Kolaborasi Manusia-AI

Di halaman ini

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

Kolaborasi manusia–AI — pembagian kerja kognitif antara manusia dan model — adalah tema interaksi inti basis pengetahuan ini: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, It Felt a Bit Eerie": Exploring Humanlike Interactions During Collaborative Writing with an Artificial Agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL), dan Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing mengkaji kepercayaan, agensi, dan peran yang saling melengkapi (Human-in-the-Loop, AI Agensik). Pertanyaan penentunya adalah apakah kemitraan itu mempertahankan atau menggantikan kerja kognitif siswa itu sendiri — pengaturan yang sama dapat mendukung pembelajaran atau menggantikannya, bergantung pada bagaimana tanggung jawab dibagi.

Pertanyaan yang Perlu Dipertimbangkan

Pertanyaan penentu dalam kolaborasi manusia–AI adalah apakah kemitraan itu mempertahankan atau menggantikan kerja kognitif Anda sendiri. Pikirkan tugas yang pernah Anda serahkan kepada AI: apakah Anda yang menghasilkan dan memutuskan, atau Anda hanya menerima?
Satu studi menemukan bahwa berkolaborasi secara bebas dengan ChatGPT hanya menghasilkan keuntungan sesaat yang runtuh pada tugas tanpa bantuan di kemudian hari, sementara protokol 'berpikir dulu, ChatGPT kemudian' menghasilkan pembelajaran yang bertahan. Mengapa siapa yang menghasilkan ide dapat memprediksi apakah Anda benar-benar belajar?
Alat yang sama dapat mendukung pembelajaran atau menggantikannya, bergantung pada bagaimana tanggung jawab dibagi. Dapatkah Anda memikirkan pengaturan yang membuat Anda tetap produktif secara kognitif, versus pengaturan yang diam-diam melepaskan pemikiran Anda?
Satu pengaturan membalik peran yang biasa: alih-alih model menyediakan jawaban, siswa menjelaskan isi materi dan model berperan sebagai pihak yang tidak tahu yang meminta penjelasan, contoh, dan satu argumen tandingan. Jika AI yang bertanya, apa yang terjadi pada seberapa banyak pemikiran yang tetap di pihak Anda?
Kepercayaan digambarkan sebagai sesuatu yang harus dikalibrasi, bukan diasumsikan — mengandalkan AI ketika tepat dan memverifikasi ketika tidak. Bagaimana Anda saat ini memutuskan kapan harus percaya dan kapan harus memverifikasi keluaran AI?
Penelitian mengidentifikasi mode kolaborasi yang menukar efisiensi dengan kedalaman keterlibatan regulasi diri Anda. Kapan menerima efisiensi yang lebih rendah layak dilakukan agar lebih banyak pembelajaran tetap di tangan Anda?
Jika kolaborasi adalah pilihan pedagogis sama seperti pilihan teknis, langkah desain apa (prompt, alur kerja, struktur) yang akan Anda siapkan untuk memastikan AI menambah, bukan menggantikan, pemikiran bagi siswa Anda?

Pendahuluan

Kolaborasi manusia–AI menggambarkan bagaimana siswa, guru, dan sistem AI membagi kerja kognitif — siapa mengerjakan apa, siapa memutuskan, dan bagaimana Kepercayaan serta Agensi Pembelajar dipertahankan. Alih-alih membingkai AI sebagai pengganti atau alat pasif, penelitian kolaborasi memperlakukan AI sebagai mitra dengan kekuatan yang saling melengkapi, yang nilainya bergantung pada bagaimana tanggung jawab dibagi dan dipantau. Pada tingkat perilaku yang dapat diamati, Interaksi Siswa-AI menangkap bagaimana siswa mewujudkan hubungan ini dalam praktik — pertanyaan, prompt, dan langkah verifikasi yang mereka lakukan dengan AI dari saat ke saat.

Pembagian kerja juga melintasi orang-orang yang merancang interaksi itu. Di dua belas penerapan mata kuliah pendidikan guru, para dosen memosisikan AI sebagai mitra berpikir, pembuat kritik, atau alat latihan, sementara calon guru tetap bertanggung jawab mengevaluasi, menyesuaikan, dan membenarkan keputusan; namun white paper yang sama melaporkan bahwa calon guru menurunkan nilai umpan balik yang sebelumnya mereka nilai berguna begitu kepengarangan AI diungkap, sebuah episode yang disebutnya efek balon meletus. Analisis atas 1.378 giliran perancang–chatbot menunjukkan arah sebaliknya dalam hal generasi: para perancang menggunakan asisten tertanam terutama untuk pemeriksaan keselarasan pada capaian pembelajaran dan pendekatan pedagogis, bukan untuk menghasilkan konten. Dalam kedua kasus, pertimbangan evaluatif manusia, bukan keluaran model, yang membawa pembelajaran.

