Kebijakan AI Pendidikan

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Kebijakan AI pendidikan — aturan formal dan informal yang mengatur penggunaan AI di institusi pendidikan, dari legislasi nasional hingga pedoman ruang kelas. Penelitian kebijakan dalam basis pengetahuan mencakup tata kelola institusional, mandat kurikulum, dan persyaratan persiapan guru.

Pertanyaan yang Perlu Dipertimbangkan

• Kebijakan AI institusional sering ditulis seolah-olah memberi tahu orang tentang aturan akan mengubah apa yang mereka lakukan. Penelitian menunjukkan kebijakan-kebijakan ini bisa tertinggal jauh di belakang penggunaan AI yang sebenarnya. Menurut Anda mengapa kebijakan 'di atas kertas' begitu sering gagal menyesuaikan diri dengan apa yang terjadi di ruang kelas?
• Jika pengalihdayaan pekerjaan rumah menyebabkan kerugian belajar yang sebagian besar tidak terlihat — karena tidak ada guru tunggal yang menghubungkan penurunan seorang siswa dengan penggunaan AI — kebijakan seperti apa yang bahkan mungkin dibuat? Bagaimana pemantauannya akan tampak?
• Keputusan kebijakan penilaian seperti ujian lisan, ujian dengan pengawasan, dan format buku tertutup itu sendiri merupakan respons terhadap kecurangan yang dimungkinkan AI. Menurut Anda, apakah mengawasi 'keluaran' (menangkap penggunaan AI) adalah strategi yang lebih baik daripada merancang ulang penilaian sehingga pekerjaannya sendiri lebih sulit dialihdayakan?
• Kebijakan AI pendidikan mencakup legislasi nasional, panduan pemerintah, aturan institusional, dan pilihan di tingkat kelas. Tingkat mana di antaranya yang menurut Anda benar-benar paling membentuk perilaku siswa dan guru — dan mengapa?
• Suara siapa yang cenderung membentuk kebijakan AI — dan suara siapa yang hilang? Siapa yang seharusnya duduk di meja ketika sebuah institusi memutuskan penggunaan AI apa yang diizinkan dan bagaimana ia ditata kelola?

Pendahuluan

AI dalam pendidikan diatur oleh setumpuk instrumen — legislasi nasional, panduan pemerintah, kebijakan institusional, aturan departemen, dan pernyataan yang ditulis dosen ke dalam silabus masing-masing. Instrumen-instrumen itu berbeda dalam kekuatan hukum, dalam seberapa sering direvisi, dan dalam siapa yang diharapkan menafsirkannya, tetapi mereka berbagi satu masalah: biasanya instrumen itu ditulis setelah teknologi yang mereka atur telah lebih dulu masuk ke ruang kelas.

Penelitian kebijakan dalam basis pengetahuan mendokumentasikan celah itu dari kedua sisi. Kebijakan institusional tertinggal di belakang penggunaan AI yang sebenarnya, dan di mana aturan ada, aturan itu sering berupa panduan ketimbang kebijakan yang dapat ditegakkan, ditulis di tingkat mata kuliah oleh dosen perorangan alih-alih di tingkat institusi. Pola yang sama muncul di K-12, di mana hanya sebagian kecil sekolah melaporkan memiliki kebijakan sama sekali, dan di program profesional, di mana dokumen penasihat lebih banyak daripada aturan yang mengikat.

Celah itu memiliki bentuk diskursif sekaligus organisasional. Hashem (2026) membaca empat publikasi UNESCO dan OECD melalui penanda mengambang Laclau dan menemukan bahwa kosakata tata kelola yang dipakai bersama — tanggung jawab, transparansi, kepercayaan, keaslian, penggunaan yang bertanggung jawab, augmentasi — memperoleh kekuatan normatif melalui pengulangan tanpa pernah memperoleh definisi operasional. OECD (2026) mendokumentasikan dua puluh tiga negara dan yurisdiksi yang bertemu pada kosakata itu sambil menyerahkan maknanya kepada tafsir kontekstual, dan OECD (2023) melaporkan bahwa pada awal 2024 tidak satu pun dari delapan belas negara yang disurvei memiliki regulasi AI generatif yang spesifik dalam pendidikan, dengan sembilan mendelegasikan tanggung jawab utama ke tingkat sekolah. Efeknya adalah non-performatif Ahmed: komitmen dibuat dalam bahasa modal, tanpa mekanisme yang melaluinya komitmen itu dapat dijalankan atau dinilai, dan tanggung jawab tersebar di antara penyedia, institusi, guru, dan pembelajar sampai tidak ada aktor tunggal yang memegangnya.

Kesimpulan praktis Hashem adalah pergeseran dari implementasi kebijakan ke pemberlakuan kebijakan, dengan institusi menulis batas-batas pengungkapan, kepengarangan, dan penilaian yang dibiarkan terbuka oleh teks-teks internasional.

Halaman ini memperlakukan kebijakan sebagai berbeda dari Tata Kelola AI. Kebijakan menjawab apa aturannya; tata kelola menjawab siapa yang memutuskan, dan bagaimana aturan itu benar-benar berlaku. Menjaga keduanya tetap terpisah penting karena penelitian berulang kali menunjukkan kebijakan gagal bukan karena kurang isi tetapi karena kurang mesin — siklus tinjauan, pengembangan profesional, jalur banding, dan pemantauan. Bagian-bagian di bawah ini memaparkan tingkat-tingkat tempat kebijakan dibuat, celah kematangan yang memisahkan aturan tertulis dari praktik ruang kelas, pertanyaan kebijakan penilaian yang dipaksakan AI, dan struktur tata kelola yang menentukan apakah semua itu bertahan.

