1. Pendahuluan

Sejak akhir tahun 2022, kehadiran kecerdasan buatan generatif seperti ChatGPT mengubah secara mendasar cara dunia pendidikan tinggi bekerja. Perubahan ini tidak berhenti pada satu aspek saja, melainkan menyentuh hampir seluruh ranah aktivitas akademik: belajar, mengajar, penugasan, penilaian, penelitian, dan pengabdian masyarakat. Keenam ranah ini sekaligus mencerminkan Tridharma Perguruan Tinggi dan siklus kerja harian dosen sehari-hari.

Percepatan adopsi teknologi ini menciptakan situasi yang unik. Di satu sisi, mahasiswa dengan cepat mengadopsi berbagai alat AI untuk membantu tugas kuliah mereka. Di sisi lain, banyak dosen justru tertinggal, belum memiliki kesiapan yang memadai untuk merespons perubahan ini secara produktif. Kesenjangan inilah yang menjadi titik tolak penulisan makalah ini.

Pertanyaan mendasar yang ingin dijawab dalam makalah ini ada tiga. Pertama, apa saja tantangan utama yang dihadapi akademisi dalam memanfaatkan AI. Kedua, peluang apa yang dapat dioptimalkan dari kehadiran AI bagi produktivitas akademik. Ketiga, bagaimana strategi peningkatan kompetensi (uplevelling) akademisi di era AI dapat dirancang secara realistis, bukan sekadar idealisme yang sulit dijalankan.

Makalah ini disusun dengan semangat “belajar bersama mesin pembelajar”. Istilah ini sengaja dipilih untuk menegaskan bahwa hubungan yang ideal antara akademisi dan AI bukanlah relasi penolakan atau ketergantungan buta, melainkan kemitraan belajar yang setara: manusia belajar memanfaatkan AI secara bijak, sementara sistem AI itu sendiri secara literal terus “belajar” dari data yang diberikan kepadanya.

2. Mengenal Kecerdasan Buatan: Menyamakan Pemahaman Istilah

Sebelum membahas tantangan dan peluang secara lebih dalam, penting untuk menyamakan pemahaman istilah terlebih dahulu. Istilah seperti Artificial Intelligence, Machine Learning, Deep Learning, Large Language Model, Generative AI, dan Natural Language Processing sering dipakai secara bertukar tukar dalam percakapan sehari hari, padahal masing masing sebenarnya menjawab pertanyaan yang berbeda. Kerancuan ini sering membuat diskusi tentang AI di kalangan akademisi menjadi kurang presisi.

2.1 Perbedaan Mendasar antara Arsitektur dan Model

Sebelum masuk ke berbagai istilah yang lebih spesifik, ada satu perbedaan mendasar yang perlu dipahami lebih dulu, yaitu perbedaan antara arsitektur dan model. Arsitektur adalah cetak biru atau struktur matematis suatu sistem, misalnya Transformer atau CNN, yang pada dirinya sendiri belum bisa melakukan apa apa. Training atau pelatihan adalah proses arsitektur tersebut belajar pola dari data dalam jumlah besar. Model adalah hasil akhir dari arsitektur yang telah melalui proses training, sehingga siap menerima masukan dan memberikan keluaran.

Perbedaan ini dapat digambarkan dengan analogi sederhana. Arsitektur ibarat otak kosong seorang bayi, di mana struktur dasarnya sudah ada namun belum berisi pengetahuan apa pun. Training ibarat proses belajar bertahun tahun. Model adalah “orang dewasa” yang merupakan hasil dari proses belajar tersebut. Pemahaman dasar ini penting karena banyak kerancuan istilah AI sebenarnya berasal dari tercampurnya pembicaraan tentang arsitektur (struktur) dengan pembicaraan tentang model (hasil jadi).

Dengan dasar ini, istilah istilah AI selanjutnya dapat dipahami melalui beberapa sudut pandang yang berbeda, yang saling melengkapi satu sama lain alih alih bertingkat dalam satu garis hierarki tunggal.

2.2 Sudut Pandang Pertama: Pendekatan Besar dalam Kecerdasan Buatan

Sudut pandang pertama menjawab pertanyaan mendasar, yaitu secara filosofi, sistem kecerdasan buatan ini dibangun dengan pendekatan apa. Ada beberapa pendekatan besar yang dikenal dalam sejarah perkembangan AI.

• Symbolic AI atau Rule Based AI (sering disebut Expert System): membangun sistem berdasarkan aturan “jika maka” yang dirumuskan secara eksplisit oleh manusia, tanpa proses belajar dari data. Contohnya sistem diagnosis medis generasi lama atau chatbot berbasis skrip yang jawabannya sudah ditentukan sebelumnya.
• Search and Optimization Based AI: algoritma pencarian atau optimasi klasik, seperti AI catur generasi lama yang menggunakan algoritma minimax, atau sistem navigasi GPS yang mencari rute tercepat.
• Fuzzy Logic System: sistem penalaran yang menggunakan logika samar, bukan logika biner benar atau salah semata.
• Evolutionary atau Genetic Algorithm: teknik optimasi yang terinspirasi dari proses evolusi biologis.
• Machine Learning: sistem yang belajar pola dari data secara otomatis, bukan diprogram secara eksplisit oleh manusia. Pendekatan inilah yang menjadi fokus utama pembahasan makalah ini, dan akan diurai lebih lanjut pada sudut pandang ketiga dan keempat.

2.3 Sudut Pandang Kedua: Domain yang Dipahami Mesin

Sudut pandang kedua menjawab pertanyaan yang sama sekali berbeda dari sudut pandang pertama. Bukan soal bagaimana mesin dibangun, melainkan soal apa yang sebenarnya coba dipahami mesin dari dunia di sekitarnya. Ada empat domain utama yang biasa dibicarakan, dan penting untuk ditegaskan bahwa keempatnya berkedudukan sejajar, bukan saling menjadi bagian satu sama lain.

