Begitu generative AI mulai dipakai mahasiswa, respons paling gampang memang enforcement.
Cari detector.
Cari pola tulisan.
Tanya siapa pakai ChatGPT.
Bikin ancaman sanksi.
Problem-nya, strategi ini mengejar gejala.
Kalau assessment bisa diselesaikan tanpa memahami materi, problem utamanya ada di desain penilaian.
AI hanya mengekspos kelemahannya lebih cepat.
Kampus perlu pindah dari model “siapa yang pakai AI?” ke pertanyaan yang lebih berguna: “apa yang sebenarnya sedang kita nilai?”
Kalau mata kuliah menilai kemampuan menghafal definisi, closed-book mungkin masih tepat.
Kalau menilai kemampuan analisis, mahasiswa seharusnya boleh melihat sumber.
Kalau menilai kemampuan bekerja dengan tools modern, penggunaan AI mungkin justru harus dimasukkan.
Kalau menilai kemampuan menulis personal, penggunaan AI bisa dibatasi.
Learning objective menentukan policy.
Bukan teknologi yang menentukan semua.
Masalah besar di kampus adalah satu tugas sering mencoba menilai terlalu banyak hal.
Essay 2.000 kata dianggap mengukur pemahaman, research, writing, originality, dan argumentasi sekaligus.
Padahal bisa saja mahasiswa memahami konsep tetapi writing-nya lemah.
Atau writing-nya bagus tetapi reasoning tipis.
AI membuat pemisahan ini makin penting.
Kalau AI membantu grammar, apakah pemahaman mahasiswa hilang?
Tidak otomatis.
Kalau AI membuat seluruh argumentasi, baru learning objective bisa terganggu.
Assessment perlu memisahkan komponen.
Misalnya nilai 30 persen untuk reasoning.
20 persen untuk evidence.
20 persen untuk application.
15 persen untuk clarity.
15 persen untuk reflection.
Dengan rubric lebih jelas, dosen bisa melihat apa yang sebenarnya diukur.
Kampus juga perlu memberi ruang bagi process evidence.
Bukan hanya final file.
Mahasiswa bisa menunjukkan outline, draft, note, source list, atau revision log.
Tidak semua tugas harus menyimpan seluruh history.
Tapi untuk capstone atau project besar, ini sangat berguna.
Dosen bisa melihat perkembangan.
Mahasiswa juga belajar bahwa pekerjaan bagus jarang lahir sekali jadi.
Ini melawan budaya “generate lalu submit”.
Salah satu format paling efektif adalah viva singkat.
Mahasiswa mempertahankan karya.
Bukan sidang formal satu jam.
Cukup beberapa pertanyaan.
“Bagian mana yang paling sulit?”
“Apa asumsi terbesar?”
“Kenapa sumber ini dipilih?”
“Apa yang akan diubah kalau punya waktu lebih?”
Pertanyaan seperti ini melihat ownership.
AI bisa membantu mahasiswa mempersiapkan viva, dan itu tidak masalah.
Kalau akhirnya pemahaman naik, learning terjadi.
Kampus juga bisa menggunakan assessment authentic.
Tugas yang mirip dunia nyata.
Mahasiswa bisnis membuat recommendation berdasarkan data.
Mahasiswa komunikasi merancang campaign dengan constraint.
Mahasiswa engineering membangun prototype.
Mahasiswa pendidikan membuat lesson plan dan mengujinya.
Mahasiswa hukum menulis memo dengan source primer.
Mahasiswa desain menyelesaikan brief dan menjelaskan decision.
AI bisa membantu semua.
Tetapi final quality tetap membutuhkan judgement.
Authentic assessment juga mengurangi motivasi cheating karena task terasa meaningful.
Tidak selalu.
Tapi jauh lebih baik daripada essay generik yang tidak punya hubungan dengan dunia nyata.
Kampus perlu berhenti menganggap tulisan polished sebagai bukti belajar.
Pada 2026, bahasa rapi sudah menjadi commodity.
AI bisa memperbaiki grammar dan style dalam detik.
Yang perlu dicari adalah depth.
Apakah argumen konsisten?
Apakah sumber benar?
Apakah counterargument dipertimbangkan?
Apakah mahasiswa memahami keterbatasan?
Apakah rekomendasi mengikuti evidence?
Ini lebih sulit dipalsukan secara konsisten.
Bukan mustahil.
Tapi lebih meaningful.
Ada juga teknik randomized context.
Bukan random soal demi menyulitkan.
Setiap mahasiswa atau kelompok mendapat data, case, atau constraint yang sedikit berbeda.
Mereka tetap memakai konsep sama.
Namun jawaban tidak bisa disalin mentah.
AI pun harus bekerja dengan input spesifik.
Ini bagus untuk programming, statistics, business case, atau design.
Untuk mata kuliah humanities, mahasiswa bisa memilih objek analysis sendiri lalu mempertahankan pilihan.
Personal connection menambah ownership.
Kampus juga perlu membuat policy AI yang tidak absurd.
Larangan total di semua konteks sulit dipertahankan.
Mahasiswa akan menggunakan AI di luar kelas.
Perusahaan akan meminta skill tersebut.
Lebih baik kampus mengajarkan penggunaan yang bertanggung jawab.
Tapi “boleh AI” juga tidak cukup.
Harus ada detail.
Apa yang boleh?
Apa yang harus disclose?
Data apa yang tidak boleh diupload?
Bagaimana citation?
Kapan penggunaan AI dianggap melanggar integritas akademik?
Semua perlu dijelaskan.
Policy sebaiknya berada di level institusi sebagai baseline, lalu mata kuliah menyesuaikan.
Jangan mahasiswa harus menebak rule tiap kelas.
Dosen juga perlu dukungan jika terjadi dispute.
Kalau ada dugaan misuse, prosesnya harus fair.
Jangan hanya berdasarkan detector score.
Minta mahasiswa menjelaskan karya.
Lihat source trail.
Lihat draft.
Tanya reasoning.
Academic integrity perlu due process.
Ada mahasiswa yang tulisannya memang formal.
Ada mahasiswa non-native speaker yang memakai grammar tool.
Ada mahasiswa yang menggunakan accessibility tool.
Jangan kriminalisasi style.
Kampus juga perlu memahami bahwa AI bisa memperbaiki fairness tertentu.
Mahasiswa dengan kemampuan bahasa Inggris lebih lemah bisa memakai AI untuk memperbaiki grammar sehingga ide mereka dinilai lebih adil.
Mahasiswa dengan disability tertentu bisa terbantu dalam membaca atau menulis.
Ini manfaat nyata.
Tetapi fairness bisa bergerak ke arah sebaliknya kalau akses premium tidak merata.
Mahasiswa yang punya langganan model kuat mungkin punya advantage.
Kampus perlu menentukan baseline access.
Bisa lewat institutional account.
Bisa lewat free tool yang tersedia.
Bisa lewat assessment yang tidak bergantung pada capability premium.
Jangan membuat ekonomi keluarga memengaruhi kualitas AI yang boleh digunakan untuk tugas wajib.
Ada isu privacy.
Mahasiswa bisa mengupload data penelitian, data responden, interview transcript, atau dokumen internship.
Kampus harus punya aturan.
Data dengan personal identifier tidak boleh sembarangan masuk consumer AI.
Research ethics harus diperbarui.
Institutional Review Board atau komite etik perlu memahami penggunaan generative AI.
Mahasiswa riset perlu tahu kapan data harus dianonimkan.
Kalau menggunakan AI untuk coding data kualitatif, metodologinya perlu dijelaskan.
AI mengubah research practice, bukan hanya writing.
Assessment juga bisa menguji AI literacy secara langsung.
Berikan output AI yang salah.
Minta mahasiswa menemukan error.
Berikan dua jawaban.
Minta bandingkan source.
Berikan hallucinated citation.
Minta verifikasi.
Ini skill penting.
OpenAI Study Mode sendiri dirancang untuk memandu langkah berpikir, mengajukan pertanyaan, dan mengecek pemahaman, bukan hanya memberi jawaban akhir. Kampus bisa mengambil prinsip yang sama: assessment sebaiknya membuat mahasiswa berpikir terlihat.
Tidak harus semua lewat ChatGPT.
Prinsipnya yang penting.
Kampus juga perlu mengubah hubungan dosen dan mahasiswa.
Kalau semua percakapan AI berangkat dari kecurigaan, mahasiswa akan menyembunyikan penggunaan.
Kalau penggunaan dibahas terbuka, dosen bisa mengajar batasnya.
Mahasiswa bisa bilang, “saya pakai AI untuk bagian ini, tapi output-nya salah di sini.”
Itu justru learning moment.
Transparency lebih mudah tumbuh kalau rule jelas.
Ada satu hal yang harus ditahan: workload dosen.
Assessment lebih autentik dan oral bisa makan waktu.
Jangan mendesain sistem ideal yang membuat dosen burnout.
Gunakan sampling.
Peer review.
Group defense.
Short viva.
Automated low-stakes quiz.
Rubric jelas.
AI juga bisa membantu dosen menyiapkan feedback awal, selama final judgement tetap manusia.
Redesign perlu sustainable.
Kampus bisa melakukan pilot.
Pilih beberapa mata kuliah.
Uji format.
Lihat learning outcome.
Lihat workload.
Lihat complaint.
Perbaiki.
Jangan langsung mengubah semua.
Perubahan assessment harus berbasis evidence dari kelas sendiri.
Di Jakarta dan kota besar lain, mahasiswa sudah hidup di lingkungan AI yang sangat cepat.
Mereka memakai tool untuk internship, freelance, coding, marketing, research, dan kerja part-time.
Kalau kampus hanya mengajarkan cara menghindari AI, pendidikan tertinggal dari konteks kerja.
Tapi kalau kampus membiarkan semua di-generate, pendidikan kehilangan fungsi.
Middle ground-nya jelas.
Ajarkan menggunakan AI.
Nilai kemampuan yang tidak boleh hilang.
Minta mahasiswa menunjukkan reasoning.
Pisahkan bantuan teknis dari intellectual ownership.
Gunakan assessment yang lebih dekat ke praktik nyata.
Jangan memburu pengguna ChatGPT seolah masalah pendidikan selesai ketika tool-nya tertangkap.
Mahasiswa bisa berhenti pakai ChatGPT dan tetap tidak belajar.
Mereka bisa memakai AI dan justru belajar lebih dalam.
Teknologinya bukan indikator utama.
Prosesnya yang menentukan.
Kampus yang matang tidak bertanya, “bagaimana memastikan mahasiswa tidak menyentuh AI?”
Kampus bertanya, “bagaimana memastikan mahasiswa tetap menjadi orang yang paling memahami pekerjaan yang mereka submit?”
Itu target yang jauh lebih kuat.
Redesign assessment juga memberi kesempatan kampus memperbaiki problem lama yang tidak ada hubungannya dengan AI. Banyak mahasiswa selama ini belajar mengejar format dosen, bukan kompetensi. Mereka membaca contoh jawaban tahun lalu, mencari pattern, lalu mereplikasi.
AI membuat strategi itu jauh lebih efisien, tetapi akar problem-nya tetap sama: assessment terlalu predictable.
Kampus bisa memperbanyak transfer task. Setelah mahasiswa mempelajari konsep pada kasus A, ujikan pada kasus B yang belum pernah dibahas. Kalau mereka benar-benar memahami konsep, transfer terjadi. Kalau hanya menghafal template, mereka kesulitan.
Ini sangat kuat untuk melihat learning.
Assessment juga bisa memberi ruang error correction. Di dunia kerja, orang jarang hanya dinilai dari apakah draft pertama sempurna. Mereka mendapat feedback, memperbaiki, dan belajar. Kampus bisa memberi sebagian nilai pada kualitas revisi.
AI justru bisa dipakai dalam fase revisi. Mahasiswa membandingkan feedback dosen dengan saran AI, lalu menjelaskan perubahan yang dipilih. Ini melatih judgement, bukan obedience kepada model.
Untuk dosen, rubric harus cukup konkret agar penilaian tidak menjadi subjektif ekstrem. Kalau yang dicari adalah source quality, jelaskan indikatornya. Kalau reasoning, tunjukkan seperti apa argumentasi yang kuat. AI era membuat clarity rubric makin penting karena surface writing semakin homogen.
Kampus juga perlu menyimpan contoh assessment yang berhasil. Bukan bank soal yang bocor tiap tahun, tetapi design pattern. Misalnya oral defense ringan, project berbasis data lokal, source audit, atau open-AI critique. Fakultas bisa berbagi sehingga tiap dosen tidak harus menemukan ulang solusi sendiri.
Pada akhirnya perubahan penilaian bukan proyek anti-ChatGPT. Ini proyek memperbaiki hubungan antara nilai dan kompetensi. Kalau nilai tinggi benar-benar berarti mahasiswa bisa memahami, menerapkan, menjelaskan, dan mempertanggungjawabkan, AI tidak merusak sistem. Ia hanya menjadi salah satu tool di dalamnya.
Kalau kampus bergerak ke arah ini, tugas dosen memang berubah. Mereka bukan cuma membuat soal, tetapi merancang situasi yang memunculkan bukti belajar. Itu membutuhkan investasi awal, tetapi hasilnya lebih tahan terhadap perubahan teknologi daripada sekadar mengganti detector setiap semester.
Bacaan terkait
Artikel ini berada dalam EdTech dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.