Tingkat kebijakan

Kebijakan dibuat pada beberapa tingkat sekaligus, dan tingkat-tingkat itu tidak bergerak bersama. Butir-butir di bawah ini menyebutkan tingkatnya dan penelitian yang mendokumentasikannya.

• Kebijakan institusional: Analisis kebijakan institusional membandingkan bagaimana universitas mengembangkan kebijakan AI. Kerangka perubahan institusional menyediakan model untuk pengembangan kebijakan. Qian (2026) mengodekan halaman AI utama dari 50 universitas AS yang diperingkat paling inovatif pada 2025 dan menemukan bahwa hanya 6 yang membingkainya sebagai "kebijakan" sementara 44 menerbitkan panduan, pedoman, prinsip, atau pusat sumber daya, dan bahwa 33 dari 50 memosisikan dosen sebagai penerjemah utama ekspektasi institusional menjadi aturan mata kuliah — kebijakan institusional sengaja ditulis sebagai panduan yang dapat diadaptasi untuk tafsir di tingkat mata kuliah alih-alih aturan tetap.
• Kebijakan pemerintah: Kebijakan pembelajaran sepanjang hayat mengkaji pendekatan regulasi di tingkat nasional dan regional. Pandangan kritis tingkat infrastruktur tentang AI dalam pembuatan kebijakan pemerintah adalah Perrotta (2026), yang analisisnya atas prototipe Model Bahasa Besar (LLM) Redbox layanan sipil Inggris menunjukkan bagaimana AI serbaguna masuk ke perangkat kerja profesional kebijakan melalui "tata kelola zero-shot" — model fondasi agnostik domain yang mencampuri keputusan, dibungkus dalam khusus domain perancah yang tipis.
• Kebijakan K-12: Tinjauan bukti Stanford atas 818 makalah menginformasikan kebijakan AI K-12.
• Kebijakan penilaian: Kebijakan reformasi penilaian dan kerangka Penilaian Autentik merepresentasikan respons tingkat kebijakan terhadap kecurangan yang dimungkinkan AI. Pilihan format penilaian sumatif — lisan, dengan pengawasan, buku tertutup — itu sendiri merupakan keputusan kebijakan penilaian (lihat Penilaian Sumatif).

Celah kematangan: kebijakan yang ditulis sebelum penggunaan, dan sebelum bukti

Basis pengetahuan mendokumentasikan bahwa kebijakan AI institusional tertinggal di belakang penggunaan AI yang sebenarnya. Program Pengembangan Pendidikan, kerangka Kompetensi AI Guru, dan Regulasi AI dalam Pendidikan semuanya memerlukan fondasi kebijakan yang koheren. Bukti lapangan berskala besar (Strömberg, Lei, & Wu 2026) menunjukkan bahwa kerugian belajar akibat pengalihdayaan pekerjaan rumah sebagian besar tidak terlihat karena guru mata pelajaran dan siswa perorangan jarang menghubungkan penurunan itu dengan penggunaan AI — celah yang dapat ditangani oleh kebijakan berbasis bukti (misalnya, memberi bobot pada penilaian buku tertutup, memberi tahu siswa tentang biaya jangka panjang, memantau masukan alih-alih keluaran). Analisis sentimen berbasis aspek atas 36 kebijakan GenAI universitas di empat negara menemukan pernyataan pengajaran dibingkai positif dan pernyataan GenAI serta etika dibingkai negatif, tanpa efek negara yang signifikan — pembingkaian mengikuti dimensi kebijakan, bukan sistem nasional (Sun et al. (2026)).

Ketidakonsistenan itu bukan hal akademis bagi orang-orang yang menegakkannya: lima belas akademisi sesi melaporkan bahwa mahasiswa tidak dapat mematuhi aturan yang berbeda antarsatuan, dan prevalensinya bahkan tidak dapat diperkirakan tanpa panduan yang lebih jelas (Andriamora & Andriamora, 2026).

Di mana konsensus telah terbentuk untuk mengisi celah itu, Delphi 35 pakar Crompton et al. (2026) di 22 negara menyepakati delapan area tata kelola — integritas akademik sebagai jangkar utamanya — plus mekanisme tinjauan enam bagian (komite GenAI tetap, tinjauan kebijakan terjadwal, pengembangan profesional, komunikasi, evaluasi dampak, pemantauan) untuk menjaga kebijakan tetap mutakhir.

Kesiapan AI nasional tidak memprediksi kekuatan kebijakan institusional. Adarkwah et al. (2026) menilai 26 universitas dari sepuluh negara dengan AIPI tinggi terhadap kerangka GenAI delapan komponen UNESCO dan menemukan institusi Nordik dan Selandia Baru mencakupnya lebih lengkap daripada rekan-rekan mereka yang berperingkat lebih tinggi, sementara inklusi, keadilan, dan keberlanjutan adalah elemen yang paling terabaikan.

