Hasil studi MIT: penggunaan AI membentuk ulang otak dan memicu penurunan kemampuan kognitif
(publichealthpolicyjournal.com)- Studi MIT menemukan bahwa penggunaan LLM seperti ChatGPT menyebabkan pelemahan konektivitas otak dan penurunan daya ingat yang berujung pada penurunan kognitif jangka panjang
- Para mahasiswa yang berpartisipasi menunjukkan bahwa semakin sering bergantung pada AI secara berulang, semakin menurun kemampuan integrasi kreatif dan otonomi mereka
- Pemeriksaan gelombang otak EEG mengonfirmasi hipoaktivasi jaringan perhatian dan pemrosesan visual pada kelompok LLM
- Kelompok pengguna mesin pencari mempertahankan fungsi eksekutif, aktivasi memori, dan kemampuan pemrosesan visual yang lebih kuat
- Bahkan setelah berhenti memakai LLM, pemulihan penuh fungsi otak tetap sulit, dan ketergantungan pada AI mengarah pada kecenderungan ‘pelimpahan beban kognitif’
Temuan utama studi MIT: penggunaan LLM dan penurunan kognitif
Studi MIT berjudul "Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task" mengungkap bahwa jika seseorang berulang kali bergantung pada kecerdasan buatan seperti ChatGPT, dapat terjadi kerusakan kognitif jangka panjang pada otak
Para mahasiswa peserta mengalami pelemahan konektivitas saraf, penurunan daya ingat, dan hilangnya rasa memiliki terhadap tugas seiring semakin sering mereka menulis esai dengan bergantung pada AI
Hasil yang dibuat AI kadang dinilai tinggi secara tampilan luar, tetapi dalam prosesnya otak menunjukkan kecenderungan berangsur-angsur beralih ke keadaan kurang aktif
Penurunan konektivitas otak dan fenomena ketergantungan pada AI
- Hasil pengukuran EEG (gelombang otak) menunjukkan bahwa semakin sering AI digunakan, konektivitas otak (systematic neural connectivity) menurun secara bertahap
- Kelompok yang hanya menggunakan otak: menunjukkan konektivitas paling kuat dan paling luas
- Kelompok mesin pencari: aktivasi otak pada tingkat menengah
- Kelompok LLM: pelemahan kohesi pada semua pita gelombang otak (alpha, beta, delta, theta)
- Khusus pada kelompok LLM, jaringan perhatian dan pemrosesan visual menjadi sangat tidak aktif
- Pada Session 4, saat mencoba menulis tanpa bantuan AI, para pengguna berpengalaman LLM menunjukkan penurunan kerja jaringan inti otak
Distorsi memori dan jalur pembelajaran pada pengguna LLM
- Setelah bergantung pada LLM, para mahasiswa mengalami kesulitan mengingat isi yang baru saja mereka tulis sendiri
- Interferensi yang jelas diamati pada jalur otak yang terkait dengan memori jangka panjang dan pembelajaran
- Saat menggunakan AI, integrasi informasi dan pendekatan yang digerakkan motivasi diri di otak melemah
- Para peserta mengalami jarak psikologis terhadap hasil, serta melemahnya rasa kepemilikan
Keterbatasan peralihan dari AI ke penggunaan otak sendiri
- Pada sesi ke-4, kelompok yang setelah memakai LLM lalu menulis langsung hanya dengan otak menunjukkan bahwa aktivasi otak tidak pulih hingga tingkat sesi awal (hanya menggunakan otak)
- Ditemukan kecenderungan berlanjut berada di bawah baseline pada berbagai indikator seperti gelombang otak, upaya pengerjaan tugas, dan kesadaran diri
Pengguna mesin pencari mempertahankan keterlibatan otak yang lebih sehat
- Kelompok pengguna mesin pencari mempertahankan tingkat tinggi pada indikator kognitif utama seperti fungsi eksekutif, aktivasi memori, dan recall kutipan
