Sebuah Pertanyaan yang Tidak Nyaman
Ketika seorang mahasiswa ekonomi mengajukan pertanyaan tentang mekanisme transmisi kebijakan moneter kepada ChatGPT dan mendapat jawaban yang koheren dalam tiga detik, apa sebenarnya yang sedang terjadi? Apakah ia sedang belajar — atau sedang dibebaskan dari keharusan belajar? Pertanyaan ini bukan retorika kosong. Ia menyentuh inti dari krisis senyap yang kini berlangsung di ruang-ruang kuliah di seluruh dunia, termasuk di kampus-kampus Indonesia yang tengah bersemangat mengadopsi teknologi AI tanpa terlebih dahulu mendefinisikan apa yang sesungguhnya ingin mereka capai secara pedagogis.
Adopsi AI generatif dalam pendidikan tinggi berlangsung dengan kecepatan yang jauh melampaui kapasitas institusi untuk merefleksikannya. Data dari Times Higher Education (2024) menunjukkan bahwa lebih dari 68% mahasiswa S1 di negara-negara berkembang telah menggunakan setidaknya satu alat AI generatif untuk keperluan akademik — dan angka ini terus meningkat. Di satu sisi, fenomena ini membawa efisiensi yang tidak bisa diabaikan; di sisi lain, ia menyimpan risiko epistemik yang baru mulai dipahami oleh komunitas ilmiah.
AI Generatif: Apa yang Sesungguhnya Ditawarkan kepada Dunia Pendidikan Ekonomi
Pendidikan ekonomi memiliki kekhasan tersendiri. Ia tidak hanya menuntut penguasaan konsep teoretis seperti elastisitas, keseimbangan Nash, atau model Solow — tetapi juga menuntut kemampuan berpikir secara sistemis, membaca data empiris secara kritis, dan mengargumentasikan posisi analitis di tengah ketidakpastian. Justru di sinilah AI generatif memberikan kontribusi yang paling terasa sekaligus paling berpotensi merusak secara bersamaan.
Dari sisi manfaat, penelitian Mollick dan Mollick (2023) yang diterbitkan dalam SSRN Electronic Journal mendokumentasikan bagaimana penggunaan LLM (Large Language Model) seperti GPT-4 dapat meningkatkan capaian pembelajaran pada tugas-tugas yang memerlukan elaborasi konseptual, terutama bagi mahasiswa dengan latar belakang pengetahuan awal yang terbatas. AI menjadi semacam tutor personal yang sabar — tersedia 24 jam, tidak menghakimi, dan mampu mengadaptasi penjelasan sesuai kebutuhan pengguna. Dalam konteks pendidikan ekonomi di Indonesia, di mana rasio dosen-mahasiswa masih jauh dari ideal, ini bukan manfaat marginal — ini transformatif.
Atrofi Kognitif: Ketika Kemudahan Menjadi Jebakan Struktural
Neurosains kognitif telah lama mengakui prinsip desirable difficulty — kesulitan yang diperlukan dalam proses belajar justru memperkuat konsolidasi memori dan pembentukan skema kognitif yang tahan lama (Bjork & Bjork, 2011). Ketika AI mengeliminasi kesulitan tersebut, yang hilang bukan hanya proses berjuang mencari jawaban — yang hilang adalah proses pembentukan cara berpikir itu sendiri.
Kasneci et al. (2023) dalam ulasan sistematis yang diterbitkan di Computers and Education: Artificial Intelligence memperingatkan bahwa penggunaan AI yang tidak terstruktur dalam konteks akademik berpotensi menciptakan apa yang mereka sebut sebagai cognitive offloading dependency — kondisi di mana mahasiswa secara progresif mendelegasikan proses berpikir analitis kepada sistem eksternal hingga kapasitas berpikir mandiri mereka menyusut. Dalam pendidikan ekonomi, dampak ini sangat konkret: mahasiswa yang terbiasa meminta AI merumuskan analisis kebijakan fiskal akan kehilangan kemampuan untuk melakukannya sendiri ketika dihadapkan pada situasi yang tidak familiar — persis pada momen di mana kemampuan itu paling dibutuhkan.
Lebih jauh, Weidinger et al. (2021) dalam makalah mereka di arXiv tentang risiko etis model bahasa besar mengingatkan bahwa kehaluan (plausibility) output AI sering kali jauh melampaui akurasinya. Bagi mahasiswa yang belum memiliki fondasi epistemik yang kuat, membedakan antara analisis ekonomi yang sahih dan narasi yang terdengar meyakinkan namun keliru secara substansial merupakan tantangan yang serius.
