Obsesi terhadap AI Mungkin Menghambat Bidang-Bidang Riset yang Dibutuhkannya untuk Bertahan

Selama sepuluh tahun, saya hanya menulis tentang kecerdasan buatan. Pada 2022, hanya segelintir jurnalis lain di dunia yang secara khusus meliput AI; kini jumlah kami mencapai ribuan, bahkan lebih, sementara media-media yang lebih mapan mempekerjakan lebih dari satu staf khusus untuk meliput kecerdasan buatan.

Sebagai spesies, kini kita memusatkan perhatian, upaya, ketakutan, dan harapan pada fenomena budaya dan teknologi yang hanya muncul sekali dalam satu abad. Sebelum hadirnya Large Language Model yang berguna serta teknologi pembuatan gambar dan video berbasis difusi yang efektif, fenomena ini terpuruk di ranah “keingintahuan”, dengan deepfake menjadi bahan perdebatan politik, tetapi tampaknya belum mengancam perekonomian dunia.

Badai AI yang “Biasa”

Jelas, semua itu kini sudah berlalu. Segalanya terancam, segalanya terguncang, dan, bisa dibilang, 2026 adalah tahun ketika prediksi tentang tahun berikutnya paling sulit didasarkan pada pijakan yang kuat*.

Setiap pekan, terkadang beberapa kali dalam sepekan, dirilis model-model baru dengan kode tertutup maupun bobot terbuka. Frekuensinya kini begitu tinggi sehingga sebagian model bahkan tidak ditinjau oleh komunitas penggemar atau penghobi, yang semakin skeptis dalam hal ini,  serta semakin sulit memberikan perhatian di tengah arus perilisan yang terus meningkat.

Sebagai orang yang mengamati dunia riset dan peluncuran secara saksama dan profesional, saya harus mengatakan bahwa kemajuan di berbagai sektor riset dan pengembangan AI, meski berdampak besar pada rentang waktu tertentu, cenderung—dan sejak dulu memang cenderung—muncul secara bertahap dalam skala kecil, alih-alih menjadi tonggak revolusioner atau evolusioner seperti Transformers. Belakangan ini, guncangan lebih banyak berkaitan dengan dampak AI terhadap perekonomian daripada kemampuan terbarunya.

Selain itu, seperti yang pernah saya amati, kualitas gagasan dalam ledakan besar riset AI sejak 2022 tidak selalu sebanding dengan jumlahnya. Banyak di antaranya merupakan upaya ulang bergaya “Frankenstein”, penggabungan kembali, atau perakitan ulang karya yang sudah ada maupun yang lebih baru—arsitektur tambal sulam yang dirancang untuk menghasilkan peningkatan signifikan yang tampak dibandingkan karya sebelumnya, tetapi setelah diteliti ternyata terkendala metodologi yang rapuh atau kebutuhan VRAM yang sangat tinggi dan tak masuk akal.

Kota Hantu di Berbagai Bidang

Ketika ribuan jurnalis itu beralih meliput AI, bidang-bidang yang sebelumnya mereka liput tentu saja mendapat lebih sedikit perhatian langsung. Dalam satu hal, dampaknya nyaris tidak terasa, karena topik dan penerapan AI menjadi begitu merata dalam budaya dan infrastruktur sehingga, misalnya, koresponden energi kini akan lebih banyak meliput isu terkait AI daripada isu lainnya. Hal yang sama berlaku bagi mereka yang meliput ekonomi, ketenagakerjaan, politik, dan kebijakan, serta bidang-bidang lainnya.

Tampaknya semua topik ini kini dapat ditelaah melalui sudut pandang AI. Hal ini mungkin menjelaskan sebagian dari lonjakan besar liputan khusus AI, di tengah bidang yang terus menyusut (meski belakangan sedikit bangkit kembali).

Akibatnya, kita patut bertanya-tanya apakah topik-topik lain kini kurang mendapat liputan karena “obsesi terhadap AI”—padahal topik-topik itu memiliki kisah, tren, dan cabang pembahasan yang pada akhirnya mungkin berdampak pada “topik emas” AI itu sendiri.

Namun, apa yang bisa kita lakukan? Sumber daya terbatas, dan sejauh ini AI adalah kisah abad ini.

