AI Highlights — gambaran lengkap — Berita Harian 2026-10-26 (Sen)

Sementara AI menggerakkan angka ketenagakerjaan, teknologi yang sama juga menjalankan informasi pemilu, saran asmara dan pengasuhan anak, prediksi kanker, serta operasi militer dan farmasi. Raksasa IT dilaporkan telah memangkas hampir 200.000 pekerjaan di seluruh dunia, tetapi skala pemangkasan itu hanyalah sebagian dari perubahan yang sedang terjadi. Hanya 8% orang dewasa Amerika yang mendapatkan informasi pemilu dari chatbot AI, dan jika layanan kencan AI besar bangkrut, pasangan para penggunanya akan terhapus. Terlepas dari besar atau kecilnya angka, manusia semakin banyak menerima jawaban dari AI dan menjadikannya dasar bagi keputusan dan hubungan. Hal yang ingin saya harapkan dibawa pulang oleh pembaca dari setengah hari ini adalah pertanyaan tentang sejauh mana kita bisa menyerahkan segalanya kepada AI, dan di mana kita harus menarik garis. Bagian-bagian di bawah ini menunjukkan bagaimana garis itu diposisikan secara berbeda di berbagai industri dan situasi.

Pengurangan personel memimpin, sistem dan ekonomi mengikuti

Surat kabar ekonomi India, Livemint, melaporkan bahwa perusahaan-perusahaan IT besar telah memangkas hampir 200.000 pekerjaan di seluruh dunia akibat transformasi AI. Skala pemangkasan ini sudah melampaui skala satu perusahaan atau satu negara mana pun. Al Jazeera menyoroti bahwa Inggris memimpin dalam PHK terkait AI dan membahas alasannya. Di sektor keuangan, Barclays dilaporkan mengalami PHK akibat AI sekaligus kekhawatiran berlebihan tentang pajak bank (Seeking Alpha). Pergerakan serupa terjadi di berbagai industri dan wilayah, seperti IT, Inggris, dan perbankan. Oleh karena itu, AI dan ketenagakerjaan perlu dipandang bukan sebagai keputusan manajemen satu perusahaan, melainkan sebagai fenomena yang umum di berbagai industri.

Pergerakan ini juga menyebar ke luar bidang ketenagakerjaan. IMF menyebut harga energi yang tinggi dan AI sebagai beban dalam penilaiannya terhadap tantangan yang dihadapi perekonomian Asia (India Today). Sementara transformasi AI merupakan langkah penghematan biaya bagi perusahaan, hal itu juga menimbulkan beban penyesuaian bagi perekonomian secara keseluruhan. Selain itu, dalam kasus bank, topik pemutusan hubungan kerja dibahas dalam konteks yang sama dengan isu kelembagaan pajak bank (Seeking Alpha). Saat membaca rencana pengurangan karyawan sebuah perusahaan, kecuali dilihat bersama perkembangan pajak dan regulasi, kita tidak akan bisa mengetahui apakah keputusan itu diambil secara mandiri atau dipengaruhi oleh sistem.

Tren yang sama juga muncul di organisasi medis. Menurut Hospitalogy, CEO Navvis, kepala layanan kesehatan, mengatakan bahwa sementara perawatan berbasis nilai (VBC) telah bergerak menuju hasil, LEAD ditangguhkan. Ia kemudian berbicara tentang persiapan menghadapi model risiko yang bisa menjadi wajib. Yang terjadi di sini bukanlah soal AI itu sendiri. Mekanisme pembayaran dan evaluasi sedang berubah, dan organisasi dipaksa melakukan restrukturisasi sesuai dengannya. Bahkan jika kewajiban itu ditunda, kebutuhan untuk bersiap tetap ada. Poin ini tumpang tindih dengan contoh Inggris, di mana pengurangan personel berjalan lebih cepat daripada perbaikan kelembagaan.

Jika disusun seperti ini, jumlah orang dan rasio pengurangan belum tentu merupakan hasil keputusan masing-masing perusahaan. Hal itu dipengaruhi oleh kondisi eksternal seperti evaluasi ekonomi, sistem perpajakan, dan metode pembayaran layanan medis. Pihak yang melihat angka-angka tersebut perlu memeriksa di bawah sistem apa angka-angka itu dihasilkan. Pertanyaan berikutnya yang perlu diajukan bukanlah seberapa besar pengurangannya, melainkan seberapa banyak pengambilan keputusan di lapangan, pekerjaan kreatif, dan pekerjaan klinis yang sebaiknya diserahkan kepada AI.

