AI dalam Penelitian Ilmiah: Peningkatan Produktivitas melawan Risiko Kualitas

AI Sebagai Asisten Penelitian

AI merupakan revolusi sejati bagi banyak bidang ilmiah, memungkinkan pemrosesan data dan pemodelan material serta situasi dunia nyata dengan cara yang bahkan superkomputer paling kuat sekalipun tidak dapat capai beberapa tahun yang lalu.

• Menemukan material baru untuk reaktor fusi nuklir.
• Mengembalikan kejernihan gambar teleskop luar angkasa.
• Mengoptimalkan proses pencetakan 3D logam.
• Menemukan material baru untuk sel surya, elektrokatalis hidrogen, material superkeras, polimer, dan elektrolit padat.

Namun, ketika kita membicarakan AI, publik umum biasanya memikirkan LLM (Model Bahasa Besar) yang bersifat umum. Saat ini, LLM terutama digunakan untuk menulis dan memperbaiki teks, serta melakukan kueri lanjutan yang dapat dibaca dibandingkan mesin pencari tradisional.

Secara teori, hal ini seharusnya tidak hanya berlaku untuk esai mahasiswa, puisi buruk, dan presentasi PowerPoint, tetapi juga untuk penelitian ilmiah dan makalah yang dipublikasikan.

Namun, hal ini dapat menjadi pedang bermata dua, seperti yang dijelaskan dalam analisis terbaru yang dipublikasikan di jurnal ilmiah bergengsi Science¹, berjudul “Produksi ilmiah di era model bahasa besar”.

Dalam analisis ini, peneliti dari University of California dan Cornell University mengamati hasil karya ilmuwan yang menggunakan LLM dibandingkan dengan pekerjaan mereka sebelumnya. Mereka menemukan bahwa meskipun penggunaan LLM dapat meningkatkan kualitas makalah ilmiah, hal itu juga menghasilkan volume penelitian berkualitas rendah yang lebih tinggi, memperparah masalah yang sudah ada di dunia akademik.

Mendeteksi Penggunaan AI dalam Makalah Penelitian Ilmiah

Tantangan pertama adalah menentukan seberapa umum penggunaan LLM dalam penulisan ilmiah dan siapa yang menggunakannya.

Tidak mengherankan, ini bukan data yang secara spontan diakui oleh peneliti, karena alat-alat tersebut masih baru dan dapat rawan kesalahan, terutama terkait data teknis atau topik niche.

Para peneliti mengumpulkan lebih dari 2 juta makalah dari basis data ilmiah besar seperti arXiv, bioRxiv, dan Social Science Research Network (SSRN), dengan rentang tanggal Januari 2018 hingga Juni 2024.

Kemudian mereka membandingkan makalah yang diposting sebelum 2023—diasumsikan ditulis oleh manusia—dengan teks yang dihasilkan AI.

Dengan data ini, mereka mengembangkan model untuk mendeteksi penggunaan AI. Dengan alat ini, mereka menentukan dengan akurasi yang wajar ilmuwan mana yang menggunakan LLM dan kapan mereka memulainya. Selanjutnya mereka melacak volume publikasi ilmuwan tersebut sebelum dan sesudah mengadopsi alat, serta apakah makalah tersebut kemudian diterima oleh jurnal ilmiah.

Dampak AI pada Penelitian Ilmiah

Geser untuk menggulir →

Produktivitas Lebih Tinggi

Kesimpulan pertama adalah bahwa penggunaan LLM meningkatkan produktivitas ilmuwan, setidaknya bila diukur dari jumlah publikasi.

Di arXiv, ilmuwan yang ditandai menggunakan LLM memposting kira-kira sepertiga lebih banyak makalah dibandingkan mereka yang tidak tampak menggunakan AI. Di bioRxiv dan SSRN, peningkatannya melebihi 50%.

Mengingat budaya “publish or perish” menentukan jalur karier kebanyakan ilmuwan, peningkatan volume ini memiliki dampak serius pada trajektori karier.

Wawasan lain adalah bahwa dorongan tersebut lebih kuat bagi ilmuwan yang diasumsikan bukan penutur asli bahasa Inggris.

Sebagai contoh, peneliti yang berafiliasi dengan institusi Asia memposting antara 43,0% hingga 89,3% lebih banyak makalah setelah detektor menyarankan mereka mulai menggunakan LLM.

Ini masuk akal; banyak ilmuwan sangat cerdas secara teknis dan mampu membaca bahasa Inggris (yang menjadi persyaratan di akademia modern) namun mungkin kesulitan menyusun kalimat yang jelas dan elegan dalam bahasa kedua.

Penggunaan LLM secara luas dapat meratakan lapangan bermain bagi penutur non‑native, membantu penelitian berkualitas tinggi mendapatkan pengakuan internasional terlepas dari kefasihan bahasa penulis.

Penemuan Pengetahuan Ilmiah yang Lebih Baik

LLM juga dapat digunakan untuk menemukan makalah yang relevan dengan topik tertentu, dengan memanfaatkan AI khusus seperti Elicit, ResearchRabbit, atau Scite.

Sebagian signifikan dari penelitian ilmiah melibatkan menemukan dan membaca makalah lain untuk menyimpulkan informasi atau mengidentifikasi protokol eksperimental yang dapat digunakan kembali dalam konteks baru.

AI umumnya lebih menyukai makalah yang lebih baru dan memberi bobot lebih sedikit pada jumlah sitasi dibandingkan mesin pencari tradisional. Dengan demikian, mereka menyediakan alternatif bagi ilmuwan yang mencari ide baru atau eksperimen yang kurang dibahas.