Migrasi Besar-besaran ke AI

Menurut sebuah makalah baru yang membuat saya sangat bersemangat membahas persoalan ini, hal serupa mungkin sedang terjadi pada AI itu sendiri. Selain risiko bahwa pengurangan sumber daya dan pengalihan kembali sumber daya akan menurunkan kualitas model di masa mendatang, ekosistem ilmiah yang lebih luas—tempat gagasan muncul dan saling memengaruhi lintas disiplin—kini begitu terpusat pada riset AI sehingga momen-momen “serendipitas”, ketika hubungan tak terduga antara gagasan yang tampaknya tidak berkaitan dapat mengubah seluruh bidang, mungkin akan semakin jarang terjadi.

Singkatnya, karya baru berjudul Terobosan kecerdasan buatan yang lebih kuat mempercepat kehabisannya sendiri ini menyatakan bahwa obsesi terhadap AI mengikis kondisi-kondisi yang memungkinkan munculnya perkembangan baru, termasuk perkembangan yang berdampak langsung pada AI; dan bahwa—untuk memparafrasakan para penulis secara kasar—pusat perhatian baru ini menunjukkan “tren yang incestual” yang tampaknya tidak akan berujung baik.

Makalah tersebut menyatakan^†:

“Paradigma yang dominan tidak hanya menyingkirkan para pesaingnya, tetapi juga keberagaman yang menjadi sumber perakitan ulang bagi penerusnya sendiri.

“Penyempitan perhatian setelah 2017, peralihan lebih dari separuh penulis yang berpindah bidang ke AI, menurunnya daya hidup gagasan baru, serta semakin tajamnya penurunan jumlah populasi gagasan aktif di setiap siklus berturut-turut, secara keseluruhan menggambarkan sistem yang kapasitas kreatifnya terkikis oleh keberhasilan paradigma-paradigma dominan yang dihasilkannya.”

Penelitian sebelumnya mencatat bahwa AI mungkin mengubah riset menjadi monokultur, tetapi penulis penelitian baru ini juga meyakini bahwa dominasi AI yang kian besar mungkin menghambat munculnya gagasan segar yang dibutuhkan untuk terus berkembang. Mereka membandingkan riset AI dengan ilmu biologi, tempat terobosan seperti cryo-EM dan AlphaFold memicu siklus inovasi—dan kemunduran—serupa.

Untuk mengumpulkan bukti empiris bagi teori mereka, para penulis menganalisis 7,18 juta makalah ilmu komputer di OpenAlex yang diterbitkan antara 1990 dan 2025. Mereka melacak perubahan topik penelitian dan sitasi, perpindahan 3,7 juta peneliti antarbidang, serta 73.089 tinjauan sejawat untuk melihat dampak dominasi AI yang kian besar terhadap keberagaman ilmiah.

Salah satu temuan paling menarik dari data berkaitan dengan perpindahan peneliti baru-baru ini ke bidang AI dan meninggalkan bidang yang sebelumnya mereka tekuni:

“Para peneliti yang berpindah adalah akademisi di pertengahan karier dengan reputasi yang cukup kuat. Mereka meninggalkan bidang yang telah mengukuhkan posisi mereka demi mengikuti daya tarik gravitasi bidang tersebut, sekalipun harus menanggung penalti akibat beralih bidang.”

Studi tersebut menemukan bahwa lebih dari separuh dari 918.862 perpindahan yang tercatat antarbidang ilmu komputer adalah menuju AI, sementara bidang lain, terutama riset sistem dan teoretis, terus kehilangan peneliti.

Berdasarkan makalah baru, perubahan porsi makalah ilmu komputer yang membahas AI, sistem, dan teori dari 1990 hingga 2025. Setiap kotak mewakili satu tahun; warna biru menunjukkan porsi yang lebih besar dan merah menunjukkan porsi yang lebih kecil. Porsi AI meningkat tajam setelah 2017, sementara bidang lain menurun. Sumber

Peneliti yang paling mungkin berpindah bidang adalah akademisi berpengalaman dengan karier yang sudah mapan. Sementara itu, porsi AI dari seluruh makalah ilmu komputer meningkat dari 40% pada 2017 menjadi lebih dari 55% pada 2025.

