“Akhir-akhir ini saya hampir tidak membaca buku. Apakah itu buruk untuk otak?”
Jawaban singkatnya: menyelesaikan sebuah buku tidak otomatis memberi XP kepada otak. Yang penting adalah pekerjaan mental yang dilakukan selama membaca.
Buku dapat memberikan pengetahuan baru, menghubungkan gagasan, memaksa kita mengikuti argumen panjang, mempertemukan kita dengan topik yang tidak kita cari sendiri, dan memberi paparan panjang terhadap bahasa tertulis. Fiksi juga membuat kita membayangkan pikiran dan kehidupan orang lain.
Sekarang bandingkan dengan percakapan AI yang terus digali: “Kenapa?”, “Benarkah?”, “Apa kata penelitian?”, “Kalau kasus ini?”, “Apakah strukturnya sama dengan hal yang tadi?”. Banyak pekerjaan kognitifnya tumpang tindih. AI juga bisa berhenti tepat di titik kebingungan, memberi bantahan, mencari makalah asli, dan menghubungkan informasi baru dengan pengetahuan lama.
Jadi jarang membaca buku tidak otomatis berarti berhenti berpikir secara serius. Tergantung caranya, dialog aktif dengan AI bahkan bisa menuntut lebih banyak pemikiran daripada membaca secara pasif.
Risikonya juga jelas: karena AI cepat memberi jawaban, kita mudah mengalihdayakan hal yang justru ingin dilatih—mengingat, memecahkan masalah, dan mengikuti rantai panjang sendiri. Artikel ini membedakan pekerjaan yang aman untuk dialihdayakan dan pekerjaan yang perlu dilakukan sendiri jika memang ingin menguasainya.
1. Pecah “manfaat membaca” menjadi beberapa fungsi
Kalimat “membaca itu baik” terlalu umum.
Pertama, membaca memberi pengetahuan: sejarah, sains, ekonomi, psikologi.
Kedua, membaca menghubungkan pengetahuan. “Suku bunga” bisa terhubung dengan inflasi, pinjaman, bank sentral, investasi, dan daya beli.
Ketiga, membaca membuat kita mengikuti logika panjang. Penulis membangun A → B → C → D, dan pembaca mempertahankan rantai itu dalam pikiran.
Keempat, buku menghadirkan informasi yang tidak kita pilih. Pencarian biasanya menjawab pertanyaan yang sudah kita miliki. Buku bisa membuat kecelakaan yang berguna: “Bab ini awalnya tidak menarik, ternyata penting.”
Kelima, buku memberi paparan panjang terhadap bahasa: kosakata, pola kalimat, gaya penjelasan.
Keenam, terutama dalam fiksi, membaca menjadi simulasi pikiran orang lain. Meta-analisis preregistrasi tahun 2024 menemukan manfaat kognitif eksperimental rata-rata yang kecil, g = 0,14, dengan efek signifikan terutama pada empati dan mentalizing [1]. Ada efek, tetapi bukan kekuatan super.
Jadi kekuatan buku bukan hanya informasi. Buku juga kuat dalam membawa kita menempuh jalur panjang, membawa kita ke topik yang tidak kita pilih, dan membuat kita tinggal lama di dalam bahasa.
2. Apa yang bisa digantikan oleh “brainstorming bolak-balik” dengan AI?
Bertanya sekali lalu menyalin jawaban berbeda dengan terus menguji AI.
Jika hanya bertanya “Apa penyebab bau hujan?” lalu berhenti, itu mirip pencarian. Tetapi jika dilanjutkan:
- Kenapa hujan melepaskan bau itu?
- Apa yang ada di tanah?
- Mikroba?
- Kenapa manusia bisa mendeteksi jumlah yang sangat kecil?
- Kenapa kadang tercium sebelum hujan turun?
- Bagaimana dengan hewan lain?
- Apa yang benar-benar ditunjukkan penelitian?
topik berubah dari satu titik menjadi jaringan.
Ini mirip self-explanation dan elaboration. Self-explanation berarti membuat hubungan sendiri: “kenapa ini terjadi?” dan “bagaimana konsep ini terkait dengan konsep lain?”. Meta-analisis tahun 2018 yang menggabungkan 69 effect size dari 64 laporan menemukan efek belajar rata-rata g = 0,55 untuk prompt self-explanation [2].
