Sorotan AI — gambaran utuh — 2026-10-15 (Kamis) Berita Pagi

Angka pendanaan dan pertumbuhan AI diperbarui secara signifikan setiap kuartal. Singapura mencatat pertumbuhan 5,4% berkat permintaan AI, dengan kemitraan penemuan obat berbasis AI senilai hingga $1,2 miliar telah ditandatangani. Sementara itu, ketenagakerjaan tetap tidak pasti setelah Publicis berjanji memangkas tenaga kerja manual sebesar 25%, dan seorang nenek yang menggugat akibat kesalahan pengenalan wajah menuntut $10 juta. Kecepatan penggalangan dana dan kecepatan orang-orang yang terdampak mengetahui bebannya tidak berjalan bersamaan. Di bawah ini, baca skala angka tersebut bersama tekanan yang sudah ditimbulkannya pada bidang ini, pada individu, dan pada langkah-langkah keselamatan. Sejauh mana dampak penerapan perlu diakui tidak dapat ditentukan sampai kita mempertimbangkan siapa yang akan bertanggung jawab atas pembagian biaya dan tanggung jawab.

Tempat kerja yang terombang-ambing antara pengurangan personel dan pelatihan ulang

Publicis telah menetapkan target untuk mengurangi pekerjaan manual sebesar 25% melalui AI, tetapi dampaknya terhadap lapangan kerja dilaporkan masih belum jelas (Storyboard18). Angka tersebut menunjukkan pengurangan beban kerja, bukan pengurangan jumlah karyawan. Namun, setelah seperempat pekerjaan manual dihilangkan, belum diputuskan apakah orang yang sama akan menggunakan waktu itu untuk mengerjakan hal lain, atau apakah jumlah orang akan ditinjau ulang. Jika Anda mencoba memperkirakan berapa banyak orang yang akan dikurangi hanya dengan melihat nilai target, Anda akan mudah keliru dalam menilai.

Meskipun pengantarnya sama, tren di bidang ini mulai berbeda arah. Dilaporkan bahwa HSBC dan Kroger meningkatkan jumlah PHK akibat AI, dan perbandingan biayanya dengan pelatihan ulang sedang dibahas (AICERTs). Sementara perampingan menurunkan biaya tenaga kerja jangka pendek, pelatihan ulang membutuhkan biaya pelatihan dan waktu. Mana yang lebih murah bergantung pada cakupan pekerjaan yang digantikan dan apakah staf yang tersisa dapat mengambil alih pekerjaan baru. Saat melihat perusahaan dan tempat kerja mereka, pembaca perlu memperhatikan bukan hanya besarnya pemangkasan, tetapi juga biaya peningkatan keterampilan dan siapa yang akan bertanggung jawab setelah pemangkasan dilakukan.

Arah perubahan di bidang pekerjaan untuk lulusan baru agak berbeda. The Economic Times melaporkan bahwa kategori pekerjaan untuk lulusan baru sedang berubah karena kecenderungan menekankan keterampilan AI, dan bahwa jumlah perekrutan lulusan baru di bidang TI dan BPM India sedang pulih. Mudah dibayangkan bahwa jika pekerjaan manual tingkat awal dialihkan ke AI, lowongan bagi karyawan baru akan hilang lebih dulu, tetapi adanya kasus perekrutan yang kembali menunjukkan bahwa sebagian perusahaan mengalokasikan dana untuk melatih sumber daya manusia yang mampu menangani AI. Di sini, bagaimana literasi AI dikembangkan menjadi variabel yang menentukan dampaknya terhadap lapangan kerja.

Cakupan pengguna juga semakin luas. OpenAI Forum dikatakan telah mengadakan diskusi tentang penggunaan AI bagi para pakar jajak pendapat publik (EdTech Innovation Hub). Fakta bahwa diskusi tentang pemanfaatan telah meluas ke profesi-profesi tertentu menunjukkan bahwa peningkatan keterampilan (reskilling) bukan isu yang terbatas pada pekerjaan tertentu. Selain itu, Laporan Implementasi AI edisi 2026 (Knowledge at Wharton) juga akan menjadi bahan untuk memeriksa kondisi implementasi yang sebenarnya. Dampak tidak dapat diukur hanya dari kenyataan bahwa penerapan telah maju; hasil tidak dapat dibandingkan kecuali kita juga melihat apakah AI digunakan untuk pengurangan atau pelatihan.

