Sekolah dan kampus selama bertahun-tahun punya kebiasaan menilai output.
Jawaban benar.
Essay selesai.
Code jalan.
Presentasi rapi.
Nilai keluar.
AI membuat model ini goyang.
Karena pada 2026, menghasilkan output yang terlihat bagus makin mudah.
Chatbot bisa menulis.
Coding agent bisa membuat program.
Image model bisa membuat visual.
Research tool bisa menyusun laporan.
Kalau penilaian hanya melihat produk akhir, kita makin sulit tahu siapa yang benar-benar belajar.
Ini alasan proses berpikir naik nilainya.
OpenAI pada Maret 2026 juga mempublikasikan upaya pengukuran learning outcomes yang tidak hanya melihat skor ujian akhir, tetapi mencoba memahami progress belajar dari waktu ke waktu. Itu menunjukkan satu perubahan penting dalam diskusi AI pendidikan: hasil akhir saja memang tidak cukup untuk memahami apakah AI membantu learning.
Pendidikan perlu bergerak ke arah yang sama.
Bukan berarti jawaban akhir tidak penting.
Tetap penting.
Kalau matematika salah, ya salah.
Kalau code tidak jalan, problem.
Kalau argumen tidak punya evidence, lemah.
Tapi final answer perlu dilihat bersama proses.
Bagaimana siswa sampai sana?
Apa yang dicoba?
Apa yang salah?
Apa yang diperbaiki?
Source apa yang dipilih?
Kenapa keputusan berubah?
Pertanyaan ini menjadi jauh lebih penting.
Ambil contoh essay.
Dua siswa submit tulisan sama bagus.
Siswa pertama membaca tiga sumber, membuat outline, menggunakan AI untuk critique, lalu revisi.
Siswa kedua meminta AI menulis semuanya.
File akhirnya mungkin setara.
Learning outcome tidak.
Kalau sistem pendidikan hanya menilai file, perbedaan tidak terlihat.
Proses perlu dibuat visible.
Draft.
Revision.
Reflection.
Oral defense.
Source trail.
Tidak semua harus ada sekaligus.
Pilih sesuai task.
Untuk coding, final app juga tidak cukup.
Mahasiswa perlu menjelaskan architecture.
Kenapa library dipilih.
Apa bug yang ditemukan.
Bagaimana testing.
AI boleh membantu generate code.
Tapi ownership perlu terlihat.
Untuk matematika, langkah reasoning penting.
Bukan hanya angka akhir.
Untuk science, methodology penting.
Bukan hanya kesimpulan.
Untuk design, rationale penting.
Bukan hanya visual.
AI era sebenarnya memaksa pendidikan kembali ke prinsip lama yang sering dilupakan: belajar adalah perubahan kemampuan, bukan produksi tugas.
Tugas cuma evidence.
Kalau evidence mudah dipalsukan atau di-outsourcing, kita butuh evidence lain.
Salah satunya adalah process.
Ini juga lebih fair untuk siswa.
Kadang jawaban akhir salah tetapi reasoning bagus.
Siswa membuat satu arithmetic mistake di langkah akhir.
Kalau hanya nilai final, mungkin kehilangan banyak poin.
Kalau proses dinilai, guru bisa melihat pemahaman sebenarnya.
Sebaliknya, jawaban benar dari tebakan atau copy tidak otomatis mendapat nilai penuh.
Ini mendekatkan assessment ke kompetensi.
Ada konsep productive struggle.
Belajar membutuhkan usaha tertentu.
Tidak semua friction bagus.
Mencari file yang hilang bukan learning.
Memformat citation manual bukan selalu learning.
Tapi mencoba memahami konsep, membuat hipotesis, dan memperbaiki error adalah friction yang berguna.
AI seharusnya menghapus friction yang tidak perlu.
Bukan menghapus productive struggle.
Ini balance penting.
Kalau AI langsung memberi jawaban, struggle hilang.
Kalau AI memberi hint setelah siswa mencoba, struggle tetap ada tetapi tidak membuat frustrasi terlalu lama.
Study Mode dan konsep tutor AI bertahap mencoba masuk ke arah ini.
Sistem bertanya balik.
Memberi petunjuk.
Mengukur pemahaman.
Bukan sekadar menampilkan final answer.
Namun desain tool saja tidak cukup.
Siswa bisa tetap meminta jawaban final.
Sekolah perlu membangun culture.
“Coba dulu.”
“Jelaskan reasoning.”
“Cek.”
“Revisi.”
Culture lebih kuat daripada setting.
Guru juga perlu mengubah feedback.
Daripada hanya “jawaban salah”, bisa tanya “di langkah mana reasoning berubah?”
Daripada hanya memberi nilai essay, beri komentar pada argument.