Dokumen penasihat lebih banyak daripada kebijakan yang mengikat. Sensus atas setiap program terakreditasi dalam satu bidang profesional menunjukkan bahwa celah kematangan adalah soal bentuk sekaligus waktu. Eldredge et al. (2026) mengumpulkan dokumen kebijakan dan panduan AI dari seluruh 48 program magister informatika kesehatan dan manajemen informasi kesehatan terakreditasi CAHIIM di Amerika Serikat dan menemukan bahwa 40 (83%) memiliki setidaknya satu dokumen terkait AI yang tersedia untuk publik sementara 8 tidak memiliki, tetapi dokumen-dokumen itu sebagian besar berupa panduan ketimbang aturan yang dapat ditegakkan: 21 pedoman (53%) berbanding 7 kebijakan formal (18%). Isinya berpusat pada integritas akademik dan penggunaan yang dapat diterima, dengan privasi, kekayaan intelektual, dan konsep regulatif (HIPAA, FERPA, kepatuhan penelitian) jauh lebih jarang muncul, dan pemodelan topik mengembalikan penekanan yang sama pada perilaku mahasiswa. Baik jenis dokumen maupun audiens sasaran tidak bervariasi menurut modus penyelenggaraan (Fisher's exact P = .85 dan P = .71). Penulis membaca ini sebagai bukti bahwa kebijakan program akademik adalah aktivitas yang berbeda dari desain kurikulum dan pengembangan kompetensi tenaga kerja, dan berargumen bahwa badan akreditasi dapat mengurangi variasi yang dihasilkan dengan menyediakan kerangka kebijakan AI yang mengintegrasikan integritas akademik, etika data, dan akses yang adil.

Bentuk hukum lebih jarang daripada bahasa hukum. Dalam tinjauan cakupan 160 dokumen, 2.5% instrumen membawa kekuatan hukum sementara 57.5% berupa panduan atau perangkat, dan hanya 3 dari 131 dokumen yang menyebut kontrol hukum yang benar-benar merupakan instrumen hukum (Elmahjub et al. (2026)).

Tinjauan sistematis Inggris menambahkan lapisan sektoral pada celah yang sama: investasi infrastruktur dan pelatihan AI staf terkonsentrasi di universitas padat riset (Russell Group) sementara institusi yang dipimpin pengajaran (post-92) menghadapi kendala kapasitas, dan hanya sebagian kecil institusi Inggris memelihara rencana tata kelola AI resmi (Ashiq (2026)).

Sektor yang membuat kebijakan tanpa basis bukti. Celah kematangan juga muncul sebagai masalah bukti di program profesional. Gutowski dan Hurley (2025) menilai kebijakan institusional sekolah hukum AS yang disetujui ABA pada lima dimensi — sifat melarang, sifat mengizinkan, integrasi pendidikan, transparansi dan akuntabilitas, serta kedalaman — dan menemukan sebagian besar sekolah mengambil posisi yang umumnya melarang sambil menyisakan diskresi kepada dosen perorangan dan berkomitmen meninjau aturan seiring teknologi bergerak. Mereka mengaitkan kehati-hatian itu dengan tekanan waktu ketimbang bukti: survei ABA 2024 hanya menarik respons dari sekitar 15% sekolah terakreditasi, dan penulis melaporkan tidak ada konsensus tentang apakah penggunaan AI harus diungkapkan atau bagaimana ia harus dikutip. Kesimpulan mereka bersifat prosedural — bangun kebijakan bersama dosen, bukan untuk mereka, latih secara proaktif, dan perlakukan pembuatan kebijakan sebagai peristiwa berulang ketimbang tindakan sekali jadi — yang menjadikan Pendidikan Hukum salah satu kasus paling jelas dari pembedaan kebijakan versus tata kelola yang ditarik halaman ini.

Dosen mengatur; institusi sebagian besar tidak

Celah kematangan memiliki wajah kedua, yang terlihat dari sisi pengajaran. Watson dan Rainie (2026) mensurvei 1,057 dosen perguruan tinggi dan universitas AS dan menemukan bahwa aturan telah ditulis jauh lebih cepat di bawah institusi daripada di tingkat institusi: 87% responden membuat kebijakan tingkat tugas mereka sendiri untuk penggunaan AI oleh mahasiswa, berbanding 35% yang menyatakan departemen mereka telah menulis pedoman dan 48% yang menyatakan institusi mereka telah melakukannya. Respons struktural di balik dokumen-dokumen itu tipis — 55% melaporkan gugus tugas atau kelompok pengawas, 37% kelas baru yang berfokus pada AI, 17% program mayor atau minor AI, 16% kantor kepemimpinan akademik baru, dan hanya 13% adopsi literasi AI sebagai luaran pendidikan umum. Sementara itu 68% menyatakan sekolah mereka belum menyiapkan dosen untuk mengajar dengan alat-alat itu. (Penulis menggambarkan sampelnya sebagai non-ilmiah dan tidak dapat digeneralisasi, jadi paling baik dibaca sebagai kekhawatiran yang diungkapkan sektor ini.) Karena mahasiswa bertemu tambal sulam yang dihasilkan sebagai satu rezim institusional tunggal, temuan itu adalah bukti langsung bagi pembedaan halaman ini antara dokumen kebijakan dan tata kelola yang membuatnya konsisten. Celah itu memiliki konsekuensi terukur di sisi mahasiswa. Desain dua studi Chen — 160 mahasiswa seni dalam eksperimen skenario dan 425 yang disurvei (Chen, 2026) — menemukan bahwa inkonsistensi yang dipersepsikan antara advokasi GAI sebuah universitas dan praktik pengajaran, penilaian, serta dukungannya secara positif memprediksi penilaian hambatan (β = 0.431) maupun tantangan (β = 0.496). Penilaian-penilaian itu membawa efek tidak langsung yang berlawanan pada keterlibatan proses kreatif (β = −0.060 melalui hambatan, p = 0.004; β = 0.217 melalui tantangan, p < 0.001), sehingga satu kebijakan yang tidak selaras dapat menekan dan menopang karya kreatif mahasiswa sekaligus.