Lingkungan informasi dan pendidikan yang mempertanyakan bias dan kepercayaan

Hanya 8% orang dewasa AS yang menggunakan chatbot AI untuk mengumpulkan informasi tentang pemilu 2026 (Pew Research Center). Jumlah penggunanya masih kecil. Namun, jika jawaban yang diterima oleh sedikit pengguna itu bias, jumlah yang kecil bukanlah alasan untuk merasa tenang. Dalam ulasan TechCrunch, ketika dihadapkan pada pilihan, Grok memilih Partai Republik, sedangkan OpenAI memilih Partai Demokrat. Kedua model tersebut cenderung digunakan dengan anggapan netral. Meski begitu, jika dipaksa, mereka akan menunjukkan posisinya. Yang harus diperiksa pembaca bukanlah apakah chatbot akan menjawab. Dalam pertanyaan yang sangat partisan seperti pemilu, persoalannya adalah apakah jawaban tersebut dapat dijadikan dasar untuk mengambil keputusan.

Di bidang pendidikan, angka-angka menunjukkan adanya kurangnya persiapan. Kebijakan AI sekolah di negara bagian Washington masih berada pada era 2010 dan belum siap menghadapi masa depan (The Seattle Times). Meskipun siswa sudah memiliki akses ke AI generatif, peraturan sekolah masih mengandalkan bahasa yang ditulis pada masa ketika AI belum umum. Jika kebijakannya sudah usang, guru tidak punya pilihan selain mengambil keputusan masing-masing, dan apa yang mereka izinkan serta minta dari siswa akan berbeda dari satu kelas ke kelas lain. Kepercayaan di sini bukanlah kepercayaan pada keluaran AI itu sendiri. Ini adalah kepercayaan pada apakah organisasi yang memutuskan cara penggunaannya mengikuti perkembangan situasi yang sebenarnya.

Gerakan terkait keamanan juga mulai terbentuk sebagai respons terhadap serangan. Setelah serangan terhadap Hugging Face, muncul sejumlah gerakan seputar keselamatan AI. Tech Xplore menyusun perkembangannya secara kronologis. Dengan infrastruktur bersama berupa model dan alat yang tersedia untuk umum menjadi sasaran, keamanan tidak lagi hanya menjadi masalah internal perusahaan pengembang. Pertanyaannya adalah bagaimana menarik garis antara apa yang harus diperiksa sendiri oleh pengguna dan apa yang sebaiknya diserahkan kepada operator infrastruktur.

Dalam karya kreatif, ada contoh yang menunjukkan tanggung jawab dengan jelas. Creative Assembly menyangkal adanya seni AI dalam versi penuh Total War: Shogun 2 dan mengakui tanggung jawabnya (Simulation Daily). Yang penting di sini adalah mereka mengakui telah menggunakan sesuatu yang dibuat oleh AI, lalu menunjukkan kesediaan untuk menanggung tugas tersebut. Benang merah antara model yang bias, kebijakan sekolah yang usang, langkah keamanan yang diambil setelah serangan, dan perusahaan produksi yang mengakui tanggung jawab adalah bahwa kepercayaan dibangun bukan di atas kinerja, melainkan di atas kejelasan tentang siapa bertanggung jawab atas apa. Untuk menentukan cakupan pekerjaan yang dipercayakan, orang yang akan menjalankan pekerjaan itu harus terlihat. Pada bagian berikutnya, kita akan melihat bagaimana garis ini ditarik dalam situasi yang lebih personal, emosional, dan klinis.

