Tata Kelola AI

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

Tata kelola AI — kerangka, kebijakan, struktur institusional, dan norma yang memandu perancangan, penerapan, dan penggunaan kecerdasan buatan dalam pendidikan secara bertanggung jawab. Tata kelola mencakup mekanisme institusional formal (kelompok pengarah AI, kebijakan tentang integritas akademik dan penggunaan yang dapat diterima, tinjauan etis) dan norma informal (pedoman dosen, pengembangan profesional, budaya penggunaan AI yang bertanggung jawab). Di era AI, tata kelola yang efektif adalah prasyarat bagi adopsi GenAI yang etis, adil, dan berkelanjutan — tata kelola menentukan apakah AI diintegrasikan secara transparan, dengan akuntabilitas, atau diadopsi secara reaktif dengan cara yang memperdalam ketidakadilan.

Pertanyaan yang Perlu Dipertimbangkan

• Jika institusi Anda memiliki kebijakan AI di atas kertas tetapi tidak memiliki proses yang jelas untuk menegakkan, memperbarui, atau mengomunikasikannya, apakah itu benar-benar tata kelola? Apa yang membedakan aturan yang ada dari aturan yang benar-benar dikelola?
• Mahasiswa dalam satu studi mengatakan universitas mereka tidak memiliki kebijakan AI yang jelas dan bahwa hal itu membentuk cara mereka menggunakan AI. Bagaimana ambiguitas kebijakan dapat memengaruhi apa yang dianggap mahasiswa sebagai 'penggunaan yang dapat diterima' — dan haruskah institusi khawatir meninggalkan negosiasi itu kepada individu?
• Halaman ini membedakan tata kelola berbasis deteksi (mengawasi penggunaan AI) dari tata kelola berbasis desain (merancang ulang penilaian sehingga penggunaan AI diharapkan dan diungkapkan). Pendekatan mana yang lebih condong ke praktik penilaian Anda sendiri, dan apa trade-off masing-masing?
• Tata kelola digambarkan beroperasi pada tingkat nasional, institusional, dan kelas. Pikirkan satu aturan AI dalam konteks Anda: siapa yang menetapkannya, bagaimana aturan itu dikomunikasikan dan ditegakkan, dan seberapa baik tingkat-tingkat itu selaras?
• Satu kerangka membingkai ulang tata kelola AI sebagai masalah aksi kolektif untuk mempertahankan keahlian bersama — "commons kognitif". Bagaimana melindungi kumpulan pengetahuan kolektif suatu profesi mengubah cara Anda berpikir tentang tata kelola AI dibandingkan sekadar mengatur sebuah alat?
• Halaman ini memperingatkan bahwa deklarasi penggunaan AI yang wajib gagal ketika terasa menghukum atau ambigu. Kapan Anda pernah melihat aturan kepatuhan menjadi bumerang karena orang tidak memahami atau memercayainya — dan apa yang diajarkannya kepada Anda tentang tata kelola?

Pendahuluan

Tata kelola AI dalam pendidikan semakin mendesak karena AI generatif memperkenalkan tantangan epistemik, etis, dan organisasional yang baru: ia menggoyahkan asumsi tentang produksi pengetahuan, agensi pembelajar, validitas Penilaian, dan peran pendidik sebagai otoritas epistemik. Tata kelola menjawab pertanyaan tentang integritas akademik (apa yang dianggap penggunaan AI yang dapat diterima), privasi data dan keamanan, bias algoritmik dan keadilan, transparansi dan akuntabilitas, serta keselarasan adopsi AI dengan misi dan nilai institusi. Temuan yang berulang di seluruh penelitian basis pengetahuan adalah bahwa tata kelola institusional sering tertinggal — banyak institusi tidak memiliki kebijakan AI yang jelas dan terpadu, sehingga mahasiswa dan dosen harus menegosiasikan penggunaan yang dapat diterima sendiri.

• Tata kelola zero-shot sebagai kondisi struktural platformisasi. Perrotta (2026) mengembangkan konsep tata kelola zero-shot — AI generatif agnostik domain yang mencampuri keputusan kebijakan — melalui analisis tingkat kode atas Redbox, prototipe layanan sipil Inggris yang telah dihentikan dan dibangun di atas LLM siap pakai. Dengan membaca arsitekturnya (prompt sistem tak terlihat + pembungkus Python tipis di atas pipeline RAG (Pembangkitan yang Diperkaya dengan Pengambilan) retrieve→format→generate dan tumpukan cloud yang agnostik penyedia), artikel itu berargumen bahwa sifat serbaguna model fondasi adalah fitur struktural platformisasi yang dapat dimitigasi tetapi tidak pernah dikesampingkan: AI agentik tidak menghentikan logika monopolistik dan rentier platform, dan mekanisme probabilistik yang sama yang menghasilkan kebaruan juga menghasilkan halusinasi. Bagi tata kelola, implikasinya adalah bahwa pengawasan atas AI serbaguna harus memperlakukan keluaran menyimpang sebagai risiko yang tak dapat direduksi dan hanya dapat dimitigasi, bukan bug yang dapat diperbaiki — kewaspadaan yang sama-sama berlaku untuk penalaran kebijakan pendidikan.

