AI Literacy dan AI Fluency

MK Teknologi dalam Pembelajaran

Rizqy Amelia Zein

Departemen Psikologi, Universitas Airlangga

2026-08-21

Outline

  • Mengapa ini penting — kesenjangan kesiapan pendidik menghadapi AI
  • AI literacy vs. AI fluency — dua jenjang kompetensi yang berbeda
  • Kerangka AI literacy — 17 kompetensi, lima pertanyaan besar
  • Kerangka 4D AI Fluency — Delegation, Description, Discernment, Diligence
  • Mengapa fluency menentukan hasil — bukti dari 27 ribu percakapan manusia-AI
  • Sisi kritis: apakah AI membuat kita “bodoh”?

Mengapa Ini Penting? 📉

Pendidik belum siap

  • Survei Alberta Teachers Association (Desember 2023) terhadap 2.148 guru: hanya 29,4% optimis, 37,2% khawatir akan dampak negatif AI, sisanya bersikap netral atau tidak yakin
  • Survei EdWeek Research Center terhadap 498 guru K-12 tentang alasan tidak memakai AI di kelas: prioritas lain (46%), tidak tahu caranya (36%), tidak ada kebijakan (33%), tidak tahu cara memakainya secara efektif (30%)
  • Sebagian besar hambatan bukan soal penolakan, tapi kurangnya kompetensi — inilah yang coba dijawab oleh kerangka AI literacy dan AI fluency

AI Literacy vs. AI Fluency 🧭

Dua jenjang kompetensi yang berbeda

AI literacy

  • Memahami cara kerja AI
  • Mengevaluasi teknologi AI secara kritis
  • Tahu risiko dan batasannya

AI fluency

  • Berkarya dan berinovasi dengan AI
  • Memecahkan masalah bersama AI
  • Mengelola penggunaannya secara etis

Analoginya seperti belajar bahasa: literacy = bisa membaca; fluency = bisa berbincang dengan lancar.

Mengapa “penciptaan” jadi pembeda utama

  • Rogers & Carbonaro (2025) menelusuri sejarah pergeseran serupa dari literasi ke fluency: literasi komputer → digital fluency
  • National Research Council (1999) menyimpulkan literasi komputer “terlalu sederhana” di tengah perubahan cepat, lalu memperkenalkan konsep FITness (fluency with information technology)
  • Fluency = “kemampuan merumuskan ulang pengetahuan, berekspresi kreatif, dan menghasilkan informasi” — bukan sekadar memahaminya
  • Ini sejalan dengan Taksonomi Bloom Revisi: “mencipta” (create) adalah level kognitif tertinggi, di atas memahami dan mengevaluasi

Implikasi penting

Literacy dan fluency sebaiknya dikembangkan bersamaan, bukan berurutan — mahasiswa tidak perlu “lulus” literasi dulu baru belajar fluency

Kerangka AI Literacy 📚

Definisi dan lima pertanyaan besar

“Seperangkat kompetensi yang memampukan seseorang untuk mengevaluasi teknologi AI secara kritis; berkomunikasi dan berkolaborasi secara efektif dengan AI; dan menggunakan AI sebagai alat, baik daring, di rumah, maupun di tempat kerja.” — Long & Magerko (2020)

Kerangka ini mengelompokkan 17 kompetensi ke dalam lima pertanyaan besar:

  1. Apa itu AI? — mengenali AI, memahami “kecerdasan”, AI umum vs. AI sempit
  2. Apa yang bisa dilakukan AI? — kekuatan dan kelemahannya, membayangkan AI masa depan
  3. Bagaimana cara kerja AI? — representasi, pengambilan keputusan, langkah-langkah machine learning, literasi data
  4. Bagaimana AI seharusnya digunakan? — etika
  5. Bagaimana manusia mempersepsikan AI? — sejauh mana AI “dianggap” bisa diprogram/dikendalikan

Contoh penerapan di kelas Anda kelak

  • “Apa itu AI?” — mahasiswa mampu membedakan AI umum (general, fiksi ilmiah) dari AI sempit (narrow, yang benar-benar ada saat ini, seperti chatbot)
  • “Bagaimana cara kerja AI?” — mahasiswa paham bahwa AI “belajar dari data”, sehingga bisa mewarisi bias yang ada di data tersebut
  • “Bagaimana AI seharusnya digunakan?” — mahasiswa mampu menimbang implikasi etis sebelum memakai AI untuk suatu tugas, bukan sekadar bisa mengoperasikannya

Kaitan dengan pendidikan

Kerangka ini awalnya dirancang untuk pendidikan K-12, tapi kompetensinya berlaku lintas jenjang — termasuk untuk mahasiswa magister yang kelak jadi pendidik atau peneliti

Kerangka 4D AI Fluency 🧭

Definisi AI fluency

Definisi

Kemampuan berkolaborasi dengan AI secara efektif, efisien, etis, dan aman (Dakan & Feller, 2025).

