AI Bisa Meniru Pikiran, tetapi Bisakah Memahami Manusia?

Bayangkan seorang anak menunjuk gambar burung. Ia tidak sekadar menjawab “burung”. Ia mungkin bertanya mengapa hewan itu bisa terbang, menghubungkannya dengan pengalaman melihat sayap, kemudian mengubah pemahamannya ketika menemukan penguin yang tidak terbang. Di layar komputer, sebuah model AI juga bisa mengenali burung, menjelaskan aerodinamika, bahkan menyusun hipotesis tentang evolusi. Tetapi apakah keduanya sedang melakukan hal yang sama ketika “memahami” dunia?

Pertanyaan itulah yang akan semakin menentukan masa depan kecerdasan buatan. AI kini bukan hanya mesin pengenal pola. Model bahasa dan agen berbasis AI dapat merencanakan tugas, menggunakan perangkat lunak, berkomunikasi, serta memberi rekomendasi. Namun kemampuan menghasilkan jawaban dan tindakan yang tampak cerdas tidak otomatis membuktikan bahwa sebuah sistem memiliki pengalaman, makna, kesadaran, ataupun tanggung jawab seperti manusia.

Buku yang akan terbit, Human Intelligence and Artificial Intelligence: Connecting Cognitive Science with AI, menawarkan titik berangkat menarik: mempertemukan sains kognitif, kecerdasan buatan, psikologi, filsafat, etika, dan desain. Berdasarkan katalog resmi Elsevier, buku karya Tilottama Goswami, Richard J. Greene, dan Anita Sarkar ini dijadwalkan terbit 1 Mei 2027. Karena saat artikel ini ditulis, 7 November 2026, bukunya belum terbit, analisis berikut terinspirasi dari uraian penerbit dan dikembangkan dengan jurnal ilmiah yang sudah tersedia; bukan resensi bab demi bab atau klaim telah membaca manuskrip lengkapnya.

Jawaban singkat: sains kognitif memberi AI prinsip tentang perhatian, pembelajaran, memori, bahasa, penalaran, dan interaksi sosial. Sebaliknya, model AI membantu peneliti menguji hipotesis tentang perilaku manusia. Tetapi hubungan keduanya bukan persamaan identitas: kecerdasan yang terlihat pada keluaran AI dapat muncul melalui mekanisme yang sangat berbeda dari proses biologis, pengalaman tubuh, dan kehidupan sosial manusia.

Kecerdasan manusia bukan sekadar mesin jawaban

Dalam sains kognitif, pikiran dipelajari melalui banyak jalur: psikologi eksperimental, linguistik, ilmu saraf, filsafat pikiran, antropologi kognitif, serta pemodelan komputasional. Pertanyaan dasarnya bukan hanya “apa jawabannya?”, tetapi “bagaimana seseorang mengamati, membentuk konsep, mengingat, memilih, belajar dari kesalahan, dan memahami maksud orang lain?”.

Seorang anak mempelajari bahasa dengan menghubungkan kata, pengalaman sensorik, perhatian bersama, dan tindakan orang di sekitarnya. Orang dewasa membuat keputusan dengan memadukan pengetahuan eksplisit, emosi, kebiasaan, ingatan, dan nilai sosial. Manusia juga dapat menyadari keterbatasannya: ia mungkin mengatakan “saya tidak tahu”, menyesali tindakan, atau mempertimbangkan dampak moral keputusannya.

AI modern dapat memodelkan sejumlah aspek perilaku dan bahasa tersebut secara mengagumkan. Namun performance equivalence—hasil yang mirip—bukan bukti otomatis akan mechanism equivalence—mekanisme yang sama. Karena itulah penelitian yang baik perlu memisahkan tiga tingkat: kemiripan hasil, kemiripan mekanisme pemrosesan, dan klaim tentang pengalaman subjektif atau kesadaran. Tingkat ketiga tidak dapat ditetapkan hanya dari percakapan lancar.

Ketika AI membantu ilmuwan membaca pola pikir manusia

Artikel Nature (2 Juli 2025) memperkenalkan Centaur, model komputasional yang dirancang untuk memprediksi perilaku manusia pada eksperimen psikologi. Peneliti melatihnya menggunakan dataset Psych-101 yang memuat pilihan dari lebih dari 60.000 partisipan, lebih dari 10 juta keputusan, dan 160 eksperimen. Centaur menunjukkan kemampuan memprediksi perilaku pada skenario yang belum pernah dilihat, termasuk perubahan struktur tugas.

