Otak Global Sibernetika Vs "Bullshitter Par Excellence"

SURVEI Sharing Vision pada Mei–Juni 2025, terhadap lebih dari 5.000 responden Indonesia menyuguhkan satu paradoks tajam dalam kehidupan digital kita hari ini: netizen Indonesia sangat percaya pada kecerdasan buatan, bahkan menggantungkan keseharian mereka padanya.

Namun secara bersamaan, mereka juga menyadari betapa rapuh dan seringnya Artificial intelligence (AI) membuat kesalahan.

Sekitar dua pertiga responden lebih nyaman berbagi cerita kepada AI ketimbang ke manusia lain.

Sebanyak 56,4 persen merasa tidak percaya diri tanpa kehadiran AI, 56,1 persen mengaku sering menghabiskan waktu lebih banyak menggunakan AI daripada yang direncanakan, dan 47,6 persen lebih memilih menggunakan AI daripada berusaha terlebih dahulu.

Bahkan 35 persen merasa bergantung pada AI untuk tugas-tugas sederhana, dan 16,2 persen menyatakan AI telah memengaruhi hidup mereka secara nyata.

Pada tahun 1999, dalam buku Menjemput Masa Depan yang diterbitkan oleh Remaja Rosda Karya, pernah membayangkan booming internet akan menyiapkan jalan bagi munculnya Otak Global Sibernetika. Mungkin ini mirip-mirip gagasan Kurzweil tentang Artificial Super Intelligence.

Ketika penulis melihat booming LLM pasca-ChatGPT 2022, hampir-hampir penulis percaya bahwa AI berbasis LLM dan Machine Learning saat ini adalah menuju kapabilitas Otak Global Sibernetika.

Namun demikian, fakta-fakta yang diunduh dari Survei Sharing Vision pada Mei-Juni 2025, justru terletak jurang epistemik yang mengkhawatirkan.

Sebanyak 60 persen responden pernah terkecoh oleh jawaban AI yang meyakinkan, tapi keliru. Selain itu, 55 persen mengeluhkan inkonsistensi, 54 persen menyebut jawaban sering tak relevan, 18 persen mendeteksi bias gender, ras, atau diskriminasi, dan 4 persen bahkan terpapar konten tidak pantas. Sungguh memunculkan kegalauan dan skeptisisme.

Dalam dunia yang semakin dipenuhi informasi, tetapi tidak selalu benar, muncul sosok yang paling berbahaya: bullshitter par excellence.

Istilah ini, yang dipopulerkan filsuf Harry Frankfurt dalam esainya On Bullshit (2005), merujuk pada orang yang begitu mahir meyakinkan orang lain tanpa peduli apakah yang dikatakannya benar atau salah.

Berbeda dengan pembohong yang sadar akan kebenaran, tetapi sengaja menyembunyikannya, bullshitter tidak peduli dengan kebenaran sama sekali. Yang penting, kata-katanya terdengar meyakinkan.

Boleh dibilang bullshitter adalah "pemuradiksi" - gabungan antara pembual dan pemrediksi, atau pembual kredibel, atau seniman ilusi verbal ataupun maling kognitif.

Barangkali contoh yang baik untuk menggambarkan bullshitter par excellence adalah Elizabeth Holmes, pendiri Theranos.

Dengan gaya khas turtleneck hitam dan suara bariton yang sengaja dibentuk, Holmes meyakinkan dunia bahwa perusahaannya memiliki teknologi revolusioner yang bisa melakukan ratusan tes darah hanya dengan setetes darah. Padahal, teknologi itu tidak pernah bekerja.

Holmes bukan sekadar "memuradiksi". Dia menciptakan narasi yang begitu memukau sehingga mampu menipu tokoh-tokoh sekelas Henry Kissinger, Rupert Murdoch, dan mantan Menteri Pertahanan AS Jim Mattis.

Nilai Theranos pernah mencapai 9 miliar dollar AS, padahal produknya hanyalah fiksi ilmiah yang dikemas dengan jargon teknis.

Yang membuat Holmes berbahaya dan menakutkan adalah kemampuannya untuk menciptakan realitas alternatif yang ternyata murni ilusi halusinatif.

Dia tidak peduli apakah realitas alternatif yang dijajakannya faktual atau tidak. Yang penting, dia bisa membuat orang percaya. Inilah esensi dari bukan kebohongan, tapi ketidakpedulian terhadap kebenaran.

Bagaimana dengan AI?

Michael Townsen Hicks, James Humphries, Joe Slater dari University of Glasglow pada 2024 menuliskan:

baru ini, terdapat minat yang sangat besar terhadap large language models (LLM): sistem machine learning yang menghasilkan teks dan dialog menyerupai manusia.

Penggunaan sistem-sistem ini sering menghadapi masalah ketidakakuratan yang terus-menerus dalam output-nya; hal ini sering disebut sebagai “halusinasi AI”.

Kami berpendapat bahwa ketidakbenaran-ketidakbenaran ini, serta keseluruhan aktivitas dari large language models, lebih tepat dipahami sebagai bullshit dalam pengertian yang dijelaskan oleh Frankfurt (On Bullshit, Princeton, 2005): yaitu bahwa model-model ini pada dasarnya bersikap acuh tak acuh terhadap kebenaran dari apa yang mereka hasilkan.

Kami membedakan dua cara bagaimana model-model ini dapat dikatakan sebagai bullshitter, dan berargumen bahwa mereka jelas memenuhi setidaknya salah satu definisi tersebut.

Lebih lanjut, kami berpendapat bahwa menggambarkan kesalahan representasi AI sebagai bullshit merupakan cara yang lebih berguna dan lebih akurat untuk memprediksi dan membahas perilaku sistem-sistem ini.”

Kembali ke hasil survei Sharing Vision tentang penggunaan AI generative yang dikutip sebelumnya, ada satu pertanyaan yang mendasar:

Bagaimana kita bisa membedakan AI generative yang bulshitter par excellence dengan sistem yang benar-benar handal dan jawabannya dekat dengan faktualitas?

Karl Popper, dalam prinsip demarkasinya yang terkenal, mengajukan syarat utama bagi pengetahuan ilmiah: ia harus falsifiabel—dapat diuji dan dibantah.

Jika sistem AI generatif memberikan jawaban-jawaban yang terdengar meyakinkan, tapi tidak bisa diverifikasi atau bahkan dikonfirmasi kebenarannya, maka sistem itu tidak memenuhi syarat dasar pengetahuan ilmiah. Ia hanya menyerupai pengetahuan, tetapi tidak layak dipercaya tanpa pengujian ketat.

Namun, dalam praktik di perusahaan dan institusi, tantangan yang lebih besar muncul. Banyak perusahaan dan lembaga pendidikan kini terburu-buru mengadopsi AI generatif tanpa menyiapkan struktur pengujian dan pengelolaan yang benar.

Imre Lakatos, filsuf sains Hungaria, memperingatkan kita tentang perbedaan antara program riset progresif dan degeneratif.

AI hanya bisa disebut progresif bila ia dilandasi oleh metodologi yang kokoh dan terus berkembang, menyempurnakan teori dan praktik, serta membawa manfaat nyata dalam jangka panjang.

Tanpa struktur metodologis yang teruji, AI hanya akan menjadi aksesoris mahal dalam retorika modernisasi.

Masalah-masalah seperti halusinasi, bias, inakurasi dan inkonsistensi bukanlah kesalahan sepele. Halusinasi AI—ketika sistem memberikan informasi salah, tetapi tampak meyakinkan—merupakan tantangan serius, terutama jika AI digunakan dalam pengambilan keputusan di bidang pendidikan, hukum, kesehatan, atau pemerintahan.

Kemampuan linguistik model bukanlah jaminan kebenaran isi. Model ini tidak memahami realitas, melainkan hanya memprediksi kata-kata berikutnya berdasarkan pola statistik.

Di sinilah diperlukan suatu sistem evaluasi dan pengujian yang ketat dan saintifik agar AI tidak menjadi mesin yang menyesatkan.

Universitas Stanford melalui proyek HELM (Holistic Evaluation of Language Models) telah menjadi pelopor dalam merumuskan kerangka uji menyeluruh bagi model bahasa besar.

HELM tidak hanya menguji akurasi, tetapi juga keadilan, efisiensi, keamanan, serta sensitivitas budaya dan bahasa. Evaluasi dilakukan dalam berbagai skenario dunia nyata, dengan tolok ukur teknis dan etis yang luas.

Metrik seperti TruthfulQA mengukur apakah model mampu menjawab dengan jujur, bukan sekadar terdengar meyakinkan.

MMLU menilai pemahaman lintas bidang akademik. ARC menguji penalaran ilmiah. ToxiGen dan RealToxicityPrompts menilai kecenderungan model untuk memproduksi konten ofensif.

Sementara HaluEval dan FactScore mengevaluasi kemampuan faktual dan tingkat halusinasi. Ada pula StereoSet dan Winogender yang mengevaluasi bias stereotip dan gender.

Penggunaan tolok ukur seperti G-Eval, EQ-Bench, dan BIG-Bench Hard memberikan pemahaman yang lebih dalam terhadap kemampuan dan batas model AI.

Namun, evaluasi bukanlah kegiatan satu kali. Model-model ini terus berkembang, dan yang hari ini baik, bisa saja memburuk esok hari karena pembaruan data atau perubahan desain.

Oleh karena itu, perusahaan dan institusi yang hendak mengadopsi AI generatif harus membangun sistem pengelolaan yang kuat.

Standar seperti ISO 42001 tentang Artificial Intelligence Management System harus diterapkan sebagai dasar tata kelola.

Begitu pula dengan metodologi pengembangan seperti CRISP-DM, DSRM, dan pipeline MLOps yang memastikan setiap tahap pengembangan AI, dari pengumpulan data hingga implementasi, diuji dan diverifikasi secara menyeluruh.

Dalam konteks Indonesia dan negara-negara Global South lainnya, tantangan menjadi berlapis.

Banyak model AI yang belum optimal untuk bahasa Indonesia, apalagi bahasa daerah. Tanpa evaluasi berbasis konteks lokal, model-model tersebut rawan memperkuat bias global dan menciptakan ketimpangan informasi.

Untuk itu, pengujian yang mempertimbangkan lokalitas, keragaman bahasa, dan nilai budaya menjadi mutlak.

Komunitas akademik, industri, dan pemerintah perlu bersinergi untuk mengembangkan benchmark lokal dan memperluas evaluasi terhadap model-model berbahasa Indonesia.

Sebagai tambahan, kerangka kerja reflektif yang disebut quadruplet AI—yang meliputi Inside AI, Outside AI, Historical AI, dan Future AI—perlu diterapkan untuk memastikan bahwa evaluasi tidak berhenti pada teknikalitas, tetapi juga mencakup dampak sosial, pelajaran dari sejarah teknologi, dan visi masa depan yang beretika dan adil.

Kerangka ini dikembangkan oleh Agus Nggermanto bersama penulis untuk menjadi fondasi narasi alternatif Indonesia dalam menghadapi revolusi AI.

Memastikan AI tidak hanya cerdas tetapi juga benar, adil, dan bertanggung jawab adalah pekerjaan bersama.

Tidak cukup hanya kagum pada kecerdasan buatan; kita harus berani mengujinya, mempertanyakan hasilnya, dan mengendalikannya agar tetap menjadi pelayan manusia, bukan tuannya.

Tanpa evaluasi yang menyeluruh dan tata kelola yang kuat, AI yang kita anggap solusi justru bisa menjadi sumber kebingungan dan kerusakan.

Dan di era ketika kecepatan kadang mengalahkan kebenaran, kehati-hatian dan prinsip ilmiah menjadi senjata terakhir kita untuk tetap waras di tengah badai algoritma.

Oleh karena itu, perusahaan dan institusi publik harus mulai berpijak pada standar dan kerangka kerja yang jelas.

Misalnya, menerapkan sistem manajemen AI berdasarkan ISO 42001—standar internasional untuk tata kelola kecerdasan buatan—serta membangun metodologi pengembangan berbasis AI pipeline, CRISP-DM, atau Design Science Research Methodology (DSRM).

Lebih jauh, Stanford University dan berbagai institusi global telah menegaskan evaluasi dan berbagai pengukuran untuk menguji kualitas LLM.

Namun, pengujian teknis saja tidak cukup. Dalam menghadapi AI yang kian terintegrasi dalam kehidupan sosial, kita perlu menggunakan kerangka berpikir yang lebih luas.

Penulis bersama Agus Nggermanto mengusulkan satu model refleksi bernama “Quadruplet AI Thinking”: Inside AI, Outside AI, Historical AI, dan Future AI.

Inside AI menekankan pentingnya memahami struktur AI—ia bukan makhluk rasional, tapi pengolah pola berdasarkan data. AI bekerja berdasar probabilitas dan statistical machine learning.

Outside AI mengkaji dampaknya terhadap ipoleksosbudhankam: bagaimana ia menciptakan kenyamanan semu, membentuk ketergantungan, dan perlahan memundurkan daya nalar manusia.

Di perusahaan, AI yang tidak tepat malahan bisa membawa perusahaan menuju kebangkrutan.

Misal: AI pendukung credit scoring yang tidak handal. Atau AI yang menggantikan 70 persen tenaga programmer di perusahaan, tentu akan menjadi pertanyaan besar; apakah AI membantu manusia atau AI men-delete manusia?

Historical AI mengingatkan bahwa teknologi selalu datang dengan siklus: dari euforia ke kejenuhan, dari harapan ke koreksi.

Kita harus belajar dari sejarah “AI winter” di masa lalu dan jangan sampai mengulangnya dengan gegabah.

Future AI akhirnya mengarahkan perhatian kita pada tantangan jangka panjang—soal regulasi, etika, dan arah moral yang harus ditentukan oleh nilai-nilai lokal, bukan hanya algoritma global.

Dalam hal ini buku penulis bersama Agus Nggermanto 19 Narasi Besar Akal Imitasi mungkin bisa menjadi rujukan yang membantu.

Kembali pada hasil survei Sharing Vision; 93 persen responden percaya bahwa AI akan menjadi bagian integral dari kehidupan dalam tiga tahun ke depan.

Oleh karena itu, pekerjaan rumah kita tidak hanya membangun infrastruktur teknis. Kita harus mengembangkan narasi yang solid, ekosistem tata kelola berbasis kebijaksanaan, nilai, dan literasi yang kreatif dan kritis.

Sebab AI generatif—secerdas dan secepat apapun—tidak lebih dari mesin autofill super cerdas.

Jika tidak diuji dengan sungguh-sungguh, tidak dibingkai oleh prinsip progresifitas, dan tidak diatur oleh sistem manajemen yang ketat, maka AI akan berubah dari alat bantu menjadi alat tipu, dari teman kerja menjadi penyesat kolektif yang malahan berpotensi merugikan.

AI haruslah diuji dengan filosofi kecerdasan alami. Dan kecerdasan alami itu berpijak pada prinsip: bahwa meyakinkan bukan berarti benar.

AI hanya akan menjadi progresif bila manusianya terlebih dahulu memprogresifkan cara berpikir dan cara mengelolanya.

Mari tingkatkan literasi dan pengetahuan saintifik, filosofis, etis kita tentang AI, baik dalam perusahaan maupun bagi semua anak bangsa!