Inilah kekuatan dialog aktif dengan AI: setiap pertanyaan dapat memperbarui peta mental.
Buku: berjalan di jalan yang dibuat penulis.
AI: memilih jalan sendiri dan meminta AI membawa bahan bangunan.
Keduanya bisa menjadi pembelajaran; tugas mentalnya berbeda.
3. Apa itu schema? Peta pengetahuan di dalam kepala
Istilah schema terdengar teknis, tetapi idenya sederhana.
Schema adalah peta mental tentang bagaimana suatu bagian dunia biasanya bekerja.
Awalnya mungkin hanya ada satu titik: “suku bunga”.
Lalu ia terhubung dengan deposito, pinjaman, inflasi, bank sentral, investasi, dan nilai tukar. Setelah itu, satu berita “suku bunga kebijakan naik” otomatis memunculkan pertanyaan: “Bagaimana deposito?”, “KPR?”, “Saham?”, “Mata uang?”
Penelitian menggambarkan schema sebagai struktur pengetahuan tingkat tinggi yang diabstraksikan dari berbagai pengalaman. Schema membantu memasukkan informasi baru ke dalam memori, tetapi ekspektasi lama yang terlalu kuat juga dapat membiaskan atau mendistorsi ingatan [3].
Jadi perasaan “jaringan saraf di otak sedang tersambung” adalah metafora yang lumayan bagus, asal tidak dianggap harfiah bahwa satu pertanyaan langsung menumbuhkan kabel fisik. Lebih tepatnya, informasi baru ditempatkan ke dalam struktur yang sudah ada lalu dihubungkan dengan informasi lain.
AI mempercepat siklus ini: menemukan lubang → bertanya → mengisi → melihat lubang berikutnya.
4. Elaborasi: kalau ingin ingat, tambahkan garis, bukan hanya titik
Elaborasi terdengar seperti nama jurus bos akhir, tetapi pekerjaannya sederhana:
membuat sebuah gagasan lebih kaya dan menghubungkannya dengan gagasan lain.
Hanya menghafal:
“Geosmin = bagian dari bau hujan”
memberi sedikit jalan masuk ke memori.
Jika dihubungkan:
mikroorganisme tanah menghasilkan geosmin
→ tetesan hujan dapat membantu membawa senyawa ke udara
→ manusia dapat mendeteksi konsentrasi sangat rendah
→ karena itu baunya terasa di sekitar waktu hujan
kita memiliki beberapa jalan untuk kembali ke ingatan yang sama.
Bukan hanya A, melainkan B ← A → C dan A → D.
Pertanyaan seperti “kenapa?”, “contohnya?”, “apakah ini mirip X?”, “apa pengecualiannya?”, “bagaimana jika diterapkan di sini?” menambah garis.
Namun tidak semua hal perlu dielaborasi. Jika biaya ATM hari ini 220 yen, tidak perlu membangun Teori Besar Biaya ATM. Bangun jaringan untuk prinsip yang ingin disimpan; taruh angka sementara di luar kepala.
5. Retrieval practice: obrolan berubah menjadi kuis dadakan
Retrieval practice bukan mencari di Google. Artinya mengambil informasi dari ingatan sendiri tanpa melihat jawabannya.
Hari Senin kita meneliti sesuatu dengan AI. Hari Kamis, saat mengobrol, kita berkata:
“Eh, saya pernah baca ini… kalau tidak salah…”
Usaha menarik informasi itu sudah merupakan retrieval.
Tinjauan sistematis tahun 2021 tentang penelitian di sekolah menyaring hampir 2.000 abstrak dan memasukkan 50 eksperimen dengan total 5.374 peserta. Dari 49 effect size, 57% menunjukkan manfaat retrieval practice tingkat sedang atau besar, pada berbagai jenjang, mata pelajaran, jeda waktu, dan format tes [4].
Obrolan menambah satu tahap:
belajar dengan AI
→ menjelaskan kepada orang lain
→ ditanya “kenapa?”
→ tidak bisa menjawab
→ lubang terlihat
→ kembali meneliti.
Ini membuat siklus input → retrieval → deteksi celah → input baru.