Temuan itu penting: model bahasa tidak hanya dipakai untuk membuat teks, melainkan juga dapat menjadi instrumen ilmiah bagi prediksi perilaku. Namun dari kemampuan Centaur memperkirakan bagaimana responden akan memilih, kita tidak dapat menyimpulkan bahwa model tersebut mengalami keraguan, rasa ingin tahu, atau konsekuensi keputusan seperti seorang manusia. Model perilaku manusia tetaplah model, bukan replika lengkap kehidupan mental manusia.

Penelitian lain dalam Nature Computational Science (September 2025) membahas peningkatan keselarasan antara representasi bahasa pada model besar dan pengolahan bahasa di otak. Keselarasan statistik semacam ini menawarkan hipotesis yang dapat diuji, tetapi tidak membuktikan identitas antara jaringan transformator dan otak biologis.

Sebagai penyeimbang, penelitian Haerim Hwang di Acta Psychologica (2026) membandingkan 10 model bahasa dengan 94 manusia pada penilaian gramatikal dan interpretasi kalimat tertentu. Studi itu menyimpulkan bahwa model yang diuji belum dapat diperlakukan sebagai model kognitif lengkap dari kompetensi bahasa manusia, terlepas dari ukuran maupun kemampuan penalarannya. Hasil tersebut berlaku pada desain dan fenomena bahasa yang diteliti, bukan penyangkalan terhadap seluruh potensi pemodelan kognitif AI.

Lima pelajaran sains kognitif bagi pengembangan AI

1. Persepsi bukan hanya mengenali objek

Persepsi manusia melibatkan penggabungan informasi sensorik, konteks, ekspektasi, perhatian, dan tujuan. Mesin visi komputer dapat unggul dalam klasifikasi citra, tetapi sistem yang berinteraksi dengan lingkungan membutuhkan kemampuan membedakan objek, tindakan, risiko, serta ketidakpastian. Desain AI yang berorientasi manusia perlu menyediakan konteks dan mekanisme koreksi, bukan memaksa pengguna mempercayai satu label keluaran.

2. Memori tidak identik dengan penyimpanan data

Manusia mengingat secara selektif, membangun kembali pengalaman, dan mengubah pengetahuan saat belajar. Model AI dapat menyimpan konteks atau mengambil dokumen dari basis pengetahuan, tetapi penyimpanan itu tidak otomatis menyamai memori episodik manusia. Agen AI yang memakai memori jangka panjang harus memiliki aturan tentang relevansi, asal-usul, masa berlaku, akses, dan hak menghapus informasi.

3. Penalaran adalah proses, bukan sekadar jawaban meyakinkan

Ketika manusia memecahkan persoalan, langkah yang ditempuh dapat dipengaruhi keahlian, perhatian, tekanan waktu, dan umpan balik. Model penalaran AI dapat mengungguli manusia pada beberapa tes, tetapi juga dapat salah memahami premis atau menghasilkan pembenaran yang terdengar mantap. Riset dalam PNAS (2025/2026) melaporkan korelasi antara panjang keluaran penalaran model dan waktu reaksi manusia di tujuh jenis tugas. Korelasi tersebut memberi petunjuk tentang tuntutan komputasional, bukan bukti bahwa AI menalar melalui pengalaman sadar yang sama.

4. Belajar berarti memperbarui model mental

Dalam psikologi perkembangan Jean Piaget, assimilation berarti memasukkan informasi baru ke kerangka yang sudah dimiliki, sedangkan accommodation berarti mengubah kerangka itu sendiri. Sebuah eksperimen lapangan acak terhadap 371 profesional di Korea Selatan, yang dilaporkan Journal of Innovation & Knowledge (2026), menerapkan pembedaan tersebut untuk memahami kolaborasi GenAI dalam inovasi. Pertanyaannya bukan cuma seberapa banyak jawaban diperoleh, tetapi apakah interaksi dengan AI memperkaya atau mengubah cara manusia memandang masalah.

5. Kecerdasan sosial menuntut pemahaman batas

Manusia bukan sekadar penghasil kalimat: ia hidup dalam relasi, memiliki norma, dan mempertanggungjawabkan tindakan terhadap orang lain. Model AI dapat mensimulasikan percakapan empatik atau menjelaskan perspektif orang lain, tetapi itu tidak sama dengan menjamin kepedulian moral atau kemampuan memahami konsekuensi sosial secara utuh. Dalam desain agen AI, simulasi empati perlu dibedakan dari tanggung jawab nyata organisasi yang mengoperasikan sistem.

