Biaya Tersembunyi dari AI: Mengapa Penurunan Kemampuan Belajar Membutuhkan Dua Tahun untuk Terlihat

Meskipun alat AI menjanjikan efisiensi yang belum pernah ada sebelumnya, sebuah studi baru yang masif mengungkapkan paradoks yang mengkhawatirkan: semakin banyak siswa "mengalihdayakan" pekerjaan mereka ke AI, semakin banyak pengetahuan dasar mereka terkikis seiring waktu. Penelitian ini menyoroti "kelambatan belajar" (learning lag) kritis yang membuat kerusakan jangka panjang dari ketergantungan AI sulit dideteksi dalam jangka pendek.

Jebakan Efisiensi: Pekerjaan Rumah Lebih Baik, Ujian Lebih Buruk

Sebuah studi yang melacak 26.000 siswa menemukan bahwa penggunaan AI melonjak dari hampir nol menjadi sekitar 80% setelah dirilisnya model seperti DeepSeek V2.5 dan DeepSeek R1. Dampak langsung terhadap produktivitas tidak dapat disangkal. Dalam enam bulan setelah mengadopsi AI, nilai pekerjaan rumah siswa naik sebesar 18%, sementara rata-rata waktu yang dihabiskan per tugas merosot dari 64 menit menjadi hanya 45 menit.

Namun, efisiensi ini harus dibayar dengan harga kognitif yang mahal. Meskipun nilai pekerjaan rumah meningkat, skor pada ujian bulanan tertutup (closed-book) turun sebesar 20%. Data menunjukkan bahwa bagi 81% pengguna jangka panjang, nilai tinggi dan waktu penyelesaian yang cepat bukanlah tanda penguasaan materi, melainkan indikator "pengalihdayaan" (outsourcing)—menggunakan AI untuk menghindari upaya mental yang diperlukan untuk pembelajaran yang sebenarnya.

Kelambatan Dua Tahun dalam Penurunan Kognitif

Mungkin temuan yang paling signifikan adalah sifat tertunda dari penurunan kemampuan belajar ini. Meskipun performa ujian reguler menurun dalam enam bulan, dampak pada ujian masuk yang berisiko tinggi—seperti Zhongkao dan Gaokao—membutuhkan waktu sekitar dua tahun untuk mencapai dampak penuhnya. Para peneliti mengamati penurunan skor ujian masuk berkisar antara 18% hingga 24% hanya setelah jendela waktu dua tahun ini terlewati.

"Biaya tersembunyi" ini menjelaskan mengapa para pendidik dan pembuat kebijakan lambat dalam bereaksi. Karena dampak agregat pada rata-rata siswa terbangun secara perlahan, skala penuh dari krisis pendidikan ini tetap tidak terlihat sampai kerusakannya sudah tertanam sangat dalam.

Membedah Dampak: Mata Pelajaran dan Demografi

Pengikisan pengetahuan tidak terjadi secara seragam di semua disiplin ilmu. Berlawanan dengan asumsi umum bahwa AI terutama memengaruhi matematika atau pengodean (coding), studi tersebut menemukan bahwa mata pelajaran ilmu sosial mengalami penurunan yang paling signifikan:

  • Ilmu Sosial (Politik, Geografi): penurunan 27%
  • Mata Pelajaran STEM: penurunan 22%
  • Bahasa Inggris: penurunan 17%
  • Bahasa Mandarin: penurunan 9%

Data demografi juga mengungkapkan kerentanan spesifik. Siswa yang lebih muda di sekolah menengah pertama mengalami kerugian yang lebih tinggi (24%) dibandingkan siswa yang lebih tua (17%), dan siswa laki-laki terkena dampak lebih parah daripada siswa perempuan (21,6% vs 18,4%), sebagian besar karena tingkat penggunaan yang lebih tinggi. Yang paling mengejutkan, siswa berprestasi tinggi justru menderita paling banyak, dengan sepertiga siswa terbaik mengalami penurunan performa ujian sebesar 24%.

Studi tersebut menyimpulkan bahwa AI pada dasarnya tidak berbahaya; melainkan, kerusakan terjadi ketika AI menggantikan pemikiran mandiri. Siswa yang menggunakan AI sebagai tutor—dengan mempertahankan waktu penyelesaian pekerjaan rumah yang serupa dengan non-pengguna—justru menunjukkan performa yang lebih baik dalam ujian.

Untuk memerangi epidemi "pengalihdayaan" ini, para ahli menyarankan pergeseran fundamental dalam pedagogi. Alih-alih mengawasi pekerjaan rumah yang dihasilkan AI, pendidik harus mengalihkan bobot penilaian ke asesmen tatap muka dengan sistem ujian tertutup. Sebagaimana dibuktikan oleh data, ketika "sinyal" nilai pekerjaan rumah dirusak oleh AI, satu-satunya metrik kecerdasan sejati yang andal tetaplah kemampuan untuk tampil tanpa bantuan digital.

Poin-Poin Penting

  • Sinyal Pengalihdayaan: Nilai pekerjaan rumah yang tinggi yang dikombinasikan dengan waktu penyelesaian yang cepat dan skor ujian yang rendah adalah indikator utama ketergantungan AI, bukan pembelajaran yang sebenarnya.
  • Manifestasi yang Tertunda: Dampak nyata AI pada performa akademik yang berisiko tinggi dapat memakan waktu hingga dua tahun untuk muncul sepenuhnya, sehingga menutupi biaya pendidikan jangka panjang.
  • Kerentanan Mata Pelajaran: Meskipun STEM sering menjadi fokus diskusi AI, mata pelajaran ilmu sosial mengalami kehilangan pembelajaran yang paling dramatis sebesar 27%.