Larangan total selalu terdengar tegas.
“AI tidak boleh digunakan.”
Selesai.
Masalahnya, realitas 2026 nggak sesederhana itu.
Mahasiswa pakai AI untuk brainstorming, grammar, coding, translation, literature discovery, research organization, presentation, sampai belajar. Dosen juga mulai memakai AI untuk preparation, feedback, dan administrasi.
Dunia kerja memakai AI.
Platform produktivitas sudah menanam AI di aplikasi sehari-hari.
Kalau kampus hanya bilang “jangan pakai”, policy-nya cepat kehilangan hubungan dengan realitas.
Indonesia sendiri sudah bergerak ke arah governance yang lebih nuanced.
Pada Maret 2026, pemerintah menandatangani SKB tujuh menteri tentang pedoman pemanfaatan dan pembelajaran teknologi digital serta kecerdasan artifisial dalam pendidikan formal, nonformal, dan informal.
Di pendidikan tinggi, Kemdiktisaintek juga terus mendorong perguruan tinggi mendefinisikan ulang perannya di era AI sambil menekankan pemanfaatan berbasis pertimbangan ilmiah.
Di level kampus, contoh yang lebih konkret juga sudah muncul.
Universitas Indonesia punya Peraturan Rektor Nomor 16 Tahun 2025 tentang Generative AI dalam penulisan ilmiah.
FITB ITB pada Januari 2026 mempublikasikan panduan penggunaan AI untuk kegiatan akademik dengan menempatkan AI sebagai alat bantu dan kualitas akademik tetap ditentukan manusia.
Pada Juli 2026, workshop integritas akademik LLDIKTI Wilayah XVI bahkan membahas pembagian penggunaan AI ke zona hijau, kuning, dan merah, dengan rekomendasi kampus menyusun aturan rektor.
Ini menunjukkan arah yang sehat.
Bukan blanket ban.
Risk-based governance.
Kenapa larangan total lemah?
Pertama, sulit ditegakkan.
Mahasiswa bisa menggunakan AI di luar jaringan kampus.
Bisa memakai tool berbeda.
Bisa meminta AI hanya mengedit bahasa.
Bisa memakai feature yang sudah built-in di word processor.
Batas “menggunakan AI” menjadi absurd.
Apakah spell-check AI termasuk?
Translation?
Autocomplete?
Search summary?
Coding completion?
Kalau rule terlalu luas, semua orang akhirnya menafsirkan sendiri.
Kedua, larangan total bisa menghambat skill yang justru dibutuhkan di dunia kerja.
Perusahaan ingin orang yang bisa menggunakan AI dengan aman dan efektif.
Kampus seharusnya menjadi tempat belajar itu.
Bukan tempat berpura-pura tool tidak ada.
Ketiga, larangan total mendorong penggunaan sembunyi-sembunyi.
Kalau mahasiswa takut mengaku, dosen kehilangan visibility.
Mereka tidak tahu bagaimana AI sebenarnya dipakai.
Tidak ada kesempatan mengoreksi.
Transparency turun.
Policy yang realistis justru membuat disclosure lebih mungkin.
Keempat, tidak semua penggunaan punya risk yang sama.
Memperbaiki grammar berbeda dari menulis thesis.
Meringkas artikel berbeda dari membuat data penelitian palsu.
Menerjemahkan draft berbeda dari menghasilkan argumentasi final.
Kebijakan dewasa perlu membedakan.
Model zona bisa berguna.
Zona hijau: penggunaan low-risk.
Brainstorming.
Grammar.
Format.
Ide pertanyaan.
Latihan.
Tetap perlu review.
Zona kuning: penggunaan yang boleh tetapi harus disclose atau punya aturan khusus.
Summarization.
Translation substantif.
Draft tertentu.
Data analysis assistance.
Coding assistance pada bagian yang dinilai.
Di sini transparency penting.
Zona merah: penggunaan yang merusak integritas atau melanggar aturan.
Fabrication data.
Citation palsu.
Menyusun karya akhir yang seharusnya menunjukkan kemampuan personal tanpa disclosure.
Mengupload data rahasia.
Membuat identitas palsu.
Detail tiap kampus bisa berbeda.
Yang penting prinsip risk-based.
Kebijakan juga harus berada di beberapa level.
Level universitas memberi baseline.
Data privacy.
Academic integrity.
Attribution.
Security.
Sanction process.
Procurement.
Level fakultas menyesuaikan domain.
Kedokteran punya risk berbeda dari desain.
Hukum berbeda dari teknik.
Level mata kuliah menentukan penggunaan spesifik.
Misalnya AI boleh untuk brainstorming tetapi tidak saat ujian.
Atau AI bebas pada project tetapi harus ada log.
Tanpa layering ini, policy terlalu kasar.
Kampus juga perlu definisi yang jelas.
Apa yang dimaksud generative AI?
Bagaimana dengan grammar checker?
Search engine dengan AI?
Coding assistant?
Translation?
AI detector?
Jangan pakai definisi yang cepat basi berdasarkan daftar brand.
Lebih baik berdasarkan fungsi.
Generate content.
Transform content.
Analyze data.
Recommend.
Execute action.
Dengan begitu policy lebih tahan perubahan tool.
Disclosure juga perlu format standar.
Mahasiswa jangan diminta membuat pengakuan seperti tersangka.
Cukup academic statement.
Tool apa.
Untuk fungsi apa.
Bagian mana.
Apa yang diverifikasi.
Kalau tidak ada AI substantif, tidak perlu over-document.
Standar yang ringan lebih mungkin dipatuhi.
Citation juga perlu dibedakan dari disclosure.
AI bukan source utama untuk fakta jika source asli tersedia.
Kalau model membantu menemukan paper, cite paper.
Kalau AI membantu wording, disclosure bisa cukup.
Kalau output AI sendiri menjadi objek analisis, barulah AI mungkin dicite sesuai style yang berlaku.
Kampus perlu mengajarkan distinction ini.
Ada juga issue privacy dan data governance.
Ini salah satu area yang sering kalah perhatian dibanding plagiarism.
Mahasiswa bisa mengupload transcript interview responden.
Data pasien.
Dokumen magang.
Code proprietary.
Dataset penelitian.
Semua bisa sensitif.
Kampus harus menetapkan klasifikasi data.
Data publik boleh dipakai lebih bebas.
Data internal ada batas.
Data sensitif mungkin dilarang masuk tool consumer.
Kalau ada enterprise account, policy bisa berbeda.
Kebijakan AI tanpa data governance belum matang.
Research ethics juga perlu update.
Kalau AI dipakai untuk coding qualitative data, literature screening, translation, atau analysis, metodologi perlu transparan.
Reviewer harus tahu.
Kalau AI menghasilkan synthetic data, jelaskan.
Kalau model version relevant, catat.
Reproducibility akademik perlu mengikuti tool baru.
Kampus juga harus berhenti terlalu percaya AI detector.
Detector boleh menjadi signal, bukan verdict.
Dugaan pelanggaran harus dilihat lewat proses.
Draft.
Source.
Interview.
Defense.
History.
Context.
Mahasiswa berhak menjelaskan.
False accusation bisa merusak trust.
Academic integrity perlu due process.
LLDIKTI Wilayah XVI pada 2026 sendiri menyoroti bahwa rendahnya similarity Turnitin tidak lagi cukup menjamin keaslian karya karena AI bisa menghasilkan kalimat baru. Ini menunjukkan ukuran lama saja memang tidak cukup.
Kampus harus menilai substance.
Ada juga sisi dosen.
Policy jangan hanya mengatur mahasiswa.
Dosen juga menggunakan AI.
Untuk grading.
Feedback.
Membuat soal.
Research.
Recommendation letter.
Materi.
Ada ethical question.
Apakah mahasiswa berhak tahu jika tugas mereka dinilai AI?
Apakah data mahasiswa boleh dimasukkan?
Apakah final grade boleh ditentukan model?
Kebijakan harus simetris.
Kalau mahasiswa diminta transparan, institusi juga harus transparan.
AI untuk grading sebaiknya assistive, bukan final authority.
Especially untuk assessment high-stakes.
Dosen bertanggung jawab.
Kampus juga perlu menyediakan training.
Policy tanpa capacity building cuma menghasilkan rule yang dilanggar karena orang tidak paham.
Mahasiswa perlu AI literacy.
Dosen perlu assessment redesign.
Staff perlu data governance.
Leadership perlu procurement literacy.
Semua layer berbeda.
Satu seminar tidak cukup.
Training harus praktis.
Contoh penggunaan.
Contoh pelanggaran.
Case.
Checklist.
Tool approved.
Data classification.
Escalation process.
Kampus juga perlu review policy secara berkala.
AI bergerak cepat.
Rule 2024 bisa outdated pada 2026.
Agent sekarang bisa melakukan action.
Connected apps bisa membaca file dan email.
Wearable AI mulai muncul.
Policy perlu versioning.
Setiap semester atau tahun, review.
Bukan menulis dokumen lalu dilupakan.
Ada satu hal yang sangat penting: kampus harus menjaga tujuan pendidikan.
AI policy bukan proyek compliance saja.
Tujuan akhirnya memastikan mahasiswa tetap belajar.
Kalau rule terlalu ketat, mahasiswa tidak belajar tool modern.
Kalau terlalu longgar, mahasiswa bisa kehilangan fundamental.
Balance harus mengikuti kompetensi.
Untuk coding fundamental, mungkin ada sesi tanpa AI.
Untuk project software, AI boleh dengan code review.
Untuk academic writing, AI boleh membantu bahasa tetapi thesis dan analysis harus dimiliki mahasiswa.
Untuk research, AI boleh membantu literature organization tetapi source harus diverifikasi.
Nuance seperti ini yang dibutuhkan.
Kampus Indonesia juga tidak homogen.
UI, ITB, kampus swasta kecil, kampus daerah, politeknik, dan universitas berbasis agama punya resource berbeda.
Policy nasional perlu memberi prinsip.
Implementasi lokal perlu adaptasi.
Jangan semua kampus dipaksa menggunakan platform tertentu.
Jangan semua program studi punya rule identik.
Yang harus konsisten adalah integritas.
Kejujuran.
Privacy.
Responsibility.
Evidence.
Fairness.
Kalau kampus membangun kebijakan dengan lima prinsip itu, tool bisa berubah tanpa membuat aturan runtuh.
Ada juga opportunity.
Kampus bisa menjadi tempat eksperimen governance AI terbaik.
Mahasiswa adalah pengguna aktif.
Dosen adalah expert domain.
Peneliti bisa mengukur impact.
IT bisa mengelola security.
Komite etik bisa menguji boundary.
Daripada hanya takut, kampus bisa menjadi laboratorium penggunaan AI yang bertanggung jawab.
Ini sesuai fungsi pendidikan tinggi.
Bukan mengikuti teknologi secara pasif.
Tapi mengkritik, menguji, dan membentuk normanya.
Larangan total mungkin terasa aman karena sederhana.
Sayangnya sederhana tidak selalu efektif.
Kebijakan yang dewasa justru menerima bahwa AI punya manfaat dan risiko sekaligus.
Ia membedakan jenis penggunaan.
Mengatur data.
Meminta transparency.
Mendesain assessment.
Memberi due process.
Melatih dosen dan mahasiswa.
Dan terus diperbarui.
Targetnya bukan kampus bebas AI.
Targetnya kampus yang tetap punya integritas ketika AI ada di mana-mana.
Itu jauh lebih realistis untuk 2026 dan jauh lebih berguna untuk mahasiswa yang sebentar lagi masuk dunia kerja yang tidak punya tombol “matikan AI”.
Kebijakan juga perlu punya jalur banding dan koreksi. Kalau mahasiswa dituduh misuse AI, harus ada proses yang memungkinkan mereka menunjukkan draft, sumber, atau reasoning. Academic integrity bukan hanya soal memberi sanksi, tetapi memastikan sanksi adil.
Kampus juga sebaiknya membedakan AI-generated content dan AI-assisted work. Dua istilah ini sering dicampur. Satu mahasiswa mungkin menulis sendiri lalu memakai tool untuk grammar. Mahasiswa lain bisa meminta model menulis seluruh analisis. Risk dan ownership-nya jelas berbeda.
Pedoman yang baik perlu contoh konkret. Mahasiswa lebih mudah memahami scenario daripada definisi abstrak.
Contoh: brainstorming ide, boleh.
Menggunakan AI untuk menyusun outline awal, boleh dengan disclosure jika dosen meminta.
Membuat reference palsu, dilarang.
Menggunakan AI untuk generate data penelitian yang diklaim sebagai data nyata, pelanggaran serius.
Mengupload data responden yang identifiable ke consumer AI, dilarang kecuali ada dasar dan proteksi yang sesuai.
Contoh seperti ini mengurangi area abu-abu.
Kampus juga perlu menentukan siapa yang mengelola kebijakan. Jangan semua dilempar ke dosen individu. Harus ada unit atau komite yang bisa menjawab kasus baru, memperbarui panduan, dan mengkoordinasikan training.
AI governance adalah fungsi institusi.
Bukan hobi satu dosen tech-savvy.
Selain itu, procurement harus masuk kebijakan. Kalau kampus membeli platform AI, evaluasi bukan hanya harga dan fitur. Periksa data processing, retention, security, admin controls, accessibility, export, dan support.
Vendor lock-in bisa menjadi problem jika seluruh workflow akademik bergantung satu platform.
Kampus harus punya exit strategy.
Dan yang paling penting, policy harus dibaca manusia. Dokumen 60 halaman yang tidak pernah dibuka tidak akan mengubah perilaku. Buat versi ringkas untuk mahasiswa dan dosen. Satu halaman rule, beberapa contoh, lalu dokumen lengkap untuk detail.
Governance yang bagus bukan yang paling rumit.
Ia yang paling mudah dipahami saat seseorang benar-benar harus membuat keputusan.
Bacaan terkait
Artikel ini berada dalam EdTech dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.