Tidak harus menjadi biksu yang tiap malam melakukan ritual “sebutkan tiga hal yang dipelajari hari ini”. Percakapan biasa bisa menjadi ujian mendadak alami.
6. Membuat artikel dapat melatih “membangun logika panjang”
Salah satu kekuatan membaca adalah mengikuti rantai logika panjang. Bagaimana dengan pihak yang membuat artikel?
Pembaca mengikuti A → B → C → D.
Penulis atau editor memutuskan urutan A, B, C, D agar masuk akal.
Jadi sebagian latihan “mengikuti logika” diganti dengan “membangun logika”.
Meta-analisis tahun 2020 terhadap 56 eksperimen pada siswa kelas 1–12 menemukan bahwa menulis tentang materi sains, ilmu sosial, atau matematika meningkatkan pembelajaran dengan effect size rata-rata 0,30 [5]. Menulis memaksa pemilihan, pengorganisasian, penghubungan, dan penjelasan ulang.
Tetapi ada catatan penting dalam era AI. Jika instruksinya hanya “teliti semuanya, buat struktur, tulis artikel” lalu hasil akhir tidak dibaca sama sekali, AI yang melakukan sebagian besar konstruksi panjang.
Sebaliknya, jika selama proses kita terus berkata “ini salah”, “tambahkan penelitian ini”, “hubungkan dua bagian ini”, “apa bantahannya?”, manusia masih melakukan banyak perencanaan dan penyuntingan.
Jadi seseorang bisa saja membaca lebih sedikit buku, tetapi melakukan banyak sekali pekerjaan mental sebelum sebuah buku atau artikel lahir.
7. Perangkap AI: karena AI bisa, kita merasa kita juga bisa
Ini peringatan terpenting.
AI dapat mengaburkan perbedaan antara:
“jawabannya benar”
dan
“saya bisa melakukan ini sendiri.”
Dalam eksperimen lapangan matematika sekolah menengah yang diterbitkan di PNAS tahun 2025, siswa yang memakai antarmuka GPT-4 yang relatif bebas (“GPT Base”) meningkatkan performa latihan berbantuan sebesar 48% dibanding kontrol. Versi yang dirancang untuk belajar (“GPT Tutor”) meningkatkan 127%. Namun ketika AI dicabut saat ujian, kelompok GPT Base mendapat nilai 17% lebih rendah daripada kelompok yang sejak awal tidak memakai AI. Dampak buruk hampir hilang pada GPT Tutor, tetapi kelompok itu juga tidak mengalahkan kontrol secara jelas pada ujian tanpa AI [6].
AI menyala: “Wah, saya jago matematika.”
AI mati: “Maaf, Anda siapa?”
Working paper yang direvisi Agustus 2026 memberi peringatan serupa dari catur. Lebih dari 200 siswa klub berlatih 12 minggu. Kelompok yang hanya mendapat tips otomatis pada momen penting meningkat 64%; kelompok yang juga bisa meminta bantuan kapan saja meningkat 30%. Para penulis mengaitkan sebagian besar selisih dengan berkurangnya productive struggle—usaha keras pada masalah yang sebenarnya masih bisa dicoba sendiri [7]. Karena ini working paper, peer review dan replikasi tetap penting.
AI bukan iblis pembunuh belajar. AI yang sama dapat menjadi tutor atau mesin salin, tergantung kapan dan bagaimana jawaban diberikan.
8. Bolehkah matematika dialihdayakan? “Belajar matematika” vs “menggunakan matematika”
Tanya tujuannya dulu.
Jika tujuannya menjadi lebih ahli matematika, membiarkan AI menyelesaikan semua langkah adalah latihan yang buruk. Menyusun persamaan, salah, lalu memperbaiki adalah bagian dari keterampilan.
Tetapi jika pertanyaan nyata adalah:
“Berapa selisih uang satu juta yen jika disimpan 10 tahun pada bunga 0,2% dibanding 0,6%?”
tujuan kita bukan membesarkan otot perhitungan bunga majemuk manual. Yang perlu diputuskan adalah:
- selisih uang sebenarnya,
- pajak,
- biaya,
- inflasi,
- likuiditas,
- apakah pindah bank layak dilakukan.
