mediasumatera.id – AI dalam pendidikan
Tren penggunaan Artificial Intelligence (AI) berkembang pesat seiring digitalisasi pembelajaran dan tuntutan personalisasi belajar. AI digunakan untuk menganalisis data kemajuan belajar secara real-time, menyesuaikan materi dan kecepatan pembelajaran sesuai kebutuhan individu melalui adaptive learning system, serta memberikan umpan balik otomatis. Selain itu, chatbot edukatif dan asisten virtual membantu dalam konsultasi akademik, serta AI generatif (seperti ChatGPT atau Copilot) mendukung penulisan ilmiah, simulasi berpikir kritis, hingga pembelajaran berbasis proyek. (https://www.unesco.org/en/articles/ai-and-futures-education)
Dalam konteks pembelajaran creative thinking (https://ai.wharton.upenn.edu/updates/how-ai-shapes-creativity-expanding-potential-or-narrowing-possibilities/), peran AI meliputi: (1) Fasilitator ide ; (2) Mitra refleksi ; dan (3) Agen pendorong eksplorasi alternatif.
Fasilitator ide mencakup peran yang secara sadar merancang kondisi, proses, dan alat untuk memicu, menstruktur, dan memperkaya lahirnya gagasan baru bernilai. Ia mengorkestrasi siklus berpikir divergen–konvergen dengan menyediakan rangsangan (pertanyaan, analogi, contoh), batasan kreatif (constraints) yang fokus, serta kerangka evaluasi agar ide tidak hanya banyak, tetapi juga relevan, orisinal, dan layak.
Fasilitator ide menjaga kelancaran proses—mengurangi beban kognitif, memetakan ulang masalah (reframing), menghubungkan perspektif lintas-disiplin, dan meminimalkan bias “groupthink”—sekaligus menumbuhkan keamanan psikologis agar partisipan berani menyimpang dari pola umum. Hasilnya, eksplorasi menjadi lebih terarah, kolaborasi lebih produktif, dan kualitas keputusan kreatif yang memiliki novelty meningkat.
Sebagai mitra refleksi, AI menjadi sistem yang secara sengaja membantu seseorang atau tim menata ulang pengalaman, asumsi, dan penalaran melalui dialog terstruktur: mendengarkan aktif, mencerminkan kembali (mirroring) inti pikiran, mengajukan pertanyaan sokratik yang menantang prasangka, serta memberi umpan balik yang spesifik dan berbasis bukti. Tujuannya bukan memberi jawaban instan, melainkan memperjelas tujuan, menampakkan blind spot, menimbang alternatif, dan mengkalibrasi keputusan terhadap nilai serta konteks. Dengan memfasilitasi metakognisi—menyadari cara kita berpikir—mitra refleksi memperkuat siklus pembelajaran (plan–do–reflect–adjust), meningkatkan kualitas penilaian dan akuntabilitas, sekaligus menjaga ritme emosional agar proses evaluasi tetap jernih, berani dan terarah.
Agen pendorong eksplorasi alternatif yang disandang AI mengindikasikan peran individu, tim, atau sistem yang secara sengaja memperluas ruang pilihan di luar jalur kebiasaan dengan menantang asumsi, memicu analogi lintas-disiplin, dan mengajukan skenario tandingan (counterfactuals) agar organisasi tidak terperangkap pada solusi lokal. Ia menurunkan biaya pencarian ide melalui kurasi informasi, generasi variasi opsi, dan pemetaan trade-off; sekaligus merancang batas aman eksperimen (safe-to-try), portofolio uji kecil-cepat (probe), serta kriteria evaluasi yang menyeimbangkan kebaruan dengan kelayakan. Dengan memadukan constraint yang fokus, metrik pembelajaran, dan mekanisme umpan balik cepat, agen ini mendorong keberanian mencoba, mencegah homogenisasi keputusan, dan meningkatkan probabilitas menemukan alternatif yang lebih unggul secara nilai, risiko, dan dampak.