Harga yang dibayar ketika mempercayakan emosi dan hubungan kepada AI

Pertanyaan apakah mesin memiliki emosi memicu perdebatan tentang AI, lapor MarketWatch. Meskipun perdebatan ini belum terselesaikan, hubungan terus dibangun di sisi pengguna tanpa menunggu kesimpulan. Menurut New York Post, sebuah layanan kekasih AI besar akan bangkrut dan kekasih AI para pengguna diperkirakan akan dihapus. Sosok yang setiap hari bertukar kata dengan pengguna menghilang karena kondisi manajemen perusahaan pengelolanya. Terlepas dari apakah perasaan itu tulus atau tidak, tanggung jawab untuk mempertahankan pasangan tersebut ada pada perusahaan, dan jika perusahaan runtuh, hubungan pun berakhir. The Malaysian Reserve melaporkan bahwa AI mengubah peran sebagai ibu ke arah yang lebih buruk. Semakin banyak situasi di mana konsultasi dan keputusan pengasuhan anak diserahkan kepada AI, interaksi antara orang tua dan anak yang seharusnya terpusat secara normal bisa menjadi kurang efektif. Artikel ini membahas perubahan semacam itu sebagai sebuah masalah.

Ada pula kemajuan dalam kemampuan mesin untuk membaca emosi. Menurut The Decoder, Block telah mengumumkan AI baru bernama Dessa yang belajar semata-mata dari audio. Dikatakan bahwa suara itu sendiri menangkap emosi yang tidak dapat ditangkap melalui transkripsi. Ada peluang untuk menggunakannya dalam situasi seperti pusat panggilan dan wawancara, di mana penilaian tidak dapat dilakukan hanya berdasarkan isi kata-kata. Namun, dari laporan ini tidak jelas siapa yang menggunakan emosi yang terbaca dari suara tersebut dan untuk tujuan apa. Semakin akurat pembacaannya, semakin besar risiko bahwa pihak yang menerima hasilnya akan menggunakannya sebagai bahan untuk menilai orang.

Di sisi lain, ada pula cara AI dapat mendukung hubungan antarmanusia. Oncology Nursing News memberikan contoh bagaimana model AI risiko kanker payudara dapat digunakan untuk triase dan panduan pasien yang dipimpin perawat. Di sini, AI hanya berfungsi memperkirakan risiko, sedangkan perawat bertanggung jawab menjelaskan situasinya kepada pasien dan menanggapi kekhawatiran mereka. Sementara AI Lover dan Dessa bergantung pada AI untuk membaca hubungan dan emosi mereka, dalam kasus ini AI menyiapkan bahan untuk dialog antarmanusia.

Jika dilihat berdampingan, apakah pekerjaan Anda dapat dipercayakan kepada AI tidak ditentukan semata-mata oleh kinerja AI. Sebelum menggunakan perangkat tersebut, perlu diperiksa apakah pihak yang dipercaya tidak akan menghilang akibat kebangkrutan perusahaan pengelolanya, siapa yang akan menerima informasi yang diperoleh dari suara dan kata-kata, dan apakah masih akan ada manusia yang tertinggal. Pemeriksaan ini akan menjadi dasar untuk menentukan lingkup pengambilan keputusan dan pekerjaan kreatif yang akan dipercayakan kepada AI.

Akurasi prediksi pengobatan kanker meningkat dengan gambar dan data

Pada kanker payudara, telah dilakukan upaya untuk memperkirakan ada atau tidaknya metastasis sebelum operasi. Dilaporkan sebuah studi tentang penggunaan AI untuk memprediksi metastasis kanker payudara sebelum operasi melalui interpretasi citra ultrasonografi (Bioengineer.org). Studi lain memaparkan kerangka kerja ensemble stacking statis terkalibrasi untuk memprediksi mortalitas kanker payudara (Archives of Breast Cancer). Kalibrasi adalah proses memeriksa apakah probabilitas yang dihasilkan model sesuai dengan frekuensi kejadian sebenarnya. Karena berkaitan dengan apakah nilai prediksi dapat dibaca sebagai probabilitas, kalibrasi sama pentingnya dengan akurasi ketika menjelaskan kepada pasien atau berkonsultasi mengenai rencana pengobatan. Di bidang citra patologi, SCLC-SBT, sebuah spectral bilinear transformer untuk mengklasifikasikan citra jaringan kanker paru sel kecil, dipublikasikan di Scientific Reports. Meskipun jenis citranya berubah, yang penting bukan hanya angka akurasinya, tetapi juga cara membaca keluarannya.