Pilihan antara pengurangan dan pertumbuhan bukan hanya soal keuangan perusahaan, tetapi juga soal alokasi, yaitu siapa yang lebih dulu menanggung biaya dan tanggung jawab. Di bagian berikutnya, kita akan melihat bagaimana distribusi ini terwujud dalam hal individu dan keselamatan.

Rantai pendanaan dan kolaborasi untuk penemuan obat

Dari penempatan swasta kecil hingga pengadaan pemerintah, pendanaan untuk penemuan obat berbasis AI mengalir melalui saluran yang berbeda di setiap tahap. Rakovina Therapeutics (TSXV:RKV) dari Kanada telah menyelesaikan penempatan swasta senilai C$1.99 juta dan menjelaskan mengapa dana tersebut akan diarahkan untuk penemuan obat kanker berbasis AI (kalkine.ca). Meskipun skalanya kecil, ini merupakan contoh tahap pertama dalam menghimpun dana untuk AI dan mengalokasikannya ke penelitian.

Dari sisi kemitraan dan kontrak, angkanya naik satu tingkat. Deep Origin telah mengumumkan kolaborasi penemuan obat berbasis AI multi-target dengan BioAge Labs, dan menyatakan telah mengonfirmasi hit tervalidasi pada target pertama (Yahoo Finance Singapore). ITOCHU Corporation telah menandatangani perjanjian aliansi modal dengan MOLCURE Inc. (BioSpectrum Asia) untuk penemuan obat berbasis AI di Jepang. Zealand Pharma dan Generate menandatangani kesepakatan obat obesitas berbasis AI senilai hingga $1,2 miliar (WTVB). Ungkapan "maksimum" di sini harus dibaca sebagai batas atas yang mencakup jumlah yang dibayarkan dengan syarat pencapaian kinerja tertentu. Meskipun nilai kontrak yang tercantum di judul berita mungkin besar, pembayaran tetap dan jumlah bersyarat di masa depan adalah dua hal yang berbeda.

Aliran dana tidak terbatas pada sektor swasta. ThinkTrends telah memenangkan kontrak IDIQ senilai $49 juta dari Badan Pengawas Obat dan Makanan AS (FDA) untuk mendukung implementasi AI dan data (The Globe and Mail). Regulator sendiri akan mengadakan infrastruktur AI dan data. Dari sisi pasar, Nuvin Asset Management, yang mengelola $2,6 triliun, merilis komentar pasar yang menyatakan bahwa AI sedang membentuk ulang struktur ekonomi industri biofarmasi. Mengenai pasar TI ilmu hayati, sebuah analisis menyebutkan bahwa IQVIA, Oracle, Accenture, Veeva Systems, dan SAP menargetkan $82,24 miliar pada 2035 (Yahoo Finance UK). Selain itu, Nanyang Biologics, perusahaan bioteknologi penemuan obat berbasis AI di Singapura senilai USD 1,5 miliar, dilaporkan tercatat di Nasdaq (The Business Times).

Jika dilihat berdampingan, yang ada di depan adalah pendanaan, valuasi, dan nilai kontrak, sedangkan hasil yang dapat dilihat hanyalah hasil tahap awal seperti ``verified hit'' milik Deep Origin. Konfirmasi hit adalah awal dari proses panjang penemuan obat, dan pengumuman pencatatan saham atau kontrak besar saja tidak menunjukkan akurasi uji klinis atau persetujuan berikutnya. Pembaca sebaiknya melihat rincian bagian pasti dan bagian kontingen dari jumlah kontrak, serta apakah dana tersebut terkait dengan hasil yang terverifikasi. Bagian berikutnya membahas bagaimana pergerakan keuangan ini mendistribusikan ulang biaya dan tanggung jawab di bidang tersebut.

