AI Highlights — gambaran lengkap — 2026-10-17 (Sab) Berita Pagi

Saat bank memangkas 3.000 pekerjaan, pihaknya menjelaskan bahwa tujuan AI adalah meningkatkan efisiensi, bukan menggantikan manusia. Dalam perangkat lunak perusahaan, dikatakan bahwa meskipun agen AI mendekati autopilot, keterlibatan manusia akan tetap ada. Dalam penemuan obat, kemitraan senilai hingga $1,5 miliar sedang dibentuk, dan dalam diagnostik, model prediktif mulai masuk ke dalam keputusan tentang tumor individual. Kekuatan untuk menghasilkan kecepatan menjangkau tempat kerja, laboratorium, dan klinik secara bersamaan. Hal yang ingin saya sampaikan kepada pembaca di sini adalah pandangan bahwa berhasil atau tidaknya implementasi tidak ditentukan oleh performa yang tinggi, melainkan oleh penarikan garis antara proses mana yang boleh diserahkan kepada AI dan keputusan mana yang harus diserahkan kepada manusia. Penjelasan perusahaan dan besarnya dana bukanlah dasar untuk menarik garis tersebut. Dalam teks utama, kita akan melihat di mana garis ditarik di setiap bidang.

Pernyataan mengenai pengurangan personel dan perubahan peran yang terjadi di lapangan

Dalam artikel yang melaporkan PHK di bank, kata-kata penjelasan muncul bersama jumlah pengurangan pekerjaan. Axis Bank akan memangkas 3,000 pekerjaan pada FY26. Menurut sebuah laporan (Goodreturns), bank tersebut bertujuan menggunakan AI untuk meningkatkan efisiensi operasional dan bukan untuk menggantikan sumber daya manusia. Di industri teknologi, media lokal juga membicarakan di mana AI dan PHK akan mengambil pekerjaan (KTVU). Namun, dalam pengumuman semacam ini, angka "3,000 orang" dan penjelasan "bukan penggantian" muncul di halaman yang sama. Kata-kata penjelasan bukanlah dasar yang bisa dijadikan sandaran penilaian oleh pembaca.

Di sisi perangkat lunak korporat, desain yang tetap melibatkan manusia dibicarakan sebagai sebuah spesifikasi. Sebuah analisis tentang Workday Rising 2026 (iTWire) melaporkan bahwa agen AI Workday akan bergerak lebih dekat ke autopilot sambil tetap mempertahankan keterlibatan manusia. Seiring kemajuan otomatisasi, keputusan desain produk menjadi lebih penting dalam menentukan proses mana yang tetap melibatkan manusia. Yang perlu dicermati oleh mereka yang mempertimbangkan penerapan bukanlah berapa banyak orang yang akan dipangkas. Pertanyaannya adalah bagian persetujuan dan penanganan pengecualian mana yang tetap berada di tangan manusia.

Perubahan sifat pekerjaan semakin terlihat di bidang perawatan lansia, pendidikan, dan dukungan perumahan. Sebuah artikel (McKnight's Senior Living) yang memuat laporan tentang panti jompo melaporkan bahwa penggunaan AI membantu para pekerja perawatan lansia. Prefektur Shizuoka telah memperkenalkan obrolan AI di kompleks perumahan prefektur untuk membantu mencegah rumah tangga satu orang menjadi terisolasi (Mainichi Shimbun). Di bidang pendidikan, SBCCD dan BBOP Center telah meluncurkan kemitraan literasi AI di College Corps (Precinct Reporter News). Ketiga kasus ini dapat dibaca sebagai contoh AI yang mengubah cakupan pekerjaan yang dilakukan manusia dan kemampuan yang dibutuhkan dari mereka, bukan menggantikan manusia. Para pengasuh akan dapat menyerahkan sebagian pencatatan dan pemeriksaan kepada AI, dan penghuni kompleks perumahan dapat berkonsultasi terlebih dahulu melalui obrolan. Mereka yang belajar akan memperoleh kemampuan untuk memanfaatkan AI sepenuhnya.

Oleh karena itu, dampak terhadap lapangan kerja tidak dapat diukur hanya dari jumlah pemangkasan. Meskipun istilah ``peningkatan efisiensi'' bisa digunakan untuk keduanya, apa yang dialami para pekerja berbeda antara ketika jumlah orang dikurangi dan ketika jumlah orang yang terlibat dalam dialog serta pengambilan keputusan dikurangi. Yang akan menentukan berhasil atau tidaknya penerapan adalah garis yang ditarik antara apa yang sebaiknya dipercayakan kepada AI dan apa yang sebaiknya tetap ditangani manusia. Selanjutnya, kita akan melihat bagaimana garis ini ditarik di bidang seperti penemuan obat dan diagnostik, yang biaya kesalahannya tinggi.

