AI mulai mempercepat pekerjaan ilmiah dengan cara yang cukup konkret: membantu membaca literatur, menulis kode, menganalisis data, menyusun naskah, dan menghasilkan hipotesis awal. Dalam studi terbaru yang melibatkan Google, Google DeepMind, dan MIT FutureTech, para ilmuwan yang disurvei melaporkan penghematan waktu hampir tujuh jam per minggu berkat penggunaan AI.
Angka itu terdengar seperti kemenangan besar. Namun, temuan yang sama menunjukkan masalah baru: ketika tahap awal penelitian menjadi lebih cepat, antrean justru menumpuk di bagian berikutnya. Hipotesis lebih banyak bermunculan, tetapi belum tentu segera bisa diuji. Hasil keluaran AI juga membutuhkan pemeriksaan, eksperimen fisik, atau validasi klinis.
Dengan kata lain, AI tidak menghapus pekerjaan ilmiah. AI mengubah lokasi pekerjaan yang paling berat.
Apa yang ditemukan dalam studi terbaru?
Studi AI in Science: Early Insights menganalisis sekitar 15 juta interaksi Gemini, inventaris lebih dari 2.600 model AI khusus untuk bidang ilmiah, serta survei terhadap lebih dari 600 ilmuwan di Amerika Serikat dan Inggris.
Temuannya cukup beragam. Hampir separuh ilmuwan yang disurvei mengatakan mereka menggunakan AI setiap hari. Model bahasa besar atau LLM banyak dipakai untuk pekerjaan umum seperti analisis, pemrograman, penulisan manuskrip, dan pengolahan informasi. Sementara itu, model khusus lebih sering digunakan untuk prediksi bidang tertentu, klasifikasi, simulasi, dan pembuatan data.
Ini penting karena menunjukkan bahwa AI untuk riset bukan hanya soal satu chatbot yang menjawab pertanyaan. Dalam praktiknya, ilmuwan memakai beberapa jenis alat untuk bagian pekerjaan yang berbeda. LLM berperan seperti asisten serbaguna, sedangkan model khusus lebih mirip instrumen laboratorium digital.
Para peneliti juga melaporkan penghematan waktu rata-rata hampir tujuh jam per minggu. Waktu tersebut terutama dialihkan untuk melakukan lebih banyak pekerjaan riset, bukan sekadar mengurangi jam kerja.
Masalahnya: ide tumbuh lebih cepat daripada kemampuan mengujinya
Di sinilah temuan studi tersebut menjadi lebih menarik. AI dapat membantu menghasilkan banyak kemungkinan jawaban, pola, atau hipotesis dalam waktu singkat. Tetapi, hipotesis bukanlah penemuan. Ia masih berupa dugaan yang harus diperiksa.
Bayangkan sebuah dapur penelitian. Sebelumnya, seorang koki membutuhkan satu hari untuk mencari resep dan menyiapkan beberapa variasi. Dengan AI, ia bisa menghasilkan puluhan resep dalam satu jam. Namun, semua resep itu tetap perlu dimasak, dicicipi, diuji keamanannya, dan dibandingkan hasilnya. Kecepatan membuat resep tidak otomatis mempercepat proses memasak.
Hal serupa terjadi dalam sains. AI dapat membantu mempercepat tinjauan pustaka, pemodelan, atau perumusan ide, tetapi eksperimen fisik tetap membutuhkan alat, bahan, waktu, dan tenaga manusia. Dalam penelitian kesehatan, hasil yang menjanjikan masih memerlukan validasi laboratorium dan uji klinis.
Studi tersebut menemukan adanya peningkatan antrean hipotesis yang belum diuji serta kebutuhan besar untuk memverifikasi keluaran AI. Ini berarti ukuran produktivitas tidak cukup hanya dilihat dari berapa banyak teks, kode, atau ide yang dapat dibuat.
Produktivitas bukan sekadar menghasilkan lebih banyak
Dalam pekerjaan kantor, kita sering menganggap produktivitas berarti menyelesaikan lebih banyak tugas dalam waktu lebih singkat. AI membuat ukuran itu terasa semakin mudah: lebih banyak dokumen selesai, lebih banyak baris kode dibuat, atau lebih banyak analisis disusun.