Regulasi tingkat tugas adalah pola yang muncul. Studi longitudinal berskala besar atas 31,000+ silabus mata kuliah (2021–2025) di sebuah universitas riset publik besar (Chirikov 2026) menunjukkan bagaimana dosen sebenarnya mengatur AI dalam praktik: regulasi AI eksplisit tumbuh dari nyaris nol menjadi 55% mata kuliah pada Musim Gugur 2025, tetapi arahnya bergeser dari restriktif ke permisif, dan dosen semakin membedakan menurut jenis tugas — membatasi AI untuk penyusunan/penalaran (tugas berisiko penggusuran) sementara mengizinkannya untuk penyuntingan/koreksi baca dan dukungan belajar (tugas augmentasi). Pembingkaian juga bergeser dari integritas akademik (63%→49% silabus) ke dampak pembelajaran (1%→29%). Pola berbasis tugas ini — dibangun di atas mekanisme ekonomi tenaga kerja berupa penggusuran tugas, augmentasi, dan pemulihan — menawarkan alternatif yang lebih rinci terhadap kebijakan adopsi-atau-larang yang menyeluruh dan merupakan jangkar empiris langsung bagi pembedaan kebijakan-vs-tata kelola di atas.

Sisi mahasiswa dari regulasi tingkat tugas sama-sama berbentuk kebijakan. Dengan dua dari tiga penilaian berada di bawah tingkat penggunaan terbuka yang identik, format penilaian tetap menentukan untuk apa mahasiswa menggunakan GenAI: penggunaan umpan balik naik dari 0% dalam presentasi berperancah menjadi 66.7% dalam kuis yang dikerjakan di rumah (Quince dan Faulconer (2026)).

Desain kebijakan di tingkat dosen sebagai latihan keselarasan. Regulasi tingkat tugas memiliki padanan desain di bawah silabus. Kasus desain McCorkle (2025) menurunkan penggunaan GenAI yang diizinkan dan tidak diizinkan dalam sebuah mata kuliah dari pertanyaan "apa, secara spesifik, yang saya nilai?" — menginventarisasi setiap tugas dalam sebuah proyek, memetakan tiap tugas ke sebuah tujuan pembelajaran, memasangkannya dengan kompetensi tenaga kerja GenAI yang sedang muncul (Pengembangan Karier dan Kesiapan), lalu memutuskan keprihatinan mana yang diprioritaskan: kebutuhan menilai kinerja mahasiswa atau nilai membangun kompetensi itu. Kebijakan yang dihasilkan berbeda dari tugas ke tugas dalam satu proyek — curah gagasan topik dan kurasi gambar diizinkan, menyusun tujuan pembelajaran dan merancang slide tidak — dengan alasan yang ditulis langsung kepada mahasiswa. Kasus itu juga mendokumentasikan mengapa larangan menyeluruh gagal dalam praktik: mahasiswa yang tidak memandang diri mereka tidak jujur membaca larangan sebagai tidak berlaku bagi mereka, dan kebijakan menjadi tidak adil (Keadilan) ketika ekspektasi dibiarkan implisit. Ia melengkapi tingkat-tingkat kebijakan dari atas ke bawah di atas dengan menunjukkan bagaimana isi sebuah kebijakan dapat dihasilkan dari keselarasan Penilaian di tingkat mata kuliah dan tugas.

Kebijakan penilaian: batas, pengawasan, dan permukaan serangan

Celah batas–bukti dalam kebijakan penilaian. Audit atas panduan penilaian GenAI publik di 30 universitas (Yao 2026) menemukan bahwa kebijakan institusional lebih baik dalam mengklasifikasikan penggunaan AI daripada dalam menjelaskan bukti pembelajaran apa yang tetap sah di bawah setiap kelas: skor batas delegasi rata-rata (2.47/4) melampaui skor standar bukti rata-rata (1.89/4), pengaman jarang (2.75 dari 8), dan panduan paling jelas untuk substitusi keluaran akhir. Kerangka stewardship kognitif berargumen bahwa kebijakan harus membuat logika sertifikasi terlihat — apa yang boleh didelegasikan pembelajar, apa yang masih harus mereka tunjukkan, dan bagaimana institusi melindungi bukti yang adil — alih-alih sekadar memantau penggunaan AI.

Bahasa larangan yang terlalu inklusif dan aturan yang salah diterapkan. Cakupan sebuah aturan adalah keputusan kebijakan dengan konsekuensi di luar kepatuhan. Wright (2026) berargumen bahwa larangan menyeluruh yang ditulis di seluruh pendidikan tinggi sejak 2023 melarang "AI generatif" tanpa presisi teknis untuk memisahkan pembuatan konten dari konversi format berbantuan AI — pengenalan karakter optis, pengenalan tulisan tangan, dan ucapan-ke-teks adalah teknologi pengenalan yang menyimpulkan apa yang sudah ditulis mahasiswa alih-alih menghasilkan konten baru. Dalam pembacaan ini, memberi sanksi atas penggunaan transkripsi saja paling baik dicirikan sebagai kesalahan penerapan kebijakan ketimbang pelanggaran, dan biaya ketidaktepatan itu jatuh secara tidak merata: mahasiswa yang rentan secara keadilan dan mahasiswa penyandang disabilitas yang bergantung pada alat-alat itu menanggung risiko positif-palsu yang tidak proporsional, sebuah paparan yang diperlakukan isu dan risiko hukum sebagai pertanyaan penyesuaian yang wajar ketimbang pertanyaan integritas.