Tidak perlu mengembangkan rumus bunga majemuk dengan kertas setiap kali.
Tidak perlu masuk agama ‘hitung bunga bank dengan tangan demi melatih otak’. Pakai kalkulator.
Ini bukan berarti konsep matematika tidak berguna. Kita tetap perlu memahami cukup banyak untuk mendeteksi hasil yang tidak masuk akal. Tetapi bila targetnya angka akurat untuk keputusan, bukan menguasai algoritme manual, outsourcing itu rasional.
9. Mahjong: masalah ketika hanya AI yang naik peringkat
Game keterampilan seperti mahjong memperlihatkan hal yang sama.
Setiap ronde:
“Buang yang mana?”
AI: “Lima karakter.”
Manusia: “Oh, begitu.”
Jika selalu demikian, kita melewati siklus membaca keadaan, membuat kandidat, membandingkan, memutuskan, melihat hasil, dan memperbaiki model.
AI naik peringkat; manusia menjadi pegawai yang tugasnya berkata ‘menarik’.
Tetapi itu tidak berarti AI harus dilarang.
Bagi banyak orang, mahjong adalah hobi. Jika kesenangannya adalah menjadi lebih baik dalam mengambil keputusan sendiri, latihan berharga. Jika tujuannya hanya bermain, menganalisis bersama AI, dan tidak ingin grind ratusan ronde demi beberapa persen win rate, tidak ada kewajiban moral untuk memaksimalkan keterampilan.
Jika hobi berubah menjadi:
“Hari ini latihan repetitif lagi agar win rate naik 2%,”
boleh bertanya:
“Kapan hobi saya berubah menjadi PR?”
Keterampilan terutama layak disimpan di kepala jika melakukan keterampilan itu sendiri menyenangkan, tidak bisa dialihdayakan, atau biaya kegagalan tinggi. Selain itu, outsourcing bisa saja masuk akal.
10. Saya alergi novel. Nonton film saja boleh?
Sebagian, boleh.
Jika tujuannya cerita, karakter, emosi, dan merasakan kehidupan lain, film dapat memberikan banyak hal. Film memberi wajah, suara, ruangan, gerak, musik, dan tempo.
Novel menyerahkan sebagian pekerjaan rendering kepada pembaca.
Teks: “Seorang pria berdiri di ruangan yang remang.”
Otak: ruangan seperti apa? Wajah apa? Suara apa? Suasananya bagaimana?
Dalam film, studio produksi mengalihdayakan sebagian besar rendering internal otak.
Meta-analisis fiksi tahun 2024 menemukan manfaat eksperimental rata-rata yang kecil, g = 0,14, dengan efek signifikan terutama pada empati dan mentalizing [1]. Jadi tidak ada dasar untuk mengatakan “tidak membaca novel berarti kemanusiaan hancur”.
Novel tetap punya fungsi khas: paparan panjang pada bahasa tertulis, membangun adegan dari teks, dan mengikuti bahasa penulis selama berjam-jam. Film punya kekuatan lain: informasi audiovisual padat dan akting.
Jika targetnya “mengalami cerita”, film adalah rute yang sah. Jika targetnya juga melatih membaca berkelanjutan dan membangkitkan adegan dari teks, novel punya pekerjaan yang tidak sepenuhnya sama.
11. Cognitive offloading: apakah memindahkan kerja otak ke luar itu buruk?
Cognitive offloading berarti menggunakan tindakan atau alat luar untuk mengubah tugas dan mengurangi tuntutan kognitif [8].
Pengingat.
Catatan.
Kalkulator.
GPS.
AI.
Semuanya satu keluarga.
Manusia selalu melakukan outsourcing. Kita berhenti menghafal semua nomor telepon dan peradaban tidak runtuh.
Pertanyaan penting bukan “apakah saya mengalihdayakan?”, melainkan:
“Apakah saya mengalihdayakan sesuatu yang masih perlu bisa saya lakukan sendiri?”
Contoh:
- perkalian bunga → mudah dialihdayakan;
- menentukan apa yang perlu dibandingkan → simpan sendiri;
- pemeriksaan ejaan → mudah dialihdayakan;
- merasa sebuah klaim mencurigakan → pertahankan penilaian;
- pilihan terbaik mahjong → tergantung tujuan hobi;
- kontrol darurat mesin → sebaiknya tetap bisa jika biaya gagal tinggi.