Kepercayaan pada model prediktif yang mendukung diagnosis dan pengobatan

Model prediktif yang menggunakan gambar dan data multimodal bergerak menjauh dari tahap penelitian dan mendekati alur klinis. Untuk kanker urotelial saluran atas, dilaporkan sebuah sistem pendukung keputusan klinis multimodal, CLIP-CGPNet, untuk memprediksi kekambuhan pascaoperasi (Journal of imaging informatics in medicine). Untuk kanker payudara, HCF-Net, yang mengklasifikasikan subtipe molekuler secara praoperatif dari MRI dinamis dengan kontras, disusun sebagai fusi bertingkat mengikuti alur terapi klinis (jurnal yang sama). Pada kasus adenokarsinoma musinosa paru, telah diterbitkan beberapa penelitian untuk mengklasifikasikan subtipe dan memprediksi prognosis dengan mengintegrasikan data multimodal (translational cancer research). Kesamaan ketiganya adalah menempatkan model pada titik tertentu dalam proses pengambilan keputusan, seperti memilih sebelum atau sesudah operasi. Yang perlu diperiksa bukan hanya angka akurasinya, tetapi juga dalam situasi mana model harus menggantikan atau melengkapi.

Di sisi lain, apakah dokter menerima jawaban yang diberikan oleh model masih menjadi persoalan tersendiri. Keterjelasan (explainability) dan kepercayaan klinis ditangani secara langsung dalam penggunaan deep learning untuk memprediksi respons pengobatan glioblastoma (Journal of imaging informatics in medicine). Penelitian untuk memprediksi karsinoma hepatoseluler mutan P53 menggunakan radiomik MRI menyasar tidak hanya bagian dalam tumor tetapi juga area di sekitar tumor (translational cancer research). Wawancara dengan UMass Chan Medical School tentang AI dalam radiologi juga memposisikan teknologi ini dari sudut pandang dokter yang membaca citra. Prediksi yang akurat saja tidak cukup; prasyarat untuk penggunaan praktis adalah dokter dapat memastikan di bagian mana pada citra prediksi tersebut didasarkan.

Konsep yang sama ada di luar bidang kedokteran. Dilaporkan bahwa drone berteknologi AI digunakan oleh para produsen tidak hanya untuk memantau tanaman, tetapi juga untuk berbagai kegunaan yang lebih luas (Growing Produce). Bahkan jika pengamatan lapangan menjadi lebih presisi, produsenlah yang memutuskan bagaimana informasi tersebut digunakan untuk mengambil keputusan terkait operasional dan input. Baik dalam diagnostik maupun pertanian, nilai sebuah instalasi lebih bergantung pada cara lapangan menangani keluarannya dan siapa yang mengambil alih ketika terjadi masalah, bukan pada angka kinerja. Hal ini berkaitan langsung dengan pertanyaan berikutnya, yaitu melihat dampak teknologi termasuk alokasi biaya dan tanggung jawab.

Permintaan untuk menarik garis batas demi melindungi individu dan anak-anak

Kesalahan identifikasi pengenalan wajah sudah dibawa ke pengadilan. Seorang nenek yang keliru diidentifikasi sebagai pelaku pencurian bank menggunakan pengenalan wajah AI telah mengajukan gugatan yang menuntut ganti rugi sebesar $10 juta, lapor ABC News. Artinya, keputusan untuk mengaitkan seseorang dengan pelaku bermula dari hasil pencocokan mesin. Di bidang kesehatan mental, Korea Selatan mengumumkan pedoman keselamatan untuk AI kesehatan mental (Healthcare IT News). Ini adalah contoh pemerintah mendokumentasikan sejauh mana urusan dapat diserahkan kepada AI sebelum penggunaannya meluas. Baik pengenalan wajah maupun dukungan konseling, kesalahan berdampak pada individu yang menerima hasilnya, bukan pada pihak yang memilih sistem. Mereka yang mempertimbangkan penerapan perlu memeriksa bukan hanya angka akurasi, tetapi juga siapa yang dapat mengoreksi kesalahan dan siapa yang akan bertanggung jawab ketika kesalahan terjadi.