Agentic AI: ketika sistem tidak hanya berbicara, tetapi bertindak

Peralihan dari chatbot ke agentic AI menambah tingkat risiko. Agen dapat memecah tujuan menjadi tugas, memilih alat, mengakses data, mengeksekusi perintah, dan menindaklanjuti hasil. Dalam alur ini, kegagalan kecil bisa merambat menjadi serangkaian tindakan: informasi sumber salah, strategi keliru, perintah dieksekusi, lalu kesalahan diperkuat oleh agen lain.

Karena itu, pertanyaan desain tidak cukup “apakah modelnya pintar?”, melainkan “tindakan apa yang boleh dilakukan, atas nama siapa, berdasarkan bukti apa, bagaimana kesalahan diketahui, dan kapan manusia harus mengambil alih?”. Artikel AI and Ethics (Mei 2026) tentang meaningful human oversight membedakan kemampuan agen AI untuk melaksanakan operasi dari hak manusia untuk mengevaluasi, mengarahkan, dan mengganti tindakan. Pengawasan yang bermakna tidak sama dengan tombol persetujuan yang sekadar diklik.

Tinjauan Minds and Machines (Mei 2026) juga menekankan bahwa kendali manusia bukan hanya kemampuan teknis menghentikan sistem. Kontrol harus dipahami secara normatif: siapa yang punya legitimasi, informasi, dan sarana untuk mengarahkan tindakan serta meminta pertanggungjawaban ketika agen melakukan sesuatu yang tidak diinginkan.

Benarkah manusia dan AI selalu lebih baik jika digabungkan?

Jawabannya: tidak selalu. Meta-analisis Michelle Vaccaro, Abdullah Almaatouq, dan Thomas Malone dalam Nature Human Behaviour (2024) menggabungkan 106 eksperimen dengan 370 ukuran efek. Secara rata-rata, kerja manusia–AI lebih baik daripada manusia saja pada tugas yang dipelajari. Namun penelitian itu tidak menemukan sinergi secara rata-rata dibandingkan pilihan terbaik antara manusia saja atau AI saja. Jenis tugas dan kemampuan relatif masing-masing pihak sangat memengaruhi hasil.

Artinya, menggabungkan manusia dan model secara otomatis bisa justru memperumit proses. Untuk tugas tertentu, AI sebaiknya memberikan alternatif yang dapat diperiksa; pada tugas lain, manusia perlu mempertahankan keputusan sepenuhnya; dan pada pekerjaan yang cukup aman serta dapat diuji, otomasi langsung mungkin lebih efisien. Rancangan pembagian kerja harus mengikuti risiko dan bukti, bukan slogan bahwa “manusia dan AI pasti lebih hebat bersama”.

Studi International Journal of Human–Computer Interaction (Februari 2026) terhadap 80 peserta menemukan bahwa hubungan ketergantungan antarsistem AI dapat menambah beban pengawasan dan menyamarkan kesalahan yang dianggap kecil. Makin banyak agen tidak otomatis berarti makin mudah diawasi.

Paradoks kognitif: makin produktif, belum tentu makin cerdas

Ketika AI membantu menjawab pertanyaan atau menulis kode, kerja dapat tampak lebih cepat. Tetapi apakah manusia yang menggunakannya ikut belajar? Penelitian Nature Human Behaviour (26 Oktober 2026) menguji 487 konsultan manajemen dalam tugas data science di luar keahlian mereka. Bantuan ChatGPT meningkatkan kinerja saat alat dipakai, tetapi tidak ditemukan bukti peningkatan pengetahuan teknis peserta ketika diuji tanpa AI setelah eksperimen. Peneliti menggambarkan manfaat itu seperti exoskeleton kognitif: kemampuan tampak bertambah ketika alat tersedia, belum tentu berpindah menjadi kompetensi mandiri.

Dalam survei 319 pekerja pengetahuan dengan 936 contoh penggunaan AI, penelitian CHI 2025 menemukan hubungan antara kepercayaan lebih tinggi pada AI dan usaha berpikir kritis yang dilaporkan lebih rendah. Penelitian itu berbasis laporan diri, sehingga tidak cukup untuk menyatakan AI menyebabkan penurunan kecerdasan. Namun ada implikasi praktis: kegiatan berpikir bergeser dari mencari informasi menjadi memverifikasi informasi, dari menyusun jawaban menjadi mengintegrasikannya, dan dari menyelesaikan tugas menjadi mengawasi proses.

