Mengindustrialisasi Humanisasi

Posting pekerjaan lepas dan penawaran layanan di platform kerja santai seperti Upwork dan Fiverr kini banyak menampilkan kata ‘humanize’, dengan beragam pekerjaan dan penyedia yang mengusulkan berbagai tingkat penyamaran fakta bahwa sebuah artikel ditulis, atau ditulis sebagian, atau ditulis bersama, dengan AI.

Tren ‘Humanize’ pada postingan nyata di Upwork.

Permintaan akan layanan manusia dan otomatis yang dapat menulis ulang output AI yang ‘terkontaminasi’ sehingga tampak seperti seorang manusia duduk dan berkeringat selama beberapa jam, menunjukkan bahwa konsensus universal telah tercapai bahwa ‘sentuhan manusia’ diperlukan untuk koneksi dan jangkauan – dan bahwa volume konten yang melimpah di era AI akan membuat koneksi itu menjadi penting kembali.

Saya pribadi ingin berpikir begitu, tetapi tidak selalu demikian – terutama karena pedoman Google sendiri mengenai hal ini menangani kualitas teks, bukan cara pembuatannya.

Kenyataannya, saat ini kita belum tahu secara tepat seberapa banyak atau jenis AI yang bersedia kita toleransi, atau sejauh mana kita dapat merasionalisasi manfaat yang miliaran orang dapatkan dari AI setiap hari dibandingkan dengan perasaan ‘komplikasi’ dan godaan moral terkait implikasi luas teknologi tersebut.

Daftar pekerjaan yang disebutkan di atas juga mencerminkan hal ini; di sana, para pembuat dan perusahaan bersemangat mencari otomatisasi, mungkin karena mereka ingin menerbitkan secara massal, yang merupakan praktik tepat yang dijanjikan Google akan secara khusus menghukum dalam algoritma peringkatnya. Pada saat yang sama, mereka mencari metode otomatis dan berbasis manusia untuk ‘mengindustrialisasi’ humanisasi.

Hal ini mengingatkanku agak pada salah satu lelucon terbaik dalam rangkaian komedi neurodivergen Steven Wright tahun 1980-an:

‘Di rumah saya, saya memiliki perapian microwave. Saya bisa berbaring di depan api untuk malam hari hanya dalam 8 menit.’

Bentuk Slop yang Akan Datang

Seperti biasa, pemikiran ini terinspirasi oleh penelusuran harian saya melalui Arxiv, di mana hari ini saya khususnya menemukan sebuah paper oleh Jochen Madler di perusahaan otomasi pemasaran Sitefire, berjudul SlopShape: Identifying AI-Generated Commercial Web Content.

Saya biasanya mengabaikan paper dengan penulis tunggal, berdasarkan prinsip ‘Victor Frankenstein’, tetapi premis paper ini sederhana, dan metodologi pengujiannya kuat.

Studi ini pada dasarnya menyatakan bahwa ketika sebuah postingan yang dihasilkan AI ditulis ulang sepenuhnya, bahkan oleh manusia, ia tetap mempertahankan tanda arsitektural yang khas yang berada pada tingkat jauh di atas tingkat kata, yang mencakup ‘bentuk’ karakteristik yang tidak dapat dihilangkan dengan sekadar mengubah kata atau perbaikan permukaan teks:

Perbandingan pola struktural pada postingan yang ditulis manusia dan AI. Penulisan manusia cenderung menggunakan kombinasi struktur yang lebih jarang, sementara kelima model AI semuanya lebih menyukai kombinasi yang lebih konvensional. Sumber

Jelas, seseorang dapat mengatasi masalah ini (jika dianggap masalah) dengan benar-benar merencanakan alur penulisan sendiri, dan baik tidak menggunakan AI sama sekali, atau hanya menggunakannya pada komponen terpisah yang Anda rencanakan sendiri.

Namun, seperti yang dibuktikan oleh iklan-iklan agresif di Upwork, ini bukan yang diinginkan; dapat disimpulkan dari nada postingan tersebut bahwa konten artikel sebaiknya tidak hanya disusun oleh AI, tetapi dipikirkan oleh AI – artinya, sebuah LLM akan menyarankan topik yang sesuai dengan tujuan besar perusahaan atau entitas.

Setelah itu, sangat diharapkan bahwa AI akan menghasilkan berbagai draf progresif dari konten, dengan komponen ‘meatware’ yang mengganggu hanya muncul untuk penutup dan sentuhan manusia yang santai (meskipun idealnya, proses ini pada akhirnya akan berkembang menjadi alur kerja Python).

Fitur Menonjol

Penulis paper baru ini memperoleh wawasan tersebut dengan mengumpulkan beberapa ribu posting blog perusahaan yang diterbitkan tepat sebelum peluncuran dan penyebaran ChatGPT (2020-2022) serta menyimpulkan prompt dari mereka.

Dengan kata lain, ia menggunakan Gemini 3 Flash untuk membaca paper yang ditulis manusia secara nyata dan merancang ulang sebuah prompt yang dirancang untuk menghasilkan karya serupa pada beberapa LLM terkemuka, yaitu GPT5.4, Kimi 2.5, DeepSeek V3.2, Claude 4.6, dan Gemini 3.

Prompt ini kemudian digunakan untuk membuat lima versi AI dari setiap postingan manusia nyata, dari mana fitur diekstrak yang pada akhirnya akan menggambarkan ‘bentuk’ konten spesifik LLM di antara kelima model; dan Madler mencatat bahwa ‘posting AI berbagi bentuk yang rapi dan mengumumkan dirinya sendiri’.