- Pada gelombang otak, terkonfirmasi penguatan aktivasi di lobus oksipital dan parietal, yang berkaitan erat dengan pemrosesan visual dan upaya kerja
Pelimpahan beban kognitif (Cognitive Offloading) akibat ketergantungan pada AI
- Tim peneliti dengan jelas mengonfirmasi bahwa ketika otak berulang kali terpapar LLM, muncul kecenderungan menghentikan upaya mengintegrasikan dan mengingat informasi secara mandiri (neural efficiency adaptation)
- Akibatnya, hal ini berlanjut pada sikap kerja pasif, penyuntingan yang minim, dan penurunan tingkat integrasi konsep
Efisiensi jangka pendek, utang kognitif jangka panjang
- Kelompok LLM secara permukaan memperoleh skor tertentu dari para penilai, tetapi
- kurang integrasi strategis
- berkurangnya keragaman struktur ekspresi
- karakter hasil yang pendek dan mekanis menunjukkan keterbatasan yang jelas
- Seiring waktu, kecenderungan penurunan konsisten dalam keterlibatan kognitif, performa, dan kepuasan diri terus berlanjut
Kesimpulan dan saran penelitian
- Semakin banyak orang mengandalkan kecerdasan buatan untuk melakukan tugas yang kompleks, semakin besar risiko turunnya secara tajam kapasitas kognitif alami dan kemampuan kreatif manusia
- Ditekankan pentingnya beristirahat secara berkala dan meluangkan waktu untuk menggunakan otak sendiri secara langsung saat memanfaatkan kecerdasan buatan
- Kecerdasan buatan bukan sekadar alat yang menggantikan pekerjaan manusia, melainkan entitas yang memengaruhi sistem berpikir manusia dan fungsi otak itu sendiri
Tentang penulis
- Nicolas Hulscher, MPH
- Ahli epidemiologi dan Foundation Administrator di McCullough Foundation
- Konten tambahan terkait dapat dilihat melalui akun McCullough Foundation dan akun penulis di X (sebelumnya Twitter)
2 komentar
Dari isinya, sepertinya pihak yang menggunakan LLM hanya menyalin jawaban yang diterima.
Biasanya, bukankah orang menggunakannya dengan memiliki tujuan atau alur yang diinginkan, lalu memeriksa jawabannya dan berulang kali memberi umpan balik? Saya jadi penasaran apakah dalam kasus seperti itu hasilnya juga sama.
Komentar Hacker News
Saya ingin berbagi pengalaman berbincang dengan seorang mahasiswa PhD yang sangat saya hormati saat masih kuliah pascasarjana. Setiap kali membaca paper, dia selalu menulis kode sendiri untuk mengimplementasikannya. Saya butuh berbulan-bulan, sementara dia sering menyelesaikan kodenya hanya dalam beberapa hari. Dia menjelaskan bahwa dengan banyak latihan, kita bisa menjadi lebih baik. Bukan hanya cepat dalam coding, dia juga makin cepat menganalisis paper dan menggabungkan ide, serta mengembangkan intuisi tentang apa yang benar-benar efektif. Sekarang saya juga sudah cukup senior dan hampir tidak lagi banyak mengerjakan coding, tetapi saya masih merasa sangat bermanfaat untuk tetap bergulat langsung dengan kode dan ide baru. Menurut saya, orang yang mengira cukup dengan sedikit mengubah prompt sedang melewatkan kesempatan belajar yang sangat penting
Saya benar-benar merasa kesenjangan keterampilan sedang terbentuk tepat di depan mata sekarang. Ada (1) orang-orang yang memahami konsep secara mendalam, membangun model mental, lalu mampu mengimplementasikan sendiri kode pada tingkat apa pun, dan (2) orang-orang yang mengalihdayakan proses itu ke mesin lalu perlahan kehilangan kemampuan tersebut. Saat ini perbedaannya mungkin belum terlalu jelas, tetapi saya yakin dalam beberapa tahun lagi jurangnya akan tampak nyata