• Vision: kemampuan memahami gambar atau visual, secara teknis dikenal sebagai Computer Vision.
• Language: kemampuan memahami bahasa manusia, secara teknis dikenal sebagai Natural Language Processing dan saat ini didominasi oleh teknologi LLM.
• Audio atau Speech Processing: kemampuan memahami dan menghasilkan suara. Domain ini perlu ditegaskan sebagai cabang tersendiri yang sejajar dengan Vision dan Language, bukan bagian dari keduanya, meskipun secara teknis audio modern kini banyak diproses dengan arsitektur yang sama dengan Language.
• Reasoning: kemampuan bernalar dan mengambil keputusan, yang biasanya dicapai melalui kombinasi berbagai teknik seperti perencanaan, Reinforcement Learning, dan berbagai arsitektur Deep Learning.

Domain Reasoning perlu dicermati secara khusus karena sifatnya paling sering bersinggungan dengan sudut pandang lain. Berbeda dengan Vision, Language, dan Audio yang relatif jelas batasnya sebagai jenis data yang diproses, kemampuan bernalar biasanya tidak berdiri sebagai jenis data tersendiri, melainkan hasil kombinasi dari teknik yang dibahas pada sudut pandang ketiga dan keempat.

2.4 Sudut Pandang Ketiga: Arsitektur di dalam Deep Learning

Sudut pandang ketiga masuk lebih dalam ke cabang Machine Learning yang telah disebutkan pada sudut pandang pertama, dengan menjawab pertanyaan, seperti apa struktur atau “otak” dari model tersebut. Di dalam Machine Learning, terdapat dua kelompok besar arsitektur. Kelompok pertama adalah Classical Machine Learning, yaitu algoritma statistik konvensional yang tidak menggunakan jaringan saraf berlapis banyak, misalnya Decision Tree, Random Forest, Support Vector Machine, Naive Bayes, k Nearest Neighbor, serta regresi linear maupun logistik. Kelompok kedua adalah Deep Learning, yaitu Machine Learning yang menggunakan jaringan saraf tiruan berlapis banyak.

Penting untuk dipahami bahwa arsitektur arsitektur di dalam Deep Learning tidak muncul begitu saja dalam urutan yang rapi sesuai domain yang dilayaninya saat ini. Cikal bakal seluruh jaringan saraf tiruan, yaitu Perceptron, sudah diperkenalkan sejak tahun 1958 sebagai fondasi umum untuk klasifikasi pola sederhana. RNN, yang dirancang khusus untuk data berurutan seperti bahasa, suara, dan deret waktu, berkembang sejak awal tahun 1980an, kemudian disempurnakan menjadi LSTM pada tahun 1997 untuk mengatasi masalah “lupa” pada RNN generasi awal. CNN, yang dirancang untuk domain Vision, mencapai bentuk suksesnya pada akhir tahun 1990an melalui arsitektur LeNet untuk pengenalan gambar dan tulisan tangan.

Yang menarik, GAN, yaitu arsitektur generatif berbasis dua jaringan yang saling bersaing, muncul pada tahun 2014, dan konsep dasar Diffusion Model, yang kini menjadi andalan pembuatan gambar dan video baru, sebenarnya sudah muncul sejak tahun 2015. Keduanya justru lahir lebih dulu dibandingkan Transformer, yang baru diperkenalkan pada tahun 2017 melalui mekanisme Self Attention. Meskipun begitu, versi Diffusion Model yang benar benar populer dan mengalahkan GAN dalam kualitas gambar baru muncul sekitar tahun 2020 hingga 2022, jauh setelah Transformer sudah mendominasi dunia pemrosesan bahasa. Dengan kata lain, perlu dibedakan antara kapan sebuah konsep arsitektur pertama kali lahir dan kapan versi arsitektur tersebut benar benar populer atau dominan digunakan.

Transformer sendiri pada awalnya dirancang untuk domain Language, namun karena sifatnya yang sangat scalable, artinya terus bisa membesar dan makin pintar seiring bertambahnya data dan komputasi, arsitektur ini kemudian meluas dan diadaptasi ke domain Vision maupun Audio. Transformer bukanlah pengganti arsitektur arsitektur sebelumnya secara total. CNN, RNN, dan GAN tetap dipakai untuk kasus kasus spesifik hingga saat ini, misalnya CNN yang masih umum dipakai untuk deteksi objek pada kamera pengawas.

Perlu ditegaskan bahwa LLM bukanlah kategori arsitektur yang berdiri sendiri, melainkan hasil dari arsitektur Transformer yang dilatih pada teks dalam skala masif. Dengan kata lain, Transformer adalah arsitekturnya, sedangkan LLM adalah modelnya, sejalan dengan pembedaan arsitektur dan model yang telah dijelaskan pada bagian awal.

2.5 Sudut Pandang Keempat: Cara Belajar dan Tujuan Pemakaian

Sudut pandang keempat berbeda dari sudut pandang ketiga, dan berlaku lintas Classical Machine Learning maupun Deep Learning. Sudut pandang ini menjawab dua hal sekaligus, yaitu bagaimana model tersebut dilatih, dan untuk apa model tersebut dipakai.

Dari sisi cara belajar, dikenal beberapa paradigma pelatihan. Supervised Learning adalah proses belajar dari data yang sudah berlabel. Unsupervised Learning adalah proses menemukan pola tanpa label sama sekali. Semi Supervised Learning adalah campuran antara data berlabel dan tidak berlabel. Reinforcement Learning adalah proses belajar melalui mekanisme reward dan hukuman, dan paradigma inilah yang belakangan juga dipakai secara khusus untuk menyelaraskan jawaban model bahasa dengan preferensi manusia.

