Membangun Teks dengan AI: Menggali Dinamika Kolaborasi Manusia-AI dalam Penulisan

Pendahuluan: Memahami Dinamika AI dalam Penulisan

      Perkembangan pesat Kecerdasan Buatan (AI) generatif, seperti yang terlihat pada chatbot canggih, telah merevolusi cara kita memandang proses pembuatan teks, baik dalam konteks pendidikan maupun profesional. Alat-alat ini menawarkan potensi besar untuk meningkatkan efisiensi dan kualitas, namun juga memperkenalkan dinamika baru dalam kolaborasi antara manusia dan AI. Memahami bagaimana pengguna berinteraksi dengan AI—baik saat "berbicara kepada AI" melalui instruksi maupun "berbicara melalui AI" dengan negosiasi kepenulisan—menjadi kunci untuk memaksimalkan manfaatnya sambil tetap mempertahankan otonomi dan pembelajaran manusia.

      Sebuah studi eksploratif baru-baru ini menyoroti interaksi siswa Bahasa Inggris sebagai Bahasa Asing (EFL) di Hong Kong dengan chatbot AI saat menyelesaikan tugas menulis kurikuler. Penelitian ini, yang didukung oleh sumber daya seperti yang disebutkan dalam Preprint_ExploringHowEFLStudentsTalkTo_20260406.docx, bertujuan untuk mengidentifikasi strategi prompt engineering yang digunakan siswa dan pola distribusi tanggung jawab retoris antara manusia dan AI. Temuan dari penelitian semacam ini sangat berharga, tidak hanya untuk pedagogi penulisan EFL tetapi juga untuk perusahaan yang berupaya mengintegrasikan solusi AI ke dalam alur kerja mereka, seperti yang telah dilakukan oleh ARSA Technology yang berpengalaman sejak 2018 dalam menyediakan solusi AI & IoT yang praktis.

Mendalami Interaksi Manusia-AI: Dari Instruksi ke Kolaborasi

      Dalam konteks penggunaan AI generatif, "berbicara kepada AI" merujuk pada praktik prompt engineering. Ini adalah proses metakognitif dan metalinguistik untuk merancang instruksi yang tepat agar AI menghasilkan output yang diinginkan. Ini membutuhkan penalaran dan refleksi sadar tentang tujuan komunikasi dan penggunaan bahasa. Misalnya, pengguna dapat menyapa dan mengobrol dengan AI seolah-olah itu adalah manusia, mengajukan pertanyaan, atau mengeluarkan perintah, bahkan memberikan contoh kinerja tugas tertentu.

      Di sisi lain, "berbicara melalui AI" mengacu pada bagaimana manusia menegosiasikan kepenulisan dan suara saat berkolaborasi dengan AI dalam menyelesaikan sebuah komposisi. Dalam konteks penulisan, ini berarti menentukan sejauh mana produk akhir dapat dianggap sebagai karya manusia atau sepenuhnya hasil sintesis AI. Teori Beban Retoris (Rhetorical Load Theory) menjelaskan bagaimana tanggung jawab kognitif dan retoris didistribusikan antara kolaborator. Ini membedakan antara penulisan "mesin-dalam-loop" yang etis, di mana manusia mempertahankan tanggung jawab retoris utama dengan AI memberikan dukungan, dan penulisan "manusia-dalam-loop", di mana AI memikul sebagian besar beban retoris dan manusia hanya memantau.

Strategi Prompt Engineering Mahasiswa dan Pola Tanggung Jawab Retoris

      Studi tersebut menganalisis rekaman layar dari 44 siswa sekolah menengah Hong Kong saat mereka menggunakan chatbot AI untuk tugas menulis. Analisis konten mengidentifikasi 10 jenis strategi prompting yang digunakan siswa, termasuk pertanyaan, pencarian, dan instruksi terperinci. Strategi ini mencerminkan bagaimana siswa mencoba membimbing AI untuk mencapai tujuan penulisan mereka.

      Dari pengelompokan strategi-strategi ini, muncul tiga profil berbeda dalam tanggung jawab beban retoris manusia-AI:

AI-Dominan (52% siswa): Dalam pola ini, siswa cenderung memberikan prompt* yang lebih sederhana atau umum, memungkinkan AI untuk menghasilkan sebagian besar konten atau struktur utama. Siswa kemudian mungkin hanya melakukan peninjauan atau modifikasi minimal. Manusia-Dominan (25% siswa): Siswa dalam kategori ini menggunakan AI lebih sebagai alat pendukung, dengan prompt yang sangat spesifik dan terarah. Mereka mempertahankan kendali penuh atas narasi, gaya, dan argumen, menggunakan AI untuk ide, brainstorming*, atau penyempurnaan kecil. Kolaboratif Manusia-AI (14% siswa): Kelompok ini menunjukkan interaksi yang lebih seimbang dan iteratif. Siswa dan AI secara aktif berkontribusi pada proses penulisan, dengan prompt* yang mengundang masukan AI dan revisi yang lebih substansial dari kedua belah pihak.