Pertanyaan zaman AI bukan “bagaimana menghindari AI?”
Melainkan:
“Pekerjaan apa yang keluar dari otak, dan untuk apa kapasitas yang dibebaskan?”
12. Apakah pertanyaan ini membangun schema? Masalah “Dekopin sedang apa?”
Lebih banyak pertanyaan tidak selalu berarti lebih banyak belajar.
Ketika Shohei Ohtani mengumumkan pada Desember 2024 bahwa ia dan istrinya menantikan anak pertama, foto pengumuman juga menampilkan anjing terkenalnya, Dekopin/Decoy [9]. Di media sosial Jepang, pertanyaan yang terlalu detail seperti “lalu waktu itu Dekopin sedang apa?” menyebar sebagai format lelucon. Di sini tidak diklaim ada satu post asli yang sudah pasti; kita memperlakukannya sebagai meme yang beredar.
Pertanyaan pembangun schema:
“Apakah A menyebabkan B?”
“Apakah mekanismenya sama dengan C?”
“Apa pengecualiannya?”
“Ini korelasi atau sebab-akibat?”
Pertanyaan isi-kotak:
“Kapan?”
“Di mana?”
“Jam berapa persis?”
“Lalu Dekopin?”
Kategori kedua kadang hanya mengklik setiap kolom kosong karena kolomnya ada.
Itu juga menyenangkan. Tidak semua rasa ingin tahu harus mengoptimalkan ROI belajar. Departemen Dekopin bertugas membuat hidup tidak membosankan.
Tetapi jika tujuannya memahami dan mengingat, tanyakan apakah pertanyaan tersebut menambah hubungan yang berguna atau hanya mengisi satu kotak lagi.
13. Apa yang sebaiknya tetap berada di otak pada zaman AI?
Jika AI terus membaik, manusia masih perlu belajar apa?
Bukan semua angka. Bukan semua perhitungan.
Yang layak dipertahankan:
Tujuan. Apa yang sebenarnya ingin dicapai?
Konsep dasar. Bunga, probabilitas, sebab-akibat, risiko.
Kemampuan bertanya. Mengapa? Dibanding apa? Apa yang membantahnya?
Kecurigaan sehat. AI bisa salah dengan percaya diri; keputusan penting perlu sumber.
Kemampuan menghubungkan. Kaitkan yang baru dengan pengetahuan lama.
Penilaian. Setelah angka keluar, putuskan “jadi harus apa?”.
Sekalipun AI menjadi kalkulator, pencari, dan penulis draf, manusia masih menentukan apa yang dihitung, jawaban mana yang dipercaya, dan apa yang dilakukan dengannya.
14. Praktik: ubah dialog AI menjadi alat belajar
Tidak perlu membuat ritual belajar rumit. Ubah sedikit dialognya.
Jika ingin mengingat pengetahuan
Jangan berhenti pada “beri jawabannya”. Tanyakan:
- Jelaskan untuk anak SMP.
- Kenapa?
- Contoh konkret?
- Kapan ini gagal?
- Bagaimana terkait dengan X?
- Seberapa jauh penelitian benar-benar memastikan ini?
- Mana sumber primer?
- Ini penjelasan saya; bagian mana yang salah?
Jika ingin memperoleh keterampilan
Turunkan jabatan AI dari sopir menjadi instruktur.
Matematika: “Jangan beri jawaban dulu; bantu saya menyusun persamaan.”
Mahjong: pilih sendiri dulu, lalu minta AI menilai.
Jika tidak perlu menguasai keterampilannya
Outsource tanpa rasa bersalah.
Bunga bank, agregasi panjang, perbandingan setelah pajak—kalau tujuan sebenarnya keputusan, perhitungan manual tidak perlu dianggap suci.
Lalu lakukan retrieval
Ketika topik muncul dalam percakapan, jelaskan tanpa melihat layar. Bagian yang tidak bisa dijelaskan menjadi lubang berikutnya.
Siklusnya:
input AI → elaborasi dan koneksi → retrieval dalam percakapan → deteksi celah → AI lagi.