Pada jenis AI yang menciptakan hubungan, objek penggambarannya lebih dekat dengan batin pengguna. Universidad de Córdoba (UCO) menyebutkan bahwa aplikasi pacar AI-nya memiliki pengaturan kepribadian dan fitur privasi. Meskipun sistem yang memungkinkan pengguna memilih kepribadian sesuai dengan preferensi pengguna, hal itu juga memunculkan persoalan tentang cara menangani catatan percakapan yang intim. Mengenai anak-anak, seorang pakar menulis di Florida Politics yang berargumen bahwa Florida tidak seharusnya mempercayakan anak-anak kepada chatbot. Kontribusi ini mewakili pendapat seorang pakar secara pribadi dan tidak berarti bahwa regulasi telah difinalisasi. Namun, memiliki fitur privasi dan dapat berinteraksi dengan anak di bawah umur adalah dua pertanyaan yang berbeda. Orang tua, sekolah, dan penyedia perlu menentukan cakupan penggunaan untuk setiap kelompok usia, terlepas dari ada atau tidaknya fungsi tersebut.

Teknik membaca emosi dan bias juga dapat digunakan untuk mendukung penilaian semacam itu. Optimalisasi yang terinspirasi dari perilaku serigala telah meningkatkan kinerja pengenalan emosi dalam ucapan lintas bahasa, menurut Bioengineer.org. Jika emosi dapat ditangani dalam berbagai bahasa, situasi penggunaannya akan semakin luas. Namun, pihak yang menerapkan sistem ini diharuskan memverifikasi bahwa sistem tidak salah mengenali orang dengan bahasa atau gaya bicara tertentu. Penn Today melaporkan upaya menggunakan AI untuk mendeteksi bias media dan menjadikannya dasar bagi keputusan para pemilih dan pembaca. Kecuali kita memastikan bahwa kriteria yang digunakan untuk menilai bias itu sendiri tidak bias, alat ini mungkin tidak membantu pembaca mengambil keputusan, melainkan justru memaksa mereka memandang dengan cara tertentu. Baik untuk pengenalan emosi maupun deteksi bias, pertanyaannya adalah apakah keduanya digunakan setelah mengungkapkan dasar penilaian dan kecenderungan kesalahannya, alih-alih mengandalkan hasilnya begitu saja.

Yang kita lihat sejauh ini adalah bahwa dalam situasi ketika kerugian pertama kali menimpa individu, perlu diputuskan lebih dahulu siapa yang akan menyelidiki dan siapa yang akan bertanggung jawab. Selanjutnya, kita melihat bagaimana biaya dan tanggung jawab tersebut dibagikan antara perusahaan dan masyarakat.

Sumbu waktu pertumbuhan, politik, dan langkah-langkah keamanan

Singapura mencatat pertumbuhan 5,4% berkat permintaan AI, dengan kebijakan moneter tidak berubah (Bloomberg.com). Meskipun angkanya kuat, hal itu hanya menunjukkan bahwa angin segar dari sisi permintaan muncul lebih dulu dalam statistik. Sekitar waktu yang sama, sebuah kelompok pendanaan AI dilaporkan mendukung pencalonan Scott Wiener untuk Kongres dengan dana $3 juta (Mission Local). Melalui pendanaan, jarak antara mereka yang menerima buah pertumbuhan dan mereka yang menentukan aturan semakin menyempit. Sementara itu, Harris memperingatkan bahwa waktu yang tersisa untuk langkah-langkah keamanan AI hanya sedikit dan mendesak kerja sama antara Amerika Serikat dan Tiongkok (Reuters). Tingkat pertumbuhan diperbarui setiap kuartal dan pemilu tetap sesuai jadwal, tetapi tidak ada yang menetapkan tenggat untuk langkah-langkah keamanan. Titik awal bagian ini adalah titik di mana tiga sumbu waktu yang berbeda bergerak berdampingan.

Perbedaan waktu ini juga tercermin dalam jadwal di lapangan. Operator panti jompo Cascadia, CarDon, dan FellowshipLIFE membicarakan peta jalan mereka dalam menggunakan AI (Skilled Nursing News). Sikap untuk melanjutkan penerapan secara bertahap menunjukkan bahwa sistem tersebut beroperasi pada skala waktu operasional yang tidak bergantung pada kecepatan pertumbuhan maupun pemilu. Di sisi kreatif, Air menggelar acara di atap gedung bersama seniman Joe Bloom untuk berbicara tentang AI dan kreativitas (Ad Age). Jadwal kerja untuk perawatan lansia dan kesempatan berdialog dalam penulisan kreatif sama-sama berusaha menata cara sesuatu dipahami di bidangnya masing-masing.