Dari sisi tujuan pemakaian, model dapat dibedakan menjadi dua kapabilitas. Kapabilitas Generative adalah kemampuan menghasilkan konten baru, dan inilah yang menjadi dasar istilah populer Generative AI seperti ChatGPT, Midjourney, dan Gemini. Kapabilitas Discriminative adalah kemampuan mengklasifikasi atau memprediksi berdasarkan data yang sudah ada, bukan membuat sesuatu yang baru.

Poin penting yang perlu digarisbawahi di sini adalah bahwa kapabilitas Generative merupakan tujuan pemakaian, bukan arsitektur tunggal tertentu. Oleh karena itu, istilah Generative AI dapat dicapai oleh arsitektur apa pun yang telah dibahas pada sudut pandang ketiga, baik LLM untuk teks, Diffusion Model dan GAN untuk gambar, audio, dan video, maupun kombinasi keduanya dalam bentuk model multimodal. Dengan demikian, Generative AI bukanlah turunan tunggal dari LLM semata, dan LLM sendiri sebenarnya juga dapat dipakai untuk tugas non generatif, misalnya klasifikasi sentimen dalam sebuah teks.

2.6 Dari Arsitektur menuju Model Siap Pakai

Mengikuti pembedaan arsitektur dan model yang telah dijelaskan di awal, beberapa istilah populer yang sering didengar akademisi sebenarnya adalah nama model hasil jadi, bukan nama arsitektur. LLM adalah model bahasa hasil training arsitektur Transformer dalam skala masif. Reasoning Model adalah LLM yang mendapat pelatihan tambahan, biasanya melalui Reinforcement Learning, agar mampu “berpikir” secara bertahap sebelum memberikan jawaban akhir, sering disebut sebagai rantai penalaran. ASR atau Automatic Speech Recognition adalah model yang mengubah suara menjadi teks, sedangkan TTS atau Text to Speech adalah model yang mengubah teks menjadi suara yang terdengar alami, keduanya merupakan model dalam domain Audio.

Ketika kemampuan Vision, Language, Audio, dan Reasoning digabungkan dalam satu model yang sama, hasilnya disebut sebagai LMM atau Large Multimodal Model, yang dalam istilah industri juga sering disebut Foundation Model, yaitu model besar serba guna yang dapat disesuaikan lebih lanjut untuk berbagai tugas turunan. Perkembangan terbaru setelah kemampuan multimodal ini adalah Agentic AI atau AI Agent, yaitu model yang tidak sekadar menjawab pertanyaan, melainkan mampu merencanakan langkah, menggunakan berbagai alat seperti peramban internet, kalkulator, atau kode program, dan bertindak menuju sebuah tujuan secara semi otonom.

2.7 Tahapan Proses: Training, Post-training, Inference, Prompt, dan RAG

Lima istilah ini sering tertukar oleh akademisi karena semuanya terlihat berhubungan dengan cara kerja model, padahal masing masing sebenarnya terjadi pada tahap dan waktu yang berbeda.

Training, atau lebih tepatnya pre-training, adalah tahap awal, terjadi sekali di awal sebelum model dirilis, sangat mahal dan memakan waktu lama, bahkan bisa berbulan bulan. Pada tahap ini, bobot atau parameter model dibentuk dari nol menggunakan data mentah dalam skala masif. Tahap ini dapat diibaratkan sebagai proses sekolah bertahun tahun, dari pendidikan dasar hingga kuliah, yang membentuk pengetahuan umum seseorang.

Post-training terjadi setelah pre-training, sebelum model dirilis ke publik, dan berlangsung lebih singkat serta lebih terfokus. Pada tahap ini, bobot model disesuaikan kembali, bukan dibentuk dari nol, melalui teknik seperti fine-tuning, RLHF atau Reinforcement Learning from Human Feedback, dan instruction-tuning, yang mengubah gaya jawaban, kepatuhan terhadap instruksi, serta aspek keamanan model. Tahap ini dapat diibaratkan sebagai pelatihan kerja atau magang setelah seseorang lulus kuliah, yang mengasah perilaku profesionalnya.

Inference terjadi setiap kali model dipakai untuk menjawab, berlangsung secara langsung setiap kali digunakan oleh pengguna. Pada tahap ini, tidak ada bobot model yang berubah sama sekali, model hanya menghitung keluaran dari masukan yang diberikan, murni menggunakan apa yang sudah dipelajarinya sebelumnya. Tahap ini dapat diibaratkan sebagai seseorang yang sudah lulus sekolah dan sedang menjawab pertanyaan wawancara kerja, bukan sedang belajar lagi.

Prompt adalah bagian dari proses inference, yaitu masukan spesifik yang diketik pengguna, yang kemudian dibaca dan diproses oleh model saat itu juga. Sedangkan RAG atau Retrieval-Augmented Generation adalah teknik menyambungkan model dengan sumber data eksternal, misalnya basis data atau internet, yang diterapkan tepat sebelum atau selama proses inference berlangsung. Pada RAG, prompt pengguna “disuntik” tambahan konteks dari sumber eksternal sebelum diproses model, namun bobot model itu sendiri tetap tidak berubah sama sekali. RAG dapat diibaratkan sebagai seseorang yang diberi izin membuka referensi atau internet sesaat sebelum menjawab pertanyaan.

Poin kunci: training dan post-training mengubah model itu sendiri, yaitu bobot atau parameternya, dan keduanya hanya terjadi sebelum model mulai dipakai pengguna. Sebaliknya, prompt, RAG, dan inference terjadi setiap kali model dipakai, dan sama sekali tidak mengubah model itu sendiri. Begitu sebuah percakapan selesai, model “lupa” seluruh isi percakapan tersebut, kecuali ada sistem memori terpisah yang dibangun di luar model. Dengan kata lain, RAG bukanlah cara melatih ulang model, melainkan cara memperkaya apa yang dilihat model pada satu momen inference tertentu.

2.8 Keterbatasan Model: Hallucination, Confidence, dan Kalibrasi

Selain memahami cara kerja model, akademisi juga perlu memahami keterbatasan mendasar yang melekat pada model bahasa saat ini. Parameter adalah bobot hasil training yang menyimpan pengetahuan model, dan jumlahnya, yang bisa mencapai miliaran hingga triliunan, sering dipakai sebagai indikator kasar ukuran sebuah model. Context Window adalah kapasitas memori jangka pendek model dalam satu percakapan, yang diukur dalam satuan token.

Hallucination adalah fenomena model menghasilkan informasi yang terdengar meyakinkan namun sebenarnya salah atau tidak berdasar pada data nyata. Akar penyebab utama fenomena ini adalah bahwa Confidence Score, yaitu nilai statistik yang muncul saat model memilih setiap kata berikutnya, sebenarnya murni probabilitas linguistik, bukan ukuran kebenaran faktual. Dengan kata lain, model bisa menjawab dengan nada yang sangat yakin, padahal jawabannya keliru, karena secara default model tidak “tahu bahwa ia tidak tahu”.

Terkait hal ini, dikenal pula istilah Calibration, yaitu seberapa selaras confidence statistik model dengan akurasi sebenarnya di dunia nyata. Model yang kalibrasinya buruk cenderung “yakin” pada jawaban yang sebenarnya salah. Uncertainty Quantification adalah bidang riset yang berupaya membuat model mampu mengukur dan mengomunikasikan seberapa tidak pastinya ia terhadap suatu jawaban. Alignment adalah bidang riset yang lebih luas, yaitu upaya agar tujuan dan perilaku model tetap sesuai dengan kepentingan dan keselamatan manusia, yang menjadi semakin krusial seiring perkembangan model menuju kemampuan yang lebih canggih.

Pemahaman atas keterbatasan ini penting bagi akademisi, karena berkaitan langsung dengan tantangan integritas akademik dan penilaian yang akan dibahas pada bagian selanjutnya, terutama terkait risiko mempercayai jawaban AI secara berlebihan tanpa verifikasi lebih lanjut.

2.9 Menuju Multimodal, Agentic AI, dan Cakrawala AGI

Perkembangan kecerdasan buatan saat ini mengarah pada peleburan berbagai domain yang sebelumnya terpisah. Dahulu, model Vision, model Language, dan model Audio dibangun secara terpisah sebagai tiga cabang yang sejajar. Kini, ketiganya semakin sering digabungkan dalam satu model multimodal yang sama, yang mampu melihat, membaca, mendengar, berbicara, dan bernalar sekaligus. Bahkan domain Audio modern pun kini sebagian besar diproses menggunakan arsitektur yang serupa dengan yang dipakai domain Language, sehingga batasnya dengan domain lain menjadi semakin tipis.

Agentic AI merupakan lapisan perkembangan setelah kemampuan multimodal tersebut, di mana model tidak sekadar menjawab, melainkan memakai kemampuan multimodal dan penalarannya untuk merencanakan serta mengeksekusi tugas nyata, misalnya menulis dan menjalankan kode program atau melakukan riset bertahap secara mandiri. Perkembangan ini sering dianggap sebagai langkah konkret menuju Artificial General Intelligence atau AGI, yaitu kecerdasan mesin yang setara manusia di hampir semua bidang kognitif. Sebagai tahap hipotetis setelah AGI, dikenal pula istilah Artificial Super Intelligence atau ASI, yaitu kondisi di mana kecerdasan mesin melampaui manusia di semua bidang.

Perlu ditegaskan bahwa AGI belum tercapai hingga saat ini, dan ASI murni merupakan konsep teoretis yang masih spekulatif, tanpa konsensus ilmiah mengenai kapan atau bahkan apakah kondisi tersebut akan tercapai. AGI sendiri bukanlah sebuah produk tunggal, melainkan kombinasi dari berbagai kapabilitas, yaitu penglihatan, bahasa, penalaran, kemampuan bertindak secara otonom, serta kemampuan generalisasi lintas domain tanpa perlu dilatih ulang untuk setiap tugas baru. Sebagian besar sistem AI tercanggih saat ini, termasuk model multimodal dan Agentic AI, masih tergolong sebagai sistem yang sangat mumpuni di banyak tugas spesifik, namun belum mencapai generalisasi setingkat manusia di seluruh bidang.

Sebagai ilustrasi bagaimana berbagai sudut pandang dan istilah di atas saling melengkapi, dapat diambil contoh ChatGPT. Dari sudut pandang pertama, ChatGPT tergolong Machine Learning. Dari sudut pandang kedua, domain utamanya adalah Language, dengan perluasan ke Reasoning. Dari sudut pandang ketiga, arsitekturnya adalah Deep Learning berbasis Transformer. Dari sudut pandang keempat, ChatGPT dilatih melalui kombinasi Supervised Learning dan Reinforcement Learning, kemudian dipakai untuk tugas Generative. Sebagai model hasil jadi, ChatGPT adalah wujud dari LLM yang telah melalui tahap pre-training maupun post-training, dan setiap kali dipakai menjawab pertanyaan, yang sedang berlangsung adalah proses inference terhadap prompt yang diberikan pengguna, bukan proses belajar baru.

