Apakah AI Menjadi Lebih Bodoh? Analisis Penurunan Kualitas LLM

Ringkasan

• Beberapa ahli berpendapat bahwa laboratorium AI sengaja mengurangi pengetahuan dunia dalam model untuk menurunkan biaya komputasi per token meskipun skor penalaran meningkat.
• Penelitian menunjukkan bahwa paparan terhadap data internet berkualitas rendah dapat menyebabkan AI kehilangan kemampuan berpikir jernih dan memecahkan masalah.
• Ada perdebatan apakah AI benar-benar menurun kualitasnya atau sekadar sedang "dikelola" (managed) oleh pengembangnya.
• Penggunaan chatbot AI yang berlebihan dikhawatirkan dapat berdampak negatif pada kemampuan kognitif manusia.

Dalam beberapa waktu terakhir, komunitas teknologi dan pengguna umum terlibat dalam diskusi hangat mengenai performa model bahasa besar (Large Language Models atau LLM) yang dirasakan menurun. Banyak pengguna melaporkan bahwa chatbot yang dulunya mampu memberikan jawaban kompleks dan bernuansa, kini cenderung memberikan respon yang lebih generik, kurang akurat, atau bahkan gagal dalam tugas penalaran sederhana yang sebelumnya bisa mereka selesaikan. Fenomena ini memicu pertanyaan mendasar: apakah kecerdasan buatan benar-benar mengalami penurunan kualitas, atau ada faktor teknis dan psikologis yang bermain di balik layar?

Strategi Pengurangan Pengetahuan demi Efisiensi Komputasi

Salah satu perspektif yang paling provokatif datang dari analisis mengenai efisiensi operasional laboratorium AI. Walter van der Giessen menyatakan bahwa model-model AI mungkin menjadi "lebih bodoh" secara sengaja. Dalam industri AI, terdapat tren di mana pengembang mencoba mengoptimalkan model agar lebih ringan dan cepat dijalankan. Salah satu caranya adalah dengan menghapus sebagian "pengetahuan dunia" (world knowledge) yang dianggap redundan dari parameter model.

Langkah ini dipandang sebagai sebuah pertukaran strategis (trade-off). Meskipun pengetahuan umum yang luas berkurang, skor penalaran (reasoning scores) justru terus ditingkatkan melalui teknik seperti fine-tuning yang lebih terarah. Tujuannya adalah menciptakan model yang lebih efisien dengan biaya komputasi per token yang jauh lebih rendah, sehingga perusahaan dapat melayani jutaan pengguna tanpa membengkakkan biaya infrastruktur server.

Sebagai contoh, data menunjukkan bahwa model seperti GLM-5.2 mampu mencapai skor yang sangat impresif, yakni 99,2% pada AIME 2026, meskipun biaya komputasi per token terus ditekan [10]. Hal ini menunjukkan adanya dikotomi antara "kecerdasan spesifik" (kemampuan memecahkan masalah matematika atau kode) dengan "kecerdasan umum" (wawasan luas tentang dunia). Pengguna mungkin merasakan AI menjadi lebih bodoh dalam hal wawasan, namun secara teknis, AI tersebut mungkin menjadi lebih tajam dalam hal logika murni.

Dampak Data Berkualitas Rendah dan Fenomena 'Brain Rot' AI

Selain faktor efisiensi, penurunan kemampuan AI bisa disebabkan oleh bahan baku utamanya: data. Tim riset dari berbagai universitas menemukan bahwa ketika sistem AI belajar dari data internet yang berkualitas buruk, mereka mulai kehilangan kemampuan untuk berpikir secara jernih dan menyelesaikan masalah dengan benar [2].

Fenomena ini sering disebut sebagai "brain rot" pada AI, sebuah istilah yang dipinjam dari tren budaya internet manusia. Seperti halnya manusia yang kehilangan ketajaman berpikir karena terlalu sering terpapar informasi sepele atau konten berkualitas rendah, LLM juga dapat menjadi "tumpul" secara kognitif jika terus dilatih dengan teks yang dihasilkan oleh AI lain (synthetic data) yang mengandung halusinasi atau kesalahan logika [6]. Ketika AI mulai melatih dirinya sendiri menggunakan data yang ia hasilkan sendiri, terjadi siklus degradasi yang dapat merusak struktur penalaran model tersebut.

Ancaman Data Poisoning

Di sisi lain, terdapat ancaman eksternal berupa data poisoning. Hal ini terjadi ketika individu atau kelompok yang merasa karya intelektual mereka dicuri oleh perusahaan AI mencoba mengganggu kualitas data yang digunakan untuk melatih model tersebut [9]. Dengan menyisipkan data yang sengaja disesatkan atau rusak ke dalam dataset publik, para aktivis ini dapat menciptakan "lubang" dalam pengetahuan AI, yang pada akhirnya membuat model tersebut memberikan jawaban yang tidak konsisten atau salah.