Batas berbasis tujuan alih-alih daftar alat. Li (2026) memasok isi kebijakan yang tidak dimiliki bahasa larangan yang terlalu inklusif: garis dukungan-versus-substitusi yang didefinisikan oleh fungsi dan konstruk penilaian alih-alih dengan menyebut nama alat, dengan argumen bahwa daftar alat menjadi usang dan mendorong kepatuhan melalui antarmuka. Dukungan yang diizinkan adalah intervensi permukaan yang tidak menambahkan gagasan, tidak menambahkan sumber, dan tidak menata ulang analisis secara material; substitusi adalah menghasilkan argumen atau kontra-argumen, menerapkan aturan disipliner pada fakta, menyusun ulang urutan analitis, atau menghasilkan sitasi untuk dimasukkan. Kerangka itu disampaikan sebagai tiga instrumen — definisi kerja dengan uji cepat bersama sehingga dua penilai mencirikan perilaku yang sama secara serupa, templat pengungkapan terkalibrasi mulai dari tidak ada untuk fungsi berisiko rendah yang tertanam hingga pernyataan satu baris untuk penyuntingan bahasa eksternal dan sekitar 80–120 kata di mana ideasi terbatas diizinkan secara eksplisit, serta rubrik keputusan yang menyebut proksi lemah (bahasa yang mengkilap atau kefasihan mendadak, frasa penutur bukan asli, skor deteksi tunggal) di samping jenis bukti yang dapat berbobot. Ia juga menyatakan kondisi di mana rezim permisif yang diskalakan seperti AI Assessment Scale tetap dapat dijalankan: penggunaan diizinkan secara eksplisit untuk tugas tertentu, konstruk ditentukan ulang sehingga mahasiswa dan penilai tahu apa yang dinilai, dan pengungkapan tetap layak dilakukan.

Otomasi bertahap dengan pengawasan manusia yang wajib. Ujian akreditasi pendidikan menengah pertama nasional Acredita EB Uruguay menawarkan model konkret otomasi yang mempertahankan pengawasan dalam kebijakan penilaian: bagian pilihan ganda dan prosedur yang ada tetap tidak berubah, AI hanya digunakan untuk bagian menulis di dalam tahap kalibrasi wajib atas 50–100 teks, dan dua aturan pemangkasan menentukan hasil mana yang memerlukan tinjauan pakar — kandidat yang tidak dapat lulus pada dua bagian lain tidak perlu tinjauan menulis, dan kandidat Mahir di ketiga bagian lulus dengan hanya 0.2%/0.6% risiko sisa yang teramati. Penulis memperkirakan desain itu dapat memangkas respons tertulis yang memerlukan penilaian manusia penuh setidaknya 50% sambil mempertahankan prinsip pemandu bahwa tidak ada keputusan akhir tentang hasil ujian yang dibuat tanpa pengawasan manusia yang memadai. Ini melengkapi kerja batas–bukti di atas dengan menunjukkan kebijakan yang menetapkan bukan hanya di mana AI diizinkan tetapi bukti manusia dan tinjauan mana yang tetap wajib.

Sisi adversarial dari penilaian otomatis. Kebijakan yang mengalirkan penilaian melalui alat AI mewarisi permukaan serangan. Humble (2026) melakukan red team atas alur kerja penilaian institusional dengan menyembunyikan lima injeksi prompt tidak langsung di dalam berkas sebuah kiriman sintetis yang telah dinilai Microsoft Copilot (GPT-5.2) sebagai gagal pada keenam putaran dasar. Dua strategi menaikkan nilai tanpa peringatan yang terlihat bagi pengguna — tingkat keberhasilan serangan yang dilaporkan 100% (9 dari 9 iterasi) dan 94% (17 dari 18) — dan alat itu secara diam-diam menonaktifkan sebuah obrolan setelah memblokir serangan paling sederhana dan, dalam satu iterasi, mengumumkan akan mengabaikan instruksi yang tertanam sebelum menaikkan nilai pada enam putaran berikutnya. Nilai yang diperoleh melalui instruksi tersembunyi tidak membawa klaim validitas, dan teknik yang sama dapat menurunkan mutu sebuah kiriman tanpa jejak yang bertahan, sehingga permintaan makalah itu bersifat tingkat kebijakan ketimbang teknis: panduan tingkat sektor, pengembangan profesional, penggunaan AI yang dibatasi dengan tinjauan manusia untuk pekerjaan berisiko tinggi, dan pengujian ketahanan injeksi prompt yang terstandardisasi dan agnostik domain agar permukaan serangan diukur alih-alih diasumsikan. Ini adalah padanan adversarial dari desain pengawasan di atas: di mana desain itu menetapkan tinjauan manusia mana yang wajib, ini menetapkan kelas manipulasi yang seharusnya ditangkap oleh tinjauan tetapi tidak memiliki sinyal yang andal untuk itu.

Matriks nilai/norma sebagai fondasi kebijakan. Agarwal et al. (2026), sebuah tinjauan sistematis atas 25 artikel, mengonsolidasikan etika AIED ke dalam enam nilai etis utama (non-diskriminasi, stewardship data, pengawasan manusia, niat baik, keterjelasan, kelayakan pendidikan) dan memetakan norma etis yang diekstrak dari literatur ke dalam matriks pemangku kepentingan per nilai. Tinjauan itu memosisikan matriks tersebut sebagai fondasi untuk membangun kerangka etis dan regulasi yang rinci bagi AIED, memberi institusi pendidikan, pengembang, dan regulator norma konkret untuk mengimplementasikan nilai-nilai tertentu. Ia menemukan norma niat baik yang ditujukan kepada regulator jauh lebih banyak (sembilan) daripada untuk kumpulan pemangku kepentingan lain, menandakan peran regulator dalam memastikan AIED memberi manfaat bagi pembelajar melalui kebijakan dan legislasi — titik awal konkret yang berjangkar nilai bagi mesin kebijakan-vs-tata kelola yang dijelaskan halaman ini.