Dari blog Arxiv, peningkatan jumlah pengajuan di bidang ilmu komputer selama periode 2 tahun 2024-26. Sumber

Tiga Indikasi

Makalah tersebut mengidentifikasi tiga “pola yang saling menguatkan” yang menurut para penulis telah menjadi ciri ilmu komputer sejak 2017.

Pola pertama adalah penyempitan tajam perhatian penelitian setelah 2017, saat arsitektur Transformer diperkenalkan. Dengan mengekstrak sepuluh kata kunci paling menonjol dari masing-masing 7,18 juta makalah ilmu komputer, para penulis melacak sejauh mana penelitian terpusat pada topik yang sama:

Grafik yang menunjukkan makin terpusatnya riset ilmu komputer sejak 2017. Kiri: peneliti berfokus pada rentang topik yang lebih sempit. Kanan: porsi sitasi yang mengarah ke pilihan makalah yang lebih sedikit semakin besar. Kedua tren ini meningkat pesat sekitar kemunculan Transformer.

Selama beberapa dekade, tingkat pemusatan ini relatif stabil, bahkan ketika internet, ponsel pintar, dan pembelajaran mendalam berkembang. Namun, antara 2017 dan 2025, koefisien Gini^†† untuk perhatian penelitian (lihat gambar di atas) naik dari 0,26 menjadi 0,33, atau meningkat 27%. Sitasi juga semakin terpusat, dengan koefisien Gini-nya naik dari 0,60 hingga mencapai puncak 0,69.

Para peneliti yang berasal dari Tsinghua University, the University of Chicago, dan the Santa Fe Institute menyatakan:

“Transformer mengubah bidang ini dalam skala yang tidak pernah dicapai pendahulunya. Pola tersebut bukan artefak: pola itu tetap terlihat di tengah variasi [keyword count].”

Mereka melanjutkan:

“Porsi AI dalam publikasi ilmu komputer meningkat dari 40% menjadi lebih dari 55% antara 2017 dan 2025, sementara riset sistem surut setelah mengalami masa keemasan yang panjang dan teori menyusut lebih jauh lagi.”

Karena itu, temuan tersebut menunjukkan bahwa meskipun ilmu komputer berkembang, para peneliti semakin menekuni gagasan yang sama dan mengutip pilihan karya yang semakin sempit.

“Pola” kedua berkaitan dengan bertambahnya jumlah peneliti yang meninggalkan spesialisasi mereka untuk bekerja di bidang AI. Dengan melacak 3,7 juta peneliti, para penulis mengidentifikasi hampir 919.000 perpindahan antarbidang ilmu komputer. Dari jumlah tersebut, 53,81% adalah perpindahan ke AI—bidang penelitian yang setiap tahun memperoleh peneliti, sementara sistem dan teori terus kehilangan mereka:

Migrasi peneliti ke bidang AI. Grafik di sebelah kiri menunjukkan bahwa AI menarik semakin banyak peneliti dari bidang ilmu komputer lainnya, sementara bidang sistem dan teori kehilangan peminat. Dua grafik di sebelah kanan menunjukkan siapa yang paling mungkin beralih: peneliti yang telah menjalani sekitar 32 tahun karier publikasi, dengan rekam jejak publikasi yang lebih kuat daripada sekitar 82% rekan sejawat mereka. Perubahan bidang dihitung ketika seorang peneliti mulai menerbitkan sebagian besar makalahnya di bidang yang berbeda.

Mereka yang beralih cenderung merupakan akademisi mapan di pertengahan karier, bukan pendatang baru atau akademisi senior. Kemungkinan beralih ke AI mencapai puncaknya pada usia akademik 31,8 tahun dan di antara peneliti yang berada pada persentil ke-82 dalam hal rekam jejak publikasi.

Tren ketiga dari tiga tren yang dicatat dalam makalah tersebut adalah penelaahan sejawat yang kian terbebani—proses ketika peneliti lain menilai kualitas dan keandalan makalah ilmiah sebelum diterbitkan.