Manfaat, risiko, dan implikasi desain

Bukti dalam basis pengetahuan ini menunjukkan bahwa kolaborasi manusia–AI adalah pengaturan bermata dua yang hasilnya ditentukan oleh desain, bukan oleh AI itu sendiri:

Kolaborasi dapat meningkatkan pembelajaran ketika mempertahankan keterlibatan kognitif. Studi tentang GenAI sebagai mindtool dan kolaborasi terbimbing menunjukkan bahwa ketika pembagian kerja membuat siswa tetap menghasilkan, memutuskan, dan mengevaluasi, AI menambah bukan menggantikan pemikiran — menghasilkan keuntungan pembelajaran regulasi diri dan kreativitas yang bertahan. Bahwa siswa mempertahankan peran memutuskan juga berlaku untuk menulis: Oppenheimer, Cash & Connell Pensky (2025) menunjukkan kritik LLM terhadap esai argumentatif siswa meningkatkan tulisan sepanjang satu semester, dengan siswa memutuskan apakah akan memasukkan atau membantah umpan balik model (87.8% klaim dibantah) — pengaturan yang mempertahankan kerja evaluatif siswa — dan keuntungannya muncul bahkan pada esai yang ditulis tanpa dukungan LLM, yang mengindikasikan keterampilan yang bertahan, bukan ketergantungan pada alat.
Kolaborasi dapat menggantikan pembelajaran ketika terlalu banyak melepaskan. Mode kegagalannya adalah ketergantungan berlebih: ketika AI menghasilkan jawaban, peran siswa runtuh menjadi penerimaan pasif, dan kinerja tugas yang segera menutupi kurangnya pembelajaran yang bertahan. Penelitian kinerja versus pembelajaran dan siklus bahaya dari substitusi ke scaffolding (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) mendokumentasikan hal ini secara sistematis.
Skor yang lebih baik bukan dengan sendirinya bukti bahwa kolaborasi itu mengajarkan sesuatu. Bukti lain di halaman ini membaca kinerja berbantuan dengan hati-hati, dan uji acak atas jenis dukungan menunjukkan alasannya. Dalam studi laboratorium Iqbal et al. (2026), 87 siswa EFL menulis esai tanpa bantuan, lalu merevisinya dengan ChatGPT 4.0 (n = 29), dengan instruktur menulis manusia (n = 28), atau tanpa dukungan (n = 30). Strategi revisi mana dari empat strategi yang diturunkan dari jejak yang digunakan siswa sangat terkait dengan dukungan yang mereka terima (Cramér's V = 0.668) dan hanya cukup terkait dengan strategi menulis mereka sebelumnya (Cramér's V = 0.333); Motivasi, keterampilan menulis, dan akurasi pertimbangan metakognitif tidak menunjukkan hubungan keseluruhan, dengan kaitan metakognitif muncul hanya pada kondisi tanpa dukungan (p = 0.0460). Yang krusial, tidak ada strategi revisi yang memprediksi perubahan skor (p = 0.273) meskipun jenis dukungan memprediksinya: kelompok GenAI meningkat secara signifikan lebih banyak daripada kelompok ahli manusia dan kontrol (H(2) = 16.591, p = 0.00025, η² = 0.174), dan di dalam strategi pencarian bantuan yang menurun secara bertahap yang sama, siswa GenAI memperoleh sekitar 4 poin rata-rata sementara siswa dengan ahli manusia kehilangan 0.5. Para penulis membaca pola ini sebagai dukungan eksternal yang melewati pertimbangan metakognitif siswa sendiri dan memperingatkan bahwa keuntungan tersebut mungkin merupakan optimasi spesifik tugas, bukan kapabilitas yang bertahan. Ini tidak membalikkan prinsip siapa yang menghasilkan dan memutuskan (studi ini memvariasikan siapa yang menyediakan dukungan, bukan siapa yang menghasilkan pemikiran), tetapi mempertajam ujian yang harus diterapkan instruktur: keuntungan yang diperoleh di bawah bantuan harus bertahan pada tugas tanpa bantuan sebelum dihitung sebagai pembelajaran, dan menambahkan seorang ahli manusia ke dalam ruangan tidak otomatis menjadi pengaturan yang lebih aman.
Menambahkan teman sebaya juga tidak otomatis menjadi pengaturan yang lebih aman. Chu, Dai dan Zhai (2026) menugaskan 87 mahasiswa untuk bekerja sendiri atau berpasangan dengan sistem multi-agen GenAI selama delapan minggu. Pasangan memperoleh skor tertinggi pada proyek desain kompleks (M = 89.64, dibandingkan 85.85 untuk siswa yang bekerja berpasangan tanpa sistem dan 86.45 untuk yang bekerja dengan sistem itu sendiri, p = 0.039), namun kesadaran berpikir kritis meningkat paling banyak pada mereka yang bekerja sendiri (M = 0.41) dan sedikit menurun pada pasangan (M = −0.04, p = 0.039).
Prinsip desain — pertahankan kerja produktif siswa. Di seluruh penelitian, prediktor paling tajam apakah kolaborasi membantu atau merugikan adalah siapa yang menghasilkan dan memutuskan. Pengaturan yang membuat manusia tetap produktif secara kognitif (pemberian prompt terbimbing, "berpikir dulu, lalu konsultasikan AI", langkah verifikasi dan evaluasi) mendukung pembelajaran; pengaturan yang menyerahkan seluruh tugas kepada model tidak. Langkah pelengkapnya adalah mengubah apa yang ditugaskan kepada model untuk menjadi. Dalam kuasi-eksperimen Wang et al. (2026), 68 calon guru menjelaskan konsep kelas terbalik kepada siswa pemula GAI yang dibangun di atas ERNIE 3.5 (sistem yang dibingkai sebagai ingin tahu dan menghargai, yang meminta penjelasan, contoh, penalaran verifikasi, dan satu perspektif yang berlawanan, diurutkan naik taksonomi Bloom) atau mengajukan pertanyaan kepada guru GAI yang dibangun di atas model yang sama. Siswa yang mengajari AI menjelaskan lebih baik (mendefinisikan kelas terbalik M = 4.18 vs 3.29; aktivitas pengajarannya M = 4.91 vs 3.06, keduanya p < 0.001) dan menghasilkan pertanyaan yang lebih banyak dan lebih berkualitas (M = 3.67 vs 2.14; M = 5.67 vs 3.07, keduanya p < 0.001), sementara daya ingat objektif secara statistik tidak dapat dibedakan (M = 23.18 vs 21.57, p = 0.416), sehingga keunggulannya terletak pada penjelasan dan transfer, bukan pada pengambilan fakta. Siswa