Sebagai catatan tambahan, posisi NLP dalam kerangka ini sebenarnya tidak muncul sebagai satu titik tersendiri, karena NLP pada dasarnya adalah nama lain untuk domain Language yang telah dibahas pada sudut pandang kedua. NLP sendiri sudah ada sejak era Symbolic AI melalui parser berbasis aturan, kemudian berkembang melalui pendekatan statistik di era Machine Learning klasik, hingga akhirnya didominasi oleh LLM pada era Deep Learning saat ini.

3. Leveling Pemanfaatan Generative AI oleh Akademisi

Setelah memahami posisi istilah-istilah teknis tersebut, pertanyaan berikutnya yang relevan bagi tema uplevelling adalah bagaimana sebenarnya jenjang pemanfaatan Generative AI bagi akademisi. Pemanfaatan AI tidak berhenti pada satu level saja, melainkan memiliki tingkatan yang jelas, dengan manfaat, kelebihan, dan kekurangan yang berbeda di setiap tingkatannya.

Tingkat 1: Basic Prompting

Tanya jawab sederhana secara coba coba, misalnya meminta AI membuat ringkasan sebuah artikel. Pada tingkat ini, akademisi mendapatkan jawaban cepat, ringkasan instan, dan ide awal untuk tulisan atau materi ajar. Kelebihan: tidak memerlukan keahlian teknis dan bisa langsung dipakai untuk menghemat waktu pada tugas tugas ringan. Kekurangan: hasil sering kali generik dan dangkal, sehingga pengguna mudah menerima jawaban yang keliru tanpa disadari, karena kualitas hasil sangat bergantung pada keberuntungan dalam cara bertanya.

Tingkat 2: Prompt Engineering

Merancang instruksi secara sistematis dengan memperhatikan peran, format, contoh, dan alur berpikir bertahap, agar output yang dihasilkan lebih presisi dan konsisten. Akademisi memperoleh output yang jauh lebih terarah, seperti draf artikel dengan gaya penulisan tertentu, soal ujian dengan tingkat kesulitan yang spesifik, atau umpan balik esai yang konsisten formatnya. Kelebihan: hasil lebih bisa diandalkan dan dapat direplikasi, sehingga menghemat waktu revisi berulang. Kekurangan: dibutuhkan waktu untuk mempelajari teknik menyusun prompt yang baik, dan akurasi faktual tetap tidak sepenuhnya terjamin, karena kesalahan hanya berkurang, bukan hilang sama sekali.

Tingkat 3: Context and Retrieval Augmented Use (RAG)

Memberi AI dokumen atau data eksternal sebagai konteks tambahan, misalnya mengunggah paper referensi agar AI menjawab berdasarkan dokumen tersebut. Akademisi memperoleh jawaban yang berbasis sumber yang benar benar dimiliki atau dipilih sendiri, bukan sekadar pengetahuan umum bawaan model, sehingga cocok untuk tinjauan literatur atau analisis dokumen milik sendiri. Kelebihan: akurasi meningkat secara signifikan karena berpijak pada data nyata, risiko halusinasi jauh berkurang, dan jejak sumber lebih bisa ditelusuri. Kekurangan: hasil hanya akan sebaik dokumen yang diberikan, sehingga perlu kehati hatian dalam menjaga kerahasiaan data atau dokumen yang diunggah.

Tingkat 4: Tool Use atau Function Calling

Kemampuan AI memanggil alat lain seperti kalkulator, mesin pencarian web, atau layanan API, untuk memperluas kemampuannya di luar sekadar mengolah teks. AI dapat mencari data terkini di internet, menghitung statistik secara akurat, atau mengambil data dari basis data eksternal, bukan sekadar mengarang jawaban dari memori model semata. Kelebihan: jangkauan kemampuan AI menjadi lebih luas dari sekadar pengetahuan statisnya, sehingga hasil lebih terkini dan lebih dapat diverifikasi. Kekurangan: muncul ketergantungan pada kualitas dan keandalan alat eksternal yang dipanggil, dan konfigurasi awalnya cenderung lebih teknis.

Tingkat 5: Agentic AI

Kemampuan AI merencanakan dan menjalankan tugas bertahap secara mandiri, dengan memecah tujuan besar menjadi sub tugas, mengeksekusinya, lalu mengevaluasi hasilnya sendiri. Akademisi dapat mendelegasikan pekerjaan yang kompleks, misalnya menyusun draf laporan penelitian dari data mentah hingga selesai, tanpa perlu memandu setiap langkahnya secara manual. Kelebihan: produktivitas melonjak signifikan untuk tugas yang berlapis, sangat membantu pekerjaan riset maupun administrasi akademik yang bersifat berulang. Kekurangan: muncul risiko kehilangan kendali atas proses karena AI mengambil keputusan sendiri di tengah jalan, sehingga dibutuhkan pengawasan dan verifikasi ekstra, mengingat kesalahan berpotensi menumpuk di sepanjang rantai tugas.

Tingkat 6: Customization atau Fine Tuning

Tingkat paling lanjut, yaitu melatih ulang atau menyesuaikan model dengan data dan kebutuhan spesifik institusi. Akademisi atau institusi memperoleh model yang benar benar memahami konteks lokal, seperti gaya penulisan khas kampus, terminologi bidang ilmu tertentu, atau kebijakan internal institusi. Kelebihan: hasil paling relevan dan konsisten dengan kebutuhan institusi, sehingga dapat menjadi aset jangka panjang. Kekurangan: biaya dan kompleksitas teknis tergolong tinggi, membutuhkan tim dan infrastruktur khusus, sehingga tidak realistis dilakukan oleh akademisi secara individu tanpa dukungan institusi.

