Setelah membaca banyak artikel AI, muncul hipotesis yang agak usil:
“Jangan-jangan sebagian orang terlalu sibuk menulis tentang AI sampai tidak benar-benar memasukkan AI sedalam itu ke kehidupan mereka sendiri?”
Itu tidak bisa dinyatakan sebagai fakta. Tidak ada data lengkap tentang kebiasaan AI pribadi setiap jurnalis atau peneliti.
Namun hipotesisnya juga tidak sepenuhnya ngawur.
Jurnalis dan pekerja semakin sering memakai AI, tetapi penggunaan sering terkonsentrasi pada transkripsi, terjemahan, pencarian, ringkasan, penulisan, dan penyuntingan.
Perbedaan pentingnya adalah antara sering berinteraksi dengan AI dan membiarkan kehidupan sendiri masuk ke dalam sistem AI.
1. “Penulis AI tidak memakai AI” itu salah, tetapi pemakaiannya bisa sangat lokal
Survei Reuters Institute terhadap 1.004 jurnalis Inggris menemukan 56% memakai AI secara profesional setidaknya mingguan dan 27% memakainya setiap hari untuk setidaknya satu tugas jurnalistik.
Penggunaan bulanan teratas adalah transkripsi/subtitel 49%, terjemahan 33%, dan pemeriksaan tata bahasa/copy-editing 30%. Riset berita 22%, brainstorming 16%, pembuatan bagian artikel 16%, dan draf pertama 10%.
Kontak dengan AI tinggi, tetapi banyak terjadi di pipeline produksi jurnalistik.
Di Jepang, NIRA menemukan pada Februari 2026 bahwa 27% pekerja memakai AI generatif secara rutin untuk kerja dan 39% pernah memakainya. Penggunaan teratas adalah pencarian informasi, pembuatan teks, ringkasan, dan penyuntingan. Saran tindakan/perencanaan, manajemen orang, dan bantuan proyek berada di bawah 10%.
2. Memakai AI untuk membahas AI berbeda dari memasukkan diri sendiri ke loop AI
Seorang jurnalis AI dapat membaca pengumuman, meminta AI meringkas, menerjemahkan liputan asing, membuat outline, memperbaiki judul, dan menyunting naskah.
Itu pemakaian AI yang nyata.
Namun pusatnya masih memakai AI untuk membuat konten tentang AI.
Pengguna implementasi kehidupan mengarahkannya ke perjalanan, kerja, belanja, belajar, jadwal, hobi, otomatisasi, dan keputusan. Bahkan perubahan perilaku yang disebabkan AI ikut dianalisis.
Membaca seratus patch note berbeda dengan memainkan game seratus jam.
3. Pemakaian mendalam memunculkan efek tingkat kedua
Berita menjelaskan kemampuan AI.
Riset mengukur seberapa cepat suatu tugas.
Kehidupan nyata menunjukkan apa yang terjadi sesudahnya:
kerja lebih cepat tetapi pekerjaan baru terus ditambahkan;
waktu tunggu hilang dan jeda alami ikut hilang;
feedback instan membuat eksplorasi terasa seperti game;
batas penggunaan yang mengganggu ternyata berfungsi seperti istirahat paksa bagi manusia.
Pertanyaan ini jarang muncul hanya dari release note. Ia muncul setelah perilaku benar-benar berubah.
4. Ulasan berita membawa jawaban; implementasi kehidupan dapat menghasilkan pertanyaan
Ulasan tradisional menjawab: apa yang berubah, bagaimana memakainya, berapa harganya?
Implementasi kehidupan membuat pertanyaan baru:
Mengapa tidur berkurang padahal AI menghemat waktu?
Apakah saya memakainya berlebihan karena ingin balik modal, atau karena eksplorasi memang menyenangkan?
Mengapa banyak gamer hampir tidak memakai AI? Mungkin faktor pentingnya eksplorasi sistem, bukan label gamer.
Dari sana, riset tentang flow, rebound waktu, otonomi, tugas belum selesai, dan self-efficacy dapat bertemu dalam satu pengalaman.
Realitas mengalami bug lebih dulu; baru kita pergi mencari riset.
5. Pengalaman → hipotesis → riset → perubahan operasi → pengalaman baru
Siklusnya: tahu kemampuan baru → masukkan ke kehidupan → temui efek tak terduga → buat hipotesis → bandingkan dengan riset → ubah aturan → gunakan lagi.