Daripada memperbaiki code, minta siswa menemukan bug dengan petunjuk.
Feedback fokus pada process membantu siswa membangun metacognition.
Metacognition adalah kemampuan memahami bagaimana kita belajar.
Apa yang sudah tahu.
Apa yang belum.
Strategi apa yang bekerja.
Kapan perlu bantuan.
AI era membuat skill ini penting.
Karena tool selalu tersedia.
Siswa perlu tahu kapan harus pakai.
Kalau tidak sadar proses sendiri, mereka akan default ke AI untuk semua.
Ada satu kebiasaan yang sangat kuat: reflection.
Setelah tugas, tanya tiga hal.
Apa keputusan penting yang dibuat?
Apa yang berubah setelah feedback?
Apa yang masih belum yakin?
Jawaban singkat cukup.
Reflection membuat siswa berhenti dan melihat proses.
Ini juga membantu guru melihat ownership.
Untuk project besar, version history bisa berguna.
Bukan untuk surveillance.
Untuk melihat perkembangan.
Proposal awal.
Prototype.
Feedback.
Revisi.
Final.
Siswa belajar bahwa pekerjaan berkualitas memang iteratif.
AI sebenarnya cocok dengan iteration.
Bisa memberi feedback cepat.
Bisa membuat alternative.
Bisa membantu experiment.
Kalau dipakai benar, proses belajar bisa lebih kaya.
Masalahnya kalau iteration diganti generation.
Satu prompt.
Satu output.
Submit.
Itu bukan learning process.
Pendidikan 2026 juga perlu menilai quality of question.
Dulu siswa sering dinilai dari kemampuan menjawab.
Sekarang bertanya menjadi lebih penting.
AI bisa menjawab banyak hal.
Tapi siapa yang menentukan pertanyaan?
Mahasiswa yang bisa merumuskan problem dengan baik punya advantage.
Guru bisa memberi nilai pada question framing.
Misalnya dalam project research, siswa harus menjelaskan kenapa memilih research question.
Apa gap-nya.
Apa constraint.
Apa yang bisa dibuktikan.
Ini skill ilmiah.
AI dapat membantu, tapi siswa tetap harus memilih.
Process juga termasuk source selection.
Jangan hanya lihat bibliography.
Tanya kenapa source dipercaya.
Apa limitation.
Ada conflict?
Ini membuat information literacy terlihat.
Di tengah banjir AI-generated information, source judgement akan menjadi core education skill.
Proses juga mencakup collaboration.
Siapa melakukan apa?
Bagaimana team memutuskan?
Bagaimana conflict diselesaikan?
AI bisa membantu project management.
Tapi teamwork tetap manusia.
Assessment kelompok perlu melihat kontribusi dan reasoning.
Bukan hanya slide final.
Untuk pendidikan Indonesia, arah Pembelajaran Mendalam dan Koding serta Kecerdasan Artifisial pada 2026 memang menekankan penguatan nalar, logika, kreativitas, dan pembelajaran yang bermakna. Ini sejalan dengan kebutuhan era AI.
Kalau output bisa dibuat mesin, pendidikan harus lebih serius pada kemampuan berpikir.
Namun jangan membuat “proses” menjadi birokrasi baru.
Ini danger.
Kalau setiap tugas wajib punya log 10 halaman, screenshot chat, reflection panjang, dan defense, siswa dan guru capek.
Process evidence harus proporsional.
Tugas kecil cukup satu explanation.
Project besar bisa lebih lengkap.
Gunakan sampling.
Guru tidak perlu membaca semua step.
Tujuannya visibility, bukan paperwork.
AI juga bisa membantu guru mengelola process evidence.
Misalnya merangkum revision log atau mengelompokkan pattern feedback.
Tetap dengan privacy dan human review.
Jangan sampai usaha menilai proses justru menciptakan workload yang impossible.
Ada juga nilai dari live interaction.
Guru tanya satu pertanyaan spontan.
Siswa menjelaskan.
Ini process evidence paling sederhana.
Tidak semua harus digital.
Oral reasoning kembali penting.
Whiteboard.
Discussion.
Demonstration.
Practical task.
Ini semua sulit digantikan hanya oleh file generatif.
Pendidikan perlu portfolio assessment yang lebih beragam.
Closed-book untuk fundamental.
Open-resource untuk research.
Project untuk application.
Oral untuk explanation.
AI-integrated untuk modern workflow.
Tidak satu format menilai semuanya.
AI memaksa kita menerima kompleksitas ini.
Ada satu efek positif yang mungkin muncul.
Nilai bisa menjadi lebih manusiawi.
Selama ini siswa yang sangat pintar tetapi lambat menulis bisa kalah dari siswa yang jago menghasilkan format.
AI bisa membantu language dan formatting.