Secara umum, dapat disimpulkan bahwa semakin tinggi tingkatannya, semakin besar pula manfaat yang diperoleh, namun semakin besar pula kebutuhan literasi teknis dan risiko yang harus dikelola. Dosen pemula pada dasarnya cukup mahir pada tingkat pertama dan kedua, sementara dosen atau peneliti tingkat lanjut dapat didorong menguasai tingkat ketiga hingga kelima, sedangkan tingkat keenam lebih realistis dijalankan sebagai inisiatif institusi, bukan tanggung jawab individu.

4. Di Mana Mayoritas Akademisi Berada Saat Ini

Setelah memetakan hierarki kecerdasan buatan dan jenjang pemanfaatan Generative AI, pertanyaan penting berikutnya adalah, secara realistis, di tingkat mana mayoritas dosen atau akademisi saat ini sebenarnya berada. Jawaban atas pertanyaan ini penting agar strategi peningkatan kompetensi pada bagian selanjutnya tidak dirancang untuk tingkat yang jarang benar benar dihuni oleh kebanyakan orang.

Realitas yang ada menunjukkan gambaran yang beragam. Sebagian akademisi masih berada pada tingkat nol, dalam arti belum menggunakan AI sama sekali, baik karena belum terpapar teknologi ini, ragu secara etis, maupun menghindar sepenuhnya tanpa sempat mengeksplorasi potensinya. Mayoritas akademisi lainnya berada pada tingkat pertama hingga kedua, sekadar bertanya jawab sederhana untuk kebutuhan administratif ringan seperti draf surat atau ringkasan bacaan, dan belum menyusun prompt secara sistematis.

Sikap dosen terhadap AI juga tidak seragam. Sebagian dosen bersikap optimis dan antusias mencoba, sebagian lain bersikap kritis dan berhati hati, sebagian bersikap kritis reflektif dengan terus menggunakan sambil mengevaluasi dampaknya, dan sebagian lagi bersikap netral karena belum memiliki sikap tegas. Keragaman sikap ini berarti pendekatan peningkatan kompetensi tidak bisa disamaratakan untuk semua profil dosen.

Tingkat ketiga ke atas, yang mencakup RAG, Tool Use, hingga Agentic, masih menjadi wilayah minoritas, biasanya dihuni oleh dosen di bidang yang memang dekat dengan teknologi, seperti informatika dan data science, atau oleh individu yang mengeksplorasi secara mandiri di luar dorongan institusi. Tingkat keenam, yaitu Fine Tuning atau Customization, nyaris tidak pernah ada di tangan akademisi secara individu, karena tingkat ini baru muncul sebagai proyek institusional, misalnya pengembangan model khusus kampus, bukan sesuatu yang dilakukan dosen sendirian.

Kesenjangan lain yang terlihat adalah antara persepsi mahasiswa dan realitas dosen. Semakin banyak mahasiswa menilai dosennya cukup siap menggunakan AI, namun secara keseluruhan jumlah dosen yang benar benar percaya diri masih berada di bawah separuh. Realitas ini menegaskan bahwa fokus utama program peningkatan kompetensi semestinya diarahkan untuk menggeser mayoritas akademisi dari tingkat nol dan satu menuju tingkat dua dan tiga secara solid, bukan buru buru mendorong semua orang menuju tingkat lima. Kesenjangan literasi AI ini juga bukan semata soal mau atau tidak mau, melainkan soal kesiapan sistemik, yaitu pelatihan, dukungan institusi, dan waktu yang tersedia bagi dosen di tengah beban kerja Tridharma yang sudah padat.

5. Tantangan Pemanfaatan AI bagi Akademisi

Tantangan pemanfaatan AI dapat diurai secara lebih konkret melalui enam ranah aktivitas akademik, sebelum ditutup dengan tantangan lintas ranah yang sifatnya sistemik.

• Belajar: kurva belajar teknologi baru yang menambah beban di tengah tugas Tridharma yang sudah padat, serta risiko penurunan keterampilan akibat ketergantungan berlebihan pada AI, yang dapat mengikis kemampuan berpikir kritis dan menulis mandiri.
• Mengajar: materi ajar yang bisa menjadi usang lebih cepat karena laju perkembangan AI yang begitu pesat, sehingga dosen dituntut terus memperbarui pengetahuannya, serta kesulitan membedakan mana pemahaman otentik mahasiswa dan mana yang dibantu AI secara berlebihan di dalam kelas.
• Penugasan: kesulitan merancang tugas yang tahan terhadap penyalahgunaan AI, misalnya esai yang bisa dikerjakan sepenuhnya oleh chatbot, serta ambiguitas batas sejauh mana penggunaan AI oleh mahasiswa dianggap wajar dan sejauh mana dianggap kecurangan.
• Penilaian: alat deteksi AI yang belum sepenuhnya andal, rawan salah menuduh maupun lolos tanpa terdeteksi, serta kebutuhan merombak rubrik penilaian agar tetap adil di tengah ketidakpastian ini.
• Penelitian: risiko terhadap integritas riset, karena data atau analisis yang dihasilkan maupun dibantu AI memerlukan transparansi metodologis yang belum menjadi standar baku di banyak jurnal, serta ketergantungan pada AI untuk tinjauan literatur yang berisiko melewatkan nuansa atau sumber penting yang tidak terlihat oleh model.
• Pengabdian masyarakat: kesenjangan akses AI antara akademisi atau institusi dengan komunitas sasaran pengabdian, terutama di wilayah dengan infrastruktur digital yang masih terbatas, serta risiko solusi berbasis AI yang dirancang tanpa mempertimbangkan konteks lokal masyarakat yang dilayani.