Klaim bukti dan mesin kebijakan

Klaim yang melangkah lebih jauh daripada kualifikasinya. Pengumuman uji coba juga merupakan instrumen kebijakan, dan standar pelaporannya adalah bagian dari kebijakan itu. Restrepo Morales et al. (2026) menganalisis episode El Salvador September 2026 di mana uji coba tutor AI di 171 sekolah negeri dilaporkan mencapai hasil yang sebanding dengan Jerman dan Swedia: terhadap rata-rata matematika PISA 2022 Jerman, 5.5% teratas dari distribusi capaian nasional akan menyamai tolok ukur itu tanpa keuntungan belajar sama sekali, dan penilaian uji coba itu mencakup 7.0 siswa per sekolah berbanding 25.4 dalam survei nasional pada tahun yang sama, sehingga bukti yang diterbitkan tidak dapat mengecualikan seleksi sebagai penjelasannya. Usulan mereka adalah standar pelaporan enam butir — garis dasar sekolah peserta, protokol pengambilan sampel (siswa yang memenuhi syarat, siswa yang dinilai, aturan identifikasi, tingkat partisipasi), skor terpilah dengan galat baku, tanggal operasional setiap komponen reformasi, tumpang tindih dengan sampel nasional yang representatif, dan kualifikasi yang dinyatakan dalam dokumen, unggahan, atau paragraf yang sama dengan klaimnya — yang dimotivasi oleh aritmetika pengungkapan pengumuman itu sendiri: unggahan Bank Dunia yang membawa klaim tercatat sekitar 441,000 tayangan berbanding sekitar 11,000 untuk unggahan yang membawa kualifikasi empat tempat kemudian dalam utas yang sama. Pelajaran kebijakannya adalah bahwa ketika sebuah sistem menggunakan hasil tingkat sekolah sebagai bukti tentang dirinya sendiri, format pengungkapan menentukan pernyataan mana yang menjadi fakta publik.

Uji coba itu sendiri dapat menjadi mesin kebijakan. Williamson et al., 2026 membaca EdTech Impact Testbed Inggris — £1 juta awal untuk 16 perusahaan pembangun prototipe pada 2025, lalu £23 juta untuk memperluas uji coba ke 1,000 lokasi sekolah — sebagai tata kelola antisipatif: ruang kelas menjadi tempat uji coba yang menghasilkan bukti promisori dan tepat waktu untuk penskalaan.

Analisis tingkat negara atas PISA 2022-2025 menemukan bahwa negara dengan penggunaan AI generatif lebih tinggi menunjukkan penurunan membaca dan matematika yang lebih besar, asosiasi yang hilang setelah kinerja sebelumnya dikontrol (Guerra & Aslanov, 2026). Penulis membacanya sebagai peringatan bahwa akses chatbot yang lebih luas tidak boleh diperlakukan sebagai manfaat itu sendiri, dan menyerukan peluncuran yang dipasangkan dengan evaluasi longitudinal.

Kebijakan vs. tata kelola

Kebijakan dan tata kelola terkait erat tetapi berbeda, dan menjaga keduanya tetap terpisah penting untuk memahami penelitian dalam basis pengetahuan.

• Kebijakan adalah isi — apa yang diputuskan. Kebijakan adalah aturan, prinsip, atau pernyataan formal: penggunaan AI apa yang diizinkan, dilarang, atau diwajibkan; apa yang harus diungkapkan; format penilaian apa yang diizinkan. Ia ada sebagai artefak terdokumentasi (legislasi, pedoman institusional, pernyataan silabus) dan menjawab "apa aturannya?"
• Tata kelola adalah mesin — bagaimana ia diputuskan, diterapkan, dan ditegakkan. Tata kelola mencakup struktur institusional, norma, dan mekanisme akuntabilitas yang menghasilkan, menjalankan, dan memantau kebijakan: siapa yang menetapkan aturan, bagaimana aturan dikomunikasikan dan diberi sumber daya, bagaimana kepatuhan ditegakkan dan dipertanyakan, dan bagaimana aturan direvisi seiring AI berkembang. Ia menjawab "siapa yang memutuskan, dan bagaimana aturan itu benar-benar berlaku?"
• Keduanya saling bergantung. Kebijakan tanpa tata kelola tidak ditegakkan — aturan tertulis yang tidak dimiliki, dipantau, atau diperbarui siapa pun. Tata kelola tanpa kebijakan kehilangan arah — struktur yang tidak mengelola apa pun secara khusus. Penelitian dalam basis pengetahuan berulang kali menunjukkan keduanya harus dibangun bersama: kebijakan yang hanya mengklasifikasikan penggunaan AI tanpa tata kelola untuk menetapkan bukti, pengaman, dan proses revisi tetap lemah dalam praktik (audit stewardship kognitif), dan tata kelola yang hanya memantau tanpa kebijakan yang jelas berisiko menjadi pengawasan tanpa keadilan (lihat tata kelola AI).

Kepemimpinan AI senior jarang relatif terhadap ambisi strategis. Tinjauan cakupan atas 19 sumber menemukan hanya 7% institusi telah menciptakan peran kepemimpinan AI senior meskipun 49% memperlakukan AI sebagai prioritas strategis, dengan sebagian besar studi yang disertakan bersifat konseptual atau potong lintang, sehingga tidak ada efek kausal tata kelola antisipatif yang dapat ditetapkan (Baroudi (2026)).

Uji praktis yang memisahkan keduanya: kebijakan dapat dibaca di atas kertas, tetapi tata kelola diamati dalam apakah aturan itu diterapkan, ditegakkan, dan diadaptasi. Inilah sebabnya Tata Kelola AI memperluas Regulasi AI dalam Pendidikan dan kebijakan ke dalam institusi, dan mengapa basis pengetahuan memperlakukan pilihan format penilaian (Penilaian Sumatif) sebagai keputusan kebijakan yang hanya menjadi efektif melalui struktur tata kelola seperti dewan tinjauan, kerangka deklarasi, dan jalur banding.

