Bayangkan seorang reporter menyerahkan sebuah artikel kepada editor setelah dua hari bekerja. Ia telah mewawancarai beberapa narasumber, membuka dokumen, memeriksa tanggal, mencocokkan angka, meminta tanggapan pihak yang diberitakan, lalu menyusun semuanya menjadi sebuah laporan yang dapat dibaca. Editor kemudian menyalin teks tersebut ke sebuah detektor AI. Beberapa detik kemudian muncul sebuah angka: 72 persen. Tidak ada yang berubah pada dokumen sumber, rekaman wawancara, catatan reporter, atau fakta yang telah diverifikasi. Namun suasana di ruang redaksi dapat berubah hanya karena sebuah angka tampil di layar. Artikel yang sebelumnya merupakan hasil kerja jurnalistik tiba-tiba diperlakukan sebagai objek statistik. Pertanyaan yang semula seharusnya berbunyi apakah informasi ini benar, dari mana asalnya, dan apakah sudah diverifikasi bergeser menjadi pertanyaan yang jauh lebih sederhana: berapa persen AI-nya? Di sinilah persoalan dimulai. Bukan karena angka selalu salah, melainkan karena angka memiliki kemampuan yang sangat kuat untuk tampak lebih pasti daripada apa yang sebenarnya dapat dibuktikannya.
Detektor AI tidak membaca sejarah sebuah tulisan. Ia tidak melihat reporter ketika mewawancarai narasumber, tidak mengetahui apakah seorang jurnalis menghabiskan pagi hari di pengadilan, tidak dapat membuka buku catatan lapangan, tidak mendengar rekaman percakapan, dan tidak mengetahui apakah angka dalam sebuah berita berasal dari dokumen pemerintah, basis data, laporan perusahaan, atau sekadar tebakan. Yang tersedia bagi sistem terutama adalah teks yang hendak dianalisis. Dari teks tersebut, alat deteksi mencari pola statistik atau linguistik yang dianggap berkaitan dengan teks yang dibuat oleh model AI. Dengan kata lain, ia mencoba membuat inferensi tentang asal teks berdasarkan karakteristik teks itu sendiri. Ini berbeda dari pemeriksaan plagiarisme yang dapat mencocokkan sebuah bagian tulisan dengan sumber yang sudah tersedia, dan berbeda pula dari pemeriksaan fakta yang menelusuri klaim menuju bukti. Detektor menghasilkan perkiraan tentang pola kepengarangan; ia tidak menghadirkan bukti tentang proses yang menghasilkan tulisan tersebut.
Salah satu penelitian yang paling sering dirujuk dalam pembahasan mengenai persoalan ini adalah “Testing of detection tools for AI-generated text” oleh Debora Weber-Wulff yang diterbitkan dalam International Journal for Educational Integrity pada 2023. Penelitian tersebut menguji 14 alat deteksi, termasuk 12 alat publik dan dua sistem komersial, terhadap berbagai jenis teks, termasuk teks manusia, teks yang dibuat ChatGPT, teks hasil terjemahan mesin, dan teks yang telah mengalami pengubahan. Para peneliti menemukan keterbatasan akurasi dan reliabilitas yang signifikan, sementara pengubahan teks dapat semakin memperburuk kinerja sistem. Penelitian ini dilakukan dalam konteks pendidikan, bukan ruang redaksi, sehingga hasilnya tidak dapat dipindahkan begitu saja ke jurnalisme. Namun judul penelitian itu sendiri menunjukkan pertanyaan yang relevan bagi institusi media: bukan sekadar apakah sebuah alat dapat memberikan angka, melainkan apakah angka tersebut cukup dapat diandalkan untuk mendukung kesimpulan tentang asal sebuah teks.
Penelitian lain memberikan gambaran yang lebih bernuansa. Dalam “Can we trust academic AI detective? Accuracy and limitations of AI-output detectors”, yang diterbitkan dalam Acta Neurochirurgica pada 2025, Gökberk Erol membandingkan 250 artikel yang ditulis manusia dengan 750 teks yang dibuat menggunakan ChatGPT 3.5, GPT-4, dan GPT-4o. Mereka menguji GPTZero, ZeroGPT, dan Corrector. Hasilnya menunjukkan bahwa beberapa sistem mampu membedakan teks manusia dan AI dengan cukup baik dalam kondisi penelitian tersebut, dengan nilai AUC antara 0,75 dan 1,00. Namun tidak ada satu pun sistem yang mencapai reliabilitas 100 persen. Temuan tersebut penting justru karena tidak mendukung kesimpulan sederhana bahwa semua detektor gagal. Beberapa dapat bekerja cukup baik pada kondisi tertentu. Persoalannya adalah apakah keberhasilan dalam kondisi tersebut dapat diterjemahkan menjadi bukti bahwa seorang reporter tertentu menggunakan AI. Para penulis sendiri menempatkan detektor sebagai alat tambahan, bukan dasar tunggal untuk tindakan negatif.