• Baroudi tinjauan cakupan membingkai tata kelola AI di pendidikan tinggi melalui lensa tata kelola antisipatif dan kepemimpinan.

• Tata kelola antisipatif melalui prototipe dan uji coba. Williamson et al., 2026 membaca DfE Inggris sebagai memerintah melalui desain: prototipe AI dan uji coba di sekolah membayangkan masa depan yang dipilih, memperlakukan ruang kelas sebagai tempat uji coba, dan menghasilkan bukti "promisori" tepat waktu untuk penskalaan alih-alih "apa yang berhasil" yang sudah mapan.

• Kodesain kebijakan oleh mahasiswa: Hingle & Johri menunjukkan bagaimana aktivitas inkuiri terpandu di mana mahasiswa ikut merancang kebijakan kursus GenAI memunculkan nilai-nilai mahasiswa — memprioritaskan pelatihan, prosedur pengungkapan yang terstandardisasi, dukungan institusional yang lebih kuat, dan keterlibatan yang lebih besar dalam pengambilan keputusan. Ini memosisikan mahasiswa sebagai mitra dalam tata kelola alih-alih objek pasif, melengkapi kebijakan tingkat institusi dengan suara mahasiswa dari bawah.

• Jebakan tekno-solutif dan defisit kebijakan: Tinjauan sistematis atas 65 studi AI × pembelajaran sosial-emosional (Tran, Liu & Nguyen 2026) menemukan bahwa penelitian sering mengedepankan potensi teknis sementara kurang merinci kondisi institusional bagi implementasi yang bertanggung jawab — sebuah jebakan "tekno-solutif". Penulis menghubungkan keterlibatan kebijakan dengan tempat publikasi dan mengusulkan kerangka "pertanyaan-WH" untuk membuat implikasi tata kelola spesifik per aktor, sejalan dengan temuan basis pengetahuan yang lebih luas bahwa tata kelola institusional tertinggal dari adopsi AI.

Gillette et al. (2026) menunjukkan ketidaksesuaian tata kelola alih-alih kekosongan tata kelola: mahasiswa ingin universitas "berbuat lebih banyak", tetapi institusi berpendapat bahwa keputusan berada di tingkat departemen, program, dan mata kuliah, sehingga permintaan dan mandat mengarah ke badan yang berbeda sementara keheningan mengisi celahnya.

Bagaimana tata kelola AI muncul dalam penelitian

• Adopsi institusional dalam skala besar: Studi AIDA di Open University menunjukkan bagaimana sebuah institusi merancang, menerapkan, dan mengevaluasi asisten GenAI, mengidentifikasi bahwa penerapan bertanggung jawab di tingkat sistem menuntut struktur tata kelola (Kelompok Pengarah AI), sponsor kepemimpinan senior, dan keselarasan dengan strategi institusi — bukan hanya kapabilitas teknis.

• Kepemimpinan dan perubahan sistemik: SPARK membingkai tata kelola dalam Teori Kepemimpinan Kompleksitas, berargumen bahwa pemimpin harus menyeimbangkan stabilitas administratif dengan inovasi yang muncul, menanamkan mekanisme tata kelola (kebijakan, rezim penilaian, kerangka akuntabilitas) sehingga inovasi ruang adaptif dapat dipertahankan dan diskalakan.

• Ambiguitas kebijakan dan pengalaman mahasiswa: Keterlibatan mahasiswa dengan GenAI menemukan 12/23 mahasiswa mencatat tidak adanya kebijakan AI institusional yang eksplisit ("Universitas belum memiliki kebijakan yang jelas dan terpadu"), berargumen bahwa ambiguitas tata kelola membentuk praktik, norma, dan regulasi diri mahasiswa — mendukung pergeseran ke panduan institusional yang transparan.