dalam kondisi guru-AI jujur tentang pertukarannya: sebagian mengakui bahwa sistem itu memberi "informasi yang lebih akurat dan terperinci" namun melaporkan bahwa "setelah menggunakannya, saya tidak ingin berpikir mandiri." Menugaskan model peran siswa yang harus diajari menjadikan siswa satu-satunya sumber ide dan menghapus kesulitan lama menemukan teman sebaya yang cocok untuk diajari. Dua batas desain menyertainya: perencanaan dan pemantauan tidak meningkat (M = 4.01 vs 3.78, p = 0.062), sehingga pembalikan peran bukan dengan sendirinya intervensi metakognitif, dan para penulis menelusuri hasil nol itu ke desain tugas yang menjaga siswa fokus pada akurasi konten. Di kelas menulis, prinsip itu mengambil bentuk yang konkret dan dapat diajarkan. Dalam kuasi-eksperimen EFL Saudi Alshehri et al. (2026), siswa menjalankan rutinitas lima bagian — membingkai masalah dan merancang prompt, menyusun draf secara iteratif, merevisi, memverifikasi setiap klaim dan sitasi terhadap basis data ilmiah, dan mengatur atribusi serta ketergantungan mereka sendiri — dengan setiap tugas mewajibkan catatan penggunaan AI tentang apa yang mereka terima, tolak, dan mengapa. Menulis dan berpikir kritis digital meningkat bersama dan bergerak hampir seiring, dan refleksi siswa mengaitkan rutinitas verifikasi dan perbaikan halusinasi secara khusus dengan keuntungan berpikir kritis: kebiasaan menginterogasi keluaran yang sama membentuk keputusan penyusunan mereka. Peringatan dari para penulis sendiri adalah pelengkap yang diperlukan bagi prinsip ini — alur kerja itu bersifat kontingen, bukan mandiri, dan dapat berbalik menjadi kontraproduktif di bawah Perancah yang tipis, kesiapan berpikir kritis atau metakognitif yang rendah (ketika siswa tidak memiliki kapasitas untuk menangkap keluaran buruk), delegasi bertahap atas keputusan penyusunan, atau kebijakan penggunaan AI institusional yang tidak jelas.
Kewenangan terbatas itu sendiri adalah pola desain untuk kolaborasi berisiko tinggi. Guru dalam Reichert et al. (2026) tidak membuat prototipe asisten terbuka, melainkan sistem yang kebebasannya ditetapkan sebelumnya: setiap desain membatasi chatbot pada konten pelajaran tertentu, dan keamanan dilapisi sebagai batas domain (cakupan spesifik pelajaran, ditambah "kuota informasi" yang mensyaratkan jumlah minimum fakta atau masalah sebelum percakapan berlanjut), penyaringan konten dengan penolakan terstandar ("Maaf, ini bukan bagian dari basis pengetahuan saya") yang juga memberi tahu guru, dan pengesampingan oleh guru untuk kasus ambigu — contoh yang diberikan adalah pertanyaan tentang reproduksi manusia yang sah dalam unitnya dan harus diarahkan ke seseorang alih-alih ditolak otomatis. Personalisasi format, genre, tempo, dan kompleksitas disambut di dalam batas-batas itu, dan pengawasan (log percakapan lengkap, peringatan waktu nyata, pengesampingan) dibingkai sebagai tanggung jawab profesional, bukan ketidakpercayaan pada model. Implikasinya adalah bahwa dalam lingkungan berisiko tinggi, pembagian kerja harus ditetapkan sebagai terbatas, termonitor, dan dapat dicabut, bukan dinegosiasikan giliran demi giliran.
Otomasi dan augmentasi bukan alternatif. Di empat kasus yang menghadap guru, penggantian tetap berada di dalam subtugas analitis yang terbatas, sementara komplemen muncul di mana pun guru menafsirkan dan memvalidasi keluaran, sehingga augmentasi ternyata merupakan sifat dari apa yang guru lakukan berikutnya, bukan sifat alat itu sendiri (Horvers et al. (2026)).
Kepercayaan harus dikalibrasi, bukan diasumsikan. Kolaborasi yang produktif bergantung pada siswa yang mengkalibrasi secara akurat kapan harus mengandalkan dan kapan harus memverifikasi keluaran AI — terkait dengan Kalibrasi Kepercayaan dan pengawasan manusia, bukan penerimaan buta atau penolakan menyeluruh.
Peringatan afektif adalah isyarat yang ditafsirkan guru, bukan instruksi untuk dipatuhi. Dalam satu pelajaran geometri sekolah menengah, peringatan emosi sistem AI mendahului langkah guru yang sangat berbeda, dan langkah itulah — pembingkaian ulang tugas, penegasan singkat, atau non-intervensi yang disengaja — yang mengubah keterlibatan, sehingga peringatan itu berfungsi sebagai satu masukan di antara hal-hal yang dapat diamati guru (Swidan (2026)).
Kolaborasi guru–AI bermata dua untuk keterlibatan kerja, bukan hanya untuk pembelajaran. Dalam survei tiga gelombang terhadap 468 dosen universitas, kolaborasi meningkatkan keterlibatan kerja melalui ketersediaan psikologis (tidak langsung 0.19) tetapi menurunkannya melalui alienasi kerja (tidak langsung −0.03); kompetensi digital memoderasi keduanya, mendatarkan kemiringan alienasi dari 0.38 ke 0.17 (Sun et al. (2026)).
Pembagian kerja mengikuti kredibilitas, bukan kapabilitas. Apa yang siswa tetapkan adalah alokasi berprinsip: AI untuk umpan balik bahasa yang segera dan berlaku luas, dan instruktur untuk bimbingan individual yang relasional, ditetapkan berdasarkan kredibilitas yang dipersepsikan dari masing-masing sumber, bukan akurasinya, karena kendala pengikat bagi ketergantungan adalah kepedulian yang dipersepsikan, bukan kompetensi (Serpil & Mor, 2026).
Ketergantungan adalah proses populasi, bukan hanya pilihan individu. Dalam model berbasis agen, bukti sosial yang terlihat untuk penggunaan yang tidak terverifikasi menjatuhkan verifikasi dari 0.29 ke 0.002 dan mengangkat ketergantungan berlebih dari 0.30 ke 0.52, sementara verifikasi teman sebaya yang terlihat memulihkan verifikasi hampir lengkap — mengubah apa yang dilihat siswa dilakukan orang lain mengalahkan menurunkan biaya pemeriksaan (Biswas (2026)).