Kita perlu berhati-hati terhadap sesat pikir seperti “programmer sejati menulis assembly langsung.” Saat compiler menjadi umum, dulu ada kekhawatiran bahwa programmer tak lagi memahami bagaimana kode mereka bekerja. Itu memang ada benarnya sampai batas tertentu, tetapi kebanyakan orang pada praktiknya tetap bisa membuat sesuatu tanpa banyak masalah. Kalau berhenti berpikir, tentu yang dipelajari juga berkurang. Jika kita bisa berpikir satu tingkat abstraksi lebih tinggi, detail-detail tidak selalu penting. Keterbatasan universitas adalah bahwa ia bukan “tingkat abstraksi berikutnya”, melainkan rangkaian ide yang dipilih secara hati-hati hanya untuk transfer pengetahuan yang sudah tervalidasi. Itu berbeda dengan punya waktu untuk benar-benar membangun sesuatu di startup atau menantang masalah yang lebih besar. Tentu cara ini tidak cocok untuk semua program PhD. Ada bidang yang memang menuntut pemahaman detail, tetapi di zaman sekarang yang makin terspesialisasi, saya justru merasa ini bisa menjadi keuntungan bersih
Rasanya mirip belajar matematika. Kita bisa membaca buku matematika seharian dan mengagumi ide-idenya, tetapi kalau tidak benar-benar mengerjakan definisi, teorema, dan contoh soal latihan, hampir tidak ada yang benar-benar dipelajari
Di bidang data science ada ungkapan “tidak ada makan siang gratis”. Karena alat seperti ChatGPT makin umum, bahkan orang bergelar PhD ke atas yang tetap belajar sendiri tanpa menggunakan alat seperti ini mulai terlihat seperti penyihir. Saya sudah melihat orang-orang yang kemampuannya memang kurang sehingga tidak bisa coding tingkat menengah ke atas atau intuisi mereka menurun. Ini bukan lagi impostor syndrome, melainkan kondisi tidak bisa bekerja dengan baik tanpa AI. Saya sendiri, untuk setiap topik, pertama-tama berpikir dan menyusun pertanyaan sendiri tanpa alat apa pun. Setelah saya punya sedikit gambaran, barulah saya bertanya ke ChatGPT
Menarik. Saya penasaran, apakah maksudnya dia benar-benar menulis kode sendiri dengan pena dan kertas. Cara itu memang terasa sangat membantu untuk memahami sesuatu (sebagai catatan, saya tidak bekerja sebagai programmer). Sejarawan juga mirip; orang yang menghabiskan waktu seharian tenggelam di arsip fisik lama-kelamaan membangun intuisi dan wawasan tentang topiknya. Sebaliknya, kalau hanya mencomot kutipan dan dokumen yang diperlukan lewat Google, ada risiko tinggi memahami topik itu hanya secara dangkal. Jadi lebih sulit berpikir dari banyak sudut atau melihat keterkaitan antarfenomena, dan cenderung terlalu terpaku pada argumen sendiri
Ada beberapa hal yang perlu dicatat. (1) Paper ini diunggah ke arXiv, jadi belum dipublikasikan dan belum peer reviewed. Itu perlu dipertimbangkan. (2) Ada 18 orang per kohor. (3) Totalnya 54 orang. N-nya kecil, dan tampaknya sebagian besar pesertanya mahasiswa MIT usia 18–22 tahun, jadi ada tantangan soal replikasi dan generalisasi. Selama eksperimen mereka juga mengukur gelombang otak (EEG), yang merupakan lingkungan asing dan tidak nyaman. Selain itu, subjek penelitiannya adalah menulis esai dengan LLM, alat pencarian, atau tanpa alat