Artikel bukan akhir proses.
Jika AI menghemat waktu tetapi membuat pekerjaan bertambah, coba tiga kondisi kemenangan harian dan kirim tugas baru ke antrean besok. Lalu lihat apakah jam kerja total benar-benar turun.
Kehidupan menjadi lingkungan pengujian kecil.
6. Ada konsep akademik yang dekat
Autoethnography memakai pengalaman pribadi untuk memahami fenomena sosial, budaya, atau institusional yang lebih luas.
Blog tidak otomatis menjadi autoethnography formal, tetapi aliran informasinya mirip: mengamati pengalaman sendiri dan menghubungkannya dengan pengetahuan eksternal.
Konsep lain adalah lead user. Eric von Hippel menggambarkan pengguna yang mengalami kebutuhan kuat lebih awal daripada mayoritas dan punya insentif besar untuk membuat solusi sendiri. Lead User Innovation Handbook MIT 2026 memakai pola yang sama.
Heavy user AI bisa menjadi penguji awal bug kehidupan AI masa depan.
7. Hasil pencarian Jepang kuat pada panduan, kasus, dan analisis survei
Pada hasil Jepang yang diamati 8 September 2026 terlihat artikel “20 cara memakai AI untuk kerja”, “15 skenario per profesi”, database kasus besar, dan kolom tentang kematangan adopsi.
Yang relatif jarang dalam hasil yang diamati adalah format berulang:
penggunaan lintas-domain yang dalam → perubahan perilaku → pertanyaan asli → riset → perubahan operasi.
Blog pribadi punya pengalaman. Think tank punya riset. Media AI punya berita terbaru.
Ruang yang menarik adalah menghubungkan ketiganya.
8. Mengapa format ini lebih sulit disalin
Dalam berita AI, semua pesaing membaca pengumuman dan paper yang sama.
Kompetisi beralih ke kecepatan, tulisan, visual, SEO, dan merek.
Implementasi kehidupan menambahkan aset lain: rantai kausal pengalaman nyata.
Untuk apa AI dipakai, apa yang terjadi sesudahnya, apa yang terasa aneh, hipotesis apa yang lahir, apa yang diubah, dan apa yang terjadi setelah perubahan.
Pesaing dapat membaca paper yang sama, tetapi sulit menyalin urutan pengalaman tanpa benar-benar hidup dengan cara serupa.
9. Kekuatan sebenarnya adalah hubungan, bukan anekdot
Pengalaman saja menjadi diary.
Riset saja menjadi penjelasan.
Nilainya ada pada jembatan.
Penghematan waktu AI dan flow game, respons instan dan hilangnya jeda, rasa ingin tahu dan AI self-efficacy, batas penggunaan dan forced save dapat tersambung karena satu pengalaman nyata.
Bukan mencari cerita karena harus menerbitkan artikel. Kehidupan menghasilkan masalah aneh terlebih dahulu.
10. Kesalahan fatal: “terjadi pada saya = hukum manusia”
N=1 tetap N=1.
Heavy user yang suka eksplorasi mungkin tidak mewakili pengguna biasa. Kepribadian, pekerjaan, dan insentif bisa berbeda. Hipotesis menarik juga mendorong confirmation bias.
Pisahkan observasi, hipotesis, bukti eksternal, bukti tandingan, perubahan operasi, dan observasi setelah perubahan.
11. Kesimpulan: jangan berhenti setelah membaca paper. Masukkan ke realitas; kalau realitas bug, kembali ke paper
Berita AI berguna. Riset berguna. Daftar penggunaan berguna.
Namun ada nilai lain:
masukkan riset dan kemampuan AI ke kehidupan nyata, catat apa yang benar-benar terjadi, buat pertanyaan baru, cocokkan dengan riset, lalu kembalikan hasilnya ke kehidupan.
Jurnalis bukan berarti pengguna AI ringan. Banyak yang sudah aktif.
Namun memakai AI untuk membuat artikel berbeda dengan menjadikan seluruh kehidupan sebagai lingkungan uji AI.
Yang pertama membuat kita tahu tentang AI.
Yang kedua membuat kita tahu apa yang terjadi pada manusia ketika AI masuk ke sistem.
Kehidupan adalah lab. Riset adalah strategy wiki. Artikel mengubah play log menjadi panduan yang bisa dipakai orang lain.