Selain keenam ranah tersebut, terdapat pula tantangan lintas ranah yang sifatnya sistemik. Kesenjangan literasi menjadi tantangan pertama, sejalan dengan realitas yang telah dipaparkan sebelumnya, di mana mayoritas akademisi masih berada di tingkat nol dan satu, sehingga belum siap menghadapi tuntutan di keenam ranah sekaligus. Kebijakan yang belum menyusul menjadi tantangan kedua, karena pedoman institusional soal AI di keenam ranah ini masih tertinggal dari kecepatan adopsi mahasiswa dan masyarakat. Keterbatasan sumber daya menjadi tantangan ketiga, karena institusi ingin inovatif, namun anggaran dan infrastruktur pelatihan sering kali masih terbatas.

6. Peluang AI bagi Akademisi

Sebagaimana tantangan, peluang yang ditawarkan AI juga dapat diurai per ranah, agar makalah ini menunjukkan gambaran yang seimbang, bukan sekadar daftar ancaman semata.

• Belajar: akses ke tutor personal yang tersedia sepanjang waktu untuk memahami bidang ilmu baru atau menutup kesenjangan kompetensi digital, serta kemampuan meringkas cepat atas literatur atau topik kompleks sebagai pijakan awal sebelum pendalaman mandiri.
• Mengajar: personalisasi materi ajar sesuai kebutuhan dan tingkat pemahaman mahasiswa yang beragam, serta kemampuan mensimulasikan skenario mengajar atau membuat variasi soal latihan secara cepat.
• Penugasan: kesempatan merancang tugas yang lebih kreatif dan personal, misalnya berbasis studi kasus dinamis, yang justru memanfaatkan AI sebagai bagian dari proses belajar mahasiswa, bukan sekadar sesuatu yang dilarang, serta kemampuan AI memberi umpan balik awal atas draf tugas mahasiswa sebelum dinilai dosen.
• Penilaian: percepatan koreksi tugas berskala besar seperti kuis dan esai pendek, sehingga dosen memiliki lebih banyak waktu untuk memberikan umpan balik kualitatif, serta konsistensi rubrik penilaian antar kelas atau kelompok besar.
• Penelitian: percepatan tinjauan literatur, sintesis data, dan penyusunan draf awal artikel ilmiah, serta kemampuan menganalisis data kuantitatif maupun kualitatif dalam skala besar yang sebelumnya memakan waktu jauh lebih lama.
• Pengabdian masyarakat: bantuan AI dalam menerjemahkan atau menyederhanakan materi edukasi agar lebih mudah diakses masyarakat awam, serta kemampuan menganalisis kebutuhan komunitas berbasis data untuk merancang program pengabdian yang lebih tepat sasaran.

Selain keenam ranah tersebut, terdapat pula peluang lintas ranah yang bersifat menyeluruh. Efisiensi kerja menjadi peluang pertama, karena waktu yang dihemat pada satu ranah, misalnya penilaian, dapat dialihkan ke ranah yang membutuhkan sentuhan manusia lebih dalam, misalnya bimbingan personal mahasiswa. Pemerataan akses menjadi peluang kedua, karena dosen di institusi dengan sumber daya terbatas ikut terbantu menjalankan Tridharma secara lebih setara. Sebagai contoh nyata, sejumlah universitas telah menjalankan program pelatihan literasi AI yang berhasil mengubah dosen dari semula cemas menjadi percaya diri menggunakan AI di lintas ranah ini.

7. Strategi Peningkatan Kompetensi Akademisi

Merujuk pada realitas bahwa mayoritas akademisi masih berada di tingkat nol hingga satu, serta tantangan dan peluang per ranah yang telah dipaparkan sebelumnya, strategi peningkatan kompetensi perlu dirancang secara bertahap dan realistis, bukan langsung menuntut semua orang mahir pada tingkat tertinggi.

7.1 Strategi Berbasis Jenjang Pemanfaatan

• Tahap fondasi menyasar peralihan dari tingkat nol dan satu menuju tingkat dua, berupa pelatihan dasar penyusunan prompt yang wajib dan mudah diakses oleh semua dosen tanpa prasyarat teknis, dengan tujuan sederhana memastikan tidak ada lagi akademisi yang benar benar berada di tingkat nol.
• Tahap penguatan menyasar peralihan dari tingkat dua menuju tingkat tiga, berupa pelatihan penyusunan prompt yang lebih terstruktur serta pengenalan RAG, yaitu mengunggah dokumen atau data sendiri ke dalam sistem AI, yang cocok untuk kebutuhan penelitian maupun penyusunan materi ajar.
• Tahap lanjutan bersifat opsional, menyasar peralihan dari tingkat tiga menuju tingkat empat dan lima, ditujukan bagi dosen atau peneliti yang berminat lebih jauh, berupa pengenalan Tool Use dan Agentic AI untuk tugas administratif maupun riset yang berlapis, namun tidak wajib bagi semua orang, melainkan tersedia sebagai jalur pengembangan lanjutan.
• Tahap institusional menyasar tingkat enam, yaitu Fine Tuning atau kustomisasi model, yang tetap menjadi ranah proyek institusi, misalnya unit teknologi informasi kampus atau pusat inovasi pembelajaran, bukan tanggung jawab individu dosen.

Pendekatan bertahap ini sekaligus menjawab keragaman sikap dosen yang telah dipaparkan sebelumnya, tanpa memaksakan satu jalur yang sama untuk semua profil.