15. Ringkasan: tambah koneksi, bukan hanya informasi
Buku tetap kuat, terutama untuk:
- bertemu informasi yang tidak kita pilih,
- mengikuti argumen panjang,
- paparan panjang terhadap bahasa tertulis,
- membangun tokoh dan dunia dari teks.
Dialog AI sangat kuat untuk:
- bertanya tepat di titik bingung,
- menemukan penelitian,
- menghasilkan bantahan,
- menghubungkan dengan pengetahuan lama,
- mengisi lubang schema dengan cepat.
Dalam RCT fisika Harvard tahun 2025, tutor AI yang dirancang berdasarkan prinsip pembelajaran menghasilkan peningkatan belajar yang lebih besar daripada active learning di kelas, dengan median waktu lebih rendah: 49 menit pada AI versus sekitar 60 menit di kelas. Dalam analisis yang menangani ceiling effect, penulis memperkirakan effect size 0,73–1,3 standar deviasi. Ini bukan “AI melawan tutor manusia satu lawan satu”. Desainnya crossover: setiap siswa mengalami kedua kondisi, dan pembandingnya adalah kelas aktif Harvard berbasis penelitian [10].
Karena itu, “belajar dengan AI pasti dangkal” tidak lagi layak menjadi aturan umum.
Namun penelitian matematika dan catur juga mengingatkan bahwa bantuan berlebihan dapat menciptakan performa bagus saat AI ada tanpa keterampilan mandiri [6][7].
Jadi jawabannya bukan “buku atau AI”.
Untuk ide yang ingin diingat, gunakan AI untuk menambah koneksi.
Untuk keterampilan yang ingin dilakukan sendiri, coba sendiri dulu.
Untuk perhitungan yang tidak perlu dikuasai, outsource.
Dan sesekali biarkan buku atau karya lain membawa kita ke tempat yang tidak pernah terpikir untuk dicari.
Otak tidak perlu menyimpan setiap angka.
Yang dibutuhkan adalah peta yang baik dan banyak jalan antartitik.
Kalau ingin lebih ingat, jangan hanya tambah informasi. Tambah koneksi.
- Wimmer, L. F., Currie, G., Friend, S., Wittwer, J., & Ferguson, H. J. (2024). “Cognitive effects and correlates of reading fiction: Two preregistered multilevel meta-analyses.” Journal of Experimental Psychology: General, 153(6), 1464–1488. DOI: 10.1037/xge0001583
- Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., & Winne, P. H. (2018). “Inducing Self-Explanation: a Meta-Analysis.” Educational Psychology Review, 30, 703–725. DOI: 10.1007/s10648-018-9434-x
- Gilboa, A., & Marlatte, H. (2017). “Neurobiology of Schemas and Schema-Mediated Memory.” Trends in Cognitive Sciences, 21(8), 618–631. DOI: 10.1016/j.tics.2017.04.013
- Agarwal, P. K., Nunes, L. D., & Blunt, J. R. (2021). “Retrieval Practice Consistently Benefits Student Learning: a Systematic Review of Applied Research in Schools and Classrooms.” Educational Psychology Review, 33, 1409–1453. DOI: 10.1007/s10648-021-09595-9
- Graham, S., Kiuhara, S. A., & MacKay, M. (2020). “The Effects of Writing on Learning in Science, Social Studies, and Mathematics: A Meta-Analysis.” Review of Educational Research, 90(2), 179–226. DOI: 10.3102/0034654320914744
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” Proceedings of the National Academy of Sciences, 122(26), e2422633122. DOI: 10.1073/pnas.2422633122
- Poulidis, S., Bastani, H., & Bastani, O. (working paper; posted 2025, revised 1 Aug 2026). “Self-Regulated AI Use Hinders Long-Term Learning.” Wharton School Research Paper / SSRN
- Risko, E. F., & Gilbert, S. J. (2016). “Cognitive Offloading.” Trends in Cognitive Sciences, 20(9), 676–688. DOI: 10.1016/j.tics.2016.07.002
- MLB.com (2024-12-28). “Baby Ohtani! Shohei, wife Mamiko expecting first child.
- Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). “AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting.” Scientific Reports, 15, 17458. DOI: 10.1038/s41598-025-97652-6
