Tekanan produktivitas kini merembes ke dunia riset, dan Inggris menjadi salah satu contoh paling jelas. Di saat pemerintah mengejar posisi teratas dalam peringkat R&D internasional, para peneliti justru menghadapi tuntutan yang makin besar untuk menghasilkan karya yang cepat, berkualitas, dan berdampak.
Masalahnya, dorongan untuk bekerja lebih efisien datang saat riset global juga sedang tertekan. Secara global, hanya 45% peneliti yang merasa punya cukup waktu untuk meneliti, sementara hanya 33% yang berharap pendanaan meningkat dalam dua hingga tiga tahun ke depan.
AI naik daun, tapi kepercayaan tertinggal
Kecerdasan buatan kini sering dipromosikan sebagai jalan pintas produktivitas. Pemerintah Inggris bahkan menempatkan AI dalam strategi AI for Science untuk “transform scientific productivity and progress”, sementara investasi ke teknologi AI di negara itu telah mencapai nilai gabungan miliaran pound.
Namun, adopsi AI di kalangan peneliti bergerak lebih cepat daripada tata kelola yang mengawasinya. Lebih dari separuh peneliti kini mengatakan mereka memakai AI dalam pekerjaan, tetapi hanya dua dari sepuluh yang percaya pada AI generik.
Kesenjangan ini penting karena AI generik cenderung menyederhanakan jawaban. Dalam proses itu, detail, akurasi, transparansi, dan konteks bisa ikut terkikis, padahal semua elemen itu justru sangat penting dalam kerja ilmiah.
Bagi pengguna biasa, kelemahan semacam itu mungkin masih dapat ditoleransi. Tetapi bagi peneliti yang bekerja di bawah tuntutan reproduktibilitas dan pengawasan ketat, hasil AI yang harus dicek ulang satu per satu justru membatalkan manfaat produktivitas yang dijanjikan.
Mengapa peneliti butuh alat yang berbeda
Masalah utama bukan pada AI itu sendiri, melainkan pada jenis alat yang dipakai. Untuk penelitian, pendekatannya perlu diubah dari sekadar memakai alat paling populer menjadi memilih alat yang tepat untuk tugas yang tepat.
Prinsip ini sudah lazim di bidang lain. Dokter memakai monitor ECG, bukan jam pintar, untuk mengukur detak jantung, sedangkan pekerja konstruksi memakai sistem produksi otomatis untuk pengukuran presisi, bukan meteran biasa.
Perbedaan itu menunjukkan satu hal sederhana: alat profesional harus dibuat untuk kebutuhan profesional. Hal yang sama berlaku untuk riset, di mana AI harus dirancang mengikuti kebutuhan khusus peneliti dan dapat dipercaya untuk menjalankan tugasnya.
Saat kepercayaan sudah terbentuk, peneliti tidak perlu menghabiskan waktu untuk memeriksa setiap keluaran AI. Di titik itu, produktivitas menjadi nyata karena waktu tidak lagi habis untuk validasi manual yang berulang.
Empat syarat AI yang layak dipakai dalam riset
Dalam kerja dekat dengan komunitas peneliti, muncul empat unsur utama yang dibutuhkan AI “researcher-grade”. Pertama, alat harus mendukung berpikir kritis dengan menandai ketidakpastian, bukan menutupinya.
Kedua, hasil yang dihasilkan harus kontekstual, transparan, dan dapat ditelusuri. Artinya, AI perlu menunjukkan cara ia menarik kesimpulan dan sumber apa yang digunakan.
Ketiga, prinsip “garbage in, garbage out” berlaku sangat kuat dalam penelitian. Karena itu, riset peer-reviewed sebagai standar emas perlu digabungkan dalam platform yang netral terhadap penerbit agar peneliti bisa melihat gambaran lengkap, bukan potongan yang terbatas.
Keempat, semua itu harus berdiri di atas fondasi privasi data, keamanan, dan penggunaan AI yang bertanggung jawab. Dalam riset, AI harus lebih dulu membuktikan bahwa ia aman, jujur soal sumber, dan mendukung penilaian manusia alih-alih mencoba menggantikannya.
Dorongan menuju AI yang lebih andal ini menandai pergeseran penting dalam cara sektor riset memandang teknologi. Fokusnya tidak lagi sekadar pada seberapa cepat AI menghasilkan jawaban, tetapi pada apakah jawaban itu bisa dipercaya untuk pekerjaan ilmiah yang menuntut akurasi tinggi.