Pendanaan dan penerapan klinis AI maju melalui penemuan obat dan diagnosis

Dana sudah mulai mengalir ke bisnis berbasis AI. AstraZeneca telah menandatangani kemitraan senilai hingga $1.5 billion dengan perusahaan penemuan obat berbasis AI, Incitro (BigGo Finance). Google.org akan mendukung tim University of Toronto dengan $2.3 million untuk membangun OpenPep, mesin AI untuk penemuan obat peptida (Bioengineer.org). Di bidang keuangan, Matters dari Swedia mengumpulkan $5 million untuk meluncurkan bank berbasis AI sejak awal (The Next Web). Di Jepang, AI, pembuatan kapal, dan penemuan obat dibahas berdampingan di antara 17 bidang strategis dengan anggaran 370 trillion yen (Nikkei Business Online Edition). Perlu dicatat bahwa frasa "hingga" $1.5 billion untuk kemitraan tersebut tidak berarti seluruh jumlah itu telah dikomitmenkan. Alih-alih besarnya jumlah, yang perlu dilihat pembaca adalah apakah dana tersebut disusun dengan asumsi bahwa prosesnya akan diserahkan kepada AI.

Dari sisi klinis, diskusi implementasi mulai menyusul pergerakan pendanaan. Para pemimpin pencitraan diagnostik membahas sejauh mana otomatisasi AI dapat diperluas ke lingkungan klinis dalam sebuah webinar (Radiology Business). Penelitian menjadi dasarnya. Journal of Imaging memuat makalah yang menelaah dampak bantuan AI terhadap kinerja radiolog dalam deteksi nodul paru menggunakan CT melalui tinjauan sistematis dan meta-analisis studi akurasi deteksi. Yang penting, studi ini mengukur kinerja dokter yang menggunakan AI, bukan akurasi AI itu sendiri. Sebuah studi di Journal of Neuro-Oncology menggunakan data multisenter untuk mengembangkan dan membandingkan model deep learning, radiomik, klinis, dan model terintegrasi untuk prediksi derajat WHO meningioma sebelum operasi melalui MRI. Karena desainnya membandingkan model mandiri dan model terintegrasi secara berdampingan, penelitian ini dapat dikatakan menanyakan kombinasi apa yang dapat digunakan.

Jika kedua arus ini disandingkan, terlihat di mana keputusan ditempatkan. Dalam penemuan obat dan bank-bank baru, dana dikucurkan lebih dulu, dan hasilnya diverifikasi kemudian. Dalam diagnostik, pertanyaan verifikasi bergeser dari "apakah AI benar" menjadi "bagaimana kinerja orang yang menggunakan AI berubah". Bagi yang mempertimbangkan penerapan, sebaiknya periksa apakah ada bukti yang mengukur kinerja orangnya, bukan jumlah kemitraan atau pengadaan, untuk menentukan lingkup yang dipercayakan.

Kecepatan penghimpunan dana tidak sama dengan kecepatan akumulasi verifikasi. Pertanyaan tentang siapa yang akan mengisi kesenjangan itu mengarah ke bagian berikutnya.

Model prediksi masuk ke penilaian tumor individual

Dalam penelitian kanker payudara, penanda digital baru untuk mengevaluasi ekspresi CXCL9 dan prognosis ditunjukkan menggunakan "pathomics signature" yang dibuat dengan machine learning (CytoJournal). Pada adenokarsinoma paru, ATP2A2 telah diidentifikasi sebagai faktor yang mendorong remodeling mikrolingkungan dan penghindaran imun dari tanda ekosistem inflamasi dan metabolik yang diturunkan dari AI (Frontiers in Cell and Developmental Biology). Keduanya adalah studi yang mengekstraksi indikator terkait prognosis dari citra patologi dan data ekspresi gen. Kesamaan keduanya adalah upaya untuk menunjukkan tidak hanya angka yang dihasilkan model, tetapi juga faktor biologis mana yang terkait dengan angka-angka tersebut.

