Aman, kritis, dan bertanggung jawab
Memakai AI dengan baik bukan hanya soal hasil yang bagus. Ini juga soal data siapa yang kamu bagikan, informasi apa yang kamu percaya, dan siapa yang bertanggung jawab. Semua risiko di modul ini sudah terdokumentasi dalam riset.
- Memakai Lampu Lalu Lintas AI untuk memutuskan data apa yang boleh dimasukkan
- Memverifikasi jawaban AI: logis, lengkap, relevan, dan bersumber
- Mewaspadai deepfake, bias, dan automation bias pada keputusan berdampak besar
Lampu Lalu Lintas AI
Sebelum menempel apa pun ke aplikasi AI, cek warnanya.
- Draf email & konten
- Riset pasar umum
- Brainstorming ide
- Strategi harga
- Nama klien (pakai inisial)
- Data keuangan umum
- Password, PIN, OTP & API key
- Data pribadi (NIK, alamat, no. HP, gaji, data kesehatan)
- Kontrak & NDA asli
Kenapa zona merah serius? Peneliti berhasil mengeluarkan ratusan potongan teks dari data latih sebuah model bahasa, kata per kata, termasuk nama, nomor telepon, dan alamat email (Carlini dkk., 2021). Apa yang masuk ke data latih bisa keluar lagi.
Apa yang kamu ketik bisa disimpan penyedia layanan, dan di sebagian pengaturan bisa dipakai untuk melatih model. Cek pengaturan privasi aplikasimu dan kebijakan AI di kantormu. Akun kerja (enterprise) biasanya punya perlindungan berbeda dari akun pribadi gratis. Lampu Lalu Lintas adalah framework praktik People Dev AI.
Tetap bisa dipakai: samarkan dulu
“Bu Rina Wulandari (0812-xxxx) komplain pesanan #8812 telat 5 hari…”
“Pelanggan A komplain pesanan telat 5 hari…” Pola keluhannya tetap bisa dianalisis, tanpa data pribadi.
Di Indonesia, data pribadi dilindungi UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP) (UU PDP, 2022). Menempel data pelanggan atau karyawan ke alat AI publik tanpa dasar yang sah bisa menjadi masalah hukum, bukan hanya masalah etika.
Verifikasi sebelum percaya
Sitasi buatan ChatGPT yang ternyata fiktif (GPT-3.5 dan GPT-4), dari 636 sitasi di 84 tulisan. Dari sitasi yang asli pun, 43% dan 24% berisi kesalahan penting (Walters & Wilder, 2023).
Setiap jawaban AI yang akan kamu pakai, uji dengan tiga pertanyaan:
Alurnya masuk akal? Ada yang bertentangan?
Ada bagian penting yang terlewat?
Cocok dengan konteksmu: Indonesia, industrimu, audiensmu?
Wajib cek sumber untuk angka, tanggal, nama, kutipan, aturan hukum, kesehatan, keuangan, dan apa pun yang akan dipublikasikan atau jadi dasar keputusan:
- Buka sendiri sumber yang disebut AI. Seperti temuan di atas, AI bisa mengarang judul artikel, nama jurnal, bahkan link.
- Untuk paper dan jurnal: cari DOI-nya di doi.org atau judulnya di Google Scholar. Kalau tidak ketemu, anggap tidak ada.
- Cocokkan ke minimal dua sumber tepercaya lain (situs resmi pemerintah, lembaga, media kredibel).
- Minta AI menyanggah dirinya: “Apa kemungkinan salah dari jawabanmu tadi?”
Tanda bahaya: angka sangat presisi tanpa sumber · kutipan tokoh yang tidak bisa kamu temukan di mana pun · referensi yang tidak muncul saat dicari · jawaban sangat yakin tentang kejadian terbaru.
Automation bias: terlalu percaya pada mesin
Kecenderungan menerima saran sistem otomatis tanpa cukup memeriksa disebut automation bias. Riset selama puluhan tahun menunjukkan ia dialami pemula maupun ahli, dan tidak cukup dicegah hanya dengan pelatihan atau instruksi (Parasuraman & Manzey, 2010). Tinjauan sistematis atas 74 studi menemukan beban kerja tinggi dan tekanan waktu memperbesar risikonya. Yang menguranginya antara lain pelatihan dan menegaskan bahwa pengguna tetap bertanggung jawab atas keputusannya (Goddard dkk., 2012).
“AI yang bilang begitu” bukan alasan. Yang menandatangani tetap kamu.
Deepfake & konten sintetis
Akurasi orang membedakan wajah asli dan wajah buatan AI, setara tebak-tebakan. Setelah dilatih pun hanya 59,0%. Wajah buatan AI malah dinilai 7,7% lebih tepercaya (Nightingale & Farid, 2022).