Ada pula studi yang menyerukan verifikasi lintas institusi. Stratifikasi risiko prognostik glioma menggunakan model berbasis patologi juga mengidentifikasi gen kunci dan jalur biologis yang terlibat dalam prognosis, dan dipublikasikan sebagai studi multisenter di Acta Neuropathologica Communications. Untuk kanker lambung, radiomik pembelajaran mendalam CT dua bidang yang mencakup jaringan lemak viseral dikatakan meningkatkan prediksi pra-operasi metastasis kelenjar getah bening. Ini juga merupakan studi multisenter (European journal of radiology). Pada karsinoma hepatoseluler, ada studi yang menggunakan radiomik MRI untuk memprediksi ekspresi FAP dan lingkungan mikro tumor yang imunosupresif. Rancangan-rancangan ini berupaya melihat apakah data dari rumah sakit lain tetap berlaku, bukan sekadar hasil dari satu rumah sakit. Yang perlu diperhatikan pembaca bukanlah besarnya nilai tertinggi, melainkan seberapa besar hasil berubah ketika fasilitasnya berganti.

Unit analisis telah diperkecil hingga ke tingkat sel. Pada kanker kandung kemih, transkriptomik sel tunggal/spasial dan pembelajaran mesin diintegrasikan untuk menunjukkan tanda molekuler dan gen risiko utama dari sel epitel ganas dengan stemness tinggi (Discover Oncology). scGlycoAI adalah kerangka kerja yang menggunakan pembelajaran mesin untuk menganalisis data glikan dan urutan RNA dari sel tunggal, menentukan jenis sel, dan mencari glikan yang terkait dengan keganasan (Glycobiology). Dari gambar hingga sel, target prediksi meluas untuk setiap jenis data. Namun, apa yang ditunjukkan makalah-makalah ini adalah kemungkinan bahwa prediksi tersebut akan terbukti benar, dan apakah prediksi tersebut berada pada tingkat yang dapat digunakan dalam praktik klinis memerlukan konfirmasi tersendiri. Yang kini diukur bukanlah kinerja itu sendiri, melainkan sejauh mana prediksi dapat diandalkan. Pertanyaan tentang siapa yang menarik garis itu, dan bagaimana, muncul dengan cara yang sama di luar bidang medis.

Penerapan di lapangan akan berjalan per industri berdasarkan bukti

Angkatan Udara AS berencana menggunakan AI untuk mendukung pengisian bahan bakar di udara, lapor Military Times. Pengisian bahan bakar di udara adalah misi dengan prosedur operasional dan standar keselamatan yang terperinci. Menggunakannya sebagai pendukung berbeda dengan mempercayakan seluruh misi kepada AI. Yang lainnya adalah penemuan obat. Menurut artikel pengantar yang diterbitkan Unisba Media pada 14 April pukul 16.00, Novo Nordisk dan OpenAI telah menjalin kemitraan untuk penemuan obat berbasis AI. Artikel yang sama juga menyebutkan kepergian resmi kepala AI Apple, Gianandrea. Dunia militer dan farmasi memiliki standar yang harus dipatuhi serta biaya kegagalan yang berbeda. Meski begitu, tempat-tempat di mana AI dapat digunakan terbatas pada proses yang dapat didukung dalam alur bisnis yang ada.

Dalam bedah medis, dasar pemikiran penerapannya mulai ditunjukkan dengan angka. Sebuah tinjauan sistematis yang diterbitkan di Cureus merangkum bukti klinis prospektif tentang panduan digital intraoperatif berbantuan robot pada bedah kanker prostat dan bedah kanker ginjal. Desain prospektif adalah desain di mana kondisi ditentukan dan pasien diikuti sebelum hasilnya diketahui. Bukti semacam ini memiliki bobot yang berbeda sebagai dasar penilaian dibandingkan slogan iklan atau kasus yang dilihat secara retrospektif. Saat ini sedang dilakukan upaya untuk memastikan efektivitas panduan intraoperatif pada masing-masing organ, yaitu prostat dan ginjal.