Kebijakan ruang kelas sebagai perbatasan interpretif tata kelola. Mesin tata kelola tidak berhenti pada dokumen institusional; guru yang membaca dan mengadaptasinya adalah mata rantai terakhir, dan Nash & Burriss (2026) menunjukkan bagaimana mata rantai itu tampak dalam praktik. Guru prajabatan mereka mengharapkan bekerja di distrik dengan kebijakan AI namun tetap harus menulis aturan khusus kelas untuk siswa mereka sendiri — keterampilan adaptasi yang esensial — dan penulis berargumen bahwa guru dapat menolak mengadopsi AI untuk tugas membaca dan menulis tertentu tanpa mengabaikannya, dengan penolakan berprinsip yang dapat dibedakan dari penolakan tanpa kritik. Menjaga pembedaan itu tetap hidup adalah tugas tata kelola itu sendiri: distrik dan program persiapan memerlukan panduan, pengembangan profesional, dan infrastruktur kebijakan yang memungkinkan guru menolak penggunaan tertentu tanpa dibingkai sebagai ketinggalan zaman.

Indikator tata kelola untuk masalah autentikasi. Coates, Croucher dan Calderon (2025) memasok lapisan pengukuran yang tersirat dari pembedaan kebijakan-versus-tata kelola ini, memperlakukan Integritas Akademik di era GenAI sebagai masalah tata kelola sebelum masalah deteksi dan menilai tata kelola akademik kontemporer tangguh tetapi "tidak siap atau tidak berposisi" untuk melindungi autentikasi Penilaian mahasiswa. Kerangka mereka memuat 130 pertanyaan tata kelola di bawah delapan dimensi — Merancang, Mengembangkan, Melatih, Menerapkan, Menganalisis, Melaporkan, Mengevaluasi dan Memperbaiki — dan butir-butirnya adalah pertanyaan tentang mesin institusional ketimbang skala psikometrik: apakah dewan atau majelis tertinggi institusi menerima pembaruan tentang proses dan hasil penilaian, apakah indikator kinerja utama mencakup mutu penilaian, berapa persentase mahasiswa yang dikenal secara individual oleh dosen yang menilai mereka, apakah nilai yang sangat rendah atau sangat tinggi diperiksa silang, dan apakah ada jalur sederhana untuk merujuk kasus kecurangan kontrak. Program reformasi yang menyertainya menyasar arsitektur tata kelola, orang-orang yang memegang peran tata kelola, serta teknologi dan sumber daya yang mendukung penilaian, dan penulis berargumen bahwa sedikit pengembangan institusional yang membuahkan hasil tanpa dukungan eksternal dari regulasi, tolok ukur, dan kompetisi antarinstitusi — tekanan regulatif yang sama yang diperlakukan halaman Regulasi AI dalam Pendidikan sebagai kendala pengikat bagi reformasi tata kelola. Celah itu juga terukur di K-12, bukan hanya di universitas. Survei yang representatif secara nasional atas 1,018 guru dan kepala sekolah negeri AS menemukan hanya 18% guru dan 24% kepala sekolah melaporkan adanya kebijakan AI generatif di sekolah — pola di bawah institusi yang sama yang didokumentasikan halaman ini di pendidikan tinggi (Tench, Weinstein & James, 2026).

Defisit kebijakan dalam penelitian AI × SEL

Sebuah tinjauan sistematis atas 65 makalah di persimpangan AI dan pembelajaran sosial-emosional (Tran, Liu & Nguyen 2026) mendokumentasikan "defisit kebijakan": hampir tiga per empat studi tidak menyatakan implikasi kebijakan, dan yang menyatakannya sering kali kurang spesifik berorientasi aktor. Tinjauan itu menemukan keterlibatan kebijakan berkorelasi dengan tempat publikasi, mencerminkan insentif akademik yang menghargai kebaruan teknis di atas Tata Kelola AI dan Regulasi AI dalam Pendidikan. Ia mengusulkan kerangka "pertanyaan-WH" (Siapa, Apa, Mengapa, Kapan/Di mana, Bagaimana) dan pergeseran dari "implikasi-sebagai-pikiran-susulan" ke "implikasi-sebagai-metodologi" — memperlakukan artikulasi kebijakan sebagai kendala desain penelitian ketimbang tambahan pasca-hoc.

Defisit yang sama memiliki sisi permintaan. Gillette et al. (2026) menambahkan bukti sisi permintaan dari sebuah fakultas ilmu sosial Swedia: 31% peserta survei dan kelompok fokus mengangkat etika tanpa diminta, sebagian besar menginginkan panduan institusional yang lebih, dan konsekuensi lingkungan genAI sama sekali tidak ada dalam dokumen kebijakan.

Miskonsepsi Umum

• "Universitas memiliki kebijakan AI yang nyata." Bentuk hukum lebih jarang daripada bahasa hukum. Dalam tinjauan cakupan 160 dokumen, 2.5% instrumen membawa kekuatan hukum sementara 57.5% berupa panduan atau perangkat. Nyaris seperempat dari seratus dokumen tata kelola AI adalah panduan yang tidak mengikat.
• "Kehati-hatian institusional mencerminkan bukti." Kehati-hatian dikaitkan dengan tekanan waktu ketimbang bukti: survei ABA 2024 hanya menarik respons dari sekitar 15% sekolah terakreditasi, sehingga konsensus hati-hati itu bersandar pada sampel yang tidak representatif.
• "Cakupan kebijakan dapat dipetakan dari survei yang representatif." Kebijakan dan panduan AI dikumpulkan dari seluruh 48 program terakreditasi CAHIIM dalam satu domain — sensus lengkap atas sebuah ceruk, yang lebih informatif tentang ceruk itu ketimbang tentang kebijakan secara umum.