Ini menjadikan kolaborasi manusia–AI sebagai konstruk pedagogis sama seperti konstruk teknis: nilai kemitraan dibentuk oleh bagaimana guru merancang interaksi, bagaimana siswa mengaturnya, dan bagaimana sistem mengundang atau mencegah keterlibatan yang produktif.

Bagaimana kolaborasi manusia–AI tampil dalam penelitian

Kepercayaan dan ekspektasi: Ekspektasi kepercayaan mengkaji bagaimana ekspektasi siswa terhadap AI membentuk apakah kolaborasi produktif atau mengarah pada Ketergantungan Berlebih.
Peran yang saling melengkapi dalam menulis dan berpikir: Penulisan kolaboratif dengan AI yang mirip manusia dan GenAI sebagai mindtool menunjukkan bagaimana AI dapat menambah, bukan menggantikan, pemikiran siswa ketika pembagian kerja mempertahankan keterlibatan kognitif siswa.
Orkestrasi dan agensi: Orkestrasi agensi guru–siswa dan model mental siswa membahas bagaimana agensi dinegosiasikan antara manusia dan AI, terkait dengan Human-in-the-Loop dan AI Agensik.
Dimensi metakognitif dan tim: Model metakognitif AI berpusat manusia dan mediasi disipliner dalam tim siswa memperluas kolaborasi ke metakognisi dan pembelajaran tim.
Kompetensi kolaborasi sebagai konfigurasi, bukan daftar periksa — metakognisi mengambil peran integratif Pengetahuan Teknologis, Pedagogis, dan Konten (TPACK). Dang, Hong, Doyle dan Nguyen (2026) mendefinisikan Kompetensi Kolaborasi Manusia-AI sebagai konfigurasi dinamis dari domain, kompetensi AI, dan kompetensi metakognitif beserta irisan-irisanannya (Bekerja dengan AI, Pembelajaran Agentik dengan AI, Pengembangan Pribadi dan Profesional Agentik, dan HACC itu sendiri), secara eksplisit menolak daftar aditif keterampilan AI yang ditempelkan pada kurikulum yang ada. Langkah sentral mereka memindahkan kerja integratif yang dalam TPACK dilakukan pedagogi: karena AI adalah peserta adaptif yang kontribusinya bergeser seiring berjalannya tugas, beban koordinasi jatuh pada metakognisi siswa sendiri — memutuskan kapan berkonsultasi dengan AI, bagaimana membingkai interaksi, dan kapan mengesampingkannya — sehingga siswa, bukan guru, yang memegang mekanisme yang menjaga kolaborasi tetap produktif. Agensi siswa sengaja dihilangkan sebagai simpul mandiri; ia justru merupakan kualitas emergen yang ditunjukkan siswa ketika mereka mengoordinasikan ketiga kompetensi itu, yang menjadikan agensi sebagai sifat konfigurasi, bukan keterampilan yang dilatih secara terisolasi. Studi wawancara kerangka ini dengan 24 pendidik Selandia Baru mendukung dimensi-dimensinya secara deskriptif, dan tingkat peran menggeser penekanan, bukan penerimaan: jaringan pendidik kepala berpusat pada AI dengan tautan ke HACC dan pengembangan profesional, berbeda secara signifikan dari pendidik senior (U = 10.00, p = .04) dan pendidik karier awal (U = 7.00, p = .01).
Mode kolaborasi yang berbeda: kerja empiris mengidentifikasi tiga mode pemecahan masalah kolaboratif manusia–AI — Penalaran yang Didelegasikan, Interpretasi Bersama, dan Elaborasi yang Didelegasikan — yang mengungkap pertukaran antara efisiensi sistem manusia–AI yang terdistribusi dan kedalaman keterlibatan regulasi diri siswa (penalaran yang didelegasikan berkinerja terbaik tetapi dengan regulasi diri yang lebih rendah).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)
Fasilitator manusia dan AI dapat secara perseptual saling menggantikan dalam diskusi terstruktur, tetapi penggunaan ulang berjalan pada alasan yang berbeda. Kuhail et al. (2026) menukar moderator manusia dengan moderator GPT-4 (dan kembali lagi) di 32 sesi debat yang dijalankan oleh 32 mahasiswa STEM, dan menemukan tidak ada perbedaan yang signifikan secara statistik pada efektivitas, kesenangan, kepuasan, kegunaan, atau niat untuk menggunakan (t berkisar 0.23 sampai 1.30, p dari 0.198 sampai 0.818). Yang berbeda adalah mengapa siswa akan kembali: di bawah moderasi AI, kegunaan yang dipersepsikan mendorong niat untuk menggunakan (0.806, p = 0.004), sementara kepuasan mendorongnya hanya di bawah moderasi manusia (0.556, p = 0.002). Para penulis membaca perbandingan yang datar itu sebagai normalisasi dalam tugas yang terikat aturan, bukan sebagai bukti kesetaraan, dan merekomendasikan mempertahankan pengawasan manusia untuk alasan etis dan relasional sambil membuat kegunaan aktivitas bermoderasi AI terbaca jelas, alih-alih bersandar pada kesenangan. Karena studi ini hanya mengukur persepsi, ia tidak mengatakan apa pun tentang apakah siswa berargumentasi lebih baik.
