Apakah ChatGPT membuat kita lebih sedikit berpikir? Mengapa “brengsek × 4 = satu data” menjelaskan cara pendalaman dapat menajamkan penilaian

“Mantan saya brengsek. Yang berikutnya juga. Setelah itu juga.” Pengalamannya memang empat. Namun jika semuanya disimpan dengan satu label, basis data pembelajaran mungkin hanya mendapat satu kolom: brengsek.

Banyak pengalaman tidak sama dengan memiliki banyak model yang bisa digunakan kembali. Hal yang sama berlaku pada ChatGPT. Jika seluruh jawaban diserahkan kepada AI, kita bisa mengurangi pekerjaan berpikir. Jika kita terus bertanya “mengapa?”, “apa penjelasan lain?”, “apa yang bisa membantahnya?”, dan “informasi apa yang akan mengubah kesimpulan?”, AI berubah menjadi partner latihan penalaran.

Tinjauan sistematis tahun 2026 yang merangkum 67 studi empiris menyimpulkan bahwa ChatGPT lebih mungkin mendukung pemikiran tingkat tinggi ketika digunakan dalam proses penyelidikan dan refleksi yang terstruktur; penggunaan tanpa struktur lebih sering berkaitan dengan keterlibatan dangkal dan pengalihan beban kognitif.[1]

1. Apakah memakai AI benar-benar membuat kita lebih sedikit berpikir?

Jawaban yang paling tepat: tergantung alur kerjanya.

Studi tahun 2025 terhadap 319 pekerja pengetahuan dengan 936 contoh penggunaan AI nyata menemukan bahwa kepercayaan yang lebih tinggi pada AI berkaitan dengan lebih sedikit pemikiran kritis yang dilaporkan, sedangkan kepercayaan pada kemampuan diri berkaitan dengan evaluasi kritis yang lebih besar. Pemikiran kritis juga bergeser ke penetapan tujuan, pemeriksaan keluaran, penggabungan informasi, dan pengawasan hasil akhir.[2]

Tanya AI → terima jawaban → selesai

dapat menjadi outsourcing pemikiran.

Namun:

Merasa ada yang janggal
→ membuat pertanyaan
→ membuat hipotesis
→ meminta hipotesis tandingan
→ memeriksa riset dan sumber primer
→ membandingkan kasus lain
→ memperbaiki model
→ menguji di dunia nyata
→ memperbaiki lagi dari hasil

masih menyisakan banyak pekerjaan bagi manusia.

Beli AI supaya hemat tenaga, malah merekrut komite penelaah sejawat di dalam kepala.

2. Mengapa “dia brengsek” menghasilkan model yang lemah?

Label moral mudah dipakai untuk menilai, tetapi terlalu kasar untuk memprediksi.

A = brengsek
B = brengsek
C = brengsek
D = brengsek

Empat pengalaman, hampir tidak ada variabel pembeda.

Lebih berguna menyimpan urutan perilaku:

Melewati batas kecil
→ melihat reaksi
→ berhenti setelah ditegur / mengulang
→ tuntutan mengecil / membesar

Menunjukkan perhatian sangat kuat
→ hubungan stabil
→ usaha kembali normal / tiba-tiba hilang

Menerima kritik
→ menjelaskan konteks
→ mencoba memperbaiki / mengembalikan semua kesalahan ke pihak lain

Satu perilaku tidak cukup untuk menetapkan karakter seseorang. Kesalahpahaman, kelelahan, kurang keterampilan, atau satu kesalahan dapat terlihat serupa.

Variabel yang lebih berguna adalah kondisi, pengulangan, perubahan setelah umpan balik, pembagian keuntungan, dan perbaikan.

3. Apakah cara membandingkan pengalaman kadang lebih penting daripada jumlah pengalaman?

Bisa.

Dalam penelitian klasik Gick dan Holyoak, orang yang mampu menjelaskan struktur bersama dari dua masalah yang tampaknya berbeda lebih berhasil memindahkan prinsip penyelesaian ke masalah baru.[3]

Dalam pelatihan negosiasi, tim yang membandingkan dua kasus untuk menemukan kesamaan struktur lebih berhasil membawa strategi penting ke negosiasi baru dibanding tim yang mempelajari kasus yang sama secara terpisah.[4]

Daripada:

Hubungan A: buruk
Pekerjaan C: buruk

lebih informatif jika disimpan sebagai:

Hubungan A: batas tidak jelas → tuntutan bertambah
Pekerjaan C: batas peran tidak jelas → tugas bertambah

Struktur bersama: batas yang tidak didefinisikan dapat memusatkan beban pada satu pihak

Tokohnya berbeda. Diagram kabelnya bisa sama.

