jawab dengan AI.
Yang Runtuh Bukan Kejujuran, Melainkan Proksi
Selama ini, esai, laporan, kode, dan presentasi berfungsi sebagai proksi. Kita melihat produk akhirnya untuk memperkirakan kemampuan seseorang.
Jika sebuah esai terstruktur baik, kita mengasumsikan penulisnya mampu menyusun argumen. Jika sebuah kode berjalan, kita mengasumsikan pembuatnya memahami logika sistem. Jika sebuah analisis bisnis tampak tajam, kita mengasumsikan penulisnya memahami masalah dan data yang digunakan.
AI membuat asumsi itu semakin rapuh.
Bukan berarti semua tugas tertulis menjadi tidak berguna. Namun kualitas hasil akhir kini semakin mudah dipinjam. Yang semakin sulit dilihat adalah bagaimana seseorang sampai pada hasil tersebut: masalah apa yang ia pilih, asumsi apa yang ia gunakan, sumber apa yang ia percaya, klaim mana yang ia tolak, dan risiko apa yang ia sadari.
Jika tugas dapat diselesaikan AI dalam beberapa detik, mungkin tugas itu lebih banyak menguji kepatuhan pada format daripada kualitas penilaian.
Ini adalah pergeseran dari output ke judgment.
Output masih penting. Organisasi tetap membutuhkan laporan yang jelas, kode yang berfungsi, dan rekomendasi yang dapat dibaca. Tetapi di era AI, output tidak lagi cukup. Nilai yang lebih langka adalah kemampuan untuk memeriksa, memperbaiki, dan bertanggung jawab atas output tersebut.
Tiga Lapisan Pembelajaran di Era AI
Salah satu cara untuk memahami perubahan ini adalah membagi pembelajaran menjadi tiga lapisan.
Pertama, fondasi.
Mahasiswa tetap harus menguasai pengetahuan dan kemampuan dasar tanpa bantuan AI. Mahasiswa informatika perlu mampu membaca kode. Mahasiswa hukum perlu memahami struktur argumentasi. Mahasiswa akuntansi perlu mampu mengenali kesalahan dalam laporan keuangan.
Fondasi bukan nostalgia terhadap cara belajar lama. Fondasi adalah syarat agar seseorang mampu mengawasi AI, bukan sekadar mengikuti jawabannya.
Kedua, augmentasi.
Di lapisan ini, AI boleh digunakan untuk mempercepat eksplorasi, menghasilkan draf awal, membandingkan opsi, membantu pemrograman, atau memetakan pertanyaan penelitian. Penggunaan AI tidak perlu diperlakukan sebagai pelanggaran secara otomatis.
Namun mahasiswa perlu memahami bahwa AI adalah alat bantu kerja, bukan pemilik keputusan.
Ketiga, judgment.
Inilah lapisan yang seharusnya semakin besar nilainya. Mahasiswa perlu menunjukkan bagaimana ia memeriksa hasil AI, mengidentifikasi kelemahannya, membandingkannya dengan sumber yang kredibel, lalu mengambil keputusan yang dapat dipertanggungjawabkan.
Contohnya, alih-alih hanya meminta esai tentang dampak AI dalam pendidikan, tugas dapat meminta mahasiswa menghasilkan dua argumen yang berlawanan dengan AI. Setelah itu, mereka harus mengaudit kedua argumen tersebut: klaim mana yang tidak memiliki bukti, asumsi mana yang terlalu lemah, dan posisi apa yang tetap mereka pegang setelah proses verifikasi.
Dalam tugas seperti ini, mahasiswa tetap menggunakan AI. Tetapi AI tidak cukup untuk menghasilkan nilai tinggi.
Dari Kejujuran Deklaratif ke Transparansi Proses
Pernyataan "Saya tidak menggunakan AI" mungkin akan semakin tidak bermakna. Yang lebih berguna adalah transparansi proses.
Mahasiswa dapat diminta menjelaskan secara sederhana: AI apa yang digunakan, untuk tujuan apa, bagian mana yang dipakai, bagian mana yang diubah atau ditolak, dan bagaimana hasil akhirnya diverifikasi.
Tujuannya bukan melacak setiap aktivitas mahasiswa. Tujuannya adalah membangun kebiasaan profesional: penggunaan AI selalu melibatkan keputusan, dan setiap keputusan memiliki konsekuensi.
Prinsip ini berlaku jauh melampaui ruang kelas. Seorang analis tidak dapat menyalahkan AI ketika rekomendasinya keliru. Seorang engineer tidak dapat menyerahkan tanggung jawab atas celah keamanan kepada code generator. Seorang manajer tidak dapat mengandalkan ringkasan AI tanpa mengetahui apakah sumber dan asumsi di baliknya dapat dipercaya.
AI dapat membantu menghasilkan pekerjaan. Tetapi manusia tetap memegang tanggung jawab atas pekerjaan yang disetujui.
Sinyal untuk Dunia Kerja
Apa yang terjadi di kampus kemungkinan adalah pratinjau untuk dunia kerja.
Selama organisasi masih menilai karyawan terutama dari jumlah laporan, kecepatan membuat presentasi, atau kemampuan menghasilkan dokumen yang tampak meyakinkan, AI akan membuat indikator tersebut semakin lemah. Output dapat dipercepat. Bahkan dapat dipoles secara massal.
Yang akan membedakan orang bukan lagi sekadar kemampuan menghasilkan jawaban. Yang membedakan adalah kemampuan menentukan pertanyaan yang tepat, mengevaluasi jawaban, mengenali risiko, dan menjelaskan alasan di balik keputusan.
Kampus tidak perlu memilih antara melarang AI dan membebaskannya tanpa batas. Pilihan yang lebih sulit, tetapi lebih relevan, adalah mendesain pembelajaran yang membuat penggunaan AI secara pasif tidak cukup untuk berhasil.
Kemungkinan besar, pendidikan masa depan tidak akan dinilai dari seberapa sering mahasiswa memakai AI atau tidak memakainya sama sekali.
Pendidikan akan dinilai dari apakah lulusannya mampu menggunakan AI tanpa menyerahkan pertimbangan mereka kepada AI.