Sekarang, mari kita ubah lokasi pertanyaannya. Robot AI yang muncul dalam "Vision Quest" dari Marvel mengajukan pertanyaan apakah mesin dapat berpikir sendiri (Moneycontrol.com). Meskipun ini adalah cerita fiksi, hal itu beririsan dengan pertanyaan tentang di mana menarik batas antara apa yang harus diserahkan kepada mesin dan apa yang harus ditangani manusia ketika pembaca memutuskan untuk menerapkannya. Angka laju pertumbuhan dan jumlah dana politik tidak menarik batas itu untuk kita.

Kembali pada penilaian pembaca, yang perlu kita perhatikan bukanlah besarnya angka, melainkan seberapa cepat benda yang bergerak itu melaju dan beban mana yang akan diterapkan lebih dulu. Jika peringatan Harris benar, masa tenggang bisa lebih pendek daripada jadwal di lapangan. Namun, lamanya moratorium tidak bersifat mutlak, dan masih berada dalam kisaran yang ia gambarkan sebagai peringatan. Apakah perdebatan dapat mengejar lajunya pada akhirnya akan kembali pada pertanyaan alokasi: siapa yang akan menanggung biaya dan tanggung jawab.

Kasus-kasus yang dibahas di setiap bagian memiliki pola yang sama. Laju pertumbuhan, jumlah pendanaan, dan skala kemitraan akan ditetapkan sebagai angka pada saat pengumuman. Di sisi lain, penanganan personel, keputusan yang digantikan oleh model prediktif, koreksi dan tanggung jawab ketika terjadi kesalahan, serta tenggat waktu untuk langkah-langkah keselamatan ditentukan setelah implementasi. Beban muncul lebih dulu di sisi yang terakhir, dan yang menanggung beban itu adalah orang-orang yang bertanggung jawab di lapangan serta individu yang menjadi sasaran hasilnya. Oleh karena itu, efektivitas penerapan tidak dapat dinilai dari angka yang berdiri sendiri seperti jumlah pengurangan, akurasi, dan laju pertumbuhan. Hanya dengan memastikan siapa yang akan membayarnya, siapa yang dapat memperbaiki kesalahan, dan siapa yang akan bertanggung jawab, barulah dapat ditentukan apakah implementasi yang sama akan menjadi keuntungan atau kerugian bagi kita. Besarnya angka tetap menjadi titik awal, dan fokus penilaian ada pada alokasi.

T1: Siapa di tempat kerja Anda yang memutuskan untuk mengalokasikan waktu dan upaya yang dibebaskan oleh AI ke tugas apa? T2: Ketika AI menghasilkan hasil yang salah, apakah ada prosedur untuk menemukan dan memperbaikinya, dan siapa yang bertanggung jawab secara tertulis? T3: Apakah angka yang mengukur efektivitas penerapan mencakup biaya pelatihan ulang, biaya penanganan kesalahan, dan beban bagi pihak yang terdampak?

Terakhir, tiga pertanyaan

- Siapa di tempat kerja Anda yang memutuskan untuk mengalokasikan waktu dan tenaga yang dibebaskan oleh AI ke tugas apa? Q2: Ketika AI menghasilkan hasil yang salah, apakah ada prosedur untuk menemukan dan memperbaikinya, dan siapa yang bertanggung jawab secara tertulis? Q3: Apakah angka yang mengukur efektivitas penerapan mencakup biaya pelatihan ulang, biaya penanganan kesalahan, dan beban bagi pihak yang terdampak? - Ketika AI menghasilkan hasil yang salah, apakah ada prosedur untuk menemukan dan memperbaikinya, dan siapa yang bertanggung jawab secara tertulis? Q3: Apakah angka yang mengukur efektivitas penerapan mencakup biaya pelatihan ulang, biaya penanganan kesalahan, dan beban bagi pihak yang terdampak? - Apakah angka yang mengukur efektivitas implementasi mencakup biaya pelatihan ulang, biaya penanganan kesalahan, dan beban bagi pihak yang terdampak?