Pakai AI Boleh, tapi yang Dikawal adalah Prosesnya, Bukan Outputnya

Bayangkan Anda punya barista magang yang baru masuk hari pertama, belum pernah di-training sama sekali. Anda minta dia buat V60 pour-over. Dia bersemangat, langsung mengerjakan, dan dalam beberapa menit menyajikan kopi di gelas yang benar, warnanya coklat, mengepul. Terlihat seperti V60. Tapi rasanya hambar dan pahit aneh. Ternyata filter tidak dibilas, kopi tidak di-bloom, air dituang sekaligus bukan bertahap. Dia tidak tahu langkah-langkah itu penting, karena memang belum ada yang mengajarinya. Dia tidak berniat salah. Dia hanya tidak tahu apa yang tidak dia ketahui. AI bekerja dengan cara yang persis sama.

Kalau analogi kopi tadi diterjemahkan ke cara kerja nyata dengan AI, posisi kita adalah supervisor yang mengawal proses. AI adalah magang yang bersemangat tapi belum tahu apa yang tidak dia ketahui. Panduan di bawah ini adalah cara saya memegang kendali itu dalam praktik sehari-hari.

Ini bukan teori. Notebook materi Python yang sudah saya siapkan punya kasus nyatanya: analisis ANOVA yang terlihat lengkap sampai uji lanjut Tukey HSD, tapi keliru sejak Step 1. AI melewatkan bahwa normalitas seharusnya diuji pada residual OLS, bukan data mentah. Lanjut pakai Bartlett padahal Levene yang jadi dasar keputusan. Tetap pilih Tukey meski ragam tidak homogen. Setiap langkah terlihat wajar, tapi akumulasi kesalahan kecil itu membuat kesimpulan akhir tidak bisa dipertanggungjawabkan. Peneliti yang tahu konteks percobaannya, bukan AI, satu-satunya yang bisa menangkap ini.

Dalam praktiknya cara ini memang lebih lambat di awal. Tapi yang berubah adalah saya mulai bisa menangkap ketika AI memberikan jawaban yang terlihat benar tapi tidak sesuai konteks percobaan saya. Untuk analisis data kelapa sawit, misalnya, saya sudah tahu harus cek apa di tiap step dan pertanyaan apa yang harus saya ajukan ke AI di masing-masing titik. Bukan karena saya lebih pintar dari AI, tapi karena saya yang tahu apa yang sedang saya teliti.

Tiga pertanyaan yang paling sering saya pakai: pertama, “ini kode normalitas saya, apakah yang diuji sudah residual model OLS atau masih data mentah?” Kedua, “Levene saya p < 0.05, jalur mana yang tepat antara ANOVA biasa, Welch, atau Kruskal-Wallis?” Ketiga, “kode saya sudah berjalan tapi terasa panjang, ada cara lebih ringkas tanpa mengubah logikanya?” Ketiganya punya pola yang sama: konteks dari saya, klarifikasi dari AI.

Tujuannya bukan membuat proses analisis jadi lambat atau anti-AI. Tujuannya satu: hasil penelitian yang bisa dipertanggungjawabkan. AI sangat membantu untuk mempercepat eksekusi, tapi tanggung jawab ilmiah tetap ada di tangan penelitinya. Kalau Anda punya pengalaman menemukan kesalahan AI di tengah proses analisis, atau cara sendiri untuk tetap mengawal prosesnya, ceritakan di kolom komentar.