“Orang yang menggunakan LLM terhubung ke pengetahuan yang lebih beragam, yang mungkin mendorong ide-ide lebih kreatif.”

Keigo Kusumegi, mahasiswa doktoral di Cornell University

Hipotesis ini dapat diuji di masa depan dengan memeriksa apakah makalah yang ditulis dengan bantuan AI memiliki bibliografi yang lebih beragam atau lebih inovatif dan interdisipliner.

AI Sebagai Isu Baru dalam Ilmu Pengetahuan & Akademia

Dalam beberapa tahun terakhir, penelitian ilmiah—terutama dalam ilmu sosial—mengalami krisis replikabilitas.

Karena hasil banyak makalah tidak dapat direproduksi oleh peneliti lain, studi yang tampak serius dapat saja cacat atau bahkan curang. Hal ini telah digambarkan sebagai “krisis eksistensial bagi ilmu pengetahuan.”

Secara historis, penulisan yang kompleks—termasuk kalimat yang lebih panjang dan kosakata yang canggih—telah menjadi heuristik untuk penelitian berkualitas tinggi. Meskipun tidak sempurna, hal ini membantu membedakan penelitian yang ditulis dengan ahli dari analisis yang buruk.

Sebaliknya, makalah yang ditulis dengan bantuan AI saat ini kurang kemungkinan diterima oleh jurnal.

Secara keseluruhan, hal ini mengancam untuk lebih memisahkan metrik “makalah yang dipublikasikan” dari bakat sebenarnya seorang peneliti. Editor dan reviewer mungkin kesulitan mengidentifikasi kiriman paling berharga, terutama karena AI menjadi semakin efisien dan mirip manusia.

Terakhir, volume besar “slop”—makalah penelitian palsu namun tampak masuk akal—dapat dihasilkan melalui AI. Risiko ini tidak terbatas pada media sosial; ini merupakan masalah signifikan bagi penelitian ilmiah, di mana waktu reviewer sudah menjadi komoditas langka sebelum munculnya LLM.

Apa Artinya AI bagi Masa Depan Penelitian Ilmiah

Karena AI adalah alat, peneliti harus belajar menggunakannya secara efektif. Sangat sulit untuk melarang LLM dari laboratorium penelitian, dan deteksi akan menjadi semakin sulit.

Adaptasi dan penggunaan AI yang produktif dalam penulisan ilmiah akan menjadi topik penentu ke depan.

“Saat ini, pertanyaannya bukan, ‘Apakah Anda menggunakan AI?’ Pertanyaannya adalah, ‘Bagaimana tepatnya Anda menggunakan AI, dan apakah itu membantu?'”

Praktik perekrutan dalam ilmu pengetahuan dapat memperoleh manfaat dari kembali ke metrik kualitatif, seperti wawancara mendalam dan tes teknis, alih-alih hanya mengandalkan volume publikasi.

Demikian pula, reviewer dan jurnal ilmiah harus beradaptasi. Mungkin, sistem yang memverifikasi apakah sebuah kiriman berasal dari laboratorium penelitian yang sah sebelum analisis akan diperlukan untuk memblokir produksi massal makalah palsu.

Akhirnya, pemahaman mendalam tentang elemen teknis sebuah makalah, bukan keanggunan bahasa, akan menjadi elemen utama dalam menilai kualitas.

Berinvestasi dalam Inovasi AI

Nvidia

Nvidia telah berkembang dari perusahaan kartu grafis yang menyasar gamer menjadi perusahaan terbesar di dunia, berkat perannya yang sentral dalam menyediakan perangkat keras AI untuk seluruh industri teknologi.

Sebagai pelopor perangkat keras khusus AI, Nvidia menjadi yang pertama membantu peneliti memanfaatkan alat ini. “CUDA,” antarmuka pemrograman tujuan umum untuk GPU Nvidia, membuka pintu untuk penggunaan di luar gaming, membuka jalan bagi aplikasi AI masa kini.

“Para peneliti menyadari bahwa dengan membeli kartu gaming ini yang disebut GeForce, Anda menambahkannya ke komputer Anda, pada dasarnya Anda memiliki superkomputer pribadi.”

Molekular dinamika, pemrosesan seismik, rekonstruksi CT, pemrosesan gambar—sejumlah besar hal yang berbeda.

Jensen Huang, dalam wawancara dengan Sequoia

Kemungkinan besar perangkat keras Nvidia, baik secara langsung maupun terintegrasi ke dalam cloud Microsoft (MSFT ), Google, Meta, dan OpenAI, akan tetap menjadi pilihan utama bagi peneliti.

Capex AI diperkirakan mencapai hingga $200 miliar pada 2025, di atas pengeluaran kumulatif yang terus meningkat oleh perusahaan teknologi terbesar. Komponen elektronik lain, seperti RAM berperforma tinggi, kini mengalami kekurangan seiring produksi chip Nvidia meningkat.

Meskipun penelitian ilmiah mungkin tidak mewakili sebagian besar komputasi AI dibandingkan penggunaan konsumen atau B2B, ia dapat menjadi pendorong jangka panjang paling berdampak, menjanjikan paduan baru, obat-obatan, dan metodologi ilmiah.

(Anda dapat mbacalah lebih lanjut tentang sejarah Nvidia, bisnis saat ini, dan prospek masa depan dalam laporan investasi khusus kami tentang perusahaan.)

Studi Dirujuk

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, and Yian Yin. Produksi ilmiah di era model bahasa besar. Science. 18 Dec 2025. Vol 390, Issue 6779 pp. 1240-1243. DOI: 10.1126/science.adw3000}