Dengan menelaah 73.089 ulasan atas 26.731 makalah yang dikirimkan ke 45 konferensi dan forum lainnya antara 2017 dan 2025, para penulis menemukan bahwa keyakinan penelaah terhadap kemampuan mereka menilai makalah tersebut turun dari 3,9 menjadi 2,9 pada skala lima poin:

Grafik perubahan dalam penelaahan sejawat ilmiah antara 2017 dan 2025. Grafik di sebelah kiri menunjukkan bahwa penelaah semakin kurang yakin akan kemampuan mereka menilai makalah yang diajukan, dengan skor turun dari 3,9 menjadi 2,9 dari lima. Grafik di sebelah kanan melacak komentar ulasan bernada bermusuhan, yang sempat menurun pada 2021 ketika konferensi NeurIPS beralih ke platform OpenReview yang lebih transparan, sebelum kembali meningkat. Kedua garis menunjukkan rata-rata bergerak tiga tahun.

Para penulis menduga bahwa penurunan ini mungkin mencerminkan pesatnya perkembangan AI, yang semakin menyulitkan pencocokan makalah dengan penelaah yang memiliki kualifikasi sesuai:

“Kelompok penelaah telah dibanjiri pendatang baru yang tertarik pada AI. Penelaah semakin sering menerima makalah yang sarat dengan metode AI di luar keahlian utama mereka. Secara struktural, pencocokan naskah dengan penelaah yang benar-benar ahli semakin sulit.

“Dalam situasi seperti ini, penerimaan makalah semakin menyerupai lemparan koin.”

Setelah Demam Emas (yang Berulang)

Makalah tersebut juga menyatakan bahwa terobosan terbesar AI pada akhirnya mungkin mempercepat kehabisan potensinya sendiri. Setiap kemajuan besar diikuti lonjakan gagasan baru, tetapi gelombang awal inovasi ini kemudian mereda menjadi pengulangan yang mandek, seiring penelitian semakin terkonsentrasi pada terobosan itu sendiri^†:

“Siklus berturut-turut dalam AI modern mencapai kejenuhan lebih cepat dan kehabisan daya dengan lebih tajam. Siklusnya semakin memendek.

“Selama 36 tahun perkembangan ilmu komputer, yang mencakup tiga kemajuan teknologi utama—AlexNet, Transformer, dan LLM—kami berulang kali mengamati pola spiral yang sama[pattern].

“Yang patut dicatat, pola ini tidak terbatas pada ilmu komputer. Dalam biologi, kami mengamati siklus kehabisan daya yang sama setelah kemajuan besar nonkomputasional (misalnya, cryo-EM) maupun komputasional (misalnya, AlphaFold).” 

“Kejenuhan” ini memang terjadi pada autoencoder, Jaringan Adversarial Generatif (GAN), dan pendekatan autoencoder seperti deepfake. Semua ini dieksploitasi tanpa ampun oleh para peneliti selama bertahun-tahun, bahkan setelah potensinya jelas-jelas terkuras, hingga kerangka kerja dan pendekatan baru akhirnya hadir untuk mengurangi tekanan terhadapnya.

Bagaimanapun, untuk melacak siklus ini, para penulis menelusuri abstrak ilmiah guna mencari kata benda dan frasa khas, lalu mengamati kemunculan, hilangnya, dan sesekali kembalinya istilah-istilah tersebut sebagai penanda perubahan gagasan penelitian.

AlexNet pada 2012 dan Transformer pada 2017 masing-masing memicu gelombang gagasan baru yang akhirnya mereda. AI semakin unggul setelah setiap terobosan, sementara bidang ilmu komputer lainnya tertinggal dan pada akhirnya menghasilkan gagasan baru dengan laju yang lebih rendah daripada sebelum 2012:

Perbandingan proporsi gagasan penelitian baru di bidang AI (biru), ilmu komputer non-AI (merah), dan gabungan keduanya (ungu putus-putus). Gagasan baru melonjak setelah kemunculan AlexNet pada 2012 dan Transformer pada 2017, sebelum kemudian menurun. Keunggulan AI semakin lebar setelah terobosan kedua. Garis menunjukkan rata-rata bergerak tiga tahun.