Tinjauan Artificial Intelligence Review (Januari 2026) menggunakan teori cognitive load untuk menjelaskan bahwa manusia dibatasi kapasitas memori kerja, sementara AI juga memiliki batas sumber daya dan konteks. Karena itu, kerja sama yang baik memerlukan pengelolaan beban, bukan membanjiri pengguna dengan semua langkah mesin atau menyembunyikan seluruh informasi penting.

Artikel Journal of Documentation (Juni 2026) mengusulkan model kognisi terdistribusi yang melihat manusia, antarmuka, AI, dan representasi eksternal sebagai satu sistem interaksi. Perbedaan hasil—peningkatan kemampuan atau pelemahan keterlibatan kognitif—bergantung pada apakah pengguna melewati keseluruhan siklus: membentuk niat, mengeksternalisasi masalah, mengolah keluaran, menilai hasil, dan memperbarui pemahaman.

Dari AI yang berpusat pada model menuju AI yang berpusat pada manusia

Berdasarkan literatur tersebut, AIGEO.ID mengusulkan lima prinsip desain human-centered agentic AI. Ini adalah sintesis editorial, bukan standar teknis tersertifikasi.

• Tujuan manusia lebih dulu. Tetapkan masalah, siapa yang diuntungkan atau dirugikan, ukuran keberhasilan, serta batas tindakan sebelum memilih model AI.
• Otonomi bertingkat. Agen boleh melaksanakan pekerjaan berisiko rendah yang dapat dibatalkan; keputusan berkonsekuensi besar harus melalui pemeriksaan atau otorisasi yang proporsional.
• Bukti yang bisa diperiksa. Berikan rujukan sumber, asumsi, hasil uji, dan jejak tindakan, bukan sekadar uraian lancar tentang “alasan” model.
• Desain untuk pembelajaran. Minta pengguna memprediksi hasil, membandingkan alternatif, dan meninjau kesalahan agar penggunaan AI tidak menggantikan latihan berpikir.
• Hak untuk mengoreksi dan menghentikan. Sistem harus mendukung pembatalan tindakan, eskalasi, pelaporan kegagalan, serta peninjauan keputusan yang merugikan.

Misalnya, pada layanan kesehatan, agen dapat merangkum berkas atau menunjukkan inkonsistensi dokumen, tetapi keputusan klinis memerlukan standar bukti dan profesional yang berwenang. Dalam pendidikan, AI dapat memberi petunjuk bertahap dan umpan balik, bukan selalu menyediakan jawaban akhir. Di perusahaan, agen dapat menyiapkan skenario dan dokumen keputusan, sementara pimpinan bertanggung jawab atas trade-off, akuntabilitas, dan kebijakan.

Pembahasan operasionalnya berkaitan dengan artikel AIGEO.ID tentang bagaimana penilaian CEO menjadi kecerdasan organisasi dan kapabilitas AI organisasi menurut perspektif David Teece. Mesin yang canggih hanya bernilai jika organisasi memiliki kemampuan mengawasi, belajar, dan mengubah proses sesuai kepentingan manusia.

Apa artinya bagi Indonesia?

Indonesia berpotensi memanfaatkan AI dalam pendidikan, kesehatan, layanan publik, media, industri, dan pengembangan bahasa daerah. Tetapi kemampuan berinteraksi dengan chatbot tidak boleh disamakan dengan literasi kognitif dan digital. Kurikulum AI perlu memasukkan cara memeriksa bukti, mengidentifikasi bias, memahami ketidakpastian, dan mempertanyakan rekomendasi algoritma. Bagi pengembang, evaluasi juga perlu mempertimbangkan keberagaman bahasa, konteks sosial, serta ekspektasi pengguna Indonesia.

Ada pertanyaan kebijakan yang sama pentingnya: jika institusi menggunakan agen AI untuk menyaring pengaduan, menilai dokumen, atau merekomendasikan keputusan, bagaimana warga mengajukan keberatan? Apakah dasar keputusan dapat diperiksa? Siapa yang bertanggung jawab bila sistem menggunakan data yang salah? Ini bukan sekadar persoalan performa model, melainkan desain kelembagaan dan legitimasi keputusan.

Alih-alih mengejar AI yang “semakin menyerupai manusia” sebagai tujuan tunggal, Indonesia perlu mengembangkan AI yang semakin dapat dipahami, diuji, dikoreksi, serta bermanfaat bagi manusia. Perbedaan itu menentukan arah investasi pendidikan, penelitian, standar evaluasi, dan kebijakan publik.

