Di tengah dorongan agar penelitian bergerak lebih cepat, kecerdasan buatan justru belum sepenuhnya memenuhi syarat untuk dipercaya dalam kerja ilmiah. Masalah utamanya bukan pada cepat atau lambatnya alat itu menjawab, melainkan apakah hasilnya cukup akurat, transparan, dan aman untuk dipakai peneliti tanpa pemeriksaan berulang.
Kesenjangan itu terlihat jelas dari cara teknologi ini diadopsi. Lebih dari separuh peneliti kini memakai AI dalam pekerjaan mereka, tetapi hanya dua dari sepuluh yang percaya pada AI generik. Ketidakselarasan ini penting karena kerja riset tidak hanya menuntut kecepatan, tetapi juga reproduktibilitas dan pengawasan yang ketat.
Tekanan untuk memakai AI juga muncul di saat dunia riset sedang berada di bawah tekanan besar. Secara global, hanya 45% peneliti merasa punya cukup waktu untuk meneliti, sementara hanya 33% yang berharap pendanaan meningkat dalam dua hingga tiga tahun ke depan.
Di Inggris, pemerintah menempatkan AI dalam strategi AI for Science untuk mendorong transformasi produktivitas ilmiah dan kemajuan riset. Investasi ke teknologi AI di negara itu juga sudah mencapai nilai gabungan miliaran pound.
Namun, penggunaan AI yang makin luas tidak otomatis berarti alat itu layak dijadikan sandaran utama. AI generik cenderung menyederhanakan jawaban, dan dalam proses itu detail, akurasi, transparansi, serta konteks bisa ikut berkurang.
Bagi pengguna biasa, kekurangan seperti itu mungkin masih bisa ditoleransi. Tetapi bagi peneliti, hasil AI yang harus dicek ulang satu per satu justru menghilangkan keuntungan produktivitas yang dijanjikan sejak awal.
Karena itu, fokus di dunia riset mulai bergeser dari sekadar memakai alat yang populer ke memilih alat yang benar-benar sesuai tugas. Dalam penelitian, pendekatan seperti ini dianggap lebih masuk akal karena kebutuhan ilmiah jauh lebih spesifik daripada penggunaan umum.
Logika itu mirip dengan bidang lain. Dokter memakai monitor ECG untuk mengukur detak jantung, bukan jam pintar, sementara pekerja konstruksi memakai sistem produksi otomatis untuk pengukuran presisi, bukan meteran biasa.
Dengan cara pandang yang sama, AI untuk riset harus dirancang mengikuti kebutuhan khusus peneliti. Alat seperti itu juga harus terbukti bisa dipercaya untuk menjalankan tugasnya secara konsisten.
Ada empat syarat yang dinilai penting agar AI layak masuk kategori berkelas riset. Pertama, alat harus mendukung berpikir kritis dengan menandai ketidakpastian, bukan menutupinya.
Kedua, hasil yang diberikan harus kontekstual, transparan, dan dapat ditelusuri. Artinya, AI perlu menunjukkan cara ia menarik kesimpulan dan sumber apa yang dipakai.
Ketiga, prinsip “garbage in, garbage out” berlaku sangat kuat di dunia penelitian. Karena itu, riset peer-reviewed sebagai standar emas perlu digabungkan dalam platform yang netral terhadap penerbit agar peneliti bisa melihat gambaran yang lebih lengkap.
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, bukan mencoba menggantikannya.
Dorongan menuju AI yang lebih andal ini menunjukkan perubahan penting dalam cara sektor riset memandang teknologi. Ukuran utamanya kini bukan lagi seberapa cepat AI menghasilkan jawaban, melainkan apakah jawaban itu cukup bisa dipercaya untuk pekerjaan ilmiah yang menuntut akurasi tinggi.