Tetapkan tugasnya sebelum mendelegasikannya. Tsim dan Gutoreva (2025) menambahkan zona keempat — apa yang sudah diketahui model — ke zona perkembangan siswa, menghasilkan penugasan Substitusi, Komplemen, Bantuan, dan Nirkompromi, dan berargumen bahwa mode otomasi–augmentasi–kolaborasi berbeda menurut lokus kendali dan tanggung jawab epistemik, bukan menurut kecanggihan alat.
Rekayasa prompt sebagai pemikiran pedagogis, dibangun melalui lesson study. Robinson et al. (2026) mengikuti lima pendidik guru di satu institusi UEA melalui dua siklus lesson study yang menjangkau 36 calon guru matematika sekolah menengah dan dasar, merancang pelajaran berbantuan AI dengan ChatGPT (GPT-4o). Langkah yang berhasil adalah memasangkan AI dengan kerangka disipliner: calon guru menghasilkan tugas, menilai tuntutan kognitifnya terhadap kerangka Analisis Tugas Matematika yang dimodifikasi, lalu menulis ulang prompt mereka untuk menaikkan kedalaman konseptual, sehingga revisi berjangkar pada matematika, bukan pada fitur alat. Enam belas dari 26 prompt yang dapat dianalisis membawa fitur tugas konseptual, dan para pendidik menyimpulkan bahwa rekayasa prompt adalah "bukan keterampilan teknis; itu keterampilan kognitif." Pembelajaran yang dilaporkan meningkat pada pelajaran yang direvisi (5 dari 7 calon guru pada siklus pertama dan 10 dari 14 pada siklus kedua melaporkan belajar membedakan tugas konseptual dari prosedural), dengan catatan bahwa meminta tugas yang lebih konseptual kepada AI kadang-kadang hanya menghasilkan tugas yang lebih rumit. Untuk pengembangan dosen, argumennya adalah untuk inkuiri kolaboratif yang berkelanjutan ke dalam pelajaran nyata, bukan lokakarya alat yang berdiri sendiri.
Bimbingan menentukan kinerja versus pembelajaran: Wong dan Qiu (2026) membandingkan kolaborasi manusia–AI yang bebas versus terbimbing pada tugas kreatif. Berkolaborasi bebas dengan ChatGPT hanya menghasilkan kinerja sesaat yang runtuh pada tugas tanpa bantuan di kemudian hari, sedangkan protokol terbimbing "berpikir dulu, ChatGPT kemudian" — menghasilkan ide sendiri, lalu menggunakan ChatGPT untuk memperbaiki, mengembangkan, dan mengevaluasinya — menghasilkan keuntungan yang bertahan dalam kreativitas mandiri. Keunggulan itu dimediasi oleh prompt kolaboratif yang bertujuan memperbaiki ide sendiri, menunjukkan bahwa siapa yang menghasilkan (pembagian kerja) memprediksi apakah kolaborasi menghasilkan pembelajaran atau substitusi.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)
AI sebagai mediator, bukan sekadar mitra: Niari mengonseptualisasikan ulang AI sebagai mediator pedagogis yang mengorkestrasi interaksi, pemaknaan epistemik, dan proses regulasi, mendistribusikan agensi, otoritas, dan tanggung jawab di antara aktor manusia dan nonmanusia alih-alih memperlakukan AI sebagai tutor, teman sebaya, atau alat.
Kolaborasi guru dengan AI juga berpola, bukan biner. Ketika guru merancang desain pelajaran dengan AI generatif, interaksi mereka mengambil bentuk yang dapat dibedakan secara empiris. Choi et al. (2026) mengidentifikasi tujuh pola interaksi guru–AI — dari adopsi langsung dan adopsi terelaborasi atas keluaran AI hingga penolakan awal, adopsi yang direvisi, penggunaan lanjutan yang terbimbing, interaksi kompleks, dan melewati AI — di mana pengalaman mengajar dan kecakapan AI seorang guru bersama-sama membentuk apakah mereka secara kritis mem-prompt ulang dan menyesuaikan AI dengan siswa dan konteks (pembagian kerja yang komplementer dan terdistribusi) atau menerima saran secara pasif (distribusi yang didominasi AI).
Agen mediasi sebagai bentuk hibrida dari partisipasi. Alih-alih titik tengah antara alat dan kolaborator, AI generatif dikonseptualisasikan sebagai agen mediasi yang memediasi tindakan sambil menghasilkan kontribusi kontingen yang tidak dapat dipertanggungjawabkan — kategori berbeda yang mengarahkan desain dari kapabilitas teknologi ke kebiasaan partisipasi (agensi supervisori, kewaspadaan epistemik).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
Komunitas dan otoritas epistemik: pembelajaran AI berbasis komunitas menunjukkan bahwa kolaborasi juga merupakan pertanyaan tentang siapa yang berotoritas, membumikan keterlibatan AI pada epistemologi yang dihayati siswa.