Pola ini juga terlihat pada gagasan yang tak lagi digunakan: terobosan baru menyisihkan pendekatan lama, terkadang bertahun-tahun setelah pendekatan tersebut muncul. Namun, terobosan itu sendiri terjebak dalam siklus yang sama: masing-masing menarik lonjakan perhatian penelitian yang pada akhirnya mereda, sehingga bidang ini menunggu penemuan lain untuk membangkitkan kembali momentumnya (seperti yang terjadi pada Gaussian Splatting, setelah jeda 31 tahun):

Perbandingan jumlah sitasi pada makalah asli tentang AlexNet (merah) dan Transformer (biru) dari 2012 hingga 2025. Keduanya menarik porsi sitasi yang semakin besar sebelum menurun tajam, menunjukkan bahwa perhatian terhadap terobosan besar pada akhirnya memudar. Garis menunjukkan rata-rata bergerak tiga tahun.

Para penulis berpendapat bahwa keberhasilan AI memusatkan para peneliti dan gagasan pada segelintir pendekatan dominan, sementara bidang-bidang di sekitarnya yang mungkin membantu melahirkan penerusnya terus tertinggal. Mereka memang tidak secara tegas memprediksi bahwa hal ini akan menghalangi terobosan di masa depan, tetapi mereka mengemukakan kemungkinan bahwa AI perlahan-lahan mengikis keberagaman yang mungkin dibutuhkan untuk lompatan berikutnya.

Jumlah gagasan yang masih aktif digunakan juga dilacak. Dalam gelombang-gelombang perkembangan AI berturut-turut, jumlah ini semakin jauh berada di bawah perkiraan, dengan selisih yang lebih besar setelah kemunculan Transformer dibandingkan setelah AlexNet:

Grafik yang menunjukkan jumlah gagasan penelitian aktif dalam serangkaian terobosan AI. Garis utuh menunjukkan pertumbuhan yang dimodelkan, sedangkan bagian putus-putus menunjukkan jumlah aktual yang turun di bawah tingkat proyeksi. Kekurangannya lebih besar setelah Transformer daripada setelah AlexNet, dan penurunan awal juga terlihat pada era LLM.

Singkatnya, para penulis menyimpulkan bahwa pemusatan upaya dan sumber daya manusia pada cakupan tantangan terkait AI yang semakin sempit mengancam memiskinkan bidang-bidang terkait yang dahulu secara alami akan menyumbangkan gagasan bagi sektor AI—dan berbagai sektor lainnya.

Merujuk pada komentar John Hassler mengenai penganugerahan Hadiah Nobel Ilmu Ekonomi 2025, mereka menyimpulkan:

‘Komite Nobel memperingatkan bahwa mekanisme penghancuran kreatif harus dipertahankan jika stagnasi ingin dihindari. Hasil penelitian kami mengidentifikasi salah satu mekanisme tersebut, yaitu keberagaman intelektual, dan menunjukkan bahwa lembaga-lembaga saat ini tengah mengikisnya.

‘Lembaga-lembaga yang mengalokasikan perhatian, termasuk sistem penelaahan, biaya pengajuan dan aturan, struktur penghargaan, perekrutan, promosi, serta kebiasaan pensiun 12, semuanya membentuk peluang bagi paradigma berikutnya untuk muncul.

‘Merancangnya dengan baik berarti menahan dorongan untuk semakin mengandalkan paradigma apa pun yang sedang unggul, membebani konsentrasi alih-alih eksplorasi, serta mengalihkan kewenangan evaluasi dari mereka yang produktif ke mereka yang menghasilkan hal baru.

‘Penghancuran kreatif menopang pertumbuhan hanya selama masih menyisakan sesuatu untuk digabungkan kembali. Sebuah singularitas tidak memiliki penerus.’

* Seharusnya ada istilah untuk ini: ‘tahan-prakiraan’? Namun, itu bukan kata tunggal, melainkan istilah, dan juga terdengar seolah merujuk pada 2026, bukan pandangan tentang 2027 dari tahun 2026. ‘Tak-bisa-dimasa-depankan’? Istilah itu diberi garis merah oleh pemeriksa ejaan, jadi kita pakai saja istilah itu.

^† Konversi saya atas sitasi dalam teks dari para penulis menjadi hyperlink.

^†† Koefisien Gini menunjukkan tingkat ketimpangan distribusi sesuatu, pada skala 0 (kesetaraan sempurna) hingga 1 (konsentrasi maksimum). Dalam konteks ini, skor yang lebih tinggi berarti para peneliti berfokus pada lebih sedikit topik.

Pertama kali diterbitkan pada Rabu, 21 Oktober 2026