Seberapa sering 529 pendengar berhasil mengenali suara deepfake. Diberi contoh deepfake dulu hanya membantu sedikit (Mai dkk., 2023).
Artinya: jangan mengandalkan mata dan telinga. Video pejabat yang “mengatakan” hal mengejutkan, atau telepon dengan suara mirip keluargamu yang minta transfer darurat, bisa saja buatan AI. Andalkan verifikasi lewat jalur lain:
- Cek sumber asli dan media kredibel sebelum membagikan.
- Untuk permintaan uang: tutup telepon, lalu hubungi orangnya lewat nomor yang kamu simpan sendiri.
- Waspadai pesan yang mendesak dan emosional. Itu ciri umum penipuan.
Bias, keadilan, dan siapa yang bertanggung jawab
- Bias di gambar. Prompt yang biasa saja, menyebut profesi, sifat, atau benda, menghasilkan gambar yang memperkuat stereotip ras dan gender. Stereotip ini tetap muncul meski pengguna atau penyedia sudah mencoba mencegahnya (Bianchi dkk., 2023). Tanyakan: siapa yang tidak terwakili?
- Bias dari “ukuran pengganti”. Sebuah algoritma kesehatan di AS memakai biaya pengobatan sebagai pengganti tingkat sakit. Akibatnya pasien kulit hitam yang sama sakitnya dinilai lebih rendah risikonya. Setelah diperbaiki, porsi mereka yang mendapat bantuan naik dari 17,7% ke 46,5% (Obermeyer dkk., 2019). Di HR, hal serupa bisa terjadi bila “asal kampus” atau “lama bekerja” dipakai sebagai pengganti “kemampuan”.
- Keputusan berdampak besar (rekrutmen, penilaian kinerja, kredit, kesehatan): AI boleh membantu menyaring atau merangkum, tapi manusia meninjau dan memutuskan.
- Transparan. Kalau relevan (ke klien, atasan, sekolah), jujur bagian mana yang dibantu AI dan bahwa kamu sudah memeriksanya.
- Hak cipta. Jangan mengakui karya orang lain sebagai milikmu, dan cek lisensi gambar atau materi yang kamu pakai. Aturan hak cipta untuk hasil AI masih terus berkembang.
Buka riwayat chat AI-mu minggu ini. Adakah yang masuk zona merah atau kuning? Tulis ulang satu prompt itu dengan data yang sudah disamarkan. Bonus: minta AI memberi 2 sumber jurnal untuk satu topik, lalu cek DOI-nya di doi.org.
Referensi modul 5
Klaim penting di modul ini disarikan dari paper dan jurnal berikut (APA 7). Klik DOI untuk membuka sumber aslinya. Daftar pustaka lengkap kursus →
- ProsidingBianchi, F., Kalluri, P., Durmus, E., Ladhak, F., Cheng, M., Nozza, D., Hashimoto, T., Jurafsky, D., Zou, J., & Caliskan, A. (2023). Easily accessible text-to-image generation amplifies demographic stereotypes at large scale. In Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency (pp. 1493–1504). doi.org/10.1145/3593013.3594095
- ProsidingCarlini, N., Tramèr, F., Wallace, E., Jagielski, M., Herbert-Voss, A., Lee, K., Roberts, A., Brown, T., Song, D., Erlingsson, Ú., Oprea, A., & Raffel, C. (2021). Extracting training data from large language models. In Proceedings of the 30th USENIX Security Symposium (pp. 2633–2650). www.usenix.org/conference/usenixsecurity21/presentation/carlini-extracting
- JurnalGoddard, K., Roudsari, A., & Wyatt, J. C. (2012). Automation bias: A systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121–127. doi.org/10.1136/amiajnl-2011-000089
- JurnalMai, K. T., Bray, S., Davies, T., & Griffin, L. D. (2023). Warning: Humans cannot reliably detect speech deepfakes. PLOS ONE, 18(8), e0285333. doi.org/10.1371/journal.pone.0285333
- JurnalNightingale, S. J., & Farid, H. (2022). AI-synthesized faces are indistinguishable from real faces and more trustworthy. Proceedings of the National Academy of Sciences, 119(8), e2120481119. doi.org/10.1073/pnas.2120481119
- JurnalObermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. doi.org/10.1126/science.aax2342
- JurnalParasuraman, R., & Manzey, D. H. (2010). Complacency and bias in human use of automation: An attentional integration. Human Factors, 52(3), 381–410. doi.org/10.1177/0018720810376055
- RegulasiRepublik Indonesia. (2022). Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi. peraturan.bpk.go.id/Details/229798/uu-no-27-tahun-2022
- JurnalWalters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, 14045. doi.org/10.1038/s41598-023-41032-5
Cek pemahamanmu
Jawab semua benar untuk menandai modul ini selesai. Boleh diulang.