Penemuan sifat berbasis data: Analisis Sifat Utama (Principal Trait Analysis, PTA) mengotomatiskan penurunan "sifat" interaksi dari korpus besar percakapan Model Bahasa Besar (LLM) — pipeline empat tahap yang terinspirasi PCA yang mengekstrak observasi perilaku, mengelompokkannya menjadi calon sifat, memberi skor setiap kolaborator, dan memilih sifat yang paling membedakan. Dievaluasi pada korpus siswa–tutor AI dan korpus pengembang–agen pengodean, PTA menemukan sifat yang menjelaskan dan memprediksi hasil (misalnya keterlibatan konseptual yang mendalam secara positif, delegasi tugas secara negatif, dalam lingkungan pendidikan), dan — karena sifat-sifat itu belum menggeneralisasi lintas semester/lingkungan atau menunjukkan lintasan kurva belajar — para penulis berargumen bahwa sifat tersebut belum dapat ditafsirkan sebagai "keterampilan." Hal ini menawarkan pelengkap yang terukur dan objektif bagi kerangka Literasi AI dan ukuran laporan diri, yang secara langsung menginformasikan bagaimana pendidik mengajarkan "keterampilan penggunaan AI."
Hubungan manusia–AI sebagai kekhawatiran paling persisten lintas generasi CAI. Tinjauan payung atas agen AI percakapan (Ganguly et al. 2025, 34 tinjauan) menemukan bahwa kekhawatiran tentang hubungan manusia–AI — ketergantungan berlebih, isolasi sosial, depersonalisasi, ketergantungan emosional, transparansi, akuntabilitas — adalah isu etis yang paling sering dibahas di semua generasi CAI, mendahului GenAI. Ini menempatkan pertanyaan "mempertahankan vs. menggantikan" di pusat etika CAI dan memperkuat bahwa nilai kolaborasi ditentukan oleh desain (siapa yang menghasilkan, siapa yang memutuskan, bagaimana tanggung jawab dibagi).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)
AI menskalakan keahlian waktu nyata kepada pemula — RCT tutor langsung pertama. Wang et al. (2024) dalam uji acak (900 tutor, sekitar 1,800 siswa K-12 di komunitas yang kurang terlayani) menempatkan AI di sisi tutor, bukan sisi siswa: Tutor CoPilot menghasilkan saran waktu nyata seperti ahli (dibangun dari penalaran think-aloud tutor berpengalaman) yang dapat diedit atau ditolak tutor pemula. Siswa dari tutor yang mendapat perlakuan 4 p.p. lebih mungkin menguasai topik (p < 0.01), dengan keuntungan 9 p.p. di antara siswa dari tutor berperingkat terendah — yang naik menyamai hasil kontrol tutor berperingkat lebih tinggi — pada biaya sekitar ~$20 per tutor per tahun. Temuan ini menjadi jangkar empiris yang kuat bagi augmentasi guru/tutor sebagai mode kolaborasi manusia–AI yang adil: manusia mempertahankan pertimbangan pedagogis dan otonomi sementara AI memasok keahlian yang dapat diskalakan.
Ahli terbatas: bagaimana guru membagi otoritas dengan AI. Reichert, Briceno, Tabarsi & Barnes (2026) menjalankan studi desain partisipatif di mana enam guru sekolah menengah membuat prototipe chatbot LLM untuk kelas mereka sendiri dan menganalisis bagaimana otoritas harus didistribusikan antara guru dan sistem. Guru secara konsisten membingkai AI sebagai ahli terbatas — kapabilitas terspesialisasi yang dibatasi pada domain yang didefinisikan secara ketat dan beroperasi di bawah pengawasan manusia — dan membagi keterbatasan itu menjadi dua dimensi: batas otoritas, di mana tanggung jawab profesional dan hukum atas pembelajaran dan keselamatan siswa tidak dapat didelegasikan, dan batas keahlian, di mana sistem tidak memiliki pengetahuan kontekstual guru tentang siswa individual, dinamika kelas, dan norma institusional. Memetakan prototipe ke sembilan peristiwa instruksi Gagné menunjukkan bahwa delegasi bersifat selektif, bukan semua-atau-tidak sama sekali: guru menyambut AI untuk menyajikan konten, menyediakan soal latihan, Perancah, dan umpan balik formatif, tetapi menolak menyerahkan pemberitahuan tujuan kepada siswa atau penilaian sumatif Penilaian. Bacaan desainnya adalah bahwa antarmuka kolaborasi harus membuat terlihat di mana manusia mempertahankan peran memutuskan, bukan hanya di mana model mampu.
Peran harus beradaptasi, bukan sekadar diberi label. Liao (2026) menunjukkan bahwa pendamping AI "teman sebaya" yang tetap mempertahankan interaksi bincang buku lebih lama tetapi mendominasi pertukaran (porsi kata/kalimat siswa lebih rendah) dan mencapai batas afektif, dan berargumen bahwa kolaborasi memerlukan logika peran yang adaptif — berganti antara teman sebaya, asisten, dan penasihat — bukan persona statis tunggal.
Kodesain di sisi guru dan arsitektur peran juga merupakan kolaborasi. Di luar mitra yang menghadap siswa, guru berkolaborasi dengan GenAI untuk merancang pengajaran. Wang et al. (2026) meninjau secara sistematis kodesain tugas belajar guru–AI, memetakan mode kolaboratif dan ketegangan (agensi, otoritas epistemik, kendali) yang muncul ketika guru dan AI bersama-sama menghasilkan desain; Talebzadeh (2026) menemukan bahwa keahlian pedagogis guru — bukan kefasihan AI — menentukan kualitas aktivitas kelompok terdiferensiasi yang dirancang AI (kekayaan peran, sinergi, keselarasan tingkat), memosisikan guru sebagai "perancang pembelajaran dwibahasa."