Konsep terkait

• Kemitraan Pedagogis — Kemitraan Pedagogis
• Regulasi AI dalam Pendidikan
• Tata Kelola AI
• Pengembangan Pendidikan
• Keadilan
• Pendidikan Tinggi
• K-12
• Integritas Akademik
• Etika
• Kompetensi AI Guru
• Membingkai Penggunaan AI bagi Siswa
• Penilaian Sumatif
• Pendidikan Kimia — Pendidikan kimia dan AI: laboratorium, penilaian formatif, batas LLM, filosofi eksperimentasi
• Pendidikan Biologi — Pendidikan biologi dan AI: asisten pengajaran laboratorium, literasi AI dalam biologi, berpikir kritis, alat khusus
• Pemangku Kepentingan — Payung: orang dan audiens dalam pendidikan AI (pembelajar, guru, perancang, administrator, pembuat kebijakan)
• Dukungan dan Keberhasilan Siswa — konteks kebijakan bagi penerapan dukungan institusional

Artikel terkait

• Cheating or being cheated? Academic integrity and a changing cheating habitus in international AI governance discourse — Teks UNESCO dan OECD berbagi kosakata tata kelola dan tanpa definisi operasional; dua puluh tiga yurisdiksi bertemu tanpa satu pun
• Toward Partnership Ethics for Generative Artificial Intelligence in Higher Education — Studi survei dan kelompok fokus Swedia yang berargumen bahwa etika kemitraan, bukan bingkai kecurangan, harus memandu keputusan genAI institusional
• Generative AI Governance in Education: A Scoping Review of Principles, Mechanisms, and Risks in English-Language Documents — Tata kelola AI generatif dalam pendidikan: tinjauan cakupan atas prinsip, mekanisme, dan risiko (Elmahjub et al. 2026)
• Artificial learning: how sessional academics view contract cheating and digital academic misconduct in assessment — Aturan tingkat satuan yang tidak dapat direkonsiliasi mahasiswa
• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — Survei representatif nasional atas guru dan kepala sekolah AS tentang cakupan kebijakan AI, agensi, dan lima langkah ruang kelas (Tench, Weinstein & James 2026)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — Ketika universitas mengadvokasi GAI tetapi praktiknya tertinggal: penilaian mahasiswa dan keterlibatan proses kreatif dalam pendidikan seni
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — Kebijakan AI ruang kelas guru bahasa Inggris prajabatan: apa yang mereka izinkan, batasi, dan larang (Nash & Burriss 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — Kerangka manusia-dalam-lingkar untuk penilaian berbantuan AI dalam asesmen menulis berskala besar
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Menurunkan penggunaan GenAI yang diizinkan dan tidak diizinkan tugas demi tugas dari apa yang dinilai (McCorkle 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Bagaimana dosen mengatur AI di 31.000 silabus mata kuliah (Chirikov 2026)
• Artificial Intelligence and Grade Inflation — Penggusuran tugas oleh AI sebagai mekanisme inflasi nilai (Chirikov 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Delphi global tentang tata kelola AI generatif di pendidikan tinggi
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Panduan di atas kebijakan: aturan silabus yang ditetapkan dosen dan ekosistem dukungan empat unit di 50 universitas AS yang inovatif (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Perbandingan lima faktor kebijakan GenAI sekolah hukum di sektor yang membuat kebijakan tanpa basis bukti (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Transkripsi bukan pembuatan: aturan AI yang terlalu inklusif, konversi format, dan akomodasi disabilitas (Wright 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Tata kelola antisipatif untuk AI di pendidikan tinggi (tinjauan cakupan)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — Dokumen kebijakan AI di seluruh 48 program magister informatika kesehatan terakreditasi: sebagian besar panduan, berpusat pada integritas akademik (Eldredge et al. 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — Stewardship kognitif untuk penilaian yang dimediasi AI (audit kebijakan 30 universitas)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• A Framework for Institutional Change in the Age of AI
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• The Policy Deficit in AI × Social-Emotional Learning Research — Defisit Kebijakan dalam Penelitian AI × SEL
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Nilai dan norma etis untuk AI dalam pendidikan
• Zero-shot governance — Tata kelola zero-shot: AI serbaguna dalam kebijakan (Perrotta 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — Membatasi klaim pembelajaran uji coba tutor AI El Salvador (Restrepo Morales et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 dosen AS: 87% menulis aturan tugas mereka sendiri di tengah pedoman institusional dan departemen yang tipis (Watson & Rainie 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Batas dukungan–substitusi berbasis tujuan dengan pengungkapan terkalibrasi dan rubrik keputusan (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Injeksi prompt dalam penilaian yang dimediasi AI: nilai berubah tanpa terdeteksi, dan respons tingkat kebijakan (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — 130 indikator tata kelola untuk mengautentikasi penilaian, dan tekanan eksternal yang dibutuhkan reformasi (Coates, Croucher & Calderon 2025)
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Tingkat kebijakan versus desain tugas: untuk apa mahasiswa menggunakan GenAI di tiga penilaian fisika (Quince & Faulconer 2026)
• Generative AI use and the 2022–2025 decline in PISA performance across countries — Penggunaan AI generatif tingkat negara yang lebih tinggi mengikuti penurunan PISA 2022-2025 yang lebih besar, korelasi yang lenyap setelah mengontrol kinerja sebelumnya (Guerra & Aslanov 2026)
• Experimental futuring: AI prototyping and pilot testing as anticipatory governance in education — EdTech Impact Testbed Inggris sebagai tata kelola antisipatif: uji coba yang menghasilkan bukti promisori (Williamson et al