Kemampuan AI dalam creative thinking semakin dipahami sebagai katalis yang memperluas kapasitas tim dalam menciptakan ide dan solusi baru. Penelitian menunjukkan bahwa kolaborasi manusia–AI mampu menghasilkan kombinasi unik antara intuisi manusia dan pemrosesan data yang cepat, menciptakan bentuk kreativitas kolektif-kolaboratif yang baru (Dell’Acqua et al., 2025).
Siemon et al. (2025) menjelaskan bahwa social presence dalam kolaborasi digital berpengaruh terhadap motivasi anggota tim untuk berkontribusi. Kehadiran AI dapat meningkatkan keterlibatan, rasa percaya, dan komitmen. AI yang responsif, empatik secara fungsional (mis. memberi umpan balik tepat waktu, mengakui upaya), dan konsisten dalam mengatur tugas menumbuhkan persepsi “kehadiran” rekan kerja yang dapat diandalkan; hal ini meningkatkan keterlibatan karena anggota tim merasa didukung, mengurangi ambiguitas peran sehingga keberanian untuk berbagi ide naik, serta membangun rasa percaya melalui transparansi proses—misalnya rekam jejak keputusan, saran yang dapat ditelusuri, dan kualitas rekomendasi yang stabil. Ketika kepercayaan ini terbentuk, komitmen terhadap tujuan bersama ikut menguat karena beban koordinasi menurun, konflik informasi lebih cepat terselesaikan, dan siklus umpan balik menjadi lebih singkat.
Dalam konteks ini, AI sebagai teammate pemberi umpan balik, ide alternatif, dan analisis multidimensional yang memperkaya proses inovatif (Siemon et al., 2025; Richter & Schwabe, 2025). Studi eksperimental menunjukkan bahwa ketika AI diberi peran sosial dan otonomi terbatas, tingkat creative collaboration dan komitmen dalam tim meningkat secara signifikan (Flathmann et al., 2023; Graf et al., 2023). Efektivitas tersebut sangat bergantung pada tingkat kepercayaan, kejelasan peran, dan persepsi kehadiran sosial yang dibangun antara manusia dan AI (Fiore, 2025; Siemon et al., 2022). Creative thinking dalam konteks human–AI collaboration merupakan hasil sinergi antara kompetensi kognitif manusia dan kecerdasan adaptif AI, yang bersama-sama menciptakan bentuk baru dari inovasi kolaboratif era digital.
Selanjutnya dalam pandangan Theory of Planned Behaviour (TPB) ditegaskan niat berperilaku – termasuk motivasi untuk berpikir kreatif – dipengaruhi oleh sikap, norma subjektif, dan kontrol perilaku yang dirasakan. Kehadiran AI memodifikasi norma dalam kelas (misalnya, penggunaan AI dianggap lumrah), sekaligus memengaruhi persepsi kontrol (kemudahan menghasilkan ide). (Ivanov et al., 2024)
Tantangan penggunaan AI
AI yang telah menjadi alat pemecahan masalah praktis cenderung digunakan secara massive. Efisiensi dan efektivitas sebagai kinerja AI membentuk mindset jalan pintas sekaligus dilema bagi para penggunanya.
Referensi yang ada menyebutkan AI menjadi outsourcing mental dalam merumuskan pertanyaan, menilai relevansi sumber, dan menyintesis argumen. Mekanismenya tercermin pada automation bias, yakni ketika pengguna terlalu mempercayai keluaran sistem otomatis dan mengabaikan penilaian sendiri. Hal nampak di kelas ketika AI digunakan tanpa dilakukan verifikasi dan sekadar copy–refine.