7.2 Strategi Berbasis Enam Ranah Tridharma

• Belajar: menyediakan modul literasi AI yang singkat dan dapat dipelajari secara mandiri, agar dosen dapat belajar sesuai kecepatan masing masing tanpa menambah beban jadwal.
• Mengajar: mendorong terbentuknya komunitas berbagi materi ajar berbasis AI antar dosen serumpun ilmu, agar tidak semua orang harus memulai dari nol secara sendiri sendiri.
• Penugasan: merancang panduan institusional yang jelas mengenai batas wajar penggunaan AI oleh mahasiswa, sebagai pegangan bersama bagi dosen.
• Penilaian: menyediakan pelatihan khusus mengenai keterbatasan alat deteksi AI, agar dosen tidak salah menuduh maupun terlalu percaya begitu saja pada alat deteksi tersebut.
• Penelitian: mendorong transparansi metodologis, misalnya mencantumkan penggunaan AI dalam bagian metode riset, sebagai norma baru, bukan sesuatu yang disembunyikan atau dianggap tabu.
• Pengabdian masyarakat: melatih kemampuan dosen merancang solusi berbasis AI yang tetap mempertimbangkan konteks dan keterbatasan akses masyarakat sasaran.

7.3 Strategi Sistemik di Tingkat Institusi

Strategi ketiga bersifat sistemik, mencakup prasyarat di tingkat institusi dan kebijakan. Diperlukan pembaruan kebijakan kurikulum dan asesmen kampus yang secara eksplisit mengatur penggunaan AI. Diperlukan pula alokasi waktu resmi bagi dosen untuk mengikuti pelatihan, bukan sekadar mengandalkan waktu pribadi di tengah beban kerja yang sudah padat. Yang tidak kalah penting, diperlukan pola pikir baru sebagai fondasi budaya, yaitu memandang AI sebagai mitra belajar, bukan ancaman ataupun sekadar alat semata, sejalan dengan semangat belajar bersama mesin pembelajar yang menjadi tema utama makalah ini.

8. Penutup

Keberhasilan pemanfaatan AI di dunia akademik pada akhirnya bergantung pada kesiapan manusianya, bukan semata pada kecanggihan teknologinya. Tantangan yang dihadapi akademisi di keenam ranah Tridharma memang nyata, mulai dari isu integritas akademik hingga keterbatasan sumber daya institusi. Namun, peluang yang ditawarkan AI juga sama nyatanya, mulai dari efisiensi kerja hingga pemerataan akses.

Realitas menunjukkan bahwa mayoritas akademisi saat ini masih berada pada tingkat pemanfaatan yang paling dasar. Oleh karena itu, strategi peningkatan kompetensi yang paling realistis bukanlah mendorong semua orang menuju tingkat tertinggi secepat mungkin, melainkan memastikan pergeseran yang solid dari tingkat dasar menuju tingkat menengah, disertai dukungan sistemik dari institusi berupa kebijakan, waktu, dan pelatihan yang memadai.

Sebagai rekomendasi, dosen secara individu perlu membangun literasi AI secara mandiri dan bertahap, institusi perlu mengalokasikan anggaran pelatihan dan merevisi kebijakan akademik yang relevan, sedangkan pembuat kebijakan di tingkat yang lebih luas perlu menyusun kerangka regulasi yang mendukung inovasi sekaligus tetap melindungi integritas akademik. Dengan pendekatan yang bertahap dan realistis ini, akademisi dapat benar benar belajar bersama mesin pembelajar, alih alih tertinggal atau justru kehilangan arah di tengah derasnya perubahan yang dibawa oleh kecerdasan buatan.

Daftar Pustaka

1. Journal of Learning Development in Higher Education (2024). Generative artificial intelligence (AI) in higher education: a comprehensive review of challenges, opportunities, and implications.
2. Frontiers in Education (2025). Perspectives of academic staff on artificial intelligence in higher education: exploring areas of relevance.
3. International Journal of Educational Technology in Higher Education, Springer (2024). Artificial intelligence in higher education: exploring faculty use, self efficacy, distinct profiles, and professional development needs.
4. Frontiers in Education (2024). Artificial intelligence for higher education: benefits and challenges for pre service teachers.
5. ScienceDirect (2025). Integrating artificial intelligence in higher education: perceptions, challenges, and strategies for academic innovation.
6. Eurasian Science Review (2024). Artificial Intelligence in Higher Education: Opportunities and Challenges.
7. Lindsay, J. dan Jacka, L. (2024). The Footsteps on the Sands of AI for Higher Education: Moving Beyond Ad Hoc. Journal of Ethics in Higher Education.
8. EDUCAUSE Review (2026). Advancing AI Literacy: A Faculty Course Refresh Institute at Indiana Wesleyan University.
9. Kassorla, M., Georgieva, M., dan Papini, A. (2024). AI Literacy in Teaching and Learning: A Durable Framework for Higher Education. EDUCAUSE Working Group Paper.
10. Bowen, J.A. dan Watson, C.E. (2024). Teaching with AI: A Practical Guide to a New Era of Human Learning. Johns Hopkins University Press.
11. Miao, F. dan Cukurova, M. (2024). AI Competency Framework for Teachers. UNESCO.
12. Frontiers in Education (2025). Strategies for developing AI competencies in higher education.
13. UNESCO IESALC (2025). Empowering Educators: Building AI Pedagogy and Literacy for Future Learning.
14. Thesify (2025). Teaching with AI in Higher Education: Curriculum, Assessment, and Faculty Literacy.
15. Digital Education Council (2025). AI Literacy Framework and Global AI Faculty Survey.

Catatan mengenai daftar pustaka ini: seluruh sumber telah diverifikasi berasal dari jurnal terindeks, lembaga resmi, atau penerbit akademik, bukan hasil karangan. Untuk kebutuhan sitasi yang presisi, seperti nomor volume dan halaman, pembaca disarankan membuka langsung sumber aslinya, karena sebagian detail tidak sepenuhnya tercakup dalam ringkasan di atas.