GenAI sebagai agen dan ruang kolaboratif dalam kelompok. Xu et al. (2026) mengamati tim Pendidikan Tinggi kecil dan menunjukkan bahwa peran GenAI dinegosiasikan dan dapat dikonfigurasi — dari asisten bawahan hingga rekan tim yang diperebutkan — dan bahwa penggunaan bersama yang sinkron mempertahankan landasan bersama sementara penggunaan privat asinkron memecah transparansi, mengusulkan lensa Kerja Koperatif Berbantuan GenAI yang memperlakukan GenAI sebagai agen sekaligus ruang kolaboratif interaktif.
Separuh komplementer kolaborasi kelas. Dua studi 2026 memetakan separuh komplementer kolaborasi manusia–AI di kelas. MeduAI-SP (Yang et al.) berargumen untuk "komplementaritas fungsional" dalam pendidikan klinis: agen AI menangani role-play berulang, simulasi pasien yang konsisten, pemantauan daftar periksa, pemberian prompt Sokratik, dan umpan balik formatif awal, sementara dosen dan pasien terstandar manusia menyediakan interpretasi kontekstual, respons emosional yang bernuansa, remediasi individual, penilaian profesionalisme, dan pertimbangan kesiapan — substitusi dibatasi oleh konsekuensi kesalahan, ketidakpastian tugas, kepekaan relasional, dan ketersediaan tinjauan manusia, dan sistem AI secara eksplisit dilarang menentukan kompetensi klinis secara otonom. Ke arah sebaliknya, diskusi etika campuran 3 manusia/3 agen dengan 45 siswa (Seo et al., 2026) mendokumentasikan pola bermata dua: agen menurunkan hambatan sosial (peserta berbicara lebih langsung karena agen tidak punya emosi, dan merasa tidak berkewajiban mengisi keheningan), namun kenyamanan yang sama mengalihkan interaksi menjauh dari manusia — 79.7% pertanyaan diarahkan ke agen versus 60% yang diprediksi oleh ketersediaan mereka (p = .017). Yang perlu dicatat, kehadiran manusia lain membuat peserta memperlakukan AI dengan lebih hormat, menunjukkan bahwa kehadiran bersama manusia itu sendiri merupakan afordan untuk mengkalibrasi keterlibatan AI.
Komplementaritas bersifat kondisional, bukan sifat bawaan tim. Tuo et al. (2026) menemukan bahwa tim manusia–AI mengalahkan manusia dan AI saja hanya pada satu dari enam kondisi — kasus menantang di mana AI kurang akurat daripada manusia — dan melaporkan tidak ada keunggulan tim yang konsisten di tempat lain, sehingga menambahkan mitra AI bukan dengan sendirinya jalan menuju kinerja komplementer.
Program profesional mengalihkan pelatihan dari produksi rutin ke kompetensi kolaborasi (sebuah protokol desain): Wang (2026) mengusulkan kerangka berbasis desain untuk pendidikan penerjemah yang dibangun di sekitar inventaris perpindahan tugas (18 subtugas dinilai untuk kemungkinan perpindahan oleh AI dengan tag provenans [E]/[P]) dan empat kompetensi yang dialihkan: pengetahuan lintas disiplin, orkestrasi AI, pertimbangan strategis, dan evaluasi AI yang kritis. Kerangka ini adalah protokol yang telah diregistrasi sebelumnya tanpa data empiris; kontribusinya adalah metodenya — analisis perpindahan yang dapat diaudit plus jalur kodesain untuk reformasi kurikulum — yang dapat ditransfer ke program profesional mana pun yang tugas rutinnya semakin banyak dilakukan sistem agentik.
Jenis keterjalinan berbeda dalam apa yang mereka tuntut dari siswa, dan itulah sebabnya sebagian tetap jarang. Sun, Dohn dan Rehm (2026) mengklasifikasikan 102 studi pendidikan tinggi menurut bagaimana kerja epistemik dibagi antara siswa dan sistem (Asisten, Pemungkin, Penseis, Penghasil, Pencipta Ulang) dan menemukan bahwa dua bentuk yang menjaga kompetensi tetap dapat diatribusikan kepada siswa individu masing-masing mencakup 42.16% korpus, sementara bentuk-bentuk yang mendistribusikan kepengarangan tetap marginal. Penjelasan mereka bersifat institusional, bukan teknis: jenis yang jarang meminta siswa mengambil tanggung jawab epistemik atas keluaran yang tidak mereka hasilkan sementara tetap dinilai sebagai penulis individu, dan kontradiksi itulah — bukan pembagian kerja itu sendiri — yang menjauhkan mereka dari praktik. Respons desainnya adalah membuat distribusi kerja epistemik eksplisit, mengurutkan aktivitas di seluruh spektrum, dan membangun refleksi tentang bagaimana tanggung jawab dibagi.
Membimbing, bukan memberi tahu, memerlukan kriterianya sendiri untuk menilai agen. Sebuah kasus desain yang bermaksud meniru fasilitasi guru menemukan bahwa agen pengetahuan yang dibatasi pada basis terkurasi dapat dinilai berdasarkan akurasi, sementara agen yang dimaksudkan untuk menuntun siswa menuju jawaban mereka sendiri tidak dapat (Humburg et al., 2025).