Jika ketiganya diletakkan berdampingan, ada kesamaan dalam cara penerapannya berjalan. Angkatan Udara memulai dari dukungan pengisian bahan bakar di udara, Novo Nordisk memulai dari kemitraan penemuan obat, dan bedah memulai dari panduan intraoperatif untuk bedah berbantuan robot. Dalam semua kasus, sasarannya dibagi menjadi bagian-bagian bisnis dan hasilnya diverifikasi dalam cakupan tersebut. Saat melihat penerapan AI di lapangan, bagi pembaca lebih berguna untuk menilai dari proses mana yang menggunakannya dan verifikasi macam apa yang telah dilakukan, daripada sekadar apakah telah diumumkan bahwa AI akan digunakan. Proses yang telah diverifikasi secara luas memberikan dasar untuk memperluas cakupan tanggung jawab, sedangkan proses yang sedikit diverifikasi tetap dijalankan dengan hati-hati. Pertanyaan berikutnya adalah di mana menarik garis agar manusia tidak menyerahkan penilaian akhir mereka bahkan setelah verifikasi.

Kesamaan di setiap bagian adalah bahwa hasilnya ditentukan bukan oleh penerapan AI itu sendiri, melainkan oleh di mana batas lingkup yang dipercayakan ditarik. Besarnya pemutusan hubungan kerja menarik perhatian, tetapi langkah serupa menyebar ke berbagai industri dan wilayah, sehingga menimbulkan beban penyesuaian bagi perekonomian secara keseluruhan. Dalam lingkungan informasi dan pendidikan, muncul pertanyaan tentang bias dalam jawaban dan keterlambatan penyusunan pengaturan di dalam sekolah, meskipun jumlah penggunanya sedikit. Di bidang emosi dan hubungan, status pengelolaan perusahaan operator memengaruhi hubungan antarpengguna. Dalam pengobatan kanker, syarat untuk membaca keluaran, seperti kalibrasi dan verifikasi multisenter, diperlakukan sejajar dengan akurasi. Di bidang militer, farmasi, dan bedah, penerapan difokuskan pada proses yang dapat didukung dalam prosedur yang ada, dan bukti terus terkumpul. Alih-alih memutuskan apakah akan menggunakan AI atau tidak, kini kita perlu memutuskan dalam setiap situasi apa yang akan dipercayakan kepada AI dan apa yang tetap dipegang sendiri.

Q1: Pada proses mana dalam pekerjaan Anda keluaran AI digunakan sebagai dasar pengambilan keputusan, dan siapa yang memiliki sistem untuk menyadari ketika keluaran tersebut salah? Q2: Standar dan prosedur apa yang digunakan untuk memeriksa bias dan kesalahan pada keluaran AI sebelum dan sesudah penerapan, dan apakah catatannya disimpan? Q3: Apa dasar penentuan lingkup yang dipercayakan kepada AI? Apakah ada syarat, dan siapa yang bertanggung jawab meninjau ulang lingkup tersebut ketika kondisi bisnis atau klien berubah?

Terakhir, tiga pertanyaan

- Proses mana dalam pekerjaan Anda yang secara langsung bergantung pada keluaran AI untuk pengambilan keputusan, dan siapa yang memiliki sistem untuk menyadari ketika keluaran tersebut keliru? Q2: Standar dan prosedur apa yang digunakan untuk memeriksa bias dan kesalahan pada keluaran AI sebelum dan sesudah penerapan, dan apakah catatannya disimpan? Q3: Apa dasar penentuan cakupan yang dipercayakan kepada AI? Apakah sudah ada syarat-syaratnya dan siapa yang akan bertanggung jawab meninjau kembali cakupan tersebut ketika kondisi bisnis atau klien berubah? - Standar dan prosedur apa yang digunakan untuk memeriksa bias dan kesalahan pada keluaran AI sebelum dan sesudah penerapan, dan apakah catatannya disimpan? Q3: Apa dasar penentuan cakupan yang dipercayakan kepada AI? Apakah sudah ada syarat-syaratnya dan siapa yang akan bertanggung jawab meninjau kembali cakupan tersebut ketika kondisi bisnis atau klien berubah? - Apa dasar penentuan cakupan yang dipercayakan kepada AI, dan apakah syarat serta tanggung jawab untuk meninjau kembali cakupan tersebut telah ditetapkan ketika kondisi bisnis atau klien berubah?