Penelitian yang menggunakan citra juga menunjukkan arah yang sama. Pada kanker prostat metastatik peka kastrasi, pembelajaran mesin yang dapat dijelaskan digunakan untuk meneliti faktor-faktor yang memprediksi apakah pasien akan menerima intensifikasi pengobatan yang sesuai pedoman (Frontiers in Oncology). Pada kanker hati, kami menggabungkan habitat intratumoral dan radiomik peritumoral untuk meningkatkan akurasi prediksi kemanjuran TACE awal. Ini adalah studi retrospektif multisenter (Frontiers in Oncology). Pada kanker ginjal, kami menggunakan fraksi volume ekstraseluler turunan CT dengan kontras untuk memprediksi secara praoperasi derajat WHO/ISUP karsinoma sel ginjal sel jernih dengan pembelajaran mesin yang dapat diinterpretasikan (Frontiers in Oncology). Cakupan prediksi, termasuk prognosis, pemilihan terapi, efek terapi, dan derajat, meluas ke setiap tahap penilaian individual untuk setiap tumor.

Hasil dari studi-studi ini bergantung pada apakah mereka dapat menunjukkan alasan di balik prediksi, bukan sekadar prediksinya. Pada tahap penerapan model pada pasien individual, model yang tidak dapat menunjukkan bukti tidak akan berfungsi sebagai bahan pertimbangan bagi dokter, sedangkan model yang dapat menunjukkannya akan berfungsi sebagai bahan bagi dokter untuk menyetujuinya atau menyadari kesalahan. Bagi yang mempertimbangkan penerapan, membandingkan angka akurasi saja tidaklah cukup. Perlu ditanyakan apakah prediksi dapat disajikan berdasarkan dasar apa dalam bentuk yang dapat dikonfirmasi oleh tenaga klinis. Selain itu, penelitian tentang kanker hati bersifat retrospektif. Pembaca juga perlu mencatat bahwa hasilnya belum diverifikasi melalui pengobatan medis yang sebenarnya.

Tren ini tidak terbatas pada tumor. Sebuah studi yang menggunakan AI untuk menganalisis 101.000 orang menunjukkan bahwa lemak cokelat berkaitan dengan kesehatan jantung dan mental (News-Medical). Seiring meningkatnya skala analisis, kecepatan ditemukannya hubungan antarvariabel ikut meningkat, tetapi manusialah yang menentukan bagaimana hubungan tersebut ditafsirkan dan sejauh mana hubungan itu digunakan dalam keputusan. Fakta bahwa prediksi yang dapat dijelaskan menjadi poros penilaian juga berarti bahwa tanggung jawab untuk menerima prediksi tetap berada pada orang yang menggunakannya. Pada bagian berikutnya, kita akan melihat bagaimana tanggung jawab ini dibagi di dalam organisasi.

AI yang terus mendapat pengakuan serta tekanan dari regulasi dan persaingan

AI yang terus-menerus membenarkan orang berisiko merusak hubungan antarpribadi. Forbes JAPAN melaporkan kekhawatiran tentang pengalihan kesalahan dan kurangnya empati. Gagasannya, jika pengguna hanya menerima jawaban yang menguntungkan dirinya, kesempatan untuk mengevaluasi ulang perilakunya sendiri akan berkurang. Di sisi lain, layanan dialog terus berkembang. Penawaran Universidad de Córdoba (UCO) mencakup chatbot percakapan seksual tanpa filter untuk orang di atas 18 tahun, serta layanan "AI girlfriend love simulator" dengan kontrol privasi (AI Girl Generator Online With Customizable Characters And Privacy Controls). Pengaturan privasi telah menjadi nilai jual, dan cara data pengguna ditangani merupakan bagian dari produk. Pihak yang mempertimbangkan untuk menerapkannya perlu lebih dulu memeriksa apakah AI dirancang untuk menyetujui apa saja, dan siapa yang akan mengelola catatan percakapan, bukan jumlah fiturnya.

Diskusi mengenai "kemampuan berpikir" AI terus berlanjut. Deccan Herald menggunakan gagasan Purusha dan Prakriti dari filsafat India untuk membahas batas kesadaran AI dan pertanyaan apakah mesin dapat berpikir. Psychology Today membahas mengapa lukisan asli tampak seperti buatan AI. Kedua poin ini menunjukkan bahwa perasaan orang tentang cara membedakan "kesan AI" sedang goyah. Premis penggunaan manusia untuk menentukan apakah suatu keluaran itu asli atau produk perlu dipertimbangkan kembali.

Tekanan regulasi dan persaingan mulai memberlakukan batasan eksternal terhadap penggunaan. Menurut Aju Press, Komisi Perdagangan Federal AS (FTC) telah meluncurkan penyelidikan terhadap OpenAI dan Anthropic setelah sebuah insiden keamanan. The Mighty 790 KFGO melaporkan bahwa Tiongkok telah mengusulkan penambahan 40 teknologi di bidang AI, bioteknologi, dan tenaga surya ke dalam daftar pengendalian ekspor. StateTech Magazine melaporkan bahwa AI di pemerintahan Amerika beralih dari tahap demonstrasi ke operasi skala penuh. Seiring lembaga publik memasuki tahap memasukkan hal ini ke dalam operasional harian mereka, standar pengadaan dan akuntabilitas akan menjadi lebih ketat. Seperti terlihat pada pertanian presisi di Tiongkok yang diliput oleh CGTN, AI terus mengubah lingkungan industri. Investigasi kecelakaan pemasok dan pengendalian ekspor teknologi menyoroti rapuhnya desain yang bergantung pada perusahaan atau model tertentu.