• Literasi AI sebagai kapasitas tata kelola ("SDG ke-18"): Islam, Morshed, dan Islam (2026) mengonseptualisasi ulang literasi AI sebagai mekanisme tata kelola sistemik alih-alih keterampilan kelas, mengusulkan Taksonomi AIRE enam tingkat (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) yang memperluas hierarki Bloom dengan sintesis etis dan tinjauan ke depan strategis, serta Nexus AI–SDG yang memetakan kompetensi literasi ke seluruh tujuh belas Tujuan Pembangunan Berkelanjutan. Dengan membingkai literasi AI sebagai heuristik "SDG ke-18" — kapasitas lintas bidang yang menyalurkan pembelajaran ke tata kelola dan pembangunan berkelanjutan — survei studi tersebut atas 300 profesional menemukan literasi tata kelola sebagai prediktor terkuat kesadaran nexus AI–SDG (β = 0.64, r = 0.67 dengan kesadaran nexus) dan mengidentifikasi penalaran etis serta pemikiran reflektif sebagai prediktor terkuat penggunaan AI yang tepercaya. Hal ini mengaitkan tata kelola institusional dengan penumbuhan literasi AI publik, sejalan dengan temuan basis pengetahuan bahwa keselarasan AI yang bertanggung jawab menuntut pembuat kebijakan dan warga yang mampu menafsirkan sistem algoritmik secara kritis, bukan sekadar kontrol teknis yang berorientasi kepatuhan.

• Sebagian besar tata kelola pendidikan adalah panduan, bukan hukum. Di antara 160 dokumen berbahasa Inggris, hanya 4 yang berbentuk hukum atau regulasi formal sementara 92 berupa panduan, kerangka, atau perangkat; akuntabilitas muncul di 146 dokumen tetapi berpasangan dengan aktor pengawas yang disebutkan di 100 (Elmahjub et al. (2026)).

• Integritas akademik dan penilaian: Tata kelola menjadi pusat bagaimana institusi menangani kekhawatiran Integritas Akademik terkait AI dan merancang ulang Penilaian — bergerak dari larangan/pengawasan menuju panduan, literasi AI, dan desain berorientasi proses, seperti terlihat dalam penelitian tentang rasionalisasi mahasiswa dan desain ulang penilaian autentik.

• Desain ulang berjalan pada tiga dimensi sekaligus. Laidlaw (2026) membingkai desain ulang penilaian era AI melalui dimensi kultural-diskursif (bahasa dan asumsi), material-ekonomis (sumber daya), dan sosial-politik (tata kelola dan kekuasaan), dan menyebut persimpangan sumber daya–kekuasaan sebagai titik pengungkit sekaligus risiko terbesar: sumber daya yang mengalir melalui struktur kekuasaan yang ada memperbesar ketidakadilan.

• Bauran instrumen tata kelola yang tertulis: Eldredge et al. (2026) mengaudit dokumen terkait AI dari seluruh 48 program magister informatika kesehatan dan manajemen informasi kesehatan terakreditasi CAHIIM di Amerika Serikat. Empat puluh dari 48 (83%) memiliki setidaknya satu dokumen yang tersedia publik, dan di antara 40 dokumen yang dianalisis tata kelola terwujud terutama sebagai panduan alih-alih aturan mengikat: 21 pedoman (53%), 9 dokumen informasional (23%), dan hanya 7 kebijakan formal (18%). Sebagian besar dokumen menyasar dosen dan mahasiswa sekaligus (20, 51%) alih-alih mahasiswa saja (6, 15%), dan baik jenis kebijakan maupun audiens tidak bervariasi menurut moda penyelenggaraan (Fisher's exact P = .85 dan P = .71), sehingga bauran instrumen mengikuti kebiasaan institusional alih-alih tuntutan program daring, kampus, atau hibrida. Isi mengelompok pada integritas akademik, penggunaan AI yang bertanggung jawab, dan perilaku mahasiswa, dengan sedikit panduan yang mencakup penggunaan AI dalam pembelajaran terapan, penelitian, dan lingkungan simulasi, tepat di tempat kekhawatiran kurikulum dan tata kelola data bersinggungan. Penulis juga melaporkan bahwa akreditor regional memasok sebagian besar korpus (Higher Learning Commission n = 14 dan SACSCOC n = 13, bersama-sama sekitar 60%, tanpa satu pun dari wilayah WASC) dan berargumen bahwa akreditasi adalah tuas eksternal yang paling tepat untuk mengurangi variasi antarprogram.