sama sekali, jadi para peserta juga tahu persis apa yang sedang diuji. Ringkasan paper-nya: penelitian ini mengkaji beban kognitif (cognitive cost) penggunaan LLM dalam tugas menulis esai. Menulis esai adalah tugas kompleks yang melibatkan banyak proses kognitif dan dipakai di sekolah maupun ujian. Peserta harus sekaligus mengelola tugas tingkat makro seperti mengorganisasi ide dan menyusun argumen, serta tugas tingkat mikro seperti pilihan kata, tata bahasa, dan sintaks. Untuk mengevaluasi cognitive engagement, cognitive load, dan aktivitas otak, mereka menggunakan EEG. Selain LLM, mereka juga membandingkan aktivitas otak saat menggunakan pencarian internet klasik dan saat tanpa alat apa pun. Paper asli
54 peserta itu berusia 18–39 tahun (rata-rata 22,9 tahun, SD=1,69), direkrut dari lima universitas: MIT, Wellesley, Harvard, Tufts, dan Northeastern. Terdiri dari 35 mahasiswa sarjana, 14 mahasiswa pascasarjana, dan 6 orang seperti postdoc/peneliti/software engineer. Ukuran dan komposisi sampel memang merupakan keterbatasan, dan studi lanjutan perlu dilakukan dengan sampel yang lebih besar dan lebih beragam. Tetapi menurut saya itu belum sampai berarti “sulit direplikasi”
Saya rasa klaim bahwa karena ini paper sebelum peer review maka harus “dipandang dengan hati-hati” perlu dihentikan. Peer review juga bukan proses ilmiah yang ideal; sering kali hanya menimbulkan penundaan yang tidak perlu atau komentar yang tidak bermakna, dan pada akhirnya cuma memberi tenaga kerja gratis ke perusahaan penerbit besar. Saya sudah menerbitkan lebih dari 30 paper dan menerima review bagus maupun buruk dalam jumlah banyak. Minimal seharusnya kita bergerak ke open peer review dan komunikasi dengan editor. Sains seharusnya menjadi pasar ide. Kritik-kritik lainnya menurut saya sepenuhnya valid. Kesimpulan paper ini juga terlalu tergesa-gesa dan terasa seperti materi promosi. Secara pribadi saya menganggap sistem peer review saat ini sudah ketinggalan zaman
Studi ini adalah eksperimen tentang dampak ChatGPT terhadap kemampuan menulis esai pengguna. Intinya: jika orang tidak melatih menulis, kemampuan menulis mereka menurun, dan aktivitas otaknya terlihat berbeda dari pendekatan lain; itu bukan bukti bahwa hal ini secara khusus berbahaya. Selain itu, paper-nya memakai istilah “cognitive debt”, bukan “cognitive decline”, dan itu penting untuk interpretasinya. Saya pikir hasil serupa mungkin akan muncul di penelitian lain juga, tetapi masih terlalu dini untuk menyimpulkan AI/LLM merusak otak. Bahkan bisa juga dibaca sebagai pengurangan beban kognitif yang membuat penulisan esai jadi lebih mudah. Hanya saja, tetap perlu penelitian tambahan seperti penilaian kualitas hasil tulisan
Hal lain yang perlu diperhatikan adalah bahwa “AI” di sini dipakai sebagai sinonim untuk LLM. Padahal AI itu sangat beragam. Sulit membayangkan bahwa pembuatan gambar, video, atau audio akan langsung mengarah pada penurunan kognitif; saya lebih melihat LLM sebagai sesuatu yang mungkin memicu “kemalasan intelektual” karena orang merasa tidak perlu lagi mengingat atau menghafal sendiri
Menurut saya efek seperti ini bisa direplikasi dengan cukup mudah. Belakangan ini saat berinteraksi dengan orang-orang yang mulai banyak memakai LLM, rasanya IQ mereka terlihat turun secara mencolok. Saya melihat orang yang dulu aktif berdiskusi sekarang tidak bisa berbicara tanpa lebih dulu mengecek jawaban dari Grok atau ChatGPT