Perbedaan antara klasifikasi dan bukti menjadi penting ketika sebuah angka dibaca tanpa metodologi di belakangnya. Jika sistem mengatakan sebuah teks memiliki kemungkinan 75 persen dibuat AI, angka tersebut tidak berarti 75 persen kalimatnya ditulis AI. Ia juga tidak berarti sistem mengetahui dengan kepastian 75 persen bahwa reporter menggunakan chatbot. Angka itu merupakan hasil dari metode tertentu, berdasarkan data dan asumsi tertentu, dengan kemungkinan kesalahan tertentu. Untuk memahami artinya, pembaca harus mengetahui jenis teks yang digunakan untuk menguji sistem, bagaimana ambang keputusan ditentukan, serta seberapa sering sistem salah mengklasifikasikan teks manusia dan teks AI. Tanpa konteks tersebut, angka dapat menciptakan kesan kepastian yang sebenarnya tidak dimilikinya.
Hal tersebut diperlihatkan lebih jauh dalam penelitian Brian Tufts, Xuandong Zhao, dan Lei Li berjudul “A Practical Examination of AI-Generated Text Detectors for Large Language Models”, yang diterbitkan dalam Findings of the Association for Computational Linguistics: NAACL 2025. Para peneliti menguji RADAR, Wild, T5Sentinel, Fast-DetectGPT, PHD, LogRank, dan Binoculars pada berbagai domain, dataset, dan model yang tidak digunakan dalam pengujian sebelumnya. Mereka juga menguji sejumlah strategi yang dapat digunakan untuk menghindari deteksi. Hasilnya menunjukkan bahwa kinerja detektor dapat turun tajam pada kondisi tertentu. Dalam ukuran true positive rate pada false positive rate satu persen, beberapa konfigurasi bahkan menghasilkan tingkat deteksi serendah nol persen. Temuan ini tidak berarti setiap detektor selalu buruk, tetapi memperlihatkan bahwa hasil sangat bergantung pada kondisi pengujian dan bahwa skor tidak boleh dilepaskan dari konteks metodologisnya.
Persoalan bahasa menambahkan lapisan lain. Dalam “GPT detectors are biased against non-native English writers”, yang diterbitkan dalam Patterns pada 2023 oleh Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu, dan James Zou menguji tujuh detektor terhadap 91 esai TOEFL yang ditulis penulis non-native dan 88 esai siswa kelas delapan di Amerika Serikat. Mereka menemukan tingkat false-positive rata-rata 61,3 persen pada sampel TOEFL, sementara sebagian besar tulisan dalam kelompok pembanding diklasifikasikan dengan jauh lebih baik. Penelitian tersebut berfokus pada konteks pendidikan dan tulisan berbahasa Inggris, sehingga angkanya tidak boleh diperlakukan sebagai ukuran universal. Namun temuan tersebut menunjukkan bahwa karakteristik bahasa penulis dapat memengaruhi hasil deteksi. Bagi media internasional yang bekerja dengan reporter multibahasa, penerjemahan, penyuntingan, dan teks lintas bahasa, persoalan tersebut tidak dapat diabaikan.
Penelitian yang lebih baru juga menunjukkan mengapa persoalan ini tidak cukup diselesaikan dengan mencari detektor yang “lebih akurat”. Dalam “Interpreting AI text detection outputs: Empirical evaluation and a threshold-based framework”, yang diterbitkan dalam Studies in Educational Evaluation pada 2026 oleh Samantha R. Rosenthal menguji lima alat deteksi terhadap 500 potongan teks akademik yang mencakup tulisan yang sepenuhnya dibuat manusia, teks yang sepenuhnya dibuat AI, teks AI yang telah dimodifikasi agar lebih menyerupai tulisan manusia, serta teks hibrida yang menggabungkan tulisan manusia dan AI. Sistem dapat mencapai kemampuan pemisahan yang sangat tinggi antara teks manusia dan teks AI sepenuhnya dalam kondisi tertentu, tetapi kinerjanya turun pada teks hibrida dan teks yang telah dimodifikasi. Para peneliti kemudian menekankan pentingnya interpretasi skor berdasarkan konteks dan ambang keputusan, termasuk konsekuensi dari false positive dan false negative. Dengan kata lain, bahkan ketika sebuah detektor menunjukkan kemampuan klasifikasi yang sangat tinggi dalam satu kondisi, cara menggunakan hasilnya tetap merupakan persoalan keputusan manusia.