• Tata kelola sebagai ekosistem dukungan yang terdistribusi: Qian (2026) mengodekan panduan AI dari 50 universitas AS yang diperingkat paling inovatif dan menemukan tata kelola terwujud lebih sebagai interpretasi dan dukungan daripada sebagai aturan: hanya 6 dari 50 yang membingkai halaman utama mereka sebagai "kebijakan", 33 dari 50 memosisikan instruktur sebagai penerjemah utama ekspektasi institusi menjadi aturan mata kuliah, dan dukungan untuk melakukannya mengelompok di empat unit yang saling mengunci — pusat pengajaran dan pembelajaran yang memasok bahasa silabus dan menu kebijakan mata kuliah, perpustakaan yang menetapkan standar sitasi dan provenans, kantor TI dan tata kelola perusahaan yang menjalankan aturan klasifikasi data dan tumpukan alat yang telah divetting, serta kantor integritas akademik yang membawa proses hukum yang adil dan remediasi yang mengutamakan edukasi. Qian berargumen bahwa Perancah-nya, bukan pendiriannya, yang mengurangi ambiguitas, dan melaporkannya terdistribusi secara tidak merata: 33 dari 50 institusi menerbitkan materi silabus atau kebijakan mata kuliah sementara hanya 4 yang mengedepankan panduan yang berhadapan langsung dengan mahasiswa. Ini adalah temuan bauran instrumen di atas dalam bentuk organisasional — kapasitas tata kelola yang berada di unit-unit, bukan di dokumen.

• Etika, privasi, dan bias: Mekanisme tata kelola mengoperasionalkan prinsip etis (Etika, Privasi, Mitigasi Bias) yang sering diakui tetapi tidak ditegakkan, menghubungkan ke perdebatan AI yang bertanggung jawab dan regulasi dalam pendidikan.

• Matriks nilai/norma untuk tata kelola. Agarwal et al. (2026), sebuah tinjauan sistematis atas 25 artikel, mengonsolidasikan etika AIED menjadi enam nilai etis utama (nondiskriminasi, pengelolaan data, pengawasan manusia, niat baik, keterjelasan, kelayakan edukatif) dan memetakan norma etis yang diekstrak dari literatur ke matriks pemangku kepentingan per nilai. Pemetaan itu menjadikan norma sebagai aturan yang dapat ditindaklanjuti untuk mewujudkan nilai tertentu dan menawarkan fondasi untuk membangun kerangka etis dan regulasi AIED yang rinci — memberi institusi pendidikan, pengembang, dan regulator norma konkret untuk diimplementasikan. Norma untuk pengawasan manusia mengelompok pada institusi pendidikan dan pengguna akhir, kelayakan edukatif pada institusi pendidikan dan regulator, dan norma niat baik yang ditujukan kepada regulator jauh lebih banyak (sembilan) daripada kumpulan lain mana pun, menandakan peran regulator dalam memastikan AIED memberi manfaat bagi pembelajar melalui kebijakan dan legislasi.

Pendidikan tata kelola

Tata kelola AI beroperasi pada dua tingkat yang diperlakukan bersama oleh basis pengetahuan: aturan institusional yang mengatur penggunaan AI (kebijakan, kerangka penggunaan yang dapat diterima, persyaratan Penilaian dan deklarasi) dan pendidikan tentang aturan itu (menyiapkan orang untuk menavigasinya). Tata kelola tanpa pendidikan berisiko tidak ditegakkan atau buram; pendidikan tanpa tata kelola kehilangan gigi. Penelitian dalam alur ini mencakup analisis kebijakan GenAI institusional, kerangka deklarasi AI, tata kelola penilaian, kebijakan AI pendidikan tinggi Inggris, dan tinjauan AIED komprehensif yang menempatkan tata kelola dalam lanskap kebijakan yang lebih luas.

Tata kelola penilaian

Arena sentral tata kelola AI adalah bagaimana institusi mengatur penilaian — aturan yang menentukan apa yang dianggap penggunaan AI yang dapat diterima, bagaimana pekerjaan berbantuan AI dideklarasikan, dan bagaimana ukuran sumatif dilindungi. Ini mencakup perancangan dan penegakan pernyataan penggunaan dan pengungkapan AI: penelitian menunjukkan bahwa deklarasi wajib gagal ketika terasa menghukum atau ambigu (Gonsalves 2025, Vetter et al. 2026), dan bahwa kebijakan yang jelas, konsisten, dan berbasis kepercayaanlah yang benar-benar mendorong pengungkapan. Penelitian basis pengetahuan membedakan tata kelola berbasis deteksi (mengawasi penggunaan AI, misalnya melalui Deteksi AI) dan tata kelola berbasis desain (merancang ulang penilaian sumatif dan autentik sehingga penggunaan AI diharapkan, diungkapkan, dan ditelaah). Tata kelola AI generatif dalam penilaian yang berpusat pada bukti dan Beyond Detection berargumen bahwa tata kelola harus memasangkan deteksi apa pun dengan desain ulang penilaian, sementara pilihan format sumatif yang tahan AI (ujian lisan, ukuran dengan pengawasan/buku tertutup, wawancara tinjauan kode — lihat Penilaian Sumatif) itu sendiri adalah keputusan tata kelola. Bukti berskala besar (Strömberg, Lei, & Wu 2026) menegaskan pentingnya mengatur ukuran sumatif, karena pekerjaan rumah yang tidak diatur dapat digelembungkan AI sementara pembelajaran aktual menurun. Cakupan suatu larangan itu sendiri adalah keputusan tata kelola: Wright (2026) menunjukkan bahwa aturan yang melarang "AI generatif" tanpa membedakan generasi dari konversi format menangkap alat transkripsi asistif dan mengubah salah penerapan kebijakan menjadi tuduhan pelanggaran, membebani mahasiswa penyandang disabilitas dan yang terekspos keadilan — kegagalan tata kelola yang oleh isu dan risiko hukum diperlakukan sebagai pertanyaan kesetaraan sama seperti pertanyaan integritas.