Artikel dan judulnya justru terasa seperti pengulangan buruk dari versi asli sebelumnya yang lebih orisinal. Para penelitinya sendiri sudah menulis dengan jelas di FAQ agar media tidak salah menafsirkan studi mereka dan menggunakan ungkapan seperti “LLM membuat kita bodoh.” Sebagian komentar HN adalah contoh bagus tentang bagaimana bias kognitif membuat orang menerima informasi tanpa memeriksa materi aslinya
Saya mengerti kenapa ini terasa seperti cerita yang “di-Reddit-kan”. Isu clickbait seperti ini terus muncul. Terutama karena studi ini hanya melibatkan 18 orang yang memakai ChatGPT 4 kali selama 4 bulan, dengan kontrol noise yang buruk. Saya setuju bahwa penggunaan AI berlebihan bisa menjadi masalah, tetapi studi seperti ini cuma clickbait untuk topik yang memang ingin kita benci
Saya merasa hampir tidak ada yang benar-benar membaca paper aslinya. Kelompok yang memakai LLM di sesi 1–3 lalu mengerjakan sesi 4 tanpa LLM memang menunjukkan konektivitas yang menurun, dan semua kelompok menunjukkan konektivitas yang meningkat seiring berjalannya sesi. Yang penting, pada sesi 4 konektivitas itu tidak sepenuhnya kembali ke kondisi awal (sesi 1), melainkan berada di suatu titik tengah. Artinya mereka tetap sedang belajar. Konsep filsafat Extended Mind adalah kuncinya. Bahkan, ketika kelompok yang melalui sesi 1–3 tanpa LLM kemudian memakai LLM pada sesi 4, aktivitas otaknya melonjak. Di situlah poin sesungguhnya dari kesimpulan studi ini
Secara pribadi, setelah coding dengan ChatGPT selama 8 bulan, saya memang merasa otak saya makin lambat. Hasil penelitian ini sangat terasa relevan. Tapi saya menduga ke depan hampir tidak akan ada lagi penelitian baru yang membahasnya secara negatif. Ada kekuatan-kekuatan di masyarakat yang tidak ingin opini publik terhadap AI menjadi negatif, jadi saya rasa memang akan begitu
Menurut saya, LLM seharusnya tidak dipakai untuk menuliskan atau mengedit tulisan kita sepenuhnya. Kita bisa memakainya untuk feedback, eksplorasi ide, atau mencari celah, tetapi proses menulisnya harus tetap kita selesaikan sendiri sampai akhir. Terlalu mudah menyerahkan otak kita ke LLM. Bukan cuma dalam menulis esai; saat saya mengandalkan LLM untuk menyelesaikan masalah pemrograman pun saya merasa ada penurunan kognitif yang nyata. Kalau di ekosistem pemrograman yang belum dikenal kita terus menyalin-tempel error, masalahnya memang cepat selesai, tetapi pembelajaran yang sesungguhnya jadi berkurang. Tentu, di sisi lain ini membuat memulai jadi lebih mudah dan kita tidak cepat buntu, jadi tetap perlu keseimbangan. Kemampuan bergulat langsung dengan masalah itu penting
Pengalaman saya justru sebaliknya. Daripada sekadar menyalin-tempel error atau langsung menerima jawaban AI, saya terus bertanya “kenapa ini bisa berhasil?” Saya minta dijelaskan baris demi baris, termasuk setiap command atau flag, dan hanya lanjut kalau saya sudah benar-benar paham. Akibatnya, meskipun mungkin tidak tersimpan sedalam eksplorasi murni sendiri, saya bisa menghadapi lebih banyak masalah lebih cepat dan meningkatkan jumlah belajar saya