Lingkungan makro juga bukan hal yang tidak relevan. Investing.com membahas paradoks dolar AS dan inflasi, dengan melaporkan bahwa risiko kredit terkait AI dan kenaikan harga energi sedang membentuk ulang prospek pertumbuhan global. Investasi di bidang AI ditopang oleh pendanaan dan listrik, dan jika kondisi ini memburuk, profitabilitas rencana penerapan akan terpengaruh.

Dialog yang positif, investigasi, pengendalian ekspor, dan risiko kredit semuanya menetapkan, dari luar, kondisi seberapa jauh AI dapat dipercaya. Pertanyaan berikutnya adalah siapa yang akan menentukan cakupan tanggung jawab di bawah kondisi-kondisi ini dan bagaimana caranya.

Penjelasan tentang pemangkasan personel, pendanaan penemuan obat, model prediktif yang mendukung diagnosis, dan layanan dialog yang terus memberikan respons positif tampak seperti topik di bidang yang berbeda. Namun, semuanya bermuara pada satu titik yang sama. Apa yang akan menjadi tanggung jawab AI dan sejauh mana tidak akan ditentukan oleh kemampuan teknologi semata. Apakah sisi perancangan menentukan siapa yang akan memeriksa keluaran dan siapa yang bertanggung jawab atas hasilnya akan menentukan kepercayaan pengguna, pasien, dan karyawan. Kata-kata penjelasan dan jumlah uang tidak dapat menggantikan perancangan. Saat memutuskan apakah akan menerapkan suatu sistem, Anda sebaiknya terlebih dahulu memeriksa proses yang akan diserahkan kepada manusia dan di mana tanggung jawab harus ditempatkan, beserta kecepatan dan efektivitas biaya. Semakin jelas cakupan tanggung jawab, semakin mudah untuk meninjau dan menjelaskannya di kemudian hari.

P1: Dari pekerjaan yang menjadi tanggung jawab Anda, bagaimana Anda membedakan bagian pekerjaan yang hasil AI-nya dapat digunakan apa adanya dan bagian yang harus Anda periksa dengan mata sendiri sebelum digunakan? P2: Jika ada kesalahan atau bias pada hasil yang dihasilkan AI, siapa yang akan menemukannya pada tahap apa, dan bagaimana hal itu akan dihentikan? P3: Ketika membicarakan hasil peningkatan efisiensi melalui AI, sejauh mana Anda dapat menjelaskan secara spesifik kepada orang di dalam dan di luar perusahaan tentang cakupan penilaian dan tanggung jawab yang tetap diserahkan kepada manusia?

Terakhir, tiga pertanyaan

- Dari pekerjaan yang menjadi tanggung jawab Anda, di bagian mana Anda memisahkan antara bagian yang hasil AI-nya dapat dipakai apa adanya dan bagian yang harus Anda periksa sendiri dengan mata kepala sebelum digunakan? Q2: Jika ada kesalahan atau bias pada hasil yang dihasilkan AI, siapa yang akan menemukannya pada tahap apa, dan bagaimana hal itu akan dihentikan? Q3: Ketika membicarakan hasil peningkatan efisiensi melalui AI, sejauh mana Anda dapat menjelaskan secara konkret kepada orang di dalam maupun di luar perusahaan mengenai cakupan penilaian dan tanggung jawab yang tetap berada di tangan manusia? - Jika ada kesalahan atau bias pada hasil yang dihasilkan AI, siapa yang akan menemukannya pada tahap apa, dan bagaimana hal itu akan dihentikan? Q3: Ketika membicarakan hasil peningkatan efisiensi melalui AI, sejauh mana Anda dapat menjelaskan secara konkret kepada orang di dalam maupun di luar perusahaan mengenai cakupan penilaian dan tanggung jawab yang tetap berada di tangan manusia? - Ketika membicarakan hasil peningkatan efisiensi melalui AI, sejauh mana Anda dapat menjelaskan secara konkret kepada orang di dalam maupun di luar perusahaan mengenai cakupan penilaian dan tanggung jawab yang tetap berada di tangan manusia?