Penemuan Kunci: Dampak pada Kinerja Penulisan

      Salah satu temuan paling signifikan dari penelitian ini adalah bahwa analisis MANOVA menunjukkan tidak ada efek multivariat yang signifikan dari tanggung jawab beban retoris pada tiga dimensi kinerja penulisan siswa: konten, bahasa, dan organisasi. Artinya, tidak peduli apakah siswa menggunakan pendekatan AI-dominan, manusia-dominan, atau kolaboratif, hal itu tidak secara statistik menyebabkan perbedaan yang signifikan dalam kualitas akhir tulisan mereka berdasarkan kriteria ini.

      Meskipun demikian, temuan ini tidak berarti bahwa pola interaksi tidak relevan. Sebaliknya, hal ini menunjukkan bahwa keefektifan penggunaan AI dalam penulisan mungkin lebih kompleks daripada sekadar dominasi dalam peran. Implikasi utamanya adalah bahwa strategi prompting siswa dan pola tanggung jawab beban retoris memiliki dampak pada keterlibatan dan otonomi pelajar. Dalam konteks pendidikan, ini berarti para pendidik harus lebih fokus pada pengembangan agensi siswa dan kemampuan berpikir kritis saat menggunakan AI, daripada hanya terpaku pada hasil akhir. Bagi perusahaan, ini berarti melatih karyawan untuk berinteraksi secara efektif dengan AI, memastikan bahwa alat tersebut mendukung dan bukan menggantikan pemikiran kritis dan kreativitas manusia.

Implikasi yang Lebih Luas untuk Adopsi AI di Perusahaan

      Meskipun studi ini berfokus pada pendidikan EFL, wawasan yang diberikannya relevan secara universal untuk adopsi AI di berbagai sektor. Setiap perusahaan yang mengintegrasikan AI generatif—baik untuk pembuatan laporan, analisis data, atau komunikasi pemasaran—perlu memahami bagaimana karyawannya akan berinteraksi dengan alat ini. ARSA Technology, sebagai penyedia solusi AI yang berorientasi pada penerapan praktis, menyadari pentingnya desain sistem yang memfasilitasi kolaborasi manusia-AI yang optimal.

Pelatihan dan Pengembangan Keterampilan: Perusahaan harus berinvestasi dalam pelatihan prompt engineering untuk memastikan karyawan dapat memanfaatkan AI secara efektif. Memahami bagaimana merumuskan instruksi yang jelas dan terarah akan meningkatkan kualitas output* AI dan menghemat waktu.

• Desain Sistem yang Mendukung Agensi: Perusahaan dapat mendesain atau memilih alat AI yang memungkinkan fleksibilitas dalam distribusi beban retoris, mendorong karyawan untuk mempertahankan agensi mereka dan menggunakan AI sebagai asisten, bukan pengganti. Solusi AI yang dapat disesuaikan, seperti AI Video Analytics dari ARSA yang dapat disesuaikan untuk berbagai skenario industri, menyoroti pentingnya fleksibilitas adaptasi.
• Pengukuran dan Evaluasi Interaksi: Sama seperti studi ini mengukur pola interaksi, perusahaan dapat mengembangkan metrik untuk mengevaluasi bagaimana karyawan berinteraksi dengan AI. Ini membantu mengidentifikasi praktik terbaik dan area untuk perbaikan, memastikan bahwa investasi AI benar-benar meningkatkan produktivitas dan inovasi.

Membangun Masa Depan Interaksi AI yang Cerdas

      Studi ini memberikan dasar penting untuk memahami nuansa kolaborasi manusia-AI. Ketika AI terus berkembang, fokus harus tetap pada bagaimana teknologi ini dapat memperkuat kemampuan manusia, bukan menurunkannya. Mengembangkan pemahaman yang lebih dalam tentang prompt engineering dan negosiasi agensi akan menjadi krusial dalam membentuk masa depan di mana AI berfungsi sebagai mitra yang cerdas dan memberdayakan.

      Baik untuk analisis lalu lintas dengan AI Box Traffic Monitor atau sistem keamanan canggih, ARSA Technology berkomitmen untuk membangun solusi AI yang praktis, terbukti, dan menguntungkan, yang mempertimbangkan dinamika interaksi manusia-AI dalam penerapan dunia nyata.

      Untuk mengeksplorasi bagaimana solusi AI dapat disesuaikan untuk kebutuhan spesifik perusahaan Anda, jangan ragu untuk menghubungi tim ARSA.

      Sumber: Woo, D. J., Yu, Y., Huang, Y., Wang, D., Guo, K., & Yeung, C. H. (2024). Exploring How EFL Students Talk To and Through AI to Develop Texts. Preprint. DOI: 2605.12523