Ketika Firefox menambahkan fitur koreksi otomatis, saya banyak berkembang dengan meninjau jawaban yang benar dan berlatih menulis tanpa typo (bahasa Inggris bukan bahasa ibu saya). Menurut saya LLM juga sama: alat untuk mencapai pembelajaran dan kesimpulan lebih cepat. Saat di proyek baru saya lupa konfigurasi yang dulu pernah saya lakukan, LLM bisa mengingatkan hal-hal yang sebelumnya mungkin akan saya tulis di wiki internal. Self-check untuk menjadi engineer yang lebih baik lewat LLM itu penting
Ini memang inti masalahnya, tetapi jika LLM dipakai secukupnya, saya bisa cepat mengejar bidang yang berdekatan dengan keahlian saya, tidak terhambat oleh celah pengetahuan kecil, dan fokus pada pekerjaan yang esensial. Misalnya saya pernah dengan cepat mengimplementasikan pemrosesan sinyal akustik bawah air dalam C, dan secara praktis bisa menuntaskan area yang tidak perlu saya kuasai secara sempurna. Dulu saya mungkin hanya akan membaca kode orang lain terus-menerus
Menyuruh LLM menulis artikel itu malas, dan hasilnya juga tidak memuaskan. Lebih baik saya menulis draf sendiri, lalu memakai LLM untuk feedback, mengecek blind spot, atau mencari pilihan kata yang lebih baik
Saya melihat kebiasaan memakai LLM mirip ketergantungan berlebihan pada navigasi atau aplikasi peta. Sangat nyaman, tetapi ada efek samping berupa menurunnya area otak yang dibutuhkan untuk memori spasial atau pengambilan keputusan. Saya sendiri pernah gagal besar karena terlalu percaya. Dulu peta kertas memang merepotkan, tetapi sebagai gantinya memberi lebih banyak interaksi dan waktu jeda. Sekarang, selain di wilayah konflik, peta kertas hampir tidak pernah dipakai lagi
Walaupun studi ini ramai dibicarakan, metodologinya punya keterbatasan serius. Hanya ada 54 orang yang dibagi ke 3 grup, masing-masing 9 orang per kondisi, dan itu jelas terlalu sedikit untuk mengklaim hal seperti “pemrograman ulang otak”. Yang diperlihatkan studi ini hanyalah pola otak yang berbeda saat menulis esai dengan bantuan AI, bukan kerusakan permanen. Aktivitas otak yang lebih rendah saat menggunakan alat mirip dengan berkurangnya hitung mental saat memakai kalkulator. Istilah seperti “kerusakan kognitif” atau “dampak berat” juga sebenarnya tidak didukung oleh studi itu. EEG permukaan juga tidak bisa dipakai untuk menyimpulkan perubahan otak yang dalam. Para penulisnya sendiri mengakui keterbatasan tersebut. Klaim “83,3% tidak bisa mengingat satu kalimat pun dari esainya sendiri” juga pada dasarnya hanya berarti 15 dari 18 orang
Sebagai contoh penggunaan AI dalam keseharian, seseorang membahas pembelajaran praktik seperti menyolder, memakai multimeter, merancang rangkaian, sistem surya/baterai, membangun jaringan LoRa, dan lain-lain. Dalam semua kasus itu, dia belajar bukan hanya dari teori tetapi juga dengan bereksperimen langsung. Saat ada masalah, dia memakai AI untuk mencari penyebabnya, lalu mengulang pertanyaan dan eksperimen berkali-kali sampai benar-benar memahami prinsip kerjanya. Dia tidak terlalu cocok dengan video YouTube, jadi AI berbasis teks justru lebih pas baginya. Dia sengaja suka membuat kesalahan dan merusak sesuatu untuk belajar. Strategi trial-and-error yang dulu berhasil di software kini dia terapkan ke elektronika murah, dan hasilnya bagus