Bagi jurnalisme, perbedaan itu menentukan apa yang seharusnya dicari. Dari mana klaim berasal? Siapa yang pertama kali mengatakannya? Apakah dokumen yang digunakan reporter benar-benar berasal dari lembaga yang disebut? Apakah angka dapat ditelusuri kembali ke data asli? Apakah kutipan sesuai dengan rekaman? Apakah foto berasal dari lokasi dan waktu yang disebut? Apakah reporter benar-benar berbicara dengan narasumber yang namanya dicantumkan? Pertanyaan-pertanyaan tersebut menyentuh provenance informasi, yakni jejak yang memungkinkan sebuah klaim ditelusuri kembali ke sumber dan proses pembentukannya. Detektor AI terutama berurusan dengan karakteristik teks. Jurnalisme berurusan dengan asal-usul fakta.
Karena itu, sebuah berita yang seluruhnya ditulis manusia tetap dapat buruk, sementara artikel yang menggunakan bantuan AI pada tahap tertentu masih dapat melalui proses jurnalistik yang ketat. Kualitas berita tidak ditentukan semata-mata oleh siapa atau apa yang menyusun kalimat terakhir. Ia juga ditentukan oleh bagaimana informasi dikumpulkan, diperiksa, dikontekstualisasikan, dan dipertanggungjawabkan. Seorang reporter dapat menulis seluruh artikel tanpa bantuan AI tetapi memasukkan data yang keliru. Sebaliknya, AI dapat membantu membuat transkrip wawancara, sementara reporter kembali memeriksa transkrip tersebut dengan rekaman. Dalam kasus kedua, keberadaan AI tidak menghapus tanggung jawab jurnalistik karena fungsi alat dan proses verifikasinya dapat dijelaskan.
Associated Press (AP) memberikan contoh konkret mengenai pendekatan tersebut. Dalam “AP updates newsroom standards for artificial intelligence”, yang diterbitkan pada 23 Juli 2026, AP mengizinkan penggunaan AI untuk tugas tertentu, termasuk riset tahap awal, peringkasan dokumen, transkripsi, penerjemahan, usulan judul dan ringkasan, serta bantuan tata bahasa dan optimasi pencarian. Namun hasil yang dibuat AI harus ditinjau dan diedit oleh jurnalis sebelum diterbitkan. AP juga menegaskan bahwa AI tidak menggantikan peliputan, penggunaan sumber, penilaian editorial, atau verifikasi.
Pendekatan tersebut mengubah pertanyaan. Bukan lagi “berapa persen artikel ini AI?”, melainkan “AI digunakan untuk apa, apa yang dihasilkannya, dan bagaimana hasil tersebut diperiksa?” Perubahan kecil dalam pertanyaan itu sebenarnya mengubah seluruh logika pengawasan. Jika yang dicari adalah angka, proses jurnalistik dapat direduksi menjadi klasifikasi. Jika yang dicari adalah proses, penggunaan teknologi harus ditempatkan dalam rantai kerja yang dapat dijelaskan.
Di sinilah skor mulai menjadi sesuatu yang lebih besar daripada sekadar hasil teknis. Angka yang awalnya dimaksudkan sebagai sinyal dapat berubah menjadi kesimpulan. Kesimpulan dapat berubah menjadi prosedur. Dan prosedur, jika diterapkan tanpa memahami batas alat, dapat mengubah cara ruang redaksi memperlakukan orang yang menghasilkan berita.