Koneksi

Kolaborasi manusia–AI terhubung ke Human-in-the-Loop (pengawasan), AI Agensik (otonomi), Pengajaran (pekerjaan guru yang berubah), Perancah dan Metakognisi (bagaimana kolaborasi mendukung pembelajaran), dan Ketergantungan Berlebih (mode kegagalan ketika kolaborasi menjadi substitusi). Ini adalah tema inti di Literasi AI, Regulasi Diri dalam Belajar, dan Pengalaman Siswa.

Miskonsepsi Umum

"Kolaborasi berarti AI mengerjakan sebagian pekerjaan." Siswa mempertahankan peran memutuskan, dan ini berlaku untuk menulis: Oppenheimer, Cash dan Connell Pensky (2025) menunjukkan hal itu bertahan ketika pengaturannya dirancang untuk itu. Pembagian kerja bukan kolaborasi kecuali manusia mempertahankan pertimbangan.
"AI yang menjelaskan dalam pengaturan terbalik." Siswa yang mengajari AI menjelaskan lebih baik — definisi kelas terbalik pada M = 4.18 versus 3.29, aktivitas pengajaran pada M = 4.91 versus 3.06, keduanya p < 0.001. Pembelajarannya jatuh kepada penjelas.
"Kontribusi manusia dan AI adalah substitusi." Dua studi 2026 memetakan separuh komplementer kolaborasi kelas, yang membingkai masalah desain sebagai alokasi, bukan penggantian.

Konsep terkait

Kemitraan Pedagogis — Kemitraan Pedagogis
Komunitas Inkuiri — Komunitas Inkuiri (kehadiran sebagai pencapaian sosioteksnis manusia-GenAI)
Interaksi Siswa-AI
AI Generatif
Literasi AI
Model Bahasa Besar (LLM)
Perancah
Tutoring Cerdas
Pengajaran
Pendidikan Tinggi
K-12
Offloading Kognitif
Pengalaman Siswa
Metakognisi
Regulasi Diri dalam Belajar
Kreativitas
Pendidikan Kimia — Pendidikan kimia dan AI: lab, penilaian formatif, batasan LLM, filsafat eksperimen
Pendidikan Biologi — Pendidikan biologi dan AI: asisten pengajar lab, literasi AI dalam biologi, berpikir kritis, alat khusus
Human-in-the-Loop — pengawasan
AI Agensik — otonomi
Kegagalan Produktif

Metadata

Pembelajaran dan pengajaran	Interaksi Siswa-AI
Teknologi dan teknik	AI Generatif, Model Bahasa Besar (LLM)
Dasar-dasar AI dalam pendidikan	Kolaborasi Manusia-AI, Literasi AI

Sumber Riwayat Sunting Obrolan