Bukti yang dikumpulkan Zagami (2026) dari arena berisiko tinggi mengarah pada tata kelola yang tidak merata alih-alih penolakan sederhana: adopsi parsial dan kebijakan yang tidak lengkap dalam penilaian, penerimaan, dan proses disipliner, dengan penundaan institusional berfungsi sebagai pendirian tata kelola alih-alih kegagalan. Tugas institusional adalah menafsirkan penolakan dengan cukup baik untuk memperbaiki tata kelola, menanyakan keputusan mana yang memerlukan tinjauan manusia, sistem mana yang memerlukan audit, penggunaan mana yang memerlukan pengungkapan, dan pilihan pengadaan mana yang memerlukan justifikasi publik. Weidlich (2026) menambahkan korolari khusus penilaian: skor detektor adalah sinyal probabilistik bersyarat yang tidak dapat dengan sendirinya menetapkan pelanggaran, sehingga tata kelola yang berpusat pada deteksi adalah dasar yang tidak memadai untuk mempertahankan klaim penilaian.

AI agentik menggeser lagi pertanyaan pengaturan: Wong & Sun (2026) membandingkan panduan dari 12 universitas dan menemukan pekerjaan baru terletak pada tanggung jawab mana yang boleh didelegasikan mahasiswa dan apakah agen boleh bertindak dengan kredensial mereka — pertanyaan akses yang tidak dapat diungkapkan aturan penggunaan-versus-non-penggunaan.

Tata kelola lintas tingkat

Tata kelola AI beroperasi pada banyak tingkat — dari nasional/regulatif (kebijakan pemerintah, kerangka OECD, pedoman AI negara bagian) hingga institusional (kebijakan universitas, kelompok pengarah AI, dewan tinjauan etis) hingga kelas (pedoman instruktur, pernyataan silabus, desain tugas). Tata kelola yang efektif menyelaraskan tingkat-tingkat ini: kerangka nasional menetapkan ekspektasi, institusi menerjemahkannya menjadi kebijakan dan struktur dukungan, dan pendidik mengimplementasikannya dengan cara yang membangun literasi AI dan agensi mahasiswa. Penelitian basis pengetahuan menekankan bahwa tata kelola bukan sekadar soal pembatasan tetapi soal menciptakan kondisi bagi integrasi AI yang bertanggung jawab, adil, dan mendukung pembelajaran — termasuk pengembangan dosen, panduan yang transparan, dan evaluasi berkelanjutan. Perilaku identik, vonis berbeda. Poudyal (2026) menerapkan 15 vinyet penggunaan mahasiswa yang terstandardisasi pada lingkungan kebijakan publik 20 universitas Australia, menghasilkan 300 klasifikasi: 40.0% jelas dilarang, 32.3% potensi pelanggaran kebijakan, 9.0% diizinkan dengan syarat, dan 18.7% tak tentu — tidak ada yang memenuhi ambang jelas diizinkan. Instrumen mengikat tidak menyebut AI generatif dalam 100 kombinasi sementara panduan menyelesaikan 88, dan penulisan ulang bahasa yang diungkapkan serta paragraf yang disusun AI menghasilkan divergensi antaruniversitas tertinggi, bertentangan dengan suara bulat untuk larangan penilaian yang eksplisit. Di tempat tingkat-tingkat yang dijelaskan di atas diasumsikan selaras, studi ini mengukur seberapa jauh mereka menyimpang, dan menemukan batas operasionalnya pada panduan alih-alih kebijakan yang mengikat.