Automation bias sering juga disebut sebagai cognitive offloading (menyerahkan beban penalaran ke alat) yang melahirkan pemrosesan dangkal dan de-skilling (menurunnya keterampilan bernalar karena jarang dilatih). (https://cset.georgetown.edu/wp-content/uploads/CSET-Summary-AI-Safety-and-Autmation-Bias.pdf)
Cognitive offloading adalah penyerahan beban elaborasi dari pelaksana ke sistem, sehingga mengurangi praktik generative processing (mis. parafrasa, menjelaskan kembali, menyusun kontra-argumen) dan melemahkan pemantauan metakognitif (pengecekan asumsi, kalibrasi keyakinan, dan audit sumber). Akibatnya, keluaran cenderung “benar” secara permukaan namun lemah justifikasi, tidak memiliki koherensi kausal maupun kedalaman bukti (pemrosesan dangkal). Efek ini dimediasi oleh berkurangnya elaborative rehearsal dan meningkatnya automation trust yang tidak terkalibrasi; serta dimoderasi oleh kompleksitas tugas, tekanan waktu, transparansi model, dan akuntabilitas evaluatif (mis. kewajiban menuliskan alasan). Indikasi cognitive offloading adalah lebih sedikit langkah argumen eksplisit, rujukan sumber yang terlalu homogen, menurunnya pilihan kosakata, serta skor yang rendah pada rubrik kedalaman analisis ketika interaksi dipaksa memasukkan penjelasan “mengapa” dan self-explanation.
Paparan kronis terhadap penyelesaian otomatis yang difasilitasi AI menginduksi use-it-or-lose-it pada keterampilan bernalar. Ketika fungsi inti (retrieval ide, penyusunan struktur logis, sintesis bukti) terus-menerus diintervensi oleh alat, jalur latihan manusia menurun, ditunjukkan dari berkurangnya kelancaran retrieval, kemiskinan struktur argumen (premis–bukti–inferensi), dan sensitivitas logis (falasi tidak terdeteksi). Efek jangka panjang ini dimediasi oleh penurunan frekuensi latihan deliberatif dan kesempatan umpan balik korektif, serta dimoderasi secara negatif oleh strategi human-in-the-loop (mis. chain-of-thought manual, justification prompts, reflection journals), kurikulum spaced retrieval, dan evaluasi yang menuntut bukti proses (draf, log keputusan). Efek jangka panjangnya adalah penurunan skor independen pada tes penalaran tanpa alat, meningkatnya waktu warm-up kognitif, dan ketergantungan yang lebih besar pada default phrasing—dengan perlambatan efek ketika terdapat praktik terstruktur yang memaksa produksi ide asli.
Pentingnya orisinalitas
Orisinalitas adalah kapasitas menghasilkan gagasan yang baru, bernilai, dan tidak-redundan melalui kombinasi intuisi, pengetahuan tacit, serta kemampuan me-reframing masalah yang menjaga diferensiasi, mutu keputusan, dan pembelajaran tim, serta bebas dari otomatisasi yang menyeragamkan pola ide atau konvergensi template (Braun et al., 2023; Dell’Acqua et al., 2025).
Di ruang kelas pembelajaran, orisinalitas dihasilkan melalui sejumlah aktivitas melihat ulang definisi tugas, memetakan ulang tujuan, dan mengeksplorasi sudut pandang lintas-domain. Orisinalitas lahir dari desain tugas yang membiarkan masalah “terbuka” (ill-structured) dan memberi ruang eksplorasi sebelum evaluasi konvergen. Misalnya, pembelajar dapat menata siklus divergen-konvergen.
Pada fase divergen dihasilkan sebanyak mungkin alternatif (analogis, metaforis, lintas-disiplin). Fase konvergen menekankan kelayakan dan nilai konteks. Teknik seperti what-if, counterfactuals, dan constraint flipping (mengubah batasan menjadi peluang) menstimulasi reframing sehingga pembelajar tidak sekadar mengulang jawaban yang diberikan AI. Di titik ini, orisinalitas tidak berdiri sendiri; ia dipandu oleh kriteria nilai (relevansi terhadap tujuan, dampak bagi pengguna, kelayakan implementasi) agar kebaruan tidak menjadi “kebaruan kosong”.
