Pengajaran

Di halaman ini

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

Pengajaran: bagaimana AI membentuk ulang pekerjaan, identitas, dan agensi pendidik. Dengan lebih dari 50 artikel yang mengkaji dimensi ini, basis pengetahuan mendokumentasikan transformasi mendasar: dari otoritas pengetahuan tunggal menjadi orkestrator lingkungan belajar manusia-AI. Halaman ini melampaui penggambaran pergeseran itu: ia merinci apa yang sebenarnya dilakukan guru secara berbeda, bagaimana mereka dapat menyesuaikan praktiknya, dan bagaimana mereka terhubung ke desain pembelajaran, literasi AI, dan integritas akademik.

Malyn-Smith et al. (2026) menyebutnya paradoks yang lebih manusiawi: dalam enam skenario 2030 yang dibangun bersama oleh 20 peneliti dari 13 negara, kejenuhan AI memperkuat alih-alih menggantikan kerja pedagogis manusia. Skenario-skenario itu menggambarkan AI sebagai "sistem penanganan udara bagi ekosistem pembelajaran", yang Anda sadari hanya ketika ia bermasalah.

Pertanyaan untuk Dipertimbangkan

Halaman ini menggambarkan pergeseran guru 'dari otoritas pengetahuan tunggal menjadi orkestrator lingkungan belajar manusia-AI.' Apa yang Anda peroleh dan apa yang Anda kehilangan sebagai pendidik ketika Anda berhenti menjadi sumber konten utama?
Halaman ini berargumen bahwa AI merealokasi sumber daya guru yang paling langka, yaitu perhatian, dari memproduksi materi menjadi menafsirkan pembelajar. Apakah pembingkaian ulang itu terasa benar, dan apa yang sebenarnya akan Anda lakukan dengan waktu yang kembali itu?
Penelitian yang dikutip di halaman ini menunjukkan guru sebagai perancang AI yang aktif, yaitu menulis prompt dan perancah yang membentuk perilaku AI bagi siswa mereka, alih-alih konsumen pasif. Apa yang dibutuhkan agar Anda (atau guru yang Anda kenal) merasa sebagai perancang AI alih-alih pengguna AI?
Di ujung jauh spektrum 'kemitraan guru-AI', guru mengorkestrasi sebuah tim yang terdiri atas pembelajar manusia, tutor AI, dan sumber daya kurikulum. Di mana pertimbangan manusia tetap tak tergantikan dalam tim itu, dan apa yang mungkin terkikis diam-diam jika orkestrasinya sebagian besar diserahkan kepada AI?
Jika perhatian guru direalokasi dari memproduksi materi menjadi menafsirkan pembelajar, kompetensi dan risiko baru apa yang muncul, dan siapa yang mendukung guru dalam mengembangkannya?

Pendahuluan

Pengajaran di sini menamai peran profesional sebagaimana dibentuk ulang oleh AI: lebih sedikit penyampaian konten, lebih banyak orkestrasi partisipan manusia dan mesin, penafsiran atas apa yang sebenarnya dipahami pembelajar, dan desain kondisi ketika penggunaan AI menjadi sah. Halaman-halaman yang dikumpulkan di bawah konsep ini mendokumentasikan kemitraan guru-AI dan perubahan alur kerja, kompetensi yang kini dituntut peran itu, serta ketegangan antara keuntungan efisiensi dan perhatian yang dibutuhkan dukungan individual. Ia berdampingan dengan pengembangan pendidikan, literasi AI, dan penilaian sebagai salah satu peran yang menentukan apakah integrasi AI mengubah praktik atau hanya menghiasinya. Ilmu pembelajaran adalah bidang penelitian yang buktinya membentuk ulang posisi ini: ia menggambarkan dan menguji bagaimana pembelajaran terjadi dan desain mana yang mengubahnya, sementara halaman ini mencakup peran kelas yang harus bertindak atas bukti itu pada saat itu juga.