Obsesi pada skor tidak muncul karena editor tiba-tiba percaya bahwa mesin lebih pintar daripada manusia. Ia muncul dari kebutuhan institusi media untuk mengubah ketidakpastian menjadi sesuatu yang mudah dikelola. Selama pertanyaan mengenai penggunaan AI membutuhkan pemeriksaan dokumen, percakapan dengan reporter, penelusuran sumber, dan evaluasi proses kerja, persoalannya tetap rumit. Begitu sebuah angka tersedia, kerumitan itu tampak seolah-olah dapat dipadatkan menjadi satu indikator. Institusi dapat menetapkan ambang batas, membuat prosedur, mencatat hasil, lalu menghasilkan keputusan yang tampak konsisten. Semua itu menawarkan kemudahan administratif. Angka mudah dicatat, dibandingkan, dan diteruskan kepada orang lain. Yang sulit adalah memastikan bahwa angka tersebut memang mengukur sesuatu yang relevan dengan keputusan yang hendak dibuat.
Penelitian Samantha R. Rosenthal sangat berguna di sini karena penelitian tersebut tidak berhenti pada pertanyaan apakah detektor dapat membedakan teks manusia dan AI. Penelitian itu juga membahas bagaimana hasil deteksi harus ditafsirkan ketika sebuah institusi menggunakan ambang tertentu untuk mengambil keputusan. Dalam teks manusia dan AI yang sepenuhnya berbeda, beberapa sistem menunjukkan performa klasifikasi sangat tinggi. Namun performa turun ketika teks menjadi hibrida atau telah mengalami perubahan. Ini berarti persoalannya bukan hanya kemampuan mesin menghasilkan skor, tetapi apa konsekuensi yang muncul ketika skor tersebut dipaksa menjadi keputusan biner.
Di ruang redaksi, titik inilah yang dapat mengubah alat bantu menjadi obsesi. Pada tahap awal, seorang editor mungkin menggunakan detektor hanya sebagai sinyal untuk bertanya lebih lanjut. Jika skor tinggi, reporter diminta menunjukkan catatan wawancara atau sumber dokumen. Itu masih masuk akal karena angka hanya membuka pintu pemeriksaan. Tetapi prosedur dapat berubah secara perlahan. Skor tertentu mulai dianggap mencurigakan. Angka di atas ambang tertentu memicu permintaan penjelasan. Angka yang lebih tinggi memicu pemeriksaan tambahan. Lama-kelamaan, reporter belajar bahwa bukan kualitas peliputan yang pertama-tama harus dipertahankan, melainkan angka yang muncul di layar. Di titik tersebut, alat tidak lagi sekadar mengukur perilaku. Ia mulai membentuk perilaku.
Reporter bahkan dapat mulai menulis untuk mesin. Kalimat dibuat dengan pola yang dianggap lebih “manusiawi”. Struktur diubah agar skor turun. Teks diuji berulang kali sebelum diserahkan kepada editor. Waktu yang semestinya digunakan untuk memeriksa satu kutipan atau menelepon satu narasumber tambahan dapat berpindah kepada kegiatan mengoptimalkan skor. Ironinya jelas: sebuah alat yang seharusnya membantu institusi mengendalikan penggunaan AI justru dapat menciptakan bentuk baru dari pekerjaan yang tidak berhubungan langsung dengan akurasi berita.
Masalah menjadi semakin serius ketika skor dipakai untuk menyimpulkan sesuatu yang tidak dirancang untuk diukur. Detektor dapat memberikan perkiraan mengenai karakteristik teks. Ia tidak dirancang untuk menetapkan apakah seseorang jujur, malas, menipu, atau melanggar etika. Ketika angka tersebut mulai menjadi dasar untuk menilai integritas reporter, institusi media telah melompat dari sebuah kesimpulan statistik menuju penilaian moral tanpa melewati bukti yang diperlukan.
Kode Etik Society of Professional Journalists, melalui prinsip “Seek Truth and Report It”, memberikan titik pembanding yang lebih sederhana. Kode tersebut menekankan verifikasi informasi sebelum publikasi, penggunaan sumber asli bila memungkinkan, pemberian konteks, dan koreksi kesalahan. Prinsip tersebut tidak bergantung pada ada atau tidaknya AI. Ia berangkat dari gagasan bahwa tanggung jawab jurnalistik melekat pada proses memperoleh dan menyampaikan informasi.
Perbedaan tersebut penting karena teknologi dapat berubah lebih cepat daripada prosedur institusi. Sebuah detektor yang hari ini tampak cukup meyakinkan dapat menghadapi jenis model, gaya bahasa, atau bentuk penyuntingan yang berbeda beberapa bulan kemudian. Bahkan penelitian yang menunjukkan kemampuan klasifikasi tinggi tetap memperlihatkan bahwa performa bergantung pada kondisi. Penelitian yang dilakukan Brian Tufts menunjukkan bahwa performa dapat menurun ketika sistem menghadapi domain dan model yang berbeda atau ketika teks mengalami strategi penghindaran.
