Memahami AI Lewat Prediction Machines: Mengapa Peran Manusia Makin Penting

Pernahkah kamu merasa heran mengapa toko online bisa tahu persis barang yang ingin kamu beli bahkan sebelum kamu mencarinya? Atau mengapa asisten suara di ponselmu bisa langsung paham perintahmu? Banyak orang mengira ini adalah tanda bahwa mesin sudah mulai bisa berpikir seperti manusia, namun kenyataannya tidak sesederhana itu.

Dalam buku Prediction Machines, penulis Ajay Agrawal, Joshua Gans, dan Avi Goldfarb menjelaskan bahwa kecerdasan buatan atau AI sebenarnya bekerja dengan cara yang sangat sederhana dari sudut pandang ekonomi. Artikel ini akan membantu kamu memahami bagaimana penurunan biaya prediksi akan mengubah cara kita bekerja, cara bisnis beroperasi, hingga mengapa kemampuan penilaian manusia justru akan menjadi jauh lebih berharga di masa depan.

AI Bukan Pikiran Sadar, Melainkan Mesin Prediksi

Banyak orang terjebak dalam imajinasi fiksi sains yang menganggap AI adalah pikiran sadar yang mirip manusia. Namun, para penulis mengajak kita melihat AI melalui kacamata yang lebih praktis: AI adalah teknologi prediksi. Mesin tidak benar-benar memahami dunia; mereka hanya melakukan satu tugas utama, yaitu memprediksi informasi yang belum diketahui berdasarkan data yang sudah ada.

Contoh sederhananya bisa kamu temukan pada asisten pintar seperti Alexa dari Amazon. Saat kamu bertanya tentang cuaca, Alexa tidak benar-benar mengerti percakapanmu seperti seorang teman. Alexa hanya menghitung kemungkinan suara yang kamu ucapkan, lalu memprediksi jawaban mana yang paling cocok untuk diberikan.

Pola yang sama juga terlihat pada kemenangan AlphaGo atas juara dunia catur Go, Lee Se-dol. AlphaGo menang bukan karena ia memiliki kesadaran, melainkan karena ia mampu memprediksi langkah terbaik berikutnya dengan membaca jutaan posisi papan catur. Karena mesin hanya melakukan hitungan dan tebakan berdasarkan data, satu hal yang perlu kamu ingat adalah pemikiran manusia tidak akan tiba-tiba menjadi murah. Yang menjadi murah hanyalah tebakan atau hitungan berdasarkan data tersebut.

Dampak Penurunan Biaya Prediksi pada Industri

Dalam hukum ekonomi, ada aturan dasar bahwa saat harga suatu barang turun menjadi sangat murah, orang akan menggunakannya jauh lebih banyak. Hal ini juga berlaku pada prediksi. Ketika biaya untuk melakukan prediksi menurun, penggunaan prediksi akan meningkat secara masif dan mengubah struktur industri secara menyeluruh.

Prediksi pada dasarnya berfungsi untuk mengisi informasi yang hilang. Dalam dunia perbankan, misalnya, sistem pendeteksi penipuan kartu kredit bekerja dengan menebak apakah sebuah transaksi itu sah atau penipuan. Ketika akurasi sistem naik dari 98 persen menjadi 99,9 persen, tingkat kesalahan transaksi bisa berkurang hingga dua puluh kali lipat, yang pada akhirnya menghemat biaya operasional bank dalam jumlah besar.

Lebih jauh lagi, penurunan biaya prediksi bisa mengubah total model bisnis sebuah perusahaan. Mari kita lihat contoh Amazon:

• Model Tradisional (Shopping-then-shipping): Kamu memilih barang di aplikasi, melakukan pembayaran, lalu barang dikirimkan ke rumahmu.
• Model Baru (Shipping-then-shopping): Jika akurasi prediksi sangat tinggi, Amazon bisa langsung mengirimkan barang ke pintu rumahmu sebelum kamu memintanya. Kamu tinggal mengambil yang kamu suka dan mengembalikan sisanya.

Data sebagai Bahan Bakar Utama Mesin

Prediksi tidak bisa bekerja sendirian; ia membutuhkan data. Dalam ekonomi, data adalah barang pelengkap bagi prediksi. Artinya, ketika biaya membuat prediksi menjadi sangat murah, nilai data justru akan naik tinggi karena semakin banyak prediksi yang bisa dilakukan, semakin banyak data yang dibutuhkan untuk melatihnya.