Kesimpulan: kecerdasan yang berbeda, masa depan yang harus dirancang bersama

Sains kognitif mengajarkan bahwa kecerdasan tidak berdiri sendiri sebagai kemampuan menjawab soal. Ia terhubung dengan perhatian, pengalaman, pembelajaran, tubuh, lingkungan, hubungan sosial, dan tanggung jawab. AI telah membuktikan kemampuan besar pada beberapa fungsi yang dulu dianggap identik dengan kecerdasan manusia. Namun justru karena semakin mampu, AI membutuhkan pengetahuan tentang manusia—bukan untuk dianggap manusia, melainkan untuk ditempatkan dengan tepat di dalam kehidupan manusia.

Gagasan yang diangkat dalam deskripsi buku Human Intelligence and Artificial Intelligence: Connecting Cognitive Science with AI dapat dibaca sebagai ajakan untuk meruntuhkan sekat disiplin. Pertanyaan terpenting ke depan mungkin bukan “kapan AI berpikir persis seperti manusia?”, tetapi “bagaimana manusia tetap mampu berpikir, belajar, dan bertanggung jawab ketika AI dapat melakukan semakin banyak pekerjaan kognitif?”

FAQ: kecerdasan manusia dan AI

Apakah AI berpikir seperti manusia?

AI dapat menghasilkan keluaran yang menyerupai penalaran manusia, tetapi arsitektur, proses belajar, dan konteks pengalamannya berbeda. Kemiripan hasil tidak membuktikan kesamaan mekanisme atau pengalaman subjektif.

Apa itu cognitive science dalam AI?

Sains kognitif adalah kajian lintas disiplin tentang persepsi, perhatian, ingatan, bahasa, pembelajaran, penalaran, serta interaksi manusia. Temuannya dapat membantu merancang dan mengevaluasi AI, sementara AI juga dipakai untuk menguji model teoretis kognisi.

Apa bedanya generative AI dan agentic AI?

Generative AI terutama menghasilkan keluaran, seperti teks, gambar, atau kode. Agentic AI mengorkestrasi langkah, alat, dan tindakan untuk mengejar tujuan yang diberikan. Batas antara keduanya tidak selalu tegas, tetapi risiko tindakan otomatis membutuhkan tata kelola tambahan.

Apakah menggunakan AI membuat manusia kurang kritis?

Tidak selalu. AI dapat mengurangi kerja rutin dan memberi ruang untuk analisis, tetapi penggunaan tanpa verifikasi dapat memperbesar ketergantungan. Riset menunjukkan kinerja yang meningkat saat AI dipakai tidak otomatis berarti keterampilan manusia juga meningkat ketika alat dilepas.

Daftar bacaan dan sumber utama

• Elsevier, katalog buku Human Intelligence and Artificial Intelligence: Connecting Cognitive Science with AI, dijadwalkan 1 Mei 2027; sinopsis penerbit, bukan teks buku lengkap.
• Nature (2025), A foundation model to predict and capture human cognition — Centaur, lebih dari 60.000 partisipan dan 10 juta keputusan.
• Nature Computational Science (2025) — keselarasan model bahasa dengan pengolahan bahasa di otak.
• Acta Psychologica (2026) — batas model bahasa sebagai model kognitif manusia.
• PNAS (2025/2026) — panjang proses penalaran model dan waktu reaksi manusia.
• Journal of Innovation & Knowledge (2026) — AI sebagai kolaborator kognitif; eksperimen 371 profesional.
• Nature Human Behaviour (2024) — meta-analisis 106 eksperimen kolaborasi manusia–AI.
• Nature Human Behaviour (2026) — manfaat sementara GenAI dalam uji 487 konsultan.
• CHI Conference (2025) — survei 319 pekerja pengetahuan mengenai AI dan berpikir kritis.
• AI and Ethics (2026) — rancangan pengawasan manusia yang bermakna.
• Minds and Machines (2026) — kendali manusia dalam agentic AI.
• International Journal of Human–Computer Interaction (2026) — ketergantungan agen AI dan tantangan pengawasan manusia.
• Artificial Intelligence Review (2026) — beban kognitif manusia dan batas AI.
• Journal of Documentation (2026) — kerangka distributed cognition dan pembelajaran manusia–AI.

Catatan editorial: Seluruh angka penelitian mengacu pada sampel dan tugas masing-masing studi; angka tersebut tidak dapat digeneralisasi sebagai tingkat kecerdasan AI atau bukti kesadaran mesin. Buku yang menginspirasi tulisan ini masih berstatus pra-terbit menurut katalog resmi yang diperiksa pada 7 November 2026. Penjelasan konseptual, lima prinsip desain, dan implikasi Indonesia adalah sintesis AIGEO.ID.