Namun, pada pekerjaan yang membutuhkan ketepatan, hasil cepat bisa menciptakan pekerjaan lanjutan. Kode yang dihasilkan AI harus diuji. Ringkasan penelitian harus diperiksa terhadap sumber aslinya. Analisis data harus ditinjau untuk memastikan tidak ada asumsi yang keliru. Rekomendasi harus diuji sebelum digunakan untuk mengambil keputusan.
Karena itu, manfaat AI sebaiknya dihitung sebagai kecepatan menuju hasil yang dapat dipercaya, bukan sekadar kecepatan menghasilkan draf pertama.
Ini adalah analisis editorial berdasarkan temuan studi, bukan kesimpulan bahwa AI gagal meningkatkan produktivitas. Justru sebaliknya, AI tampaknya memang mempercepat beberapa tahap pekerjaan. Tantangannya adalah memastikan tahap validasi, pengujian, dan penerapan tidak tertinggal terlalu jauh.
Apa artinya bagi pekerjaan kita?
Walaupun studi ini berfokus pada ilmuwan, polanya relevan untuk banyak pekerjaan pengetahuan. Di bidang pemasaran, AI dapat menghasilkan lebih banyak konsep kampanye daripada yang mampu diuji. Dalam pengembangan perangkat lunak, AI bisa membuat fitur lebih cepat, tetapi kebutuhan untuk membaca kode, menjalankan pengujian, dan memeriksa keamanan ikut meningkat.
Dalam pekerjaan administratif, AI dapat menyusun lebih banyak laporan. Namun, semakin banyak laporan tidak selalu berarti keputusan menjadi lebih baik jika tidak ada waktu untuk memeriksa angka dan konteksnya.
Pelajaran utamanya adalah: ketika AI mempercepat tahap produksi, kita perlu memperkuat tahap pemeriksaan. Jika tidak, organisasi hanya memindahkan kemacetan dari meja kerja ke antrean review.
Yang bisa dilakukan sekarang
- Tentukan bagian kerja yang boleh dipercepat. Gunakan AI untuk mencari pola, membuat draf, mengelompokkan informasi, atau menyiapkan variasi awal. Hindari langsung menyerahkan keputusan final pada keluaran pertama.
- Pisahkan pembuatan dan pemeriksaan. Orang atau proses yang memeriksa hasil sebaiknya tidak hanya menyalin jawaban AI. Buat daftar kriteria yang jelas: akurasi, kelengkapan, sumber, keamanan, dan dampak jika terjadi kesalahan.
- Ukur pekerjaan sampai selesai. Catat bukan hanya waktu yang dihemat saat membuat draf, tetapi juga waktu untuk memeriksa, memperbaiki, dan menerapkan hasilnya.
- Buat antrean validasi terlihat. Jika AI menghasilkan banyak ide atau tugas, beri status seperti “perlu verifikasi”, “siap diuji”, dan “sudah disetujui”. Ini mencegah hasil AI bercampur dengan hasil yang sudah teruji.
- Gunakan AI untuk membantu pemeriksaan, bukan menggantikannya. AI dapat membuat daftar kesalahan potensial, membandingkan dua versi dokumen, atau menyarankan kasus uji. Pemeriksaan akhir tetap perlu disesuaikan dengan risiko pekerjaan.
AI yang lebih cepat membutuhkan proses yang lebih matang
Berita tentang AI sering berfokus pada kemampuan menghasilkan sesuatu dengan cepat. Studi terbaru tentang penggunaan AI dalam sains mengingatkan bahwa kecepatan di satu tahap dapat menciptakan tekanan di tahap lain.
Itu bukan alasan untuk menghindari AI. Justru, organisasi yang paling siap memanfaatkan AI adalah organisasi yang sejak awal membangun jalur verifikasi, pengujian, dan pengambilan keputusan yang jelas.
Jika AI membantu kita menghemat tujuh jam, pertanyaan berikutnya bukan hanya “Apa yang bisa dikerjakan dengan waktu tambahan itu?” Pertanyaannya juga: apakah kita sudah memiliki kapasitas untuk memeriksa dan menggunakan hasil tambahan tersebut dengan benar?
Sumber: Google AI & Economy ATLAS, MIT FutureTech, dan makalah AI in Science: Early Insights.
Sumber & bacaan lebih lanjut
- Google AI & Economy ATLAS: New insights
- AI in Science: Early Insights — MIT FutureTech
- AI in Science: Early Insights — arXiv
- Conjecture Machines: AI agents and the new validation bottleneck in science
– Rio Yotto @rioyotto