Kecerdasan Buatan dan Runtuhnya Ilmu Pengetahuan

tirto.id - Sejak ChatGPT dirilis pada November 2022, jumlah postingan baru di Stack Overflow, situs tanya jawab terbesar di dunia untuk para programmer, turun 25 persen hanya dalam enam bulan. Rata-rata unggahan mingguan yang tadinya sekitar 60.000 merosot menjadi 40.000, dan terus mengalami penurunan.

Di sini, yang terdampak bukan para programmer pemula, melainkan pertanyaan-pertanyaan terpopuler mengenai programming atau pemrograman itu sendiri. Dan, ya, "tanggung jawab" untuk merespons pertanyaan-pertanyaan tersebut lantas beralih ke kecerdasan buatan alias AI.

Jika para programmer kemudian beralih ke AI, itu sebenarnya dapat dipahami. AI lebih cepat dalam memberi jawaban, lebih sabar, dan tidak akan menghakimi ketidaktahuan atau kealpaan. Namun, di tengah kenyamanan ini, ada sesuatu yang hilang dari ekosistem pengetahuan publik. Ketika seseorang berhenti bertanya di forum publik, secara otomatis dia berhenti berkontribusi pada ekosistem yang sudah dibangun selama puluhan, bahkan ratusan tahun jika kita bicara konteks keilmuan lainnya.

Andrew Peterson, peneliti University of Illinois, menyebut fenomena ini sebagai knowledge collapse atau keruntuhan pengetahuan. Peterson mendeskripsikan keruntuhan pengetahuan sebagai "penyempitan progresif dari waktu ke waktu atas kumpulan informasi yang tersedia bagi manusia, disertai penyempitan serupa dalam persepsi ketersediaan dan kegunaan informasi tersebut". Dengan kata lain, yang menyempit bukan hanya jumlah informasi yang beredar tetapi juga rasa kita tentang apa yang terjadi di luar sana. Kita tidak hanya tahu lebih sedikit tetapi juga semakin tidak sadar bahwa kita tidak tahu.

Di sini kita tidak bicara soal AI yang berhalusinasi lalu memberikan jawaban yang salah. Yang terjadi di sini lebih subtil dari itu. Ketika model bahasa besar (LLM) seperti GPT atau Gemini dilatih, mereka menyerap miliaran teks dari seluruh internet, mulai dari buku, artikel, forum, hingga jurnal ilmiah. Data pelatihannya luar biasa beragam.

Bayangkan sebuah orkestra. LLM belajar dari semua alat musik, lalu memainkan nada-nada yang paling dikenal pendengar. Alat musik yang jarang didengar tidak akan muncul dalam repertoarnya karena dianggap tidak cukup relevan dalam distribusi data. Walhasil, repertoar yang diputar berulang-ulang pun semakin lama semakin terdengar serupa.

Peterson mencatat bahwa "diskon" kecil terhadap konten buatan AI pun bisa berdampak besar. Dalam simulasinya, jika publik memberikan "diskon" 20 persen pada informasi yang dihasilkan AI, alias memercayainya sedikit lebih rendah dari sumber manusia, keyakinan kolektif masyarakat bisa melenceng 2,3 kali lebih jauh dari kebenaran sebenarnya. Ini terjadi karena AI cenderung memperkuat konsensus yang sudah ada, bukan menentangnya. Sudut pandang minoritas, teori yang belum populer, atau pengetahuan yang belum sempat terdigitalisasi terpinggirkan secara sistematis.

Damon Acemoglu, ekonom MIT sekaligus peraih Nobel Ekonomi 2024, bersama koleganya mengembangkan model matematis untuk menjelaskan mekanisme ini lebih dalam. Perbedaan krusialnya ada pada dua jenis peran AI: sebagai pelengkap atau sebagai pengganti.

AI sebagai pelengkap berarti AI yang membantu manusia belajar lebih baik, membuka akses ke pengetahuan yang lebih luas, dan meningkatkan kemampuan manusia. AI macam ini ibarat kalkulator yang membantu matematikawan lebih fokus pada masalah konseptual. Ketika seseorang memahami sesuatu secara umum, AI membantu menerapkannya pada konteks yang lebih spesifik. AI jenis ini justru meningkatkan nilai dari belajar lebih dalam.

Namun, ada AI yang punya sifat lain. AI ini agentic, personal, dan dirancang untuk langsung menjawab kebutuhan spesifik seseorang tanpa perlu orang itu memahami konteksnya. AI dokter yang merekomendasikan obat tanpa pasien perlu memahami farmakologi. AI hukum yang menyusun kontrak tanpa klien perlu tahu prinsip hukumnya. AI jenis ini berperan sebagai pengganti, dan penggantian inilah yang memutus satu rantai penting dalam proses belajar manusia.

Acemoglu menyebutnya "economies of scope" dalam belajar. Ketika seseorang mempelajari sesuatu secara menyeluruh, dia secara otomatis memperoleh pengetahuan umum yang berguna di banyak konteks lain. Seorang dokter yang benar-benar belajar farmakologi bukan hanya bisa meresepkan obat, tetapi juga memahami interaksi obat, mengenali efek samping yang tak terduga, dan bisa berinovasi dalam situasi baru. AI agentic memotong jalur pembelajaran ini. Hasilnya bukan hanya dokter yang kurang paham farmakologi, tapi juga dokter yang kurang mampu beradaptasi ketika situasinya tidak sesuai pola yang pernah dilihat AI.

Dan ketika AI menggantikan proses belajar manusia, ada efek yang tidak langsung terlihat. Yakni, bagaimana manusia kehilangan insentif untuk benar-benar memahami sesuatu. Perlu dicatat bahwa ini bukan perilaku irasional. Logikanya, kalau ada alat yang bisa mengerjakan sesuatu dengan lebih cepat dan lebih akurat, untuk apa harus repot-repot belajar? Namun, keputusan semacam ini cuma masuk akal pada taraf individual. Ketika keputusan ini sudah bersifat kolektif, hasilnya bisa bersifat destruktif.

Model Acemoglu menunjukkan bahwa sistem bisa jatuh ke dalam apa yang disebut "knowledge-collapse steady state", yakni keseimbangan stabil di mana pengetahuan umum manusia mendekati nol, sementara AI terus memberikan jawaban yang terasa memuaskan. Yang berbahaya dari keseimbangan ini, ia terasa baik-baik saja dari luar. AI masih menjawab pertanyaan, penggunanya masih mendapat rekomendasi. Akan tetapi, kapasitas manusia untuk bertanya, memverifikasi, atau berinovasi di luar apa yang sudah diketahui AI sudah perlahan akan runtuh.

Buktinya tidak hanya ada di Stack Overflow. Kontribusi ke Wikipedia pun menurun sejak popularitas AI generatif meledak. Ketika chatbot bisa langsung menjawab pertanyaan faktual, orang tak lagi merasa perlu membuka Wikipedia dan tak merasa perlu berkontribusi memperbaiki atau menambahkan entri di sana.

Di satu sisi, AI mencomot pengetahuan dari Wikipedia untuk menjawab pertanyaan pengguna, tapi penggunaannya sendiri justru mengurangi aliran kontribusi baru yang membuat Wikipedia tetap hidup dan relevan.

Pertanyaannya, apakah keruntuhan pengetahuan ini sudah benar-benar terjadi, atau hanya proyeksi suram dari para peneliti?

Pertaruhan Kelangsungan Hidup Manusia

Ada kabar yang sedikit menggembirakan. Wright et al. (2026) menganalisis 27 model bahasa besar, 155 topik, 12 negara, dan lebih dari 1,7 juta respons yang menghasilkan sekitar 70 juta klaim faktual. Hasilnya, keragaman epistemik dari model AI, yaitu ukuran seberapa beragam klaim yang mereka hasilkan, sebenarnya meningkat dari waktu ke waktu. Dengan kata lain, model-model bahasa besar terbaru selalu lebih beragam dari pendahulunya.

Akan tetapi, ada satu hal yang tak boleh dilupakan. Keragaman terbaik yang bisa dicapai oleh model AI mana pun masih 18,7 persen lebih rendah dibanding keragaman yang ditawarkan oleh pencarian web biasa. Artinya, keluaran dari model terbaik sekalipun, termasuk GPT-5, masih lebih sempit dari hasil mengetik pertanyaan di Google dan membaca berbagai sumber hasilnya.

Satu hal lagi, semakin besar sebuah model, keragamannya justru semakin rendah. Semakin banyak data yang digunakan untuk melatih suatu model, semakin besar kecenderungan model tersebut untuk menekan jawaban ke tengah distribusi.

Di samping itu, ada pula ketimpangan geografis yang nyata. Bahasa Inggris sangat mendominasi representasi dalam model-model ini, sehingga pengetahuan lokal dalam bahasa lain, termasuk bahasa Indonesia, lebih rawan terpinggirkan. Ketika AI menjadi jendela utama pengetahuan, penduduk yang berbahasa non-Inggris bisa mendapat pandangan dunia yang lebih sempit dari yang mereka sadari. Jawaban yang diterima terasa lengkap, padahal ada seluruh lapisan realitas lokal yang tak terwakili.

Lantas, apa yang bisa dilakukan?

Acemoglu dan timnya mengusulkan pendekatan yang terdengar kontraintuitif: membatasi ketelitian AI dengan sengaja. Alih-alih selalu memberikan jawaban yang paling presisi dan personal, AI kadang perlu memberikan jawaban yang sedikit lebih umum. Cukup untuk membantu, tapi tidak cukup untuk menggantikan kebutuhan seseorang untuk benar-benar belajar. Alasannya, karena akurasi berlebihan akan membunuh insentif belajar.

Wright et al. menemukan bahwa teknik bernama RAG (Retrieval-Augmented Generation), di mana AI menghubungkan jawabannya dengan sumber-sumber asli yang bisa ditelusuri, secara signifikan meningkatkan keragaman informasi yang dihasilkan.

Universitas Kopenhagen menyerukan hal serupa. Menurut mereka, diperlukan desain sistem AI yang secara aktif menjaga keragaman perspektif, bukan hanya mengoptimalkan akurasi rata-rata. Ini tanggung jawab yang tak bisa diserahkan sepenuhnya pada pasar. Ketika para pembuat AI berkompetisi soal siapa yang paling cepat dan paling akurat, keragaman pengetahuan tidak otomatis masuk dalam kalkulasi keuntungan mereka.

Adapun yang tidak boleh dilakukan adalah menganggap bahwa karena AI memberi jawaban yang terasa masuk akal, berarti ekosistem pengetahuan di bawahnya aman-aman saja. Jawaban yang memuaskan hari ini bisa jadi dibangun di atas fondasi yang pelan-pelan mengeropos. Forum-forum tak seaktif sebelumnya, ensiklopedia tak lagi diperbarui, pengetahuan niche tak lagi ditulis karena tak ada yang bertanya secara publik.

Yang juga tidak boleh dilakukan adalah bersikap pasif, baik sebagai pengguna maupun sebagai pembuat kebijakan. Menggunakan AI untuk bertanya memang tidak dilarang, tetapi berdiskusi, berdebat, dan berbagi pengetahuan secara publik tetap penting untuk dijaga. Setiap pertanyaan yang diajukan secara terbuka di forum publik, setiap artikel Wikipedia yang diperbaiki, setiap pengetahuan lokal yang didokumentasikan adalah kontribusi nyata pada keseimbangan ekosistem pengetahuan yang sedang terancam.