Obsesi pada skor deteksi AI bukan berarti menggunakan detektor terlalu sering. Obsesi muncul ketika skor memperoleh kekuasaan untuk menentukan apa yang dipercaya oleh institusi media. Sebuah alat dapat digunakan setiap hari tanpa menjadi pusat keputusan. Sebaliknya, alat yang hanya digunakan sesekali dapat tetap menjadi masalah jika hasilnya langsung menentukan reputasi, disiplin, atau kelayakan sebuah berita. Ukurannya bukan frekuensi penggunaan, melainkan kewenangan yang diberikan kepada hasilnya.
Jika sebuah artikel mendapat skor tinggi, editor dapat meminta catatan reporter, sumber dokumen, rekaman wawancara, atau penjelasan tentang penggunaan alat. Jika semuanya tersedia dan dapat diverifikasi, angka tersebut tidak memiliki alasan untuk berdiri sendiri sebagai putusan. Jika bukti proses tidak tersedia, persoalannya menjadi lebih serius, tetapi tetap harus diselesaikan melalui pemeriksaan jurnalistik, bukan dengan menganggap angka sebagai pengganti bukti.
AI sebagai alat, bukan ukuran
Cara yang lebih masuk akal untuk mengatur penggunaan AI di ruang redaksi adalah berdasarkan fungsi dan risiko, bukan berdasarkan satu angka yang seolah-olah dapat menentukan seberapa “manusia” sebuah artikel. Tidak semua penggunaan AI mempunyai konsekuensi yang sama. Kesalahan dalam memperbaiki ejaan tidak memiliki konsekuensi yang sama dengan kesalahan ketika meringkas putusan pengadilan. Kegagalan mentranskripsikan satu wawancara berbeda dari kesalahan ketika AI menarik kesimpulan dari data investigasi. Karena itu, semakin besar kemungkinan sebuah penggunaan AI memengaruhi fakta, semakin kuat pula proses pemeriksaan yang dibutuhkan.
AP menunjukkan bagaimana AI dapat menjadi bagian dari verifikasi tanpa menjadi satu-satunya hakim. Dalam “AP introduces AP Verify to strengthen, streamline online content verification”, yang diterbitkan pada 15 Desember 2025, AP menjelaskan AP Verify sebagai platform yang menggabungkan kemampuan AI seperti geolokasi, deteksi objek dan landmark, transkripsi, chatbot, dan deteksi teks generatif dengan teknik lain seperti pencarian balik gambar, analisis video bingkai demi bingkai, serta pemantauan media sosial. Struktur tersebut penting: deteksi hanyalah salah satu instrumen dalam rangkaian pemeriksaan.
Dalam “AI and data journalism: why verification matters more than ever”, yang diterbitkan pada 31 Maret 2026, AP mengajukan empat pertanyaan ketika AI digunakan dalam jurnalisme data: apakah AI digunakan, mengapa alat tersebut dipilih, bagaimana alat itu diterapkan, dan bagaimana hasilnya diverifikasi. Kerangka ini jauh lebih dekat dengan kebutuhan ruang redaksi daripada pencarian satu skor karena ia menghubungkan penggunaan teknologi dengan alasan, proses, dan pemeriksaan.
Model tersebut dapat diterapkan secara lebih luas. Jika AI digunakan untuk mentranskripsikan wawancara, pemeriksaan utama adalah membandingkan hasil transkripsi dengan rekaman. Jika digunakan untuk menerjemahkan dokumen, bagian penting harus diperiksa kembali dengan teks asli. Jika digunakan untuk meringkas dokumen hukum, reporter harus kembali kepada dokumen sumber sebelum membuat klaim. Jika digunakan untuk membantu menganalisis dataset, angka dan kesimpulan harus dapat ditelusuri kembali kepada data. Jika AI membantu membuat judul, editor harus memastikan bahwa judul tidak melampaui isi berita. Dengan cara itu, penggunaan AI menjadi bagian dari dokumentasi kerja jurnalistik, bukan sesuatu yang harus disembunyikan di balik angka deteksi.