'Managed' vs 'Dumb': Perspektif Manajemen Model

Tidak semua pakar setuju bahwa AI mengalami penurunan kecerdasan yang permanen. Beberapa pendapat menyebutkan bahwa AI tidak menjadi lebih bodoh, melainkan sedang "dikelola" (managed) [3]. Perbedaannya terletak pada sifat penurunan tersebut. Jika sesuatu menjadi bodoh secara permanen karena kerusakan arsitektur, itu adalah masalah teknis yang serius. Namun, jika penurunan tersebut adalah hasil dari manajemen—seperti penerapan filter keamanan yang lebih ketat atau pembatasan output untuk menghindari kontroversi—maka hal tersebut adalah keputusan desain.

Seringkali, model AI terasa lebih kaku karena pengembang menerapkan Reinforcement Learning from Human Feedback (RLHF) yang terlalu agresif. Hal ini membuat AI terlalu berhati-hati, terlalu sering meminta maaf, atau memberikan jawaban yang terlalu normatif sehingga kehilangan "percikan" kreativitas dan diferensiasi yang membuat model tersebut terasa cerdas di awal peluncurannya [8]. Pengembang cenderung mengejar volume dan keamanan daripada kedalaman intelektual, yang mengakibatkan AI terdengar lebih seperti mesin birokrasi daripada asisten cerdas.

Dampak Kognitif Terhadap Pengguna Manusia

Kekhawatiran terbesar sebenarnya bukan hanya pada kualitas AI, tetapi pada bagaimana interaksi dengan AI yang "menurun" atau terlalu dominan memengaruhi otak manusia. Laporan dari BBC menyebutkan bahwa seiring dengan diambil alihnya lebih banyak tugas kognitif oleh model bahasa besar, kemampuan manusia justru berisiko memburuk [1].

Efek Google dan Penurunan Memori

Fenomena ini mirip dengan "efek Google", di mana manusia cenderung tidak mengingat informasi secara detail karena tahu bahwa informasi tersebut mudah ditemukan kembali melalui mesin pencari. Dengan AI, risiko ini meningkat. Saat AI mampu menulis teks secara meyakinkan, pengguna mungkin berhenti melatih kemampuan menulis dan berpikir kritis mereka, yang pada akhirnya dapat berkontribusi pada penurunan fungsi kognitif.

Deskilling dan Akurasi Metakognitif

Riset dari Anthropic mengingatkan adanya risiko deskilling, yaitu hilangnya keterampilan dasar manusia karena terlalu bergantung pada otomatisasi [5]. Selain itu, terdapat masalah penurunan akurasi metakognitif [2]. Metakognisi adalah kemampuan manusia untuk memonitor dan mengevaluasi proses berpikir mereka sendiri. Ketika menggunakan AI, batas antara kemampuan berpikir pribadi dan hasil keluaran AI menjadi kabur. Pengguna sering kali melebih-lebihkan kualitas kerja mereka karena merasa hasil tersebut adalah refleksi dari kemampuan mereka, padahal itu adalah hasil kerja AI. Hal ini menciptakan ilusi kompetensi yang berbahaya.

Bahkan, Oxford menetapkan "brain rot" sebagai Word of the Year 2024 untuk menggambarkan penurunan kualitas berpikir akibat konsumsi konten digital berkualitas rendah [4]. Meskipun AI bukan penyebab tunggal, ketergantungan yang berlebihan pada AI untuk tugas-tugas berpikir mandiri dapat mempercepat proses ini. Mahasiswa Generasi Z, misalnya, dilaporkan mulai merasa cemas bahwa penggunaan LLM secara intensif akan mengikis kemampuan mereka dalam melakukan analisis mendalam [7].

Kesimpulan: Menemukan Keseimbangan

Apakah AI menjadi lebih bodoh? Jawabannya bergantung pada definisi "bodoh" yang digunakan. Jika dilihat dari efisiensi komputasi dan skor penalaran spesifik, AI justru berkembang. Namun, jika dilihat dari wawasan umum, kreativitas, dan konsistensi, ada indikasi penurunan akibat kualitas data dan strategi manajemen model.

Yang lebih krusial adalah bagaimana kita sebagai pengguna memposisikan teknologi ini. AI seharusnya menjadi pendamping (copilot), bukan pengganti kemampuan berpikir manusia. Untuk menghindari penurunan kognitif, sangat penting bagi kita untuk tetap melatih kemampuan berpikir kritis, melakukan verifikasi mandiri, dan tidak menyerahkan seluruh proses intelektual kepada mesin. Pada akhirnya, kecerdasan AI hanyalah cermin dari data yang kita berikan; jika kita memberi makan AI dengan data berkualitas rendah dan kita sendiri berhenti berpikir, maka kita sedang menuju masa depan di mana baik manusia maupun mesin menjadi kurang cerdas.