Orisinalitas dikondisikan dalam ekosistem kolaboratif. Studio-based learning (kritik desain terarah), think-aloud (menyuarakan proses berpikir), dan peer feedback yang terstruktur mengaktifkan pengetahuan tacit. Kegiatan gallery walk dan design critique membantu kelas membedakan ide yang benar-benar baru dari yang hanya variasi superfisial. Di sinilah terdapat urgensi peran facilitator of framing mengubah sudut pandang (point of view), menguji asumsi, dan memperluas ruang solusi tanpa kehilangan fokus pada tujuan belajar (Braun et al., 2023).
Creative thinking tanpa intervensi AI
Meskipun kolaborasi manusia–AI dapat memperkaya ide, banyak studi menegaskan bahwa individu tetap mampu berkreasi secara mandiri—bahkan dalam sejumlah konteks, kehadiran AI tidak diperlukan atau justru dapat mengganggu alur kreatif. Tinjauan kerja-tim menyoroti bahwa manfaat AI bersifat kondisional pada kejelasan peran, norma tim, dan tujuan tugas; tanpa itu, proses kreatif manusia sering lebih lincah dan fokus (Braun et al., 2023; Zercher et al., 2023). Di tingkat individu, pengalaman sosial dan preferensi kerja memengaruhi kapan orang memilih “murni manual” untuk menjaga otonomi, agency, dan orisinalitas (Hwang, 2023). Temuan tentang reaksi strain terhadap ChatGPT menunjukkan potensi beban kognitif/emosional yang dapat menurunkan aliran kreatif jika AI dipaksakan (Klonek, 2024). Eksperimen pada pengaruh “teammate AI” juga menunjukkan bahwa peningkatan pengaruh AI tidak selalu memperbaiki kinerja, sehingga eksplorasi kreatif murni manusia bisa lebih efektif pada fase konseptual dan reframing masalah (Flathmann et al., 2023; Flathmann et al., 2024). Selain itu, otomasi komunikasi dapat menekan kesadaran kehadiran sosial dan motivasi—faktor yang justru penting bagi ideasi individu (Graf et al., 2023). Literatur tentang prasyarat kolaborasi kreatif juga menegaskan bahwa tanpa kepercayaan, desain interaksi yang tepat, dan kehadiran sosial yang memadai, kontribusi AI menjadi opsional, bukan esensial (Siemon et al., 2022; Richter & Schwabe, 2025). Dengan demikian, dalam banyak situasi—terutama ketika tugas menuntut intuisi domain, penilaian etis, dan imajinasi konseptual—individu tidak membutuhkan AI untuk mencapai creative thinking yang bermakna.
Batasan etis
Batas etis penggunaan AI dalam creative thinking berpusat pada menjaga otonomi dan agensi manusia, transparansi peran AI, atribusi kredit yang adil, serta pencegahan bias dan dampak psikososial yang merugikan. Secara praktis, AI sebaiknya diposisikan sebagai ko-kreator yang “terjelaskan” (explainable) dengan batas kewenangan yang jelas, sehingga tidak menggantikan justifikasi manusia pada fase konseptual dan evaluatif (Richter & Schwabe, 2025; Flathmann et al., 2024). Desain kolaborasi yang etis menuntut pengungkapan penggunaan AI, kejelasan sumber data, dan mekanisme akuntabilitas atas keputusan kreatif yang diambil—terutama ketika AI membentuk dinamika tim dan keahlian (Dell’Acqua et al., 2025; Fiore, 2025). Literatur juga menekankan mitigasi bias dan “over-reliance” melalui kalibrasi informasi yang benar-benar dibutuhkan dari AI agar tidak menyesatkan proses ideasi atau mereduksi orisinalitas (Schelble et al., 2025; Braun et al., 2023). Di tingkat individu dan tim, etika mencakup perlindungan kesehatan mental—menghindari beban sekaligus erosi motivasi ketika AI memengaruhi alur sosial dan komitmen (Klonek, 2024; Graf et al., 2023). Standard etis juga menuntut social presence yang tepat dan legitimasi interaksi—pengguna harus tahu kapan, bagaimana, dan untuk apa AI ikut “berbicara” dalam proses kreatif, serta kapan manusia memegang kontrol akhir (Siemon et al., 2025; Łabędzki et al., 2025).