Pendekatan tersebut juga membuat transparansi menjadi lebih bermakna. Transparansi bukan berarti setiap artikel harus menyebut seluruh perangkat lunak yang pernah dibuka reporter. Transparansi berarti penggunaan teknologi yang secara material memengaruhi proses atau isi berita dapat dijelaskan ketika relevan, sementara tanggung jawab atas hasil akhir tetap jelas. Sebuah ruang redaksi tidak menjadi lebih bertanggung jawab hanya karena melarang AI. Ia menjadi lebih bertanggung jawab ketika dapat menunjukkan bagaimana kesalahan dicegah, siapa yang memeriksa, sumber apa yang digunakan, dan bagaimana koreksi dilakukan jika kesalahan tetap terjadi.
Di titik ini, detektor AI masih dapat mempunyai tempat, tetapi tempatnya harus dipersempit. Jika sebuah ruang redaksi memiliki alasan untuk menggunakan detektor, hasilnya dapat menjadi salah satu sinyal yang mendorong pemeriksaan. Skor yang tidak biasa mungkin membuat editor bertanya bagaimana artikel dibuat. Namun hasil tersebut harus dibaca bersama bukti lain. Penelitian Gökberk Erol sendiri menunjukkan mengapa alat deteksi tidak seharusnya diperlakukan sebagai dasar tunggal untuk tindakan terhadap penulis.
Inilah perbedaan antara alat ukur dan alat pengadilan. Alat ukur memberikan informasi yang harus ditafsirkan. Alat pengadilan, dalam pengertian ini, diberikan kewenangan untuk menentukan hasil. Detektor AI hanya layak berada pada kategori pertama. Ia dapat mengatakan bahwa sebuah teks memiliki karakteristik tertentu menurut model yang digunakan. Ia tidak dapat menetapkan bahwa reporter berbohong, bahwa berita tidak sah, atau bahwa artikel tidak layak diterbitkan.
Pada akhirnya, “skor manusia” merupakan tujuan yang keliru. Bahkan detektor yang suatu hari menjadi sangat akurat dalam membedakan teks manusia dan teks AI tetap tidak akan menjawab apakah sebuah berita benar. Sebuah artikel yang seluruhnya ditulis manusia dapat mengandung fakta palsu. Sebuah artikel yang menggunakan AI untuk transkripsi dapat tetap dibangun dari wawancara yang sah, dokumen asli, data yang dapat diverifikasi, dan penyuntingan manusia yang ketat. Kepengarangan dan kebenaran adalah dua persoalan yang berbeda.
Itulah sebabnya obsesi pada skor bukan sekadar persoalan teknologi. Ia merupakan persoalan cara sebuah institusi media menghadapi ketidakpastian. Angka menawarkan kenyamanan karena ia tampak objektif dan mudah diterapkan. Tetapi kenyamanan administratif tidak sama dengan ketepatan jurnalistik. Dalam pekerjaan yang berurusan dengan fakta, reputasi, dan kepentingan publik, sebuah kesalahan klasifikasi tidak dapat dianggap kecil hanya karena prosedurnya terlihat efisien.
Media tidak membutuhkan sertifikat bahwa setiap kalimat lahir tanpa bantuan mesin. Media membutuhkan bukti bahwa berita dikerjakan dengan benar. Bukti itu dapat berupa dokumen asli, rekaman wawancara, sumber yang dapat dihubungi, data yang dapat ditelusuri, metode yang dapat dijelaskan, keputusan editorial yang dapat dipertanggungjawabkan, dan koreksi ketika kesalahan terjadi. Jika AI digunakan, proses tersebut harus menunjukkan di mana teknologi masuk dan bagaimana kemungkinan kesalahannya dikendalikan.
Tanggung jawab jurnalistik, dengan demikian, tidak lagi harus didefinisikan sebagai ketiadaan teknologi. Yang lebih penting adalah kemampuan menjelaskan bagaimana teknologi digunakan dan bagaimana hasilnya diperiksa. Detektor AI dapat membantu mengajukan pertanyaan, tetapi tidak dapat mengambil alih kewajiban untuk menemukan jawaban.
Jika skor hanya membuka pintu pemeriksaan, ia masih berada pada tempat yang masuk akal. Jika skor menjadi alasan untuk menutup pintu sebelum pemeriksaan dilakukan, alat tersebut telah berubah menjadi hakim. Dan pada saat itulah masalahnya bukan lagi apakah detektor AI cukup pintar, melainkan apakah ruang redaksi telah memberikan terlalu banyak kekuasaan kepada sebuah angka yang sejak awal hanya dirancang untuk memberikan perkiraan.
Tinggalkan Balasan