4. Apa yang dilatih saat terus bertanya “mengapa?” dan “apa yang membantahnya?”

Membuat penjelasan sendiri tentang sebab dan hubungan konsep disebut penjelasan diri. Meta-analisis atas 64 laporan penelitian dan 69 ukuran efek menemukan manfaat belajar rata-rata tingkat sedang dari dorongan untuk melakukan penjelasan diri.[5]

Meta-analisis lain yang mencakup 122 eksperimen dan 10.382 peserta menemukan bahwa latihan mengambil kembali pengetahuan dari ingatan dapat berpindah ke tugas baru, termasuk pertanyaan penerapan dan inferensi, dibanding sekadar melihat materi lagi.[6]

Pertanyaan berikut dapat mengubah pengalaman menjadi struktur yang bisa dicari kembali:

• Apa yang sebenarnya terjadi?
• Mengapa saya menafsirkannya begitu?
• Penyebab lain apa yang cocok?
• Apa contoh tandingan terkuat?
• Informasi apa yang akan mengubah kesimpulan?
• Apakah struktur yang sama ada di bidang lain?

5. Bagaimana ini dapat menimbulkan perasaan “sudah tahu apa yang akan terjadi berikutnya”?

Jika model abstrak cukup banyak, kasus baru tidak selalu diproses dari nol.

Kasus baru
→ bandingkan dengan model A, B, C
→ perkirakan tahap saat ini
→ buat hipotesis tentang langkah berikutnya
→ amati dan perbarui

Ini bukan ramalan. Ini kemampuan membuat hipotesis awal dari perpustakaan pola.

Bahaya besarnya adalah bias setelah kejadian. Setelah hasil diketahui, mengatakan “saya sudah tahu” sangat mudah.

Karena itu catat sebelum hasil:

Prediksi: X terjadi dalam dua minggu
Probabilitas: 70%
Alasan: A dan B sudah terlihat
Kondisi bantahan: jika C terjadi, revisi model
Hasil: terjadi / tidak terjadi

Ilmu pengambilan keputusan untuk analisis intelijen juga menyarankan pelacakan kuantitatif atas ketepatan dan ketidakpastian prediksi.[7]

6. Jika ChatGPT menjadi otak eksternal, apa yang harus tetap dimiliki manusia?

AI cocok untuk pencarian berulang, pembuatan kandidat, perbandingan, hipotesis tandingan, ringkasan, dan pemformatan.

Manusia perlu tetap memegang:

1. apa yang terasa janggal,
2. bagaimana masalah didefinisikan,
3. bukti apa yang dipercaya,
4. apa yang dapat membantah model,
5. model mana yang akhirnya diterima,
6. tindakan nyata apa yang diuji,
7. apa yang dibuang setelah umpan balik.

Pertanyaan berguna:

• Apa bukti terkuat yang melawan hipotesis ini?
• Model sebab lain apa yang menjelaskan fakta yang sama?
• Jika premis saya salah, bagian mana yang paling mungkin salah?
• Apa yang dapat diperiksa di sumber primer?
• Apakah saya mencampur korelasi dan sebab-akibat?
• Informasi tambahan apa yang mengubah kesimpulan?
• Kasus analog apa yang ada di bidang lain?
• Peristiwa berikut apa yang diprediksi model ini?

Jika hanya bertanya “saya benar, kan?”, AI bisa berubah menjadi boneka angguk raksasa.

Otak eksternal membutuhkan kemampuan membantah, bukan kelenturan leher.

7. Mengapa mengubah diskusi menjadi artikel memperkuat lingkaran ini?

Percakapan berlalu. Artikel menyimpan struktur.

Pengalaman
→ pertanyaan
→ riset
→ contoh tandingan
→ struktur bersama
→ aturan praktis
→ penyimpanan
→ penggunaan kembali

Artikel dapat menjadi cache untuk pemikiran yang sebelumnya mahal.

Semakin besar arsip, semakin mudah melihat bahwa dua masalah yang jauh ternyata memakai mekanisme yang sama.

Bukan hanya jumlah pengetahuan yang bertambah. Hubungan antarpengetahuan juga bertambah.

8. Jadi, apa sebenarnya bahan baku “mata yang tajam”?

Bukan sekadar jumlah orang, pekerjaan, atau masalah yang pernah dialami.

ketajaman penilaian
≈ jumlah kasus
× resolusi informasi per kasus
× perbandingan lintas kasus
× upaya pembantahan
× umpan balik dunia nyata

Jika empat orang disimpan sebagai “brengsek”, hasilnya bisa menjadi brengsek × 4 = satu data.

Jika kita memisahkan batas, pengalihan kesalahan, perbaikan, kesesuaian kata dan tindakan, serta perubahan berdasarkan kondisi, empat pengalaman dapat menghasilkan beberapa model yang bisa dipakai ulang.

Nilai terdalam ChatGPT bukan hanya jawaban yang lebih cepat.

Nilainya adalah mempercepat proses membuat hipotesis, menyerangnya, membangunnya ulang, memindahkannya ke kasus lain, lalu memeriksanya terhadap kenyataan.

Jangan serahkan pemikiran kepada AI. Tambah jumlah iterasi berpikir.

Maka AI bukan otak pengganti, melainkan rekan laboratorium yang terus mengembalikan bola dan tampaknya tidak pernah pulang.