Implikasi bagi model pembelajaran creative thinking
Pertama, perlunya perancangan model pembelajaran yang menekankan co-creation antara mahasiswa dan AI, bukan delegation. Misalnya, AI digunakan hanya untuk memperluas ide, sementara mahasiswa wajib melakukan sintesis, refleksi, dan evaluasi kritis. Kedua, perlu ada rubrik penilaian yang secara eksplisit mengukur dimensi orisinalitas, sehingga hasil kerja yang terlalu bergantung pada AI dapat diidentifikasi. Ketiga, pemahaman tentang social presence AI dapat membantu pengelolaan ekspektasi dimana AI bukanlah “rekan sejati”, melainkan simulasi yang memiliki keterbatasan dalam menghadirkan empati, intuisi, dan nilai personal.
Kesimpulan
Di era alat AI generatif, institusi pendidikan perlu menerapkan kebijakan “dukungan tanpa substitusi” dimana AI diposisikan sebagai scaffold (pemantik contoh, peta konsep awal, daftar pertanyaan penuntun), bukan sebagai penyedia jawaban final.
AI-sandwich dapat menjadi strategi efektif satu siklus tahapan penggunaan AI. Pada tahap pra-AI dirumuskan hipotesis ataupun kerangka pikir, dilanjutkan dengan tahapan in-process dimana AI dipakai untuk menguji asumsi sekaligus menemukan sudut pandang. Kemudian pada tahapan pasca-AI dilakukan sense-making dengan membandingkan, menyunting, merevisi, dan menuliskan design rationale yang menjelaskan keputusan kreatif. Pendekatan ini menjaga agency manusia sebagai subyek utama, meminimalkan intervensi AI, sekaligus mengurangi risiko homogenisasi ide akibat ketergantungan pada prompt yang sama (Dell’Acqua et al., 2025).
Dari sisi penilaian, orisinalitas sebaiknya dievaluasi dengan rubrik multi-dimensi: (a) kebaruan (jarak ide dari konvensi, diukur kualitatif/kuantitatif—mis. pemetaan semantik sederhana), (b) nilai kontekstual (keterkaitan dengan tujuan proyek, kebutuhan pengguna, atau kurikulum), (c) non-redundansi portofolio (keunikan ide terhadap karya lain dalam kelas/portofolio siswa), dan (d) transparansi proses (log perubahan, sketsa, failed attempts yang menunjukkan eksplorasi). Portofolio dan learning journal penting untuk menilai how bukan hanya what, sehingga penghargaan diberikan pada proses reframing, bukan sekadar hasil akhir yang “rapi”.
Agar inklusif, sekolah perlu menanamkan keamanan psikologis (aman mencoba dan gagal), mindset bertumbuh, dan keadilan akses terhadap sumber daya (perangkat, literasi digital, dan waktu eksplorasi). Variasi mode ekspresi (tulisan, prototipe, audio-visual, data-story) memberi pintu masuk bagi ragam talenta, memperkaya keragaman kognitif yang menjadi bahan bakar orisinalitas. Di tingkat kebijakan, jadwal belajar dapat dialokasikan untuk deep work blocks, maker time, atau genius hour yang memberi ruang eksplorasi mandiri—dengan penuntun etika, atribusi sumber, serta refleksi penggunaan AI.
Institusi pendidikan dapat membangun “antipola repository”—kumpulan studi kasus yang berhasil justru karena menyimpang dari template—serta praktik premortem kurikuler (membayangkan kegagalan ide dan mengatasinya sejak awal). Dengan kombinasi pengungkit kognitif (latihan analogi, counterfactuals, role-play pengguna) dan pengungkit struktural (desain tugas terbuka, rubrik multi-dimensi, kebijakan AI yang menekankan sense-making), orisinalitas menjadi kompetensi inti creative thinking yang melindungi diferensiasi hasil belajar, meningkatkan mutu keputusan, dan memperdalam pembelajaran kolaboratif di era otomatisasi (Braun et al., 2023; Dell’Acqua et al., 2025).
Integrasi AI dalam model pembelajaran creative thinking menghadirkan dilema antara akselerasi ide dan tantangan orisinalitas. Temuan tentang social presence dan planned behaviour menunjukkan bahwa kehadiran AI dapat meningkatkan motivasi berkontribusi, tetapi juga menimbulkan risiko difusi akuntabilitas dan berkurangnya keaslian. Oleh karena itu, diperlukan desain pedagogis yang seimbang dimana AI ditempatkan sebagai fasilitator ide, sementara pembelajar tetap menjadi pusat proses berpikir kreatif. Dengan demikian, orisinalitas dapat tetap terjaga sekaligus didukung oleh potensi kolaboratif AI.
DAFTAR PUSTAKA
Braun, M., Greve, M., & Gnewuch, U. (2023). The new dream team? A review of human-AI collaboration research from a human teamwork perspective.
Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., … & Lakhani, K. (2025). The cybernetic teammate: A field experiment on generative AI reshaping teamwork and expertise (No. w33641). National Bureau of Economic Research.
Fiore, S. M. F. (2025, May). Social Science and Social AI: Developing Artificial Social Intelligence to Support Teams. The International FLAIRS Conference Proceedings (Vol. 38).
Flathmann, C., Duan, W., McNeese, N. J., Hauptman, A., & Zhang, R. (2024). Empirically understanding the potential impacts and process of social influence in human-AI teams. Proceedings of the ACM on Human-Computer Interaction, 8(CSCW1), 1–32.
Flathmann, C., Schelble, B. G., Rosopa, P. J., McNeese, N. J., Mallick, R., & Madathil, K. C. (2023). Examining the impact of varying levels of AI teammate influence on human-AI teams. International Journal of Human-Computer Studies, 177, 103061.
Graf, B., Antoni, C. H., Müller, R., Schischke, D., & Ellwart, T. (2023). Effects of automated communication on team members’ activity and social presence awareness, commitment, and motivation in human-autonomy teams. Computers in Human Behavior, 149, 107925.
Hwang, A. (2023). Calibrating Social Experience in Human-AI Collaboration: Toward More Innovative and Inclusive Work Futures. Cornell University.
Ivanov, S., Soliman, M., Tuomi, A., Alkathiri, N. A., & Al-Alawi, A. N. (2024). Drivers of generative AI adoption in higher education through the lens of the Theory of Planned Behaviour. Technology in Society, 77, 102521.
Klonek, F. E. (2024). When humans collaborate with AI: A text-mining analysis about strain reactions to ChatGPT. Academy of Management Proceedings (Vol. 2024, No. 1, p. 17520). Valhalla, NY 10595: Academy of Management.
Łabędzki, R., Mikołajczyk, K., Biłyk, A., & Trojanowska, M. (2025, May). Understanding Human-AI Collaboration: A Systematic Review of Challenges and Research Methods in Management. International Conference on Human-Computer Interaction (pp. 332–348). Cham: Springer Nature Switzerland.
Richter, A., & Schwabe, G. (2025). “There is No ‘AI’ in ‘TEAM’! Or is there?” – Towards meaningful human-AI collaboration. Australasian Journal of Information Systems, 29.
Schelble, B. G., Flathmann, C., Macdonald, J. P., Knijnenburg, B., Brady, C., & McNeese, N. J. (2025). Modeling perceived information needs in human-AI teams: improving AI teammate utility and driving team cognition. Behaviour & Information Technology, 44(9), 2069–2092.
Siemon, D., Elshan, E., de Vreede, T., Ebel, P., & de Vreede, G. J. (2025). Beyond Anthropomorphism: Social Presence in Human–AI Collaboration Processes. Journal of Management Studies.