Paradoks Pedagogis dan Jalan Tengah yang Memungkinkan
Persoalannya bukan apakah AI harus digunakan dalam pendidikan ekonomi — melainkan bagaimana dan untuk tujuan apa. Di sinilah kerangka Human-AI Teaming yang dikembangkan Dellermann et al. (2019) dalam Journal of Business Venturing Insights menawarkan titik pijak yang produktif. Mereka berargumen bahwa kolaborasi manusia-AI paling bernilai terjadi bukan ketika AI menggantikan fungsi kognitif manusia, melainkan ketika AI berfungsi sebagai scaffold — struktur penyangga sementara yang memungkinkan manusia melampaui kapasitas awalnya tanpa meninggalkan proses berpikir itu sendiri.
Dalam praktik pembelajaran ekonomi, ini berarti mendorong mahasiswa menggunakan AI bukan untuk mendapatkan analisis, melainkan untuk menguji, mempertanyakan, dan memperluas analisis yang telah mereka kembangkan secara mandiri terlebih dahulu. Sebuah asesmen yang dirancang baik bukan lagi sekadar menilai ketepatan jawaban — melainkan menilai kualitas pertanyaan yang diajukan mahasiswa kepada AI, dan seberapa kritis mereka merespons jawaban yang diterima.
Lo (2023) dalam kajiannya yang terbit di Education Sciences mengusulkan model AI-integrated pedagogy yang menempatkan literasi AI kritis sebagai kompetensi inti mahasiswa abad ke-21 — bukan hanya kemampuan menggunakan AI, melainkan kemampuan memahami batas epistemik, bias sistemik, dan implikasi etis dari penggunaannya. Bagi program studi pendidikan ekonomi, ini berarti restrukturisasi kurikulum yang tidak lagi bisa ditunda.
Kesimpulan Reflektif
Ada sesuatu yang ironis dalam kenyataan bahwa teknologi yang dirancang untuk memperluas kapasitas manusia justru berpotensi mempersempitnya jika digunakan tanpa kesadaran kritis. AI generatif adalah cermin yang memantulkan kembali kualitas desain pedagogis kita — jika desainnya dangkal, AI akan mempercepat kedangkalan itu; jika desainnya kaya, AI akan memperkaya proses pembelajaran dengan cara yang sebelumnya tidak mungkin.
Bagi para dosen ekonomi, tantangan hari ini bukan menolak atau menerima AI secara buta — melainkan menjadi arsitek ruang belajar di mana AI dan mahasiswa berinteraksi dengan cara yang memperkuat, bukan menggantikan, kapasitas berpikir kritis. Ini bukan masalah teknologi. Ini masalah filsafat pendidikan yang mendesak untuk dijawab.
Call to Action
Apakah Anda seorang dosen, mahasiswa, atau praktisi pendidikan yang sedang bergulat dengan pertanyaan serupa? Bagikan pengalaman dan perspektif Anda di kolom komentar. Diskusi yang jujur tentang penggunaan AI dalam pendidikan adalah langkah pertama menuju desain pedagogi yang lebih bertanggung jawab. Artikel berikutnya akan membahas model konkret integrasi AI dalam asesmen pendidikan ekonomi berbasis kompetensi.
Referensi
Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. Psychology and the Real World: Essays Illustrating Fundamental Contributions to Society, 2(59–68). https://doi.org/10.1007/978-1-4612-3772-3_3
Dellermann, D., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid intelligence. Business & Information Systems Engineering, 61(5), 637–643. https://doi.org/10.1007/s12599-019-00595-2
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Computers and Education: Artificial Intelligence, 4, 100172. https://doi.org/10.1016/j.caeai.2023.100172
Lo, C. K. (2023). What is the impact of ChatGPT on education? A rapid review of the literature. Education Sciences, 13(4), 410. https://doi.org/10.3390/educsci13040410
Mollick, E. R., & Mollick, L. (2023). Assigning AI: Seven approaches for students, with prompts. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4475995
Weidinger, L., Mellor, J., Rauh, M., Griffin, C., Uesato, J., Huang, P.-S., Cheng, M., Glaese, M., Balle, B., Kasirzadeh, A., Kenton, Z., Brown, S., Hawkins, W., Stepleton, T., Biles, C., Birhane, A., Haas, J., Rimell, L., Hendricks, L. A., … Gabriel, I. (2021). Ethical and social risks of harm from language models. arXiv. https://doi.org/10.48550/arXiv.2112.04359