Contoh nyata bisa dilihat pada aplikasi kesehatan Cardiogram. Untuk memprediksi gangguan irama jantung (aritmia), mesin mereka membutuhkan ribuan jam rekaman denyut nadi dari pengguna Apple Watch agar bisa belajar mengenali pola yang tidak teratur. Namun, perusahaan harus bijak dalam mengelola data ini. Mereka perlu menyeimbangkan antara jumlah data, jenis data, dan frekuensi pengambilan data dengan biaya penyimpanan server serta risiko privasi pengguna.

Meskipun data sangat membantu, kamu juga perlu memahami bahwa mesin memiliki batas. Mesin sangat hebat dalam membaca pola yang berulang, tetapi mereka akan kesulitan menghadapi peristiwa baru yang belum pernah tercatat dalam sejarah, seperti munculnya layanan berbagi lagu digital Napster yang tiba-tiba mengubah industri musik secara total.

Kolaborasi antara Mesin dan Penilaian Manusia

Ada satu hal penting yang harus kamu pahami: mesin sering kali hanya membaca korelasi, bukan alasan di balik sebuah kejadian. Mesin bisa saja salah mengartikan hubungan sebab-akibat. Karena keterbatasan ini, manusia diperlukan untuk menangani pengecualian atau situasi yang tidak terduga melalui apa yang disebut prediksi berdasarkan pengecualian.

Kerja sama antara manusia dan mesin terbukti memberikan hasil yang jauh lebih akurat. Dalam kompetisi deteksi sel kanker payudara, tim gabungan antara patolog manusia dan algoritma berhasil menurunkan tingkat kesalahan menjadi hanya 0,5 persen, jauh lebih rendah dibandingkan jika manusia atau mesin bekerja sendirian.

Hal ini membawa kita pada sebuah kesimpulan menarik: saat prediksi menjadi murah, kemampuan manusia untuk memberikan penilaian (judgment) justru menjadi semakin mahal. Mesin bisa memberikan puluhan kemungkinan hasil dalam sekejap, tetapi manusialah yang harus menentukan hasil mana yang paling penting berdasarkan nilai, etika, dan tujuan hidup. Mesin hanya tahu rute tercepat di aplikasi navigasi, tetapi kamulah yang menentukan apakah kamu ingin lewat jalan itu atau justru ingin mampir membeli kopi di jalan yang lebih lambat.

Strategi Mengelola Alur Kerja di Era AI

Agar tidak merasa tersaingi oleh teknologi, kamu perlu mengubah cara pandangmu terhadap pekerjaan. Jangan melihat pekerjaan sebagai satu kesatuan profesi yang utuh, melainkan bedahlah pekerjaan tersebut menjadi tugas-tugas kecil yang terpisah.

Dengan memecah pekerjaan menjadi tugas-tugas kecil, kamu bisa menentukan bagian mana yang bisa diserahkan kepada mesin dan mana yang harus tetap dipegang manusia. Untuk membantu proses ini, para penulis menyarankan penggunaan kerangka AI Canvas yang memetakan keputusan ke dalam tujuh bagian: prediksi, penilaian, tindakan, hasil, data masukan, data pelatihan, serta umpan balik.

Beberapa hal yang perlu kamu perhatikan dalam pembagian tugas ini adalah:

1. Tugas yang bisa diotomasi: Tugas yang bersifat tebakan berulang, pengolahan data besar, atau pola yang sudah pasti.
2. Tugas yang harus dipertahankan manusia: Tugas yang membutuhkan tanggung jawab hukum, menyangkut keselamatan, atau membutuhkan pemahaman konteks manusiawi dan empati.

Ingatlah bahwa kehadiran teknologi bukan untuk menghapus pekerjaan, melainkan mengubah susunan tugas di dalamnya. Seperti akuntan yang kini lebih banyak menghabiskan waktu untuk analisis bisnis daripada sekadar menjumlahkan angka secara manual.

Memahami dinamika antara mesin prediksi dan penilaian manusia adalah kunci untuk tetap relevan di masa depan. Jika kamu ingin menggali lebih dalam tentang bagaimana cara memanfaatkan teknologi prediksi secara strategis tanpa kehilangan peran pentingmu, kamu bisa membaca ringkasan lengkap buku Prediction Machines karya Ajay Agrawal, Joshua Gans, dan Avi Goldfarb hanya di aplikasi BacaApps.

Baca ringkasan lengkapnya di BacaApps: Prediction Machines karya Ajay Agrawal & Joshua Gans & Avi Goldfarb