Peneliti Buktikan Agen AI Mampu Rumuskan Pertanyaan Riset Mandiri hingga Menulis Makalah Ilmiah

Tim peneliti independen mempublikasikan laporan eksperimen ilmiah yang membuktikan bahwa agen kecerdasan buatan mampu merumuskan pertanyaan penelitian orisinal secara mandiri hingga menghasilkan naskah akademik utuh tanpa campur tangan manusia pada akhir Oktober 2026 di repositori ilmiah terbuka arXiv.

Publikasi pracetak ini menandai lompatan penting dalam otomasi penelitian ilmiah, menjawab kritik mendasar terhadap sistem perintis terdahulu yang dinilai masih sangat bergantung pada arahan awal dari ilmuwan manusia.

Empat tahapan siklus otonom agen riset kecerdasan buatan dalam merumuskan dan menguji hipotesis ilmiah. Gambar: diagram oleh Metodika.

Melampaui Paradigma Awal Sistem The AI Scientist

Beberapa bulan sebelumnya, dunia akademik sempat dihebohkan oleh kehadiran sistem bertajuk The AI Scientist yang dipelopori oleh laboratorium riset Sakana AI bersama para peneliti Universitas Oxford dan Universitas British Columbia. Sistem tersebut berhasil memperlihatkan kemampuan agen dalam mengunduh kode acuan, mengeksekusi eksperimen komputasi, menyajikan grafik, dan menyusun draf naskah berformat akademik.

Namun, sebagaimana dicatat dalam laporan evaluasi pangkalan data Semantic Scholar, sistem awal tersebut masih memiliki kelemahan metodologis yang signifikan. Topik penelitian, bidang kajian spesifik, serta pemilihan draf akhir yang layak dipublikasikan masih sepenuhnya dikurasi dan dipilah oleh manusia, sehingga klaim otomasi penuh belum terwujud secara murni.

Penelitian terbaru yang diunggah ke repositori arXiv ini melangkah jauh lebih maju dengan menguji skenario di mana agen kecerdasan buatan diberikan kebebasan penuh untuk merumuskan sendiri pertanyaan riset yang ingin dipecahkan. Peneliti hanya memberikan dokumen instruksi umum dan dua modul keterampilan (*skills*) utama: modul perumusan hipotesis dan modul simulasi penelaahan sejawat (*peer review*).

Selama fase pengembangan yang mencakup tiga belas kali putaran uji awal, para peneliti mengamati fenomena unik mengenai sensitivitas agen terhadap arahan umum. Pengubahan hanya satu atau dua kalimat pada deskripsi awal ruang lingkup masalah ternyata memicu pergeseran drastis pada seluruh spektrum hipotesis kandidat yang dirumuskan oleh agen. Dari observasi inilah tim peneliti memutuskan untuk mengarahkan agen pada eksplorasi penerapan teknologi komputasi mutakhir guna memecahkan tantangan sosial kemasyarakatan yang nyata.

Efisiensi komputasi menjadi salah satu keunggulan paling mencolok dari eksperimen ini. Berbeda dengan pelatihan model fondasi raksasa yang membutuhkan klaster pusat data bernilai miliaran rupiah, seluruh siklus kerja agen peneliti otonom ini berhasil dijalankan pada perangkat keras komputer jinjing standar konsumen. Biaya penggunaan antarmuka pemrograman aplikasi (API) model bahasa untuk memproduksi satu naskah lengkap tercatat hanya berkisar belasan dolar Amerika Serikat, menjadikannya sangat terjangkau bagi kelompok riset independen.

Mekanisme Kritik Silang Antarmodel dan Verifikasi Mandiri

Dalam arsitektur baru ini, proses perumusan pertanyaan riset dirancang melalui pendekatan divergen. Agen pengode tidak sekadar meniru literatur mutakhir di satu bidang sempit, melainkan secara aktif mencari celah masalah pada disiplin ilmu lain yang dapat dipecahkan menggunakan teknologi komputasi baru.

Untuk mencegah terjadinya halusinasi atau pengulangan topik usang, agen dilengkapi mekanisme penapisan ketat terhadap pola-pola kegagalan yang jamak terjadi. Pertanyaan kandidat yang disusun oleh satu model kecerdasan buatan wajib dimintakan evaluasi dan kritik dari model keluarga lain yang independen, sehingga tercipta perdebatan dialektis antarsistem.

Setelah pertanyaan terpilih, agen menulis skrip kode, menjalankan eksperimen di komputer jinjing secara lokal, dan menyusun makalah lengkap beserta catatan log eksekusi. Pada tahap akhir, agen peninjau dari keluarga model berbeda mengunduh catatan tersebut, menjalankan ulang eksperimen untuk memverifikasi replikasi hasil, dan memberikan catatan koreksi sebelum draf final disahkan.

Hasil Uji Pra-Registrasi dan Penilaian Kualitas Naskah

Guna menjaga integritas ilmiah dan menghindari bias pemilihan hasil terbaik (*cherry-picking*), tim peneliti menerapkan protokol pembekuan sistem setelah uji coba awal dan mendaftarkan lima eksperimen berurutan dalam skema pra-registrasi terbuka (*pre-registered runs*).

Kelima putaran eksperimen otonom tersebut terbukti sukses berjalan dari nol hingga tuntas menghasilkan lima naskah ilmiah yang dapat dihitung ulang (*re-computable papers*). Berdasarkan penilaian buta dari agen peninjau eksternal yang hanya membaca berkas naskah tanpa mengetahui penulisnya, kelima naskah tersebut dinilai berada pada atau mendekati standar kelayakan seminar akademik internasional (*workshop level*).

Meskipun demikian, ulasan audit dari divisi riset Google Research mengingatkan bahwa tantangan terbesar agen riset otonom saat ini bukan lagi pada kemampuan merangkai teks atau menjalankan kode, melainkan pada keaslian kontribusi sains mendalam. Agen AI masih rentan menghasilkan karya yang secara teknis rapi namun minim terobosan paradigma mendasar (*incremental science*).

Sistem penelaahan sejawat otomatis yang dibangun meniru format evaluasi konferensi kecerdasan buatan terkemuka. Agen peninjau menilai naskah berdasarkan empat kriteria utama: kebaruan ide, ketepatan metodologi, kejelasan penyajian data, serta kekuatan kesimpulan. Setiap draf dinilai menggunakan skala numerik satu hingga sepuluh, disertai catatan deskriptif mengenai kelemahan logika yang wajib diperbaiki sebelum naskah dinyatakan layak terbit.

Fenomena ini memicu perdebatan hangat di kalangan komunitas saintis global terkait ancaman banjir naskah otomatis (*paper mill*) pada jurnal dan seminar ilmiah. Para editor jurnal internasional kini mulai merumuskan protokol verifikasi rantai bukti (*chain-of-evidence*) yang mewajibkan penulis melampirkan rekaman repositori terbuka dan data komputasi terverifikasi guna membuktikan keabsahan temuan yang dilaporkan.

Peluang dan Refleksi bagi Komunitas Riset di Indonesia

Perkembangan pesat agen peneliti mandiri ini membawa implikasi mendalam bagi para dosen, peneliti, dan mahasiswa pascasarjana di perguruan tinggi Indonesia. Kehadiran alat ini membuktikan bahwa keterampilan teknis seperti menyusun format makalah LaTeX atau menulis skrip uji dasar akan semakin terkomoditisasi oleh mesin.

Keahlian yang justru menjadi semakin bernilai tinggi bagi akademisi manusia adalah kemampuan berpikir kritis, kepekaan terhadap masalah nyata masyarakat di lingkungan sekitar, serta pertimbangan etika dalam menentukan arah kemanfaatan ilmu pengetahuan. Kampus di tanah air perlu mulai melatih mahasiswa untuk tidak hanya menjadi pelaksana eksperimen rutin, melainkan menjadi perancang arah penelitian strategis yang mampu mengarahkan dan mengaudit kecerdasan buatan demi kemaslahatan publik.

Gambar sampul: commons.wikimedia.org, lisensi CC0.