Guru bisa fokus pada reasoning.
Siswa dengan kebutuhan tertentu bisa mendapat accommodation.
Surface skill tidak harus mendominasi.
Tapi ada risiko sebaliknya.
AI bisa membuat semua output terlihat sama-sama polished.
Kalau guru tidak mengubah rubric, perbedaan pemahaman malah makin sulit terlihat.
Jadi rubric harus naik level.
Accuracy.
Evidence.
Reasoning.
Original observation.
Trade-off.
Uncertainty.
Reflection.
Bukan hanya “rapi”.
Di dunia kerja, ini juga lebih relevant.
Manager tidak terlalu peduli siapa mengetik setiap kata.
Mereka peduli apakah keputusan benar.
Apakah sumber bisa dipertanggungjawabkan.
Apakah risk dipahami.
Apakah orang yang membawa recommendation bisa menjelaskan.
Pendidikan seharusnya mempersiapkan hal itu.
Bukan melatih siswa menang lomba mengetik tanpa tool.
Ada satu tes akhir yang sangat sederhana.
Setelah tugas selesai, tutup laptop.
Minta siswa menjelaskan.
Kalau mereka bisa menjelaskan dengan bahasa sendiri, menjawab follow-up, dan mengakui bagian yang belum yakin, kemungkinan learning terjadi.
Kalau tidak, output bagus tidak banyak berarti.
Pendidikan 2026 tidak perlu anti-jawaban.
Jawaban tetap penting.
Tapi kita harus berhenti menganggap jawaban sebagai satu-satunya bukti belajar.
Ketika AI bisa menghasilkan jawaban dalam detik, proses berpikir menjadi aset yang lebih langka.
Dan mungkin ini justru kesempatan bagus.
Sekolah bisa kembali menilai hal yang seharusnya dari awal paling penting.
Bukan seberapa cepat siswa sampai ke jawaban.
Tapi apakah mereka tahu bagaimana sampai ke sana, kenapa memilih jalan itu, dan apa yang akan dilakukan ketika jalan tersebut ternyata salah.
Ada satu perubahan penting pada peran nilai. Kalau proses berpikir lebih diperhatikan, nilai tidak harus hanya menjadi angka final. Feedback bisa menunjukkan area reasoning yang kuat dan bagian yang masih perlu berkembang.
Ini lebih informatif bagi siswa.
Nilai 78 tidak menjelaskan banyak.
“Evidence kuat, tetapi assumption belum diuji” jauh lebih actionable.
AI bisa membantu guru mengelompokkan pattern feedback, tetapi final interpretation tetap manusia.
Proses juga perlu memberi ruang untuk salah. Kalau setiap kesalahan langsung dihukum berat, siswa akan cenderung memakai AI untuk menghindari risiko. Mereka belajar tampil benar, bukan belajar.
Low-stakes practice penting.
Di sana siswa boleh mencoba, gagal, dan memperbaiki.
Final assessment baru melihat apakah kemampuan berkembang.
Ini sejalan dengan ide mengukur progress dari waktu ke waktu, bukan hanya satu titik akhir.
Pendidikan juga perlu lebih menghargai revision skill. Dalam pekerjaan nyata, draft pertama jarang final. Orang menerima feedback, mengubah, dan mengulang. Siswa yang bisa memperbaiki reasoning setelah feedback menunjukkan learning yang nyata.
Jadi nilai bisa memberi kredit pada improvement.
Bukan hanya initial performance.
Ada juga manfaat untuk siswa yang awalnya tertinggal. Sistem yang hanya melihat hasil akhir sering mengabaikan pertumbuhan. Proses memberi guru informasi bahwa siswa sebenarnya bergerak jauh meskipun belum menjadi yang tertinggi di kelas.
Namun process-based assessment harus tetap sederhana. Guru tidak punya kapasitas membaca seluruh history setiap siswa. Gunakan checkpoint strategis.
Satu outline.
Satu draft.
Satu reflection.
Satu pertanyaan oral.
Cukup.
Teknologi bisa membantu mengorganisir, tapi jangan membuat pendidikan berubah menjadi audit log.
Tujuan akhirnya tetap belajar.
Dan mungkin itu pelajaran terbesar dari AI: ketika mesin bisa menghasilkan produk yang terlihat selesai, manusia harus semakin serius mendefinisikan apa arti “selesai belajar”.
Bukan ketika file sudah dikirim.
Bukan ketika jawaban sudah muncul.
Belajar selesai sementara ketika seseorang punya model mental yang lebih kuat daripada sebelum tugas dimulai dan bisa menggunakannya pada situasi baru.
Itu standar yang lebih sulit.
Tapi juga jauh lebih bermakna.
Bacaan terkait
Artikel ini berada dalam EdTech dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.