Seluruh studi ini merupakan pengulangan StoryScope project dari COLM 2026 bulan Agustus, sebuah kolaborasi antara University of Maryland dan Google DeepMind, yang menerapkan metodologi yang pada dasarnya sama pada fiksi, menemukan bahwa cerita yang dihasilkan AI berkonsentrasi pada rentang struktur naratif yang lebih sempit dan lebih dapat diprediksi dibandingkan tulisan manusia:

Dari studi StoryScope, perbandingan scatter-plot pola naratif dalam fiksi yang ditulis manusia dan yang dihasilkan AI. Cerita yang ditulis manusia menempati wilayah yang jelas, sementara cerita dari lima model AI terkemuka berkumpul lebih rapat, menunjukkan kesamaan yang lebih besar dalam pilihan naratif mendasar mereka. Sumber

Madler memutuskan untuk mengulang StoryScope pada blog perusahaan karena dorongan finansial yang luas untuk mengotomatisasi ini, dibandingkan dengan bidang penulisan fiksi yang lebih eksentrik, serta tingkat otomatisasi yang sudah tinggi (50% otomatisasi konten daring pada Mei 2026, menurut a Graphite study yang dikutip dalam karya Madler).

Mungkin analisis yang paling menarik adalah memecah fitur-fitur yang diekstrak dari materi yang dihasilkan AI berdasarkan posting manusia pra-2022:

‘Nilai-nilai yang paling umum dihasilkan oleh model AI berkumpul menjadi apa yang kami sebut posting blog yang rapi dan mengumumkan dirinya sendiri: ia menjanjikan hasilnya sudah di judul, menyatakan tesisnya dan mengumumkan strukturnya sebelum bagian pertama, berbicara dengan nada editorial‑penjelas, dan menutup dengan tahap yang merangkum atau mengulang kembali tesis.

‘Dalam posting AI yang tipikal, hasil dijanjikan di judul: “Cara Memotong Waktu Onboarding menjadi Setengah.” Tesis dinyatakan dan alur diumumkan sebelum bagian pertama: “Dalam posting ini, kami akan membahas mengapa onboarding terhambat, tiga perbaikan yang berhasil, dan cara mengukur perbedaannya.”

‘Dan penutup mengulang kembali tesis: “Singkatnya, onboarding terstruktur menghemat waktu.” Nilai-nilai yang condong pada manusia menggambarkan posting tanpa penanda tersebut: tidak ada alur bagian yang diumumkan, tidak ada peningkatan kepentingan, dan tidak ada bagian penutup yang mengulang kembali tesis.’

Premis yang Salah

Secara kebetulan, sebagian besar trope dan klise yang ada dalam templat yang dijelaskan berasal dari SEO-obsessed strictures pada era pemasaran pra‑LLM. Dari mana kita pikir AI mempelajari kebiasaan ini?

Salinan pemasaran yang berformat templat selalu dibenci, jauh sebelum AI, dan selalu diproduksi secara massal, jauh sebelum mesin dapat melakukannya dengan baik; dan karena keharusan mematuhi praktik SEO, beberapa konvensi mengerikan terbentuk, seperti penempatan kata kunci, dan desain tautan yang dirancang.

Dalam kasus terakhir, AI mungkin telah belajar pelajaran yang salah, karena korpus teks‑saja yang dilatihnya menghilangkan begitu banyak taktik SEO yang awalnya termasuk dalam materi sumber, seperti diagram strategis, penjelas visual; dan terutama hyperlink.

Bagian-bagian seluruh artikel mungkin dirancang untuk menyorot sebuah hyperlink atau embed YouTube yang ingin dipromosikan klien; namun ketika data tersebut dilatih ke dalam LLM, embed atau tautan tersebut dihapus, dan teks yang dirancang untuk menekankannya kehilangan konteks aslinya.

Oleh karena itu, dapat dikatakan, kesalahan besar dalam merancang metodologi pelatihan berdasarkan materi semacam itu, adalah memperlakukan konten web seolah‑olah itu adalah literatur abad ke‑19 (sepenuhnya mandiri) alih‑alih multimedia (sangat dipengaruhi oleh faktor non‑teks seperti video, hyperlink, dan ilustrasi).

Kesalahan besar lainnya adalah melatih pada materi yang sudah dibenci orang, dan yang dipaksa menjadi bentuk tidak populer oleh aturan yang mungkin tidak lagi berlaku.

Perhatian, Manusia

Namun, jika Anda mempercayai tren Upwork, ada permintaan signifikan untuk lebih banyak hal yang sama, diproduksi secara massal oleh LLM, dan ‘di‑humanisasi’ melalui proses paling tidak idiosinkratik yang tersedia, dengan kecepatan tertinggi, dan biaya terendah yang tersedia.

Semua ini, untuk menghasilkan efek perhatian: gagasan bahwa seseorang seperti Anda (misalnya, yang memiliki sistem endokrin, setidaknya) duduk beberapa jam dan memikirkan apa yang ingin mereka sampaikan kepada Anda.

Persepsi menerima perhatian manusia berarti bagi kami bahkan ketika tidak membantu; oleh karena itu tentu layak diindustrialisasi.

Saya tidak bisa tidak merasa bahwa makalah Madler entah bagaimana kemungkinan akan memperburuk situasi, karena ia mengidentifikasi sifat dimensi‑tinggi yang kini, dapat diasumsikan, ditangani dengan lebih AI, sehingga tanda tangan default akan mengambil bentuk yang lebih manusiawi seiring evolusi model.

Pertama dipublikasikan Kamis, 17 September 2026