Tata kelola dosen dan argumen untuk tinjauan yang disengaja. Di tempat tingkat-tingkat di atas diselaraskan melalui kebijakan, sebagian sektor mencapainya melalui tata kelola bersama. Gutowski dan Hurley (2025) menggambarkan sekolah hukum sebagai kasus sulit justru karena alasan ini: fakultas hukum AS memegang otoritas individual yang tidak biasa atas standar mata kuliah, sehingga kebijakan harus dibangun bersama mereka alih-alih diumumkan kepada mereka, dan sebagian besar sekolah yang menulis aturan larangan juga menyisakan diskresi bagi instruktur individual dan berkomitmen pada revisi seiring teknologi bergerak. Rekomendasi mereka — fleksibilitas secara desain, tinjauan berkala, pelatihan proaktif, dan regulasi diri melalui berbagi informasi alih-alih menunggu akreditor mendikte kebijakan — menggambarkan tata kelola sebagai proses yang berlanjut alih-alih sebagai dokumen, poin yang sama yang dibuat konsensus Delphi dalam merekomendasikan siklus tinjauan terjadwal dan komite multidisiplin tetap.

Secara institusi luas, kerangka AIGEM (Tan et al. 2026) memosisikan AI yang bertanggung jawab sebagai kapabilitas organisasional strategis untuk manajemen pendidikan, mengintegrasikan kepemimpinan strategis AI, tata kelola yang bertanggung jawab, kecerdasan keputusan, kecerdasan kolaboratif manusia-AI, pengembangan kompetensi, dan penciptaan nilai berkelanjutan -- dan mengaitkan implementasi yang bertanggung jawab dengan SDG. Kerangka ini menegaskan bahwa tata kelola bukan hanya lapisan kepatuhan di atas pengajaran tetapi fungsi eksekutif institusi pendidikan.

Etika kepedulian menempatkan tanggung jawab pada institusi yang mengadopsi alat. Jones (2026) menempatkan tanggung jawab pada institusi yang memilih sistem tersebut, bukan vendor atau instruktur yang menyadari polanya, dan menanyakan apakah aturan yang sama mengikat administrator yang menulisnya sebagaimana mahasiswa yang hidup di bawahnya.

Sebagian besar institusi tidak dapat menyebut siapa yang memiliki AI. Di antara 387 mahasiswa dan staf di institusi di 13 negara, hanya 17% mengetahui adanya tanggung jawab pengelolaan AI yang ditunjuk, sementara 71% dari sisanya menginginkannya dan mengharapkannya menggabungkan pelatihan, pengawasan etis, keamanan data, dan strategi (Kaže et al. (2026)).

Koneksi ke konsep terkait

Tata kelola AI terhubung ke Etika (prinsip yang dioperasionalkannya), Pendidikan Tinggi (konteks institusionalnya), Privasi dan Mitigasi Bias (kekhawatiran tata kelola yang spesifik), dan Integritas Akademik (arena tata kelola utama). Ia sentral bagi perubahan institusional dan AI yang bertanggung jawab, serta bersinggungan dengan Literasi AI (tata kelola mendukung perkembangan penggunaan yang kritis dan terinformasi). Ia juga terhubung ke Analitik Pembelajaran (tata kelola data) dan Pengalaman Siswa (tata kelola membentuk bagaimana mahasiswa menavigasi penggunaan yang dapat diterima).

Mengatur commons kognitif. Kerangka Commons Kognitif (Lovett 2026) membingkai regenerasi keahlian sebagai masalah aksi kolektif di tingkat profesi yang menuntut tata kelola gaya Ostrom (definisi batas, pemantauan, sanksi bertahap, pilihan kolektif). Tata kelola AI dengan demikian bukan hanya soal regulasi alat tetapi soal mempertahankan kumpulan keahlian bersama yang dibutuhkan profesi — pada tingkat organisasi, asosiasi profesi, dan kebijakan.

Hubungan dengan kebijakan pendidikan

Tata kelola berbeda dari — tetapi tidak terpisahkan dari — kebijakan AI pendidikan. Kebijakan adalah isinya: aturan dan pernyataan formal (penggunaan AI apa yang diizinkan, apa yang harus diungkapkan, penilaian apa yang diperbolehkan). Tata kelola adalah mesinnya yang menghasilkan, menerapkan, menegakkan, dan merevisi aturan itu: siapa yang menetapkannya, bagaimana sumber daya dan komunikasinya, bagaimana kepatuhan dan banding ditangani, dan bagaimana semuanya beradaptasi seiring AI berkembang. Di tempat halaman kebijakan mengatalogkan aturan itu sendiri dan celah kemasakannya, halaman ini berfokus pada struktur dan praktik yang membuat aturan menjadi nyata — kelompok pengarah, tinjauan etis, tata kelola penilaian, dan akuntabilitas lintas tingkat. Aturan di atas kertas adalah kebijakan; aturan yang dimiliki, dipantau, dan ditegakkan adalah tata kelola. Keduanya saling bergantung: kebijakan tanpa tata kelola tidak ditegakkan, dan tata kelola tanpa kebijakan kehilangan arah.

Bahasa akuntabilitas dapat membiarkan aktor yang bertanggung jawab tanpa nama. Poudyal (2026) mengekstrak 166 ekspresi kewajiban atau pertanggungjawaban dari 366 abstrak pendidikan tinggi GenAI dan menemukan bahwa tidak satu pun menetapkan tanggung jawab pada sistem sementara 33 membiarkan pemikulnya tidak disebutkan; "tata kelola dibutuhkan" tidak menyebut siapa yang mengumpulkan, memutuskan, atau menegakkan. Institusi dan aktor kebijakan memikul 37 kewajiban, metonimi institusi/pendidik 30, pendidik 20, peneliti 18, dan mahasiswa hanya enam.

Svetec, Divjak & Kadoić (2026) mengidentifikasi etika & tata kelola data sebagai salah satu dari tujuh pemungkin intervensi pendidikan berbasis LA yang tepercaya — kebijakan untuk penggunaan etis LA dan AI, privasi data, keamanan, dan akuntabilitas — dan memosisikan kepercayaan (termasuk kepemimpinan dan tata kelola yang mendukung implementasi) sebagai prasyarat bagi intervensi berbasis data yang bermakna.

• Tata kelola dapat dirancang ke dalam alat. Profil tata kelola enam dimensi - landasan pedagogis, otoritas instruksional, akuntabilitas dan kendali manusia, agensi dan keterlibatan kognitif pembelajar, kekhususan konteks, dan visibilitas evaluasi - menempatkan tata kelola pada model interaksi, prompt, rubrik, gerbang persetujuan, dan dasbor sebuah alat pengajaran, dan menanyakan apakah mekanismenya sesuai dengan fungsi instruksional alih-alih seberapa ketat atau permisif sebuah alat (Dickey, 2026).
• Kerangka yang berpusat pada manusia menempatkan interpretasi, bukan alat, di pusatnya. Di sebuah perguruan tinggi seni liberal yang digerakkan misi, dosen menggunakan Assessment Wizard berbantuan AI generatif selama Hari Pendidikan terstruktur, dan penulis menyimpulkan bahwa pertimbangan manusia harus tetap menjadi otoritas interpretatif yang tidak dapat dinegosiasikan, dengan pos pemeriksaan verifikasi dan tata kelola yang sudah ada sebelum implementasi luas (Ravesloot, Copeland & Pryor, 2026). Urutannya adalah pembentukan dan verifikasi dahulu, penskalaan kemudian.

Miskonsepsi Umum

• "Universitas telah mengadopsi kebijakan AI yang mengikat." Dari 48 institusi, 40 (83%) memiliki setidaknya satu dokumen yang tersedia publik, dan di antara 40 itu tata kelola terwujud terutama sebagai panduan alih-alih aturan mengikat. Panduan yang diterbitkan bukan kebijakan yang dapat ditegakkan.
• "Kebijakan ditulis mengutamakan mahasiswa karena mahasiswalah risikonya." Sebagian besar dokumen menyasar dosen dan mahasiswa sekaligus (20, 51%) alih-alih mahasiswa saja (6, 15%), dan baik jenis kebijakan maupun audiens tidak bervariasi menurut moda penyelenggaraan. Pembingkaiannya bersifat bersama, yang berarti kewajibannya juga dibagi.
• "Kebijakan yang ambigu tidak menyentuh pengalaman mahasiswa." Ambiguitas kebijakan muncul langsung dalam pengalaman mahasiswa: keterlibatan mahasiswa dengan GenAI dibentuk oleh ketidakpastian itu, sehingga ambiguitas adalah kondisi aktif alih-alih celah netral.

Konsep terkait

• Kemitraan Pedagogis — Kemitraan Pedagogis
• Pernyataan Penggunaan dan Pengungkapan AI — Pernyataan penggunaan dan pengungkapan AI
• Proctoring Jarak Jauh
• Etika
• Pendidikan Tinggi
• Privasi
• Mitigasi Bias
• Integritas Akademik
• Literasi AI
• Analitik Pembelajaran
• Pengalaman Siswa
• Kebijakan AI Pendidikan
• Regulasi AI dalam Pendidikan
• Penilaian Sumatif
• Penyalahgunaan AI dan Kerugian Pembelajaran
• Kalibrasi Kepercayaan
• AI Generatif
• Pemangku Kepentingan — Payung: orang dan audiens dalam pendidikan AI (pembelajar, guru, perancang, administrator, pembuat kebijakan)
• Dukungan dan Keberhasilan Siswa — pengawasan atas sistem dukungan AI institusional

Artikel terkait

• AI Adoption at Higher Education Institutions: A Call for Designated AI Management — Adopsi AI di pendidikan tinggi: argumen untuk pengelolaan AI yang ditunjuk (Kaže et al. 2026)
• Care Ethics for AI Governance in Higher Education: Applying the Jones AI Ethics Framework — Etika kepedulian untuk tata kelola AI institusional, lima komponennya dan pertanyaan institusional yang dibangkitkannya
• 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 prinsip, mekanisme, dan risiko (Elmahjub et al. 2026)
• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — Literasi AI sebagai kapasitas tata kelola untuk pembangunan berkelanjutan: Taksonomi AIRE dan Nexus AI–SDG (Islam, Morshed & Islam 2026)
• Artificial Intelligence in Educational Management: Opportunities, Challenges, and Future Directions — Kerangka AIGEM untuk tata kelola AI dalam manajemen pendidikan
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — Dokumen kebijakan dan panduan AI di 48 program informatika kesehatan terakreditasi CAHIIM: tata kelola sebagai panduan tidak mengikat yang berpusat pada integritas (Eldredge et al. 2026)
• A Guided Inquiry Approach to Students Co-Designing Generative AI Course Policies — Mahasiswa merancang bersama kebijakan kursus GenAI melalui inkuiri terpandu (Hingle & Johri 2026)
• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — Dari analitik pembelajaran ke intervensi pendidikan: pemungkin intervensi berbasis LA yang tepercaya (Svetec, Divjak & Kadoić 2026)
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Ketidakpatuhan mahasiswa terhadap deklarasi penggunaan AI
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — Biaya pengungkapan yang tersembunyi
• "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — Pengungkapan AI oleh mahasiswa, stigma, dan regulasi diri
• Which inference is at risk? Assessment validity reasoning and generative AI — Inferensi mana yang berisiko: penalaran validitas penilaian dan AI generatif (Weidlich 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Delphi global tentang tata kelola dan kebijakan GenAI
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Tata kelola melalui panduan: aturan silabus yang ditetapkan instruktur 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 — Tata kelola dosen, diskresi instruktur, dan tinjauan berkala dalam kebijakan GenAI sekolah hukum (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Larangan "AI" yang terlalu inklusif, konversi format, dan masalah penyesuaian yang wajar (Wright 2026)
• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — Penolakan sebagai bukti: tata kelola yang tidak merata, kewajiban memahami, dan nilai diagnostik non-penggunaan (Zagami 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Tata kelola antisipatif dan kepemimpinan untuk AI
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Menerapkan AIDA di Open University
• Leveraging complex systems: Leading for transformative change — SPARK: Memimpin untuk Perubahan Transformatif
• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study — Keterlibatan Mahasiswa dengan GenAI (SDT)
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Melampaui Deteksi: Desain Ulang Penilaian Autentik
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education — Kebijakan GenAI institusional di bidang komputasi
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — Kerangka deklarasi AI
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — Tata kelola penilaian di bawah GenAI
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — AI dalam kebijakan pendidikan tinggi Inggris
• Review of Artificial Intelligence in Education from 2020 to 2025 — Tinjauan komprehensif penelitian AIED
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Tragedi commons kognitif: AI dan regenerasi keahlian
• 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)
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Siapa yang Bertindak, Siapa yang Tahu, Siapa yang Menjawab? Analisis Wacana Berbantuan Korpus atas Agensi, Tanggung Jawab Epistemik, dan Akuntabilitas dalam Penelitian Pendidikan Tinggi AI Generatif
• Instructional Governance by Design: A Framework for AI in Computing Education — Tata Kelola Instruksional secara Desain: Kerangka untuk AI dalam Pendidikan Komputasi
• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Memetakan Batas yang Diotorisasi: Studi Kebijakan-Vinyet Komparatif atas Tata Kelola AI Generatif di Pendidikan Tinggi Australia
• Delegation Is Not Assistance: Agentic AI and Assessment Governance in Higher Education — A Comparative Documentary Analysis of 12 Universities — Delegasi, bukti, dan akses: apa yang diubah AI agentik dalam tata kelola penilaian universitas (Wong & Sun 2026)
• Experimental futuring: AI prototyping and pilot testing as anticipatory governance in education — Prototipe AI dan uji coba sekolah sebagai mesin tata kelola yang membayangkan masa depan tertentu (Williamson et al