Kerangka ini dibangun di atas 3 modalitas interaksi manusia-AI:

  • Automation — AI mengerjakan tugas sesuai instruksi langsung manusia (mis. menulis ringkasan)
  • Augmentation — manusia dan AI bersama-sama mendefinisikan dan mengerjakan tugas secara iteratif (mis. menulis esai bersama)
  • Agency — manusia mengonfigurasi AI agar terus bekerja mandiri mewakili dirinya (mis. chatbot tutor, karakter gim interaktif)

4️⃣D AI Fluency Framework

Catatan

Delegation dan description → efektif dan efisien; discernment dan diligence → etis dan aman.

Delegation — memilih visi dan alat yang tepat

Tiga kompetensi inti:

  1. Goal & task awareness — apa tujuan Anda? Seperti apa output yang baik dan bisa diterima?
  2. Platform awareness — AI (yang mana) bisa apa, dan apa yang tidak bisa ia lakukan?
  3. Task delegation — bagian mana yang butuh keahlian dan judgment Anda; bagian mana bisa dikerjakan AI; bagian mana paling berdampak kalau dikerjakan bersama?

Contoh untuk tesis Anda:

Tugas Delegasi
Merumuskan pertanyaan penelitian Anda (AI boleh menjadi mitra diskusi)
Memoles bahasa akademik naskah AI, lalu Anda sunting
Menginterpretasi hasil analisis AI dan Anda bersama, AI menawarkan alternatif, Anda membuat keputusan akhir

Description — berkomunikasi dengan jernih

Kualitas output AI sangat ditentukan oleh kualitas komunikasi Anda:

  • Product description — apa yang Anda inginkan: bentuk output, format, audiens, gaya
  • Process description — bagaimana sebaiknya AI mengerjakannya: metode, kerangka, urutan langkah
  • Performance description — bagaimana AI harus “bersikap” selama kolaborasi: ringkas atau rinci? Menantang atau suportif?

Perlakukan AI sebagai kolaborator, bukan “jin botol”🧞

Komunikasikan dan evaluasi output AI, meskipun Anda menolaknya — jelaskan mengapa, sehingga AI bisa menyesuaikan output berikutnya, sesuai prinsip reinforcement learning from human feedback (RLHF) yang sudah kita bahas

Discernment — mengevaluasi secara kritis

Cara Anda menilai output AI:

  • Product discernment — menilai output-nya: akurat? Runtut? Sesuai kebutuhan?
  • Process discernment — menilai cara AI membuat output: ada lompatan logika? Ada yang terlewat?
  • Performance discernment — menilai gaya interaksi AI: membantu, atau perlu diarahkan ulang?

Bayangkan Anda sebagai detektif🕵️‍♀️

Menemukan kesalahan AI adalah bukti Anda menggunakannya dengan benar — bukan tanda AI-nya buruk

Diligence — bertanggung jawab atas output AI

  • Creation diligence — cermat memilih sistem AI dan cara berinteraksi dengannya (data apa yang diunggah? kebijakan privasinya?)
  • Transparency diligence — terbuka soal peran AI dalam karya Anda kepada semua pihak yang perlu tahu (pembimbing, jurnal, institusi)
  • Deployment diligence — mengambil tanggung jawab penuh atas output yang Anda gunakan dan sebarkan

Domain expertise adalah guardrail paling penting

Tanpa keahlian di bidang Anda sendiri, keempat kriteria fluency ini runtuh — Anda tidak akan mampu menilai apakah output AI benar atau sekadar terdengar meyakinkan

Mengapa Fluency Menentukan Hasil? 📊

Bukti dari 27 ribu percakapan manusia-AI

Potts & Sudhof (2026) menganalisis 26.958 transkrip percakapan manusia-AI dari WildChat-4.8M:

  • Ambisi — pengguna fasih mengerjakan tugas jauh lebih kompleks: 3,1 vs. 1,5 pada skala kompleksitas 5 poin
  • Mode interaksi — 93% interaksi pengguna fasih bersifat augmentatif (menyempurnakan berulang kali, mengkritisi output); kurang dari 1% pada pengguna paling pemula, yang cenderung delegatif (menerima begitu saja)
  • Paradoksnya — 64% transkrip pengguna fasih mengandung indikasi kegagalan, vs. 24% pada pengguna pemula

Kegagalan yang visible vs. invisible

  • 59% kegagalan pengguna fasih bersifat visible — konsekuensi langsung dari sikap aktif mereka memeriksa output, dan sering berujung pada perbaikan
  • Kegagalan pengguna pemula lebih sering invisible — percakapan tampak sukses, padahal hasilnya tidak koheren sama sekali karena tidak pernah diperiksa secara kritis

Kesimpulannya

Fluency menentukan apakah AI di tangan Anda menjadi produsen AI slop, atau asisten yang bisa diandalkan. Menemukan kegagalan AI bukan tanda Anda gagal — itu justru bukti Anda menggunakannya dengan tepat.

Sisi Kritis: Apakah AI Membuat Kita “Bodoh”? 🧠

Cognitive offloading — pedang bermata dua

Cash et al. (2026) mengingatkan sisi lain dari cerita ini:

  • Cognitive offloading — “menitipkan” proses berpikir ke alat bantu — lumrah dan umumnya bermanfaat (kita juga melakukannya lewat kalkulator, GPS, internet)
  • Tapi keterampilan yang tidak pernah dilatih, tanpa friksi sama sekali, lama-lama akan memudar (skill decay)
  • Perlu dibedakan: skill (perilaku yang dipelajari lewat praktik) vs. kemampuan kognitif dasar (memori kerja, atensi selektif) — yang pertama lebih rentan terhadap offloading, yang kedua relatif lebih tahan

Bukti nyata: dokter dan alat deteksi AI

Studi endoscopist deskilling

Sebelum AI diperkenalkan, dokter mendeteksi adenoma pada 28,4% kasus. Setelah AI tersedia (meski akses ke AI-nya tidak sepenuhnya acak), tingkat deteksi tanpa AI turun menjadi 22,4% — mengindikasikan kompetensi dokter menurun setelah terbiasa dibantu AI.

  • Studi lain: peserta yang belajar topik lewat AI (dibanding lewat pencarian Google) menulis saran yang lebih pendek, kurang orisinal, dan dinilai kurang membantu — mereka juga menghabiskan lebih sedikit waktu belajar dan merasa kurang memiliki rasa kepemilikan atas pengetahuan yang diperoleh
  • Kesimpulan penulis tidak alarmis: “terlalu dini untuk memastikan” efek jangka panjangnya — tapi risikonya nyata dan bergantung pada bagaimana AI dipakai

Menyatukan optimisme dan kehati-hatian

  • Potts & Sudhof (2026): pengguna fasih justru mendapat hasil lebih baik karena mereka aktif terlibat, bukan pasrah pada AI
  • Cash et al. (2026): risiko deskilling muncul justru ketika keterlibatan aktif itu hilang — saat AI dipakai untuk menghindari kerja kognitif, bukan melengkapinya
  • Kedua bacaan ini sebenarnya sepakat: yang membedakan AI sebagai alat pemberdaya vs. alat yang mengikis kompetensi adalah seberapa aktif Anda terlibat dalam prosesnya — persis inti dari discernment dan diligence dalam kerangka 4D

Rangkuman

  • AI literacy (memahami & mengevaluasi AI) dan AI fluency (berkarya & berinovasi dengan AI) adalah dua kompetensi berbeda yang perlu dikembangkan bersamaan
  • Kerangka 17 kompetensi Long & Magerko (2020) menjawab “apa yang perlu dipahami”; kerangka 4D Dakan & Feller (2025) menjawab “bagaimana berkarya bersama AI secara bertanggung jawab”
  • Bukti empiris menunjukkan keterlibatan aktif (bukan kepasifan) adalah pembeda antara kolaborasi yang produktif dan yang justru merugikan
  • Risiko deskilling itu nyata — strategi terbaiknya bukan menghindari AI, tapi membangun domain expertise yang membuat Anda mampu menilai kapan AI membantu dan kapan tidak

Ada pertanyaan❓

Catatan

Rujukan