Sebagai orang yang juga melakukan hal-hal seperti ini, saya penasaran kenapa memilih AI. Menurut saya belajar lewat teks itu salah satu cara yang paling sulit. Video yang dibuat dengan baik jauh lebih mampu menunjukkan proses nyata dan seperti apa kondisi berhasil/gagal. Hanya saja, memang makin sulit menemukan video yang bagus
Saya juga pernah belajar hal serupa sebelum ada LLM, saat membuat synthesizer analog. Saya setuju bahwa materi yang dipakai LLM pada akhirnya berasal dari teks di web yang juga saya baca sendiri. Saat ada yang tidak jalan, saya tetap merujuk ke peralatan nyata atau dokumentasi. Jalur belajar tanpa LLM itu sudah lama ada dan cukup memadai, jadi saya masih belum yakin LLM benar-benar metode belajar yang pasti lebih unggul daripada cara lain
Kecepatan belajar baru benar-benar selaras dengan kecepatan otak saat kita harus melakukan pekerjaan fisik sungguhan. Feedback loop yang terlalu cepat seperti “vibe coding” di software justru bisa merugikan pembelajaran yang sebenarnya. Otak jadi menghindari proses belajar itu sendiri
Kalau seseorang memakai LLM seperti murid yang bertanya kepada guru, menurut saya tidak ada masalah sama sekali
Mirip juga, saya mengerjakan buku latihan tanpa kunci jawaban, lalu setiap kali buntu saya meminta feedback dan petunjuk dari ChatGPT, dan itu sangat membantu
Isi artikelnya terasa sampai seperti ditulis oleh AI, karena sulit menyimpulkan seperti itu jika benar-benar membaca paper aslinya. Eksperimennya hanya melibatkan penulisan esai gaya SAT selama 4 bulan, kurang dari 30 menit, dan hanya sebagian yang memakai AI. Menarik kesimpulan bahwa memakai AI sekali 20 menit per bulan membuat orang menjadi jauh lebih bodoh jelas tidak masuk akal. Yang sebenarnya terlihat dari penelitian itu adalah bahwa orang memiliki keterikatan dan ingatan yang lebih rendah terhadap hasil yang tidak mereka buat sendiri. Itu juga berlaku jika hasilnya dibuat oleh orang lain
Menurut saya cara seseorang menggunakan AI sangat menentukan dampaknya terhadap pembelajaran. Justru saya merasa berpikir jauh lebih dalam dari biasanya karena terus bertanya dan mendebat AI secara logis. Misalnya, ketika menemukan fitur yang dokumentasinya minim, saya memakai AI untuk melacak alur kode, lalu terus berdiskusi tentang berbagai opsi seperti memperbaiki penamaan, merombak struktur, atau menulis dokumentasi. LLM memang jauh lebih cepat hanya di ranah pencarian informasi, jadi saya hanya mengurangi sedikit kerja kasar; selebihnya malah membuat saya berpikir lebih dalam. Memang ada beberapa area seperti
mermaidyang saya lewati, tetapi berkat LLM saya benar-benar bisa mengerjakan tugas itu, dan tanpa itu saya mungkin hanya mengerjakan hal-hal sepelePaper ini dan artikel-artikelnya ditafsirkan terlalu sensasional sampai tim peneliti merasa perlu mengunggah FAQ tersendiri. Penulis paper itu berulang kali meminta agar ungkapan seperti “LLM membuat orang bodoh” tidak digunakan
Membahas “penurunan kognitif jangka panjang” hanya dari hasil pengukuran jaringan saraf teknis seperti ini adalah berlebihan. Misalnya, hasil “83% pengguna LLM tidak bisa mengingat satu kalimat pun dari esai yang baru saja mereka tulis” pada dasarnya cuma menyatakan hal yang sangat jelas: tulisan yang tidak benar-benar melalui tangan dan pikiran kita memang tidak akan melekat di ingatan. Karena sejak awal AI yang menuliskannya, wajar saja kalau itu tidak terasa sebagai pemikiran sendiri