Bagaimana AI mengubah pengajaran

Dari instruktur ke orkestrator: Lima tingkat kemitraan guru-AI dan penelitian orkestrasi agensi memetakan spektrum dari AI sebagai alat ke AI sebagai mitra mengajar. Di ujung jauh, guru mengorkestrasi tim yang mencakup pembelajar manusia, tutor AI, dan sumber daya kurikulum alih-alih menyampaikan seluruh konten sendiri.
Transformasi alur kerja: How AI Is Changing Teaching Workflows mendokumentasikan bagaimana AI menggeser waktu guru dari penyampaian konten ke aktivitas bernilai lebih tinggi seperti dukungan individual, umpan balik, dan desain kurikulum. Sumber daya guru yang paling langka, yaitu perhatian, direalokasi dari memproduksi materi menjadi menafsirkan pembelajar. Sebuah tinjauan sistematis atas pendidik bahasa (Li et al. 2026) menegaskan hal ini: pendidik paling menghargai GenAI untuk pekerjaan persiapan (perencanaan pelajaran, pembuatan materi, dukungan penulisan) sementara ragu menggunakannya langsung di kelas, dan adopsi mereka dibentuk oleh faktor identitas profesional, pedagogis, teknis, institusional, dan integritas akademik, dengan celah kompetensi yang terpetakan ke episteme (memahami kemampuan dan batas AI), techne (prompt engineering, desain tugas dan penilaian berbantuan AI, deteksi teks yang dihasilkan AI), dan phronesis (pertimbangan etis, penanganan bias dan privasi, pertimbangan yang peka konteks). Halaman ini mendokumentasikan bagaimana AI menggeser waktu guru dari penyampaian konten ke aktivitas bernilai lebih tinggi seperti dukungan individual, umpan balik, dan desain kurikulum. Sumber daya guru yang paling langka, yaitu perhatian, direalokasi dari memproduksi materi menjadi menafsirkan pembelajar.
Tuntutan kompetensi: Kerangka kompetensi AI guru mendefinisikan apa yang perlu diketahui pendidik, dari kelancaran alat dasar hingga orkestrasi yang berlandaskan pedagogi. Studi adopsi mengidentifikasi hambatan nyatanya: kepercayaan diri, dukungan institusional, dan kekhawatiran beban kerja. Bai & Hsieh (2026) menambahkan bobot empiris pada hal ini dalam SEM atas 898 dosen universitas Tiongkok: inovasi pengajaran berbantuan GenAI kurang bergantung pada pengetahuan teknologi AI yang terisolasi dan lebih pada kompetensi AI yang tertanam secara pedagogis dan disipliner (literasi AI serta identitas profesional), yang keduanya memediasi sebagian hubungan kompetensi ke inovasi, sebuah sinyal untuk membangun pengembangan dosen di sekitar kompetensi AI yang tertanam dan terkait identitas alih-alih pelatihan yang hanya berisi alat.
Kesiapan sebagai kapabilitas desain, bukan sikap: Charles (2026) berargumen bahwa kesiapan guru untuk pembelajaran interaktif yang kaya AI tidak dapat dibaca dari adopsi, kepercayaan diri, atau kompetensi digital, karena tidak satu pun dari itu memprediksi mutu desain yang sebenarnya dihasilkan guru. Kesiapan melalui desain berorientasi pada pengejawantahan: guru memobilisasi pengetahuan pedagogis terkait AI, keyakinan pedagogis, efikasi diri, dan orientasi etis melalui mediasi desain (pemilihan alat, desain tugas dan prompt, perancah, transparansi, verifikasi, perancangan ulang penilaian, perencanaan aksesibilitas, dan pengawasan manusia) di dalam ekologi institusional dan kebijakan yang memungkinkan sekaligus memoderasi penerjemahannya. Dua klaim membawa bobot praktis. Efikasi diri adalah sumber daya mobilisasi dan bukan indikator mutu, sehingga kepercayaan diri tanpa pengetahuan pedagogis terkait AI atau orientasi etis dapat mempercepat desain yang buruk. Dan kejelasan kebijakan serta dukungan material adalah moderator yang terpisah, sehingga sekolah dengan sumber daya baik pun dapat membiarkan guru menebak-nebak apa yang diizinkan. Charles juga menolak menyamakan ketidakterlibatan dengan ketidaksiapan: keputusan beralasan untuk menahan diri dari AI justru dapat menunjukkan kesiapan.
Kodesain dan agensi: Prompt yang ditulis guru dan vibe coding bagi guru menunjukkan pendidik sebagai perancang AI aktif, bukan konsumen pasif, yang menulis prompt dan perancah yang membentuk perilaku AI bagi siswa mereka. Dalam perencanaan pelajaran seni STEAM anak, Luo dan Tahir (2025) secara eksperimental mengonfirmasi bahwa bagaimana guru mendelegasikan kepada ChatGPT itu penting: mengisi celah konten dalam pelajaran yang dirancang sendiri (metode yang disukai 60% dan direkomendasikan) mempertahankan otonomi desain guru sambil tetap meningkatkan mutu rencana yang dinilai pakar (median 20,5 versus 17,6, p = 0,002, efek besar), mengungguli pembiaran AI menghasilkan seluruh rencana atau sekadar memeriksa rencana yang sudah jadi. AI terutama berperan sebagai kolaborator inspirasi dan pencari celah alih-alih sumber inovasi yang sepenuhnya orisinal, sehingga menegaskan bahwa guru tetap menjadi agen desain dan penilai keluaran, termasuk menangkap cacat keselamatan anak dan bias budaya yang terlewat oleh alat itu. Sebuah tinjauan sistematis atas kodesain tugas belajar antara guru dan AI (Wang, Liu & Islam 2026) menemukan sikap kodesainer ini masih tidak merata, dengan mode dominan masih AI sebagai asisten atau pembangkit konten, dan Talebzadeh (2026) menunjukkan agensi guru sebagai "perancang pembelajaran dwibahasa" itulah yang mengubah aktivitas kelompok rancangan AI menjadi pengajaran yang terdiferensiasi dan selaras ZPD.
Menulis bot tidak sama dengan mengendalikan apa yang diajarkannya. Dua puluh tujuh guru sekolah menengah yang mengonfigurasi alat penulisan chatbot berbasis tujuan dan aturan hanya melihat kesetiaan parsial pada perilaku yang dihasilkan: keselarasan turun dari 88,9% untuk responsivitas dan 81,5% untuk persona menjadi 70,4% untuk aturan dan 59,3% untuk tujuan, dan kepatuhan aturan bervariasi menurut model yang dipilih, yaitu celah eksekusi dan evaluasi yang membuat peran guru sebagai perancang menjadi pengulangan niat alih-alih jaminannya (Riahi et al. (2026)).
Persiapan calon guru: Pelatihan berbasis TPACK dan program pengembangan pendidikan menyiapkan calon guru untuk kelas yang diperkaya AI sebelum mereka memasukinya. Bermain peran siswa simulasi memperluas ini menjadi latihan langsung: bot ChatGPT kustom (Student GPT) yang memerankan siswa sekolah menengah dengan miskonsepsi matematis memungkinkan calon guru berlatih mendiagnosis dan memandu penalaran siswa dalam lingkungan berisiko rendah, menyiapkan mereka untuk tugas mengajar yang sentral, yaitu membaca dan memperbaiki pemikiran siswa.
Garis depan berorientasi guru yang hampir belum dimasuki basis bukti: Štefánik et al. (2026) menyusun Edustories, 1.492 studi kasus yang ditulis guru tentang kelas dasar dan menengah nyata, yaitu perilaku siswa yang menantang, intervensi yang dicoba guru, dan apa yang terjadi setelahnya, justru karena sebagian besar penelitian AI dalam pendidikan menyasar bantuan siswa secara individual sementara sebagian besar pengajaran terjadi di kelas kolektif. Membandingkan empat keluarga model bahasa dalam memprediksi apakah suatu intervensi berhasil, model terkuat mencapai akurasi 58% berbanding 64% pada pakar manusia; penulis membaca celah itu dari dua arah, sebagai batas bantuan berorientasi guru saat ini dan sebagai bukti potensi yang mulai muncul. Yang diperoleh halaman ini darinya adalah plafon yang terukur alih-alih klaim kemampuan: nasihat kepada guru perlu lebih baik daripada pertimbangan pakar sebelum dapat dipercaya, dan hari ini urutannya justru sebaliknya. Celah paralel muncul dalam tinjauan PRISMA Yalçın et al. (2026) atas 46 studi empiris GenAI dalam pemrograman pendidikan tinggi: peran instruktur dan praktik institusional termasuk area yang paling sedikit diteliti di bidang ini, dan 26 dari 46 studi tidak memberikan deskripsi pendekatan instruksional mereka yang dapat dikodekan, sehingga keputusan desain yang menghasilkan luaran yang dilaporkan sering tak terlihat bahkan bagi instruktur lain.
Di mana AI benar-benar masuk ke pekerjaan, menurut tugas: Holster (2026) memisahkan adopsi dari alokasi menggunakan data TALIS 2024 dari 56.669 guru, dengan sampel alokasi berisi 24.058 pengguna AI di 46 sistem pendidikan. Tugas yang dinilai satu poin di atas rata-rata tuntutan guru sendiri lebih mungkin memperoleh bantuan AI (OR = 1,163), tetapi arahnya berbeda menurut tugas: perencanaan naik seiring tuntutan (OR = 1,084), penilaian dan pengoreksian turun (OR = 0,921), dan dukungan serta adaptasi pendidikan khusus naik tajam (OR = 1,442, sebaran prediksi dari 34,0% ke 50,3% melintasi rentang tuntutan). Bacaan kompetensi dan kebijakannya adalah bahwa guru sudah menjaga pengoreksian bertaruh tinggi tetap pada manusia sambil menjangkau AI untuk pekerjaan adaptasi individual, sehingga panduan yang memperlakukan penggunaan AI oleh guru sebagai satu perilaku tunggal akan melewatkan di mana dukungan sebenarnya dibutuhkan.

Bagaimana bentuk nyata peran yang berubah: contoh konkret

Abstraksi "orkestrator" lebih mudah dipahami melalui pergeseran konkret sehari-hari dalam kerja instruktur:

Dari menulis setiap lembar kerja menjadi mengurasi draf hasil AI. Instruktur yang dulu menghabiskan satu malam menyusun lembar kerja terdiferensiasi kini meminta AI menghasilkan tiga versi pada tingkat kesulitan berbeda, lalu menghabiskan malam yang sama untuk meninjau dan menyesuaikannya, sebuah pergeseran dari penulisan ke pertimbangan editorial. Alur kerja Curriculum-as-Code membuat pipeline ini eksplisit, dan tinjauan sistematis Kibar & Ilgaz menunjukkan AI bertindak sebagai "rekan kerja" yang menyusun konten yang kemudian disempurnakan perancang. Validasi pakar atas rencana pelajaran sains hasil AI memperjelas apa yang harus ditimbang pertimbangan editorial itu: Karaismailoglu, Surmeli dan Yildirim (2026) menemukan sebelas spesialis pendidikan sains menilai rencana kelas enam buatan ChatGPT-4 dan sebuah alat berfokus pendidikan sebagai draf yang dapat digunakan, dengan 7 dari 11 menilainya "dapat diterapkan dengan koreksi", hanya 3 langsung "Dapat diterapkan", dan preferensi menyimpang dari skor mentah (7 lebih memilih alat berfokus pendidikan yang berskor lebih tinggi, 4 memilih rencana serbaguna) karena pertimbangan menimbang dimensi afektif dan kontekstual di luar kesetiaan struktural. Guru tetap menjadi penentu apakah dan bagaimana draf AI menjadi pelajaran yang dapat diajarkan dan berakar pada konteks.
Dari berceramah menjadi melatih secara waktu nyata. Alih-alih menyampaikan penjelasan yang sama ke seluruh kelas, guru semakin mengarahkan pertanyaan rutin ke tutor AI dan memusatkan waktu tatap muka pada siswa yang membutuhkan pertimbangan manusia; studi alur kerja mendokumentasikan tepat realokasi perhatian ini.
Dari menilai menjadi merancang penilaian yang tidak dapat dipermainkan AI. Instruktur berhenti mengandalkan tugas berbasis ingatan yang mudah dipecahkan LLM dan sebaliknya merancang penilaian autentik, skala penilaian, dan tugas formatif yang mempertahankan keuntungan pembelajaran.
Dari mengajarkan konten menjadi mengajarkan penggunaan. Pekerjaan guru semakin mencakup menjadi teladan dalam mem-prompt, mengevaluasi, dan menggunakan AI secara bertanggung jawab, sebuah kurikulum literasi AI yang dianyam ke setiap mata kuliah, bukan mata pelajaran terpisah.
Dari membaca dasbor menjadi bertindak atasnya secara kontekstual. Mejia-Domenzain et al. (2026) menunjukkan bahwa cara guru benar-benar menggunakan dasbor analitik berbeda menurut konteks: guru kelas terbalik (universitas) mengikuti eksplorasi berurutan dan lebih menyukai adaptasi tingkat mata kuliah serta menampilkan dasbor di kelas, sementara guru vokasional meninjau ulang halaman ringkasan dan menggunakan alat itu terutama untuk sesi pembinaan individual. Tindakan yang diusulkan guru dibentuk oleh konten yang direpresentasikan dan tingkat pengajaran mereka, bukan oleh jenis grafik: guru universitas lebih menyukai tes mingguan dan adaptasi mata kuliah, guru vokasional menginginkan pembinaan langsung dan individual. Ini menunjuk pada desain dasbor yang sadar konteks dan kebutuhan dukungan guru yang terdiferensiasi alih-alih antarmuka analitik seragam.
Dari menerima peringatan menjadi menilainya. Swidan (2026) mengikuti satu guru dan delapan siswa sekolah menengah berprestasi tinggi dalam pelajaran geometri GeoGebra di mana Dash4Emotion membingkai siswa dengan persegi panjang merah yang menandakan emosi negatif, dan menemukan bahwa peringatan itu tidak menggerakkan hasil; langkah guru setelah setiap peringatan itulah yang menentukan: membingkai ulang tugas Mira dari mencari nilai minimum menjadi lokus geometris titik minimum membuka kembali eksplorasinya, tiga peringatan serentak memicu pembingkaian ulang seluruh kelas, dan tidak melakukan intervensi secara sengaja pada satu periode merupakan keputusan pedagogis tersendiri. Sikap studi itu adalah bahwa peringatan emosional hasil AI merupakan isyarat untuk ditafsirkan bersama apa yang dapat dilihat guru, bukan instruksi untuk dipatuhi.
Dari penjaga gerbang menjadi fasilitator umpan balik kolaborasi yang berprinsip. Uji coba kelas Community Builder (CoBi) menunjukkan peran guru secara tegas membentuk integritas implementasi: guru yang menggunakan pemberitahuan dan visualisasi AI untuk memicu metakognisi dan refleksi kritis tentang kolaborasi mencapai penggunaan berintegritas tinggi, sementara mereka yang membiarkan sistem melenceng menjadi pemantauan kinerja, atau beralih ke diskusi AI umum, tidak. Guru juga khawatir "dipojokkan" oleh umpan balik waktu nyata dan lebih menyukai tinjauan sebelum dan sesudah tindakan alih-alih tampilan langsung, menegaskan bahwa mengorkestrasi AI kolaborasi seluruh kelas menuntut pembelajaran profesional yang substansial, bukan sekadar kelancaran alat.
Dari mengajar dengan AI menjadi menjadi pengganti AI. Di mana kesenjangan digital tidak menyisakan perangkat bagi setiap siswa, guru dapat menjadi antarmuka fisik bagi sistem, proksi alih-alih orkestratornya. Dalam model "AIED unplugged" Rodrigues et al. (2026), siswa tetap bekerja dengan kertas dan pena sementara guru memotret solusi mereka, dan AI mengembalikan daftar latihan terpersonalisasi serta umpan balik spesifik kesalahan untuk dibagikan kembali. Ini adalah kuasi-eksperimen berkelompok pada 19 kelas dasar Brasil yang autentik, bukan demonstrasi prototipe, dan dua hasilnya langsung menyangkut peran ini. Pertama, keunggulan belajar atas praktik biasa berasal dari satu sesi pelatihan guru selama 50 menit, bukan dari teknologinya: kondisi pelatihan dan pelatihan-plus-sistem tidak berbeda pada keuntungan (-4,33, CI 95% [-17,29, 7,23]), sehingga persiapan, bukan alat, adalah bahan aktifnya. Kedua, manfaat sistem itu sendiri berjalan secara tidak langsung, melalui guru: Effort yang berkurang memediasi efek positif pada keuntungan (3,649, CI 95% [1,097, 6,398]), sehingga efeknya mencapai siswa yang tidak pernah disentuh AI, dan kerja menangkap-dan-memverifikasi yang digambarkan guru (memotret lembar, menunggu pemrosesan, mengoreksi kesalahan pengenalan) adalah bagian dari biaya pedagogis memperluas AI ke kelas dengan sumber daya terbatas.
Dari penyedia informasi menjadi perancang pembelajaran. Hochberg dan Waitzman (2026) mengikuti 93 guru melalui program AI selama delapan minggu dan menemukan praktik bergeser ke arah desain heutagogis untuk agensi pembelajar, meskipun pergeseran yang dilaporkan sendiri tidak signifikan setelah penyesuaian dan hasil pembelajar tidak diukur.

Metafora orkestrasi

Metafora dominan dalam basis pengetahuan adalah orkestrasi: guru mengoordinasikan pembelajar manusia, tutor AI, dan sumber daya kurikulum. Ini bertentangan dengan narasi penggantian: AI memperkaya alih-alih menggantikan pengajaran manusia. Bukti empiris mendukung sikap ini: tinjauan sistematis terpandu PRISMA atas 42 studi (2023-2025) menemukan LLM menyamai penilai manusia pada tugas pendek dan terstruktur baik tetapi kinerjanya menurun pada pekerjaan yang lebih panjang, multibahasa, dan bernuansa, dan menyimpulkan bahwa LLM tidak dapat sepenuhnya menggantikan guru serta bahwa sistem penilaian hibrida dengan manusia dalam lingkar mencapai efektivitas pengoreksian tertinggi (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Lensa orkestrasi membingkai ulang keterampilan inti instruktur sebagai pertimbangan: memutuskan kapan manusia, AI, atau aktivitas belajar yang dirancang adalah instrumen yang tepat bagi pembelajar dan momen tertentu. Tinjauan PRISMA 2026 atas 29 studi tentang intervensi guru dalam pengajaran berbasis AI di K-12 mempertajam metafora itu menjadi siklus empat fase, yaitu pemantauan, pertimbangan, intervensi, dan orkestrasi, dan menunjukkan mengapa tidak ada fase yang dapat diasumsikan. Guru lebih menyukai kendali bersama, menerima, memodifikasi, menolak, atau menimpa saran AI; sebagian sengaja menunda intervensi agar siswa dapat lebih dahulu berjuang secara produktif; dan dasbor yang memperluas kesadaran juga dapat membebani perhatian atau melampaui apa yang secara fisik dapat ditindaklanjuti satu guru. Tiga strateginya, yaitu penerjemahan pedagogis atas keluaran AI, desain dukungan belajar, dan rekonstruksi struktur interaksi, menggambarkan pekerjaan itu sebagai rekontekstualisasi alih-alih persetujuan, yang menempatkan guru lebih dekat ke mediator daripada ke peran peninjau human-in-the-loop. Observasi kelas menamai perilaku yang sama sebagai tipe. Enam pelajaran bersama seorang guru berpengalaman menambahkan tiga tipe orkestrasi pada empat tipe Drijvers, yaitu pemantauan dasbor, pengoreksian AI, dan mediasi AI, dengan peran konten dan etis guru paling terlihat ketika ia mengoreksi umpan balik hasil AI (Noh & Kim, 2026).

Peran guru yang berkembang dan kritis

Karya terkini memperluas metafora orkestrasi menjadi konseptualisasi peran yang lebih kaya:

Ko-orkestrator lintas transisi aktivitas. Yang et al. (2026) menggunakan speed dating partisipatif dengan 17 guru dan 13 siswa untuk memetakan bagaimana kendali seharusnya didistribusikan sepanjang tahap suatu aktivitas kelas, yaitu sebelum, selama, dan sesudah transisi antara kerja individual dan kolaboratif, dalam alat ko-orkestrasi yang mendukung pemasangan dinamis secara waktu nyata. Prinsip desain yang muncul adalah bahwa kendali bukan titik tetap: guru dan siswa menginginkan jumlah agensi berbeda pada setiap tahap, dan alat itu harus memungkinkan guru menyesuaikan pengelompokan, transisi aktivitas, dan waktu intervensi secara waktu nyata sambil mempertahankan hak timpa guru. Ini memposisikan guru sebagai ko-orkestrator seluruh lingkungan belajar langsung, peran yang lebih spesifik daripada metafora orkestrasi umum, berfokus pada keputusan granular dari saat ke saat tentang siapa bekerja dengan siapa, kapan, dan dengan dukungan apa, dan ia menghubungkan penelitian tutoring individual dengan desain tingkat kelas.
"Koreografer kognitif". Kerangka posthumanis membingkai ulang guru sebagai koreografer kognitif yang mengorkestrasi kognisi yang terdistribusi di sistem biologis dan artifisial, melampaui model instrumentalis seperti TPACK dan SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
Fasilitator, penyelidik bersama, supervisor etis. Dalam pembelajaran sains, peran guru bergeser dari penyampai pengetahuan menjadi fasilitator dan penyelidik bersama, serta memperoleh tanggung jawab baru sebagai supervisor etis atas penggunaan AI siswa yang bertanggung jawab.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
Mediator prinsip belajar. Pendidik mengoperasionalkan prinsip belajar lama (pengalaman, tersituasi, dan kognisi terdistribusi) melalui AI, memperlakukan AI sebagai alat yang memperkuat alih-alih menggantikan peran pemandu pendidik.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
Mediator kritis yang mengubah keluaran AI menjadi objek kritik. Canonigo (2026) mengikuti sepuluh guru matematika sekolah menengah melalui intervensi ChatGPT-4 selama delapan minggu dan mengidentifikasi lima praktik mediasi: pengajuan masalah hasil AI, perancah petunjuk yang dirancang untuk memudar, perbandingan kritis keluaran AI dengan pekerjaan siswa sendiri, prompting terdiferensiasi (analogi visual bagi siswa yang kesulitan, perluasan kubik bagi rekannya), dan AI sebagai mitra dialog reflektif. Di tempat guru menjalankan ini, keluaran menjadi sesuatu untuk diperdebatkan alih-alih kunci jawaban, dan siswa bergerak menuju konjektur dan pertanyaan metakognitif; di tempat mediasi absen, otoritas berpindah ke algoritma, dengan siswa berkonsultasi kepada AI sebelum guru mereka dan kembali hanya untuk validasi, sehingga satu guru menggambarkan pergeseran dari "orakel" ke "penyunting". Temuan ekuitas studi itu adalah yang paling tajam: pada 300 respons model, model tingkat gratis tidak akurat pada 32,7% kasus berbanding 12% pada model premium (χ²(1) = 17,5, p < 0,001), sehingga guru di sekolah dengan sumber daya terbatas menyebutnya "nyaris tidak berguna untuk matematika". Mutu alat, bukan hanya akses alat, menjadi variabel pedagogis, dan kebijakan penggunaan yang dapat diterima di sekolah salah satu guru sudah berusia satu dekade serta tidak menyebut AI, sehingga celah tata kelola diserahkan ke kelas.
Identitas profesional yang belum mapan dan rentan. Farazouli et al. (2026) mendokumentasikan sisi emosional rekonfigurasi peran: 24 dosen universitas Swedia mengalami kemunculan GAI sebagai mengkhawatirkan dan membebani, melaporkan "keadaan kerentanan" (kepercayaan rendah, ketidakamanan, takut "tidak lebih maju daripada mahasiswa") dan merasa "terjebak" di antara wacana utopis dan distopia. GAI mendorong mereka mengevaluasi ulang prioritas, yaitu menumbuhkan berpikir kritis, penilaian evaluatif, dan penggunaan GAI yang etis, serta mempertanyakan peran masa depan mereka sendiri dan universitas dalam lanskap yang terasa "di luar kendali". Ini membingkai pergeseran peran guru sebagai persoalan tingkat identitas dan bermuatan emosi, bukan sekadar perubahan keterampilan atau alur kerja.
Pengembang akademik sebagai mediator digital, termasuk sebagai rem. Sithole (2026) mewawancarai dua belas pengembang akademik dan perancang pembelajaran di dua Institusi Historis Kurang Beruntung di Afrika Selatan dan menemukan peran itu bergeser dari memfasilitasi pengajaran reflektif menuju perantara teknologi dan pemecah masalah, dengan mediasi mencakup pedagogi, etika, dan politik institusional. Langkah khasnya adalah memperlakukan memperlambat sebagai bagian dari pekerjaan: satu partisipan menggambarkan penerjemahan antara "apa yang diinginkan manajemen, apa yang dapat dilakukan teknologi, dan apa yang sebenarnya dikhawatirkan dosen", serta menyebut plagiarisme, ketergantungan siswa, dan pengalihdayaan berpikir sebelum antusiasme menentukan laju: "Ini bukan hanya dukungan teknis; ini juga negosiasi." Studi yang sama mendokumentasikan biaya afektif ("Saya merasa seperti penyamar. Saya belajar AI sambil berjalan, tetapi institusi mengharapkan keahlian") dan respons pembelajaran profesionalnya: ruang sebaya yang menguji dan sengaja merusak alat, menargetkan pertimbangan alih-alih keterampilan, serta penolakan eksplisit atas biner adopsi-atau-perlawanan: "Saya bukan anti-AI; saya pro-konteks."
Selektivitas berprinsip alih-alih adopsi atau perlawanan. Adiozaman dan Segar (2026) mewawancarai dua akademisi dengan pengalaman lebih dari sepuluh tahun sebanyak tiga kali sepanjang satu semester dan menemukan kerja identitas terorganisasi di sekitar tiga ketegangan yang saling terkait, yaitu pedagogi versus platform, pendidik versus fasilitator, dan kepedulian versus kepatuhan, yang tidak berujung pada posisi mapan melainkan pada selektivitas berprinsip: keputusan peka konteks yang dipandu nilai pedagogis, komitmen etis, dan pertimbangan profesional. Mereka menggambarkan lintasan dari orientasi implisit, melalui strategi pertengahan semester seperti meminta siswa menjelaskan pemikiran mereka dan merancang ulang tugas serta penilaian, menuju sikap yang sengaja tetap terbuka alih-alih tetap, dengan penolakan atas penggunaan tertentu diperlakukan sebagai pelaksanaan pertimbangan yang sah dan bukan kegagalan beradopsi. Ini menyediakan padanan konstruktif bagi kerentanan yang didokumentasikan di atas: yang dituntut pergeseran peran adalah pertimbangan, sehingga respons institusional yang dibangun di sekitar pelatihan alat menangani masalah yang salah.
Semi-otonomi sebagai titik operasi yang disukai. Dai et al. (2026) menyurvei 287 guru berpengalaman GenAI di 27 negara dan wilayah dan menemukan mereka menempatkan alat itu pada tingkat semi-otonom dalam skala otomatisasi: 130 memilih Tingkat 2 ("bantuan guru"), 94 Tingkat 3 ("otomatisasi parsial"), dan tepat satu memilih Tingkat 6, sambil menggambarkannya sebagai "tambahan", "perancah", "pelengkap", atau "mitra". Kegunaan yang dipersepsikan mendominasi niat adopsi mereka (β = 0,832, p < 0,001), sementara otonomi artifisial yang dipersepsikan memengaruhi niat hanya secara tidak langsung melalui kegunaan, dan keengganan risiko menekan niat tanpa mengurangi kegunaan karena kekhawatiran mereka melekat pada penggunaan oleh siswa: menyontek dan integritas, melemahnya pengetahuan dasar dan berpikir tingkat tinggi, halusinasi, berkurangnya interaksi manusia, serta risiko etis, hukum, dan ekuitas. Label "frenemy" dari penulis menangkap sikap itu dengan tepat: GenAI dihargai sebagai alat pendukung tetapi tidak dipercaya sebagai agen otonom. Korolari bagi peran mengajar adalah bahwa guru ingin tetap menjadi agen penentu dan menyelesaikan penggunaan kasus demi kasus (disiplin, kebutuhan siswa, jenis tugas, waktu), sehingga alat orkestrasi harus dibangun di sekitar pengawasan manusia dan pertimbangan tingkat kasus alih-alih janji otonomi.
Otoritas tetap pada guru; kemampuan hanya meluas di dalamnya. Reichert, Briceno, Tabarsi & Barnes (2026) memberi enam guru sekolah menengah dari kelas 6 sampai 12 (studi sosial, matematika, ilmu peternakan, sains, serta ilmu komputer dan robotika) tugas membuat prototipe kertas chatbot LLM untuk kelas mereka sendiri, dan menemukan bahwa setiap prototipe menyandikan sikap yang sama: sistem itu adalah pakar terbatas, terspesialisasi tetapi dibatasi pada domain tertentu dan disupervisi guru. Guru menarik dua batas. Batas otoritas mengikuti tanggung jawab profesional dan hukum: kendali atas apa yang dipelajari siswa dan bagaimana mereka dijaga tetap aman tidak dapat didelegasikan, sehingga pengawasan (log percakapan lengkap, peringatan waktu nyata untuk kueri yang tidak pantas, dan hak timpa manual) diperlakukan sebagai kewajiban peran alih-alih pemeriksaan atas alat. Batas keahlian mengikuti apa yang tidak dapat diketahui model: riwayat siswa individual, dinamika kelas, dan norma institusional. Delegasi kemudian dialokasikan secara selektif lintas pengajaran: guru menyambut AI untuk menyajikan konten, menyediakan soal latihan, memberikan perancah, dan memberi umpan balik formatif, tetapi tetap memberitahukan tujuan dan penilaian sumatif kepada siswa sendiri. Ini memasok preferensi semi-otonomi yang didokumentasikan di atas dengan arsitektur konkret: otoritas guru adalah unsur tetap dan kemampuan AI hanya tumbuh di dalamnya.
Guru sebagai penilai yang sarat nilai. Luo & Dawson (2026) menunjukkan bahwa menilai pekerjaan berbantuan GenAI bukan tindakan netral berbasis kriteria melainkan pertimbangan nilai yang dibentuk dugaan guru tentang siapa siswa itu (kejujuran, ketekunan), apa yang mampu mereka lakukan (kemandirian, keterampilan GenAI, penguasaan disiplin), bagaimana mereka berhubungan dengan orang lain (kepercayaan), dan apakah keputusan itu mengarah pada hasil baik (keadilan, kebaikan). Guru sering kurang menyadari orientasi nilai yang mendasari penilaian mereka, dan orientasi itu berbeda menurut disiplin (humaniora lebih kritis terhadap penggunaan GenAI; sains keras dan terapan lebih sedikit menghadapi tantangan penilaian) dan sikap epistemologis (absolutis, multiplis, evaluativis). Ini memposisikan guru sebagai profesional evaluatif yang pertimbangannya, bukan hanya penggunaan alatnya, harus didukung dan dibuat transparan.
Guru sebagai penentu penjelasan yang bermakna secara pedagogis. Karena kepercayaan guru pada rekomendasi AI naik ketika penjelasan dibingkai dalam bahasa kurikuler dan pedagogis mereka alih-alih dalam internal model mentah, alat yang efektif harus "berbicara" domain guru. Dalam eksperimen dalam-subjek, Feldman-Maggor et al. (2025) menemukan penjelasan yang digerakkan domain atas alat pengelompokan AI jauh lebih dipercaya dan diterima daripada penjelasan kepentingan fitur yang digerakkan data, sehingga menempatkan kosakata pedagogis guru sebagai antarmuka tempat AI memperoleh kepercayaan dan penggunaan, serta pertimbangan guru tentang apakah suatu penjelasan sehat secara pedagogis sebagai faktor penentu adopsi.
Fasilitator yang fungsinya dapat didelegasikan sebagian. Kuhail et al. (2026) meminta 32 mahasiswa STEM berdebat di bawah moderator manusia, chatbot AI (GPT-4, dengan prompt perilaku yang diharapkan dari dosen: netralitas, waktu bicara setara, arahan singkat, penegakan topik, pertanyaan lanjutan, penurunan ketegangan), atau keduanya bergantian, dan tidak menemukan perbedaan signifikan pada efektivitas, kenikmatan, kepuasan, kegunaan, atau niat menggunakan kembali (t = 0,23 sampai 1,30, p = 0,198 sampai 0,818). Penulis membaca hasil nol itu sebagai normalisasi kolaborasi manusia-AI dalam diskusi berbasis aturan, bukan sebagai kesetaraan. Jalur menuju penggunaan kembali memang berbeda: di bawah moderasi manusia, kepuasan mendorong niat menggunakan, sedangkan di bawah moderasi AI, kegunaan yang dipersepsikan yang mendorongnya (0,806 berbanding 0,495), sehingga aktivitas yang difasilitasi AI bertahan karena kegunaan yang terbukti alih-alih karena seberapa menyenangkan rasanya. Bacaan praktisnya adalah moderasi AI sebagai bantuan penskalaan bagi mata kuliah besar atau dengan staf sedikit di bawah pengawasan manusia, dengan ekuitas yang belum terverifikasi untuk sarkasme, bahasa tidak langsung, dan gaya komunikasi minoritas.
Penetap tujuan, bukan hanya kompetensi. Fagerlund et al. (2026) mewawancarai 13 guru Finlandia dari prasekolah sampai kelas 9 tentang mengapa siswa harus belajar tentang dan dengan AI, membaca kisah mereka melalui kualifikasi, sosialisasi, dan subjektifikasi Biesta. Kualifikasi adalah tujuan paling jelas dan konkret, mencakup AI sebagai sasaran belajar sekaligus alatnya; sosialisasi muncul sebagai menumbuhkan sikap yang menguntungkan terhadap AI dan menyiapkan siswa sebagai pekerja masa depan yang paham AI; subjektifikasi, keterlibatan yang menentukan diri dan bermakna secara personal, disetujui sebagai penting tetapi tidak memiliki strategi instruksional konkret di baliknya, hanya bersandar pada "mendiskusikan dan merenungkan". Penulis mengusulkan agensi AI yang terinformasi, dengan subjektifikasi di pusat dan kompetensi sebagai fondasinya, yang memberi peran mengajar kewajiban menetapkan tujuan: buat "mengapa" menjadi eksplisit agar keterampilan memperoleh konteks alih-alih berdiri sebagai tujuan itu sendiri, dan lengkapi kerangka teknis seperti TPACK dengan perhatian berkelanjutan pada tujuan pendidikan.
Adopsi bukan tuas yang sama dengan kinerja. Pada 200 guru di Sumatera Utara, penggunaan AI tidak berpengaruh langsung pada kinerja guru (β = 0,112, p = 0,087) sementara perilaku kewargaan organisasi memediasinya pada β = 0,370, sehingga kerja kolaboratif ekstra-peran di sekitar alat, bukan alat itu sendiri, yang mengubah penggunaan menjadi kinerja (Sherly et al. (2027)).

Peran-peran ini menghubungkan kerja guru dengan kognisi terdistribusi, pembelajaran tersituasi, pembelajaran berwujud, dan pedagogi kritis, dan membingkai ulang guru sebagai perancang dan pemandu etis bagi pembelajaran yang dimediasi AI alih-alih sekadar pengguna.

Keputusan berbantuan AI mengelompok di tempat data perilaku tersedia. Köroğlu et al. (2026) meninjau 27 studi empiris (2016-2025) dan mengidentifikasi delapan jenis keputusan dosen, menemukan dukungan AI terkonsentrasi pada keputusan instruksional, umpan balik, dan penilaian sementara keputusan kurikulum, lingkungan belajar, emosional, etis, dan administratif jarang didukung. Dasbor analitik pembelajaran adalah sistem yang paling umum, mengolah data teks dan log menjadi indikator perilaku atas kinerja dan keterlibatan; data multimodal dan berbasis interaksi, sistem agensik, serta luaran kognitif, metakognitif, motivasional, dan afektif semuanya relatif jarang dalam korpus yang ditinjau. Bacaan praktis bagi instruktur adalah bahwa ruang keputusan yang dibuka alat AI dibatasi oleh data yang ditampilkannya, sehingga pemilihan alat juga merupakan pilihan tentang keputusan mengajar mana yang diberi sumber daya.

Bagaimana instruktur harus menyesuaikan praktik mengajar mereka dengan AI

Bukti dalam basis pengetahuan ini mengerucut pada serangkaian adaptasi konkret:

Rancang pembungkus pedagogis AI, bukan hanya alatnya. AI yang sama menghasilkan keuntungan pembelajaran besar atau kerugian bersih tergantung pada bagaimana aktivitas dirancang di sekitarnya. Kibar & Ilgaz dan bukti keuntungan pembelajaran konsisten: pekerjaan instruktur adalah merancang pengalaman belajar, memperlakukan AI sebagai komponen dalam aktivitas terstruktur alih-alih sebagai mesin jawaban. Berikan perancah bagi upaya siswa lebih dahulu, lalu biarkan AI melatih; inilah perbedaan antara penilaian dan inflasi kinerja.

Tuntut titik pemeriksaan human-in-the-loop. Alih-alih menerima keluaran AI begitu saja, ajarkan siswa mengevaluasi, mengoreksi, dan mengambil alih kepemilikan pekerjaan berbantuan AI. Literasi AI penggunaan wajar membingkai ini sebagai penyeimbangan produktivitas AI dengan kemakmuran manusia dan kepengarangan yang sejati. Rancang tugas sehingga AI membantu penyusunan draf tetapi pembelajar tetap menjadi agen evaluasi dan revisi.

Kurasi draf umpan balik AI; jangan meneruskannya. Chen et al. (2026) memberikan umpan balik berbantuan ChatGPT kepada 64 calon guru Tiongkok atas tulisan argumentatif dan menemukan bahwa memperlakukan keluaran sebagai bahan draf alih-alih komentar jadi menggerakkan berpikir kritis di tempat umpan balik hanya-guru tidak melakukannya (d Cohen pascates 3,74 berbanding 0,25 pada prates, p < 0,001). Yang dilakukan guru dengan draf itu adalah bagian yang dapat ditransfer: mereka menyalin konten yang sesuai pada tingkat serupa dengan milik mereka sendiri (28%), memperluasnya dengan masukan lebih mendalam (16%), memasukkannya (16%), merevisinya (14%), atau membuangnya seluruhnya (14%), dengan 9% lagi memerlukan koreksi. Umpan balik terbantu itu lebih condong ke pemodelan (demonstrasi, 33,1% berbanding 10,9%) dan penyelidikan (pertanyaan mendekat, 21,5% berbanding 6,0%), dan siswa merevisinya ke arah analisis, evaluasi, dan kreasi alih-alih pengenalan, tetapi enam dari delapan narasumber tetap melaporkan ketidaktepatan dan ketidakprofesionalan. Langkah verifikasi guru itulah yang membuat hibrida ini aman.

Sesuaikan penilaian dengan era AI. Berpindah dari tugas yang dapat diselesaikan LLM secara verbatim menuju penilaian autentik, berbasis proses, dan tatap muka. Skala penilaian memberi instruktur rubrik untuk memutuskan seberapa besar bantuan AI yang sah pada setiap tahap, dan bukti meta-analitik menunjukkan AI dapat mendukung berpikir tingkat tinggi ketika desain penilaiannya menuntut.

Lindungi kondisi bagi pembelajaran yang tahan lama. Karena jawaban AI membuat pembelajaran tampak mudah, instruktur harus merancang untuk melawan celah kinerja-pembelajaran. Lodge & Loble memperingatkan bahwa keberhasilan tanpa usaha dengan AI dapat menyamarkan ketiadaan pembelajaran; instruktur harus membangun perjuangan produktif, menuntut demonstrasi penguasaan tanpa bantuan, dan memperlakukan jawaban berbantuan AI sebagai titik awal, bukan hasil akhir.

Rencanakan media penyampaiannya. Adaptasi tidak netral terhadap media: pengajaran daring dengan AI melipatgandakan peluang (personalisasi yang dapat diskalakan, dukungan selalu tersedia) sekaligus risiko (integritas, offloading). Rancang pembungkus AI secara sengaja dalam konteks daring sebagaimana dalam konteks tatap muka.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

Memasukkan literasi AI ke dalam pengajaran

Literasi AI bukan modul terpisah; ia dianyam ke dalam cara instruktur merancang setiap mata kuliah. Pendekatan yang efektif meliputi:

Jadilah teladan literasi AI dalam praktik. Guru yang sendiri menggunakan, mengevaluasi, dan mengkritik AI menetapkan norma bagi siswa. Kontinu literasi AI menggambarkan kemajuan dari kelancaran alat ke evaluasi kritis yang harus diberikan perancah oleh instruktur.
Ajarkan evaluasi dan kalibrasi, bukan hanya penggunaan. Siswa perlu tahu kapan AI dapat dipercaya dan kapan ia berhalusinasi; berpikir kritis atas keluaran AI adalah literasi inti. Ini terhubung ke penggunaan yang bertanggung jawab dan bagaimana penggunaan AI dibingkai untuk siswa.
Bangun bersama norma penggunaan AI dengan siswa. Pendekatan berprinsip pada pendidikan AI dan prompt yang ditulis guru menunjukkan bahwa ekspektasi eksplisit yang dirancang bersama bekerja lebih baik daripada aturan punitif.

Memastikan integritas akademik di era AI

Integritas akademik dengan AI adalah masalah desain, bukan masalah kepolisian. Instruktur beradaptasi dengan:

Membingkai ulang integritas di sekitar proses dan kepengarangan. Alih-alih deteksi, tekankan integritas akademik sebagai penggunaan yang transparan dan terdokumentasi. Penelitian AI agensik dan siswa hantu menunjukkan risiko integritas bergeser ketika siswa mengerahkan agen AI atas nama mereka, sehingga instruktur harus mendefinisikan apa arti kepengarangan ketika "hantu" itu adalah AI.
Menggunakan pengungkapan dan pembingkaian. Bagaimana penggunaan AI dibingkai untuk siswa, apakah sebagai penopang atau alat yang sah, membentuk apakah mereka mengungkapkannya. Norma transparansi (misalnya pengungkapan penggunaan AI) mengurangi insentif untuk menyembunyikan penggunaan AI.
Merancang keluar insentif untuk menyontek. Penilaian autentik, berbasis proses, dan tatap muka (ujian lisan, portofolio, pemecahan masalah yang diamati) membuat pengalihdayaan kurang menarik daripada yang dapat dilakukan alat deteksi AI. Skala penilaian dan penilaian autentik adalah alternatif konstruktif bagi perlombaan senjata deteksi.
Regulasi tingkat tugas adalah cara instruktur sebenarnya mengatur AI. Studi Chirikov (2026) atas lebih dari 31.000 silabus mata kuliah menunjukkan instruktur semakin bertindak sebagai regulator tingkat tugas alih-alih menerapkan aturan menyeluruh: mereka membatasi AI untuk penyusunan dan revisi draf (79% mata kuliah) serta penalaran dan pemecahan masalah (65%), mengizinkannya untuk penyuntingan dan koreksi aksara (83%) dan dukungan belajar (80%), dan membiarkan ideasi serta perencanaan paling diperdebatkan (46% mengizinkan / 54% membatasi). Diferensiasi ini, yang dibangun di atas tugas mana yang digeser AI versus diperkaya, adalah alternatif konkret yang digerakkan instruktur terhadap kebijakan adopsi-atau-larangan dan memberi peran guru tempat sentral dalam pembentukan kebijakan.
Staf sesi menanggung beban pengoreksian tanpa mandatnya. Dua puluh akademisi kasual, sebagian mengajar di tiga institusi atau lebih sekaligus, menggambarkan pendeteksian pelanggaran melalui keahlian yang tidak terlatih sambil tidak memegang otoritas kurikulum atau kebijakan (Andriamora & Andriamora, 2026).

Menghubungkan pengajaran dengan desain pembelajaran

Pengajaran dan desain pembelajaran adalah dua sisi dari koin yang sama: pertimbangan harian instruktur adalah pelaksanaan langsung dari pengalaman belajar yang dirancang. AI mempererat hubungan ini:

Guru sebagai perancang pembelajaran. LearnAI dan desain prompt yang ditulis guru menunjukkan instruktur berfungsi sebagai perancang: menentukan aktivitas, peran AI, dan perancah yang menata pembelajaran. Ini adalah desain pembelajaran dalam tindakan pada titik penggunaan.
Prinsip desain pembelajaran mengatur pedagogi AI. Prinsip desain pembelajaran yang sama, yaitu tujuan yang jelas, penilaian yang selaras, perancah, dan umpan balik, menentukan apakah AI membantu atau merugikan. ISD-Agent-Bench memvalidasi secara empiris bahwa mendasarkan desain AI pada model desain instruksional formal mengalahkan prompting tanpa teori.
Rancang untuk orkestrasi guru. Lingkungan belajar AI yang efektif dirancang dengan mempertimbangkan guru: alat yang disediakan AI berpusat manusia harus mengurangi beban kerja guru dan memperkaya pertimbangan, bukan menambah kotak hitam tak transparan lain. Ketika instruktur merancang bersama aktivitas belajar AI (perspektif teori aktivitas), adopsi dan mutu keduanya membaik.

Hubungan dengan identitas pembelajar

Peran guru dan identitas pembelajar adalah sisi yang saling mencerminkan dari proses manusia yang sama, dan AI membentuk ulang keduanya.

Identitas guru adalah identitas profesional; identitas pembelajar adalah identitas belajar. Halaman peran guru mendokumentasikan bagaimana AI membentuk ulang pekerjaan, identitas, dan agensi pendidik, yaitu pemahaman diri profesional mereka yang terus berkembang (lihat pembingkaian Laidlaw atas GenAI sebagai krisis identitas). Identitas pembelajar adalah konstruk paralel bagi siswa: siapa mereka dan sedang menjadi siapa sebagai pembelajar, dalam istilah disipliner, profesional, kreatif, dan akademik.
Keduanya terkait secara kausal. Guru yang mengalami gangguan identitas (ketidakpastian tentang tujuan profesional mereka di tengah GenAI) kurang mampu mendukung pengembangan identitas siswa mereka; guru yang meragukan perannya akan kesulitan memvalidasi rasa diri siswa yang sedang tumbuh di domain yang sama. Sebaliknya, guru yang mempertahankan identitas profesional yang yakin lebih siap memberikan perancah bagi rasa memiliki dan kepengarangan siswa.
Mode kegagalan yang berbeda. Identitas guru terancam oleh keusangan peran dan tujuan (pertanyaan "apa gunanya mengajar?"). Identitas pembelajar terancam oleh hilangnya kepengarangan dan kompetensi (pertanyaan "apakah ini benar-benar milik saya / apakah saya cukup baik?"). Keduanya adalah respons tingkat identitas (bukan hanya tingkat keterampilan) terhadap AI.
Keduanya adalah persoalan pengembangan profesional dan pedagogis. Mendukung identitas guru termasuk ranah pengembangan pendidikan dan kompetensi AI guru; mendukung identitas pembelajar termasuk ranah pengalaman siswa, penilaian autentik, dan agensi. Sistem terintegrasi AI yang dirancang baik memperhatikan keduanya, karena identitas guru adalah kondisi tempat identitas pembelajar terbentuk.

Kodesain Guru atas Literasi AI Awal

Kodesain guru dalam literasi AI awal. Lee (2026) menunjukkan bahwa dua guru pra-TK dan dua guru TK yang merancang bersama kurikulum Play With AI (PL-AI) mengalami pertumbuhan substansial dalam kepercayaan diri dan agensi pedagogis, dengan kodesain menumbuhkan kepemilikan kurikulum, praktik reflektif, dan adaptasi yang bermakna. Ini memposisikan guru sebagai kodesainer sentral, bukan sekadar pelaksana, kurikulum literasi AI yang sesuai perkembangan, sebuah model dengan implikasi bagi persiapan guru dalam pendidikan AI anak usia dini.

Guru Merancang Bersama Sumber Belajar AI

Peran guru meluas ke merancang bersama sumber belajar AI: simulasi yang dirancang bersama guru dan AI untuk pengajaran STEM drone menjaga keluaran GenAI tetap sah secara pedagogis dan relevan secara kontekstual, dan guru adalah penerima manfaat yang dituju dari Teachers' AI Literacy Scale. Integrasi GenAI yang efektif semakin bergantung pada keterlibatan guru dalam desain.

Sistem Refleksi AI Harus Menyesuaikan dengan Pengalaman Guru

Analitik refleksi AI berorientasi guru harus disesuaikan dengan keahlian, bukan seragam. Survei atas 100 guru K-12 di Amerika Serikat (pembelahan median pada sembilan tahun; uji binomial; perbedaan pilihan 15% dapat dideteksi pada daya sekitar 83%) menemukan perpecahan preferensi yang sistematis. Guru kurang berpengalaman menyebut kurangnya waktu refleksi sebagai hambatan teratas tiga kali lebih sering daripada guru berpengalaman (37% versus 12%, p < 0,001) dan menginginkan analitik tentang ketidakterlibatan siswa (48% versus 33%, p = 0,028) dan emosi (31% versus 18%, p = 0,036).
Aturan desain yang diturunkan dari perpecahan itu adalah mode rekomendasi yang disesuaikan pengalaman. Guru berpengalaman menginginkan analitik tentang perbaikan pembelajaran setelah membantu siswa (40% versus 26%, p = 0,019) dan tentang metode mengajar mereka (42% versus 26%, p = 0,012); hambatan teratas mereka adalah melacak kinerja (28% versus 15%, p = 0,009). Aturan desain: mode pemula = prompt terstruktur dan analitik keterlibatan; mode pakar = analisis longitudinal yang fleksibel, sebuah argumen langsung menentang dasbor seragam. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

Miskonsepsi Umum

"AI akan mengurangi atau menggantikan kerja pedagogis pengajaran." Bukti skenario para pakar menunjuk arah sebaliknya. Malyn-Smith et al. (2026) menyebutnya paradoks yang lebih manusiawi: pada enam skenario 2030 yang dibangun bersama oleh 20 peneliti dari 13 negara, kejenuhan AI memperkuat alih-alih menggantikan kerja pedagogis manusia. Skenario-skenario itu menggambarkan AI sebagai "sistem penanganan udara bagi ekosistem pembelajaran", yaitu infrastruktur yang Anda sadari hanya ketika ia bermasalah. Yang berubah bukan jumlah pertimbangan manusia yang dibutuhkan melainkan objeknya: perhatian bergerak dari memproduksi materi menuju menafsirkan pembelajar.

"Kompetensi AI guru berarti mempelajari alatnya." Kelancaran alat adalah prediktor terlemah yang tersedia. Dalam SEM Bai dan Hsieh (2026) atas 898 dosen universitas Tiongkok, inovasi pengajaran berbantuan GenAI kurang bergantung pada pengetahuan teknologi AI yang terisolasi dan lebih pada kompetensi AI yang tertanam secara pedagogis dan disipliner bersama identitas profesional, yang keduanya memediasi sebagian luaran itu. Lokakarya tentang fitur yang tidak menyentuh pedagogi atau identitas disipliner diarahkan pada variabel yang salah, itulah sebabnya Laidlaw et al. membingkai respons dosen terhadap GenAI sebagai pertanyaan identitas alih-alih kesenjangan keterampilan.

"Guru sudah menjadi kodesainer AI, jadi transisinya sedang berjalan." Aspirasinya nyata; deskripsinya belum. Tinjauan sistematis Wang, Liu dan Islam (2026) atas kodesain tugas belajar antara guru dan AI menemukan sikap kodesainer masih tidak merata, dengan mode dominan masih AI sebagai asisten atau pembangkit konten. Membaca tinjauan itu sebagai bukti pergeseran yang telah selesai akan menyembunyikan celah antara guru yang direkomendasikan halaman seperti ini dan guru yang sebenarnya dimiliki sebagian besar institusi.

"Bagaimana guru mendelegasikan kepada chatbot hampir tidak penting, karena modelnya yang bekerja." Pola delegasi itulah intervensinya. Dalam perencanaan pelajaran seni STEAM anak, Luo dan Tahir (2025) menemukan secara eksperimental bahwa mengisi celah konten dalam pelajaran yang dirancang sendiri mempertahankan otonomi desain guru sambil tetap meningkatkan mutu rencana yang dinilai pakar (median 20,5 versus 17,6, p = 0,002, efek besar), mengungguli alternatif membiarkan model menyediakan kerangkanya. Model sama, tugas sama, pembagian kerja berbeda, hasil berbeda secara material.

Urutan Awal yang Praktis

Bukti mendukung urutan operasi tertentu bagi instruktur yang mengadopsi AI, bukan daftar fitur yang harus dipelajari.

Tulis aktivitasnya sebelum memilih alat. Tentukan tujuan, upaya siswa yang datang lebih dahulu, dan apa yang dihitung sebagai bukti pemahaman. Alat yang dipilih lebih dahulu cenderung menulis ulang aktivitas di sekitar dirinya sendiri.
Putuskan pola delegasi secara eksplisit. Kerangkakan pelajaran sendiri dan biarkan AI mengisi celah konten, alih-alih menerima kerangka hasil AI, yaitu pola di atas dengan perbedaan mutu yang terukur.
Tempatkan titik pemeriksaan manusia di tempat kepemilikan berada. Rancang agar pembelajar mengevaluasi, mengoreksi, dan memiliki pekerjaan berbantuan AI, dan agar umpan balik AI datang sebagai draf yang dikurasi guru alih-alih komentar yang diteruskan guru.
Lindungi waktu penafsiran yang diciptakan pergeseran itu. Jika perhatian bergerak dari produksi materi ke membaca pembelajar, waktu yang direalokasi itu perlu bertahan saat bersentuhan dengan kalender; jika ia diserap pekerjaan administratif baru, perubahan peran yang dijanjikan tidak terjadi.
Periksa apakah Anda dilatih tentang alat atau tentang pedagogi. Mengingat hasil SEM, utamakan pengembangan profesional yang bekerja pada tugas disipliner dan identitas alih-alih tur fitur.

Konsep Terkait

Pedagogical Partnerships — Kemitraan Pedagogis
Learner Identity — identitas pembelajar yang berkembang secara disipliner, profesional, kreatif, dan akademik
Business Education
Pengembangan Pendidikan
Kompetensi AI Guru
Literasi AI
K-12
Higher Education
Scaffolding
Desain Pembelajaran
Intelligent Tutoring
Large Language Models (LLMs)
Workplace Learning
Distributed Cognition
Situated Learning
Critical Pedagogy
Teacher Education
Learning Sciences
Integritas Akademik
Pedagogies and Teaching Strategies — Payung: pedagogi dan strategi pengajaran dalam pendidikan AI
Stakeholders — Payung: orang dan audiens dalam pendidikan AI (pembelajar, guru, perancang, administrator, pembuat kebijakan)

FAQ terkait

Metadata

Tingkat	K 12, Higher Ed
Audiensi sasaran	Instructors, Faculty Developers, Learners
Pembelajaran dan pengajaran	Scaffolding
Teknologi dan teknik	Intelligent Tutoring
Dasar-dasar AI dalam pendidikan	Literasi AI, Pengembangan Pendidikan, Desain Pembelajaran, Kompetensi AI Guru

Sumber Riwayat Sunting Obrolan