Riset dulu sering dimulai dengan ritual yang sangat familiar: buka Google, klik lima tab, tambah sepuluh tab lagi, lupa tab pertama isinya apa, lalu satu jam kemudian punya 23 sumber tapi belum punya jawaban.
AI mengubah itu.
Sekarang lo bisa kasih satu pertanyaan cukup kompleks, minta sistem memecahnya jadi beberapa bagian, mencari sumber, membandingkan informasi, lalu menyusun laporan awal. ChatGPT punya Deep Research untuk pekerjaan multi-step dengan sumber web, file, dan aplikasi yang terhubung. Gemini juga punya Deep Research yang secara default dapat memakai Google Search dan bisa ditambah sumber seperti Gmail, Drive, file, atau notebook tertentu. Claude punya Research dan Integrations yang bisa membantu menyelidiki sumber internal maupun eksternal.
Kalau dipakai benar, kerja dua atau tiga jam bisa berubah jadi draft riset yang sudah cukup matang dalam waktu jauh lebih singkat.
Tapi ada satu kata penting di sana: draft.
AI bisa mempercepat riset. AI belum menghapus kebutuhan untuk mengecek sumber.
Riset cepat bukan berarti riset selesai
Orang gampang terpukau ketika AI menghasilkan laporan panjang dengan struktur rapi, tabel, rekomendasi, dan puluhan sitasi.
Secara psikologis, dokumen yang kelihatan serius terasa benar.
Padahal ada beberapa lapisan yang harus dibedakan.
Pertama, apakah sumbernya memang relevan?
Kedua, apakah AI membaca sumber itu dengan benar?
Ketiga, apakah klaim yang ditulis benar-benar didukung sumber?
Keempat, apakah sumbernya cukup baru untuk menjawab pertanyaan?
Kelima, apakah ada sumber penting yang tidak ikut terbaca?
AI bisa membantu di semua lapisan, tetapi tidak otomatis menjamin semuanya lolos.
Misalnya lo lagi riset tren pembayaran digital Indonesia untuk presentasi internal. AI menemukan artikel bank, laporan perusahaan teknologi, postingan media, dan data regulator. Semuanya dikompilasi jadi satu narasi.
Kelihatan bagus.
Tapi kalau angka utama berasal dari press release perusahaan yang punya kepentingan komersial, sementara angka regulator punya definisi berbeda, lo tetap harus melihat metodologinya.
“Jumlah pengguna”, “jumlah transaksi”, “nilai transaksi”, dan “akun terdaftar” bukan hal yang sama.
AI sering pintar merangkum. Riset tetap butuh manusia yang tahu apa yang sedang dibandingkan.
Gunakan AI untuk membuat peta, bukan langsung membuat vonis
Salah satu penggunaan AI terbaik dalam riset adalah fase pemetaan.
Sebelum membaca semuanya, minta AI membantu menjawab:
Siapa pemain utama?
Apa istilah teknis yang harus dipahami?
Apa perdebatan utama di topik ini?
Sumber primer apa yang seharusnya dicari?
Apa pertanyaan yang masih belum terjawab?
Apa perbedaan definisi yang bisa membuat data misleading?
Dengan cara ini, AI mempercepat orientasi.
Bayangin lo baru diminta bos memahami pasar data center di Indonesia. Kalau mulai manual dari nol, satu jam pertama mungkin habis cuma memahami jargon: hyperscale, colocation, capacity, MW, availability zone, PUE, interconnection, dan seterusnya.
AI bisa bantu bikin peta konsep dalam 10 menit.
Setelah itu baru lo masuk ke sumber primer dan laporan industri dengan pertanyaan yang lebih tajam.
Ini jauh lebih efektif daripada meminta, “Buat laporan lengkap pasar data center Indonesia” lalu menerima semuanya tanpa audit.
Bedakan sumber primer, sekunder, dan komentar
AI research tool modern sudah makin bagus menampilkan sumber. Tapi pengguna juga harus punya hierarki kepercayaan.
Kalau mencari aturan, prioritaskan regulator atau teks resmi.
Kalau mencari laporan keuangan, buka laporan perusahaan atau bursa.
Kalau mencari fitur produk, cek dokumentasi atau announcement resmi vendor.
Kalau mencari hasil penelitian, cek paper atau institusi yang menerbitkan.
Media berguna untuk konteks, timeline, dan interpretasi.
Blog, forum, Reddit, dan media sosial berguna untuk pengalaman pengguna, masalah lapangan, atau sentimen, tetapi jangan dipakai sebagai bukti utama untuk klