Bagi dunia riset, AI sedang berada di titik yang aneh: dipakai semakin luas, tetapi belum sepenuhnya dipercaya. Lebih dari separuh peneliti sudah menggunakan AI dalam pekerjaan mereka, namun hanya dua dari sepuluh yang percaya pada AI generik.
Kesenjangan itu menjadi semakin penting ketika tekanan terhadap produktivitas riset terus meningkat. Di saat peneliti dituntut bekerja lebih cepat, lebih berkualitas, dan lebih berdampak, hanya 45% peneliti di seluruh dunia yang merasa punya cukup waktu untuk meneliti, sementara hanya 33% yang berharap pendanaan akan meningkat dalam dua hingga tiga tahun ke depan.
Situasi ini ikut mendorong pemerintah Inggris memasukkan AI ke dalam strategi AI for Science untuk mendorong produktivitas dan kemajuan ilmiah. Investasi negara itu ke teknologi AI juga sudah mencapai nilai gabungan miliaran pound, tetapi laju adopsi ternyata bergerak lebih cepat daripada tata kelola yang mengawasinya.
Masalah utama bukan sekadar apakah AI bisa membantu, melainkan apakah AI yang dipakai benar-benar cocok untuk kerja ilmiah. Untuk riset, alat yang dipilih tidak bisa disamakan dengan alat umum yang hanya mengejar jawaban cepat dan ringkas.
AI generik sering kali menyederhanakan jawaban. Dalam proses itu, detail, akurasi, transparansi, dan konteks bisa ikut berkurang, padahal empat hal itu justru sangat penting dalam kerja ilmiah.
Bagi pengguna biasa, kekurangan seperti itu mungkin masih dapat ditoleransi. Namun bagi peneliti yang harus menjaga reproduktibilitas dan siap menghadapi pengawasan ketat, keluaran AI yang perlu dicek ulang satu per satu justru bisa menghapus manfaat produktivitas yang dijanjikan.
Karena itu, pendekatan yang dibutuhkan bukan memilih alat paling populer, melainkan alat yang tepat untuk tugas yang tepat. Logika ini sudah lazim di bidang lain, seperti dokter yang memakai monitor ECG untuk mengukur detak jantung, bukan jam pintar, atau pekerja konstruksi yang memakai sistem produksi otomatis untuk pengukuran presisi, bukan meteran biasa.
Dalam riset, AI harus dibangun mengikuti kebutuhan khusus peneliti dan dibuktikan mampu bekerja secara konsisten. Jika kepercayaan sudah terbentuk, peneliti tidak perlu lagi menghabiskan waktu memeriksa setiap keluaran AI secara manual.
Dari kebutuhan itu muncul empat syarat agar AI layak dipakai dalam kerja ilmiah. Yang pertama, alat harus mendukung berpikir kritis dengan menandai ketidakpastian, bukan menutupinya.
Yang kedua, hasilnya harus kontekstual, transparan, dan dapat ditelusuri. Artinya, AI perlu memperlihatkan bagaimana ia menarik kesimpulan dan sumber apa yang dipakai.
Syarat ketiga berkaitan dengan kualitas bahan yang masuk ke sistem. Prinsip “garbage in, garbage out” berlaku kuat di penelitian, sehingga riset peer-reviewed sebagai standar emas perlu digabungkan dalam platform yang netral terhadap penerbit agar peneliti bisa melihat gambaran yang lengkap, bukan hanya potongan terbatas.
Syarat keempat adalah fondasi yang tidak bisa ditawar: privasi data, keamanan, dan penggunaan AI yang bertanggung jawab. Dalam riset, AI harus lebih dulu membuktikan bahwa ia aman, jujur soal sumber, dan mampu mendukung penilaian manusia, bukan berusaha menggantikannya.
Dorongan menuju AI yang lebih andal ini menandai perubahan cara sektor riset memandang teknologi. Ukuran utamanya kini bukan lagi seberapa cepat AI menjawab, melainkan apakah jawaban itu cukup dapat dipercaya untuk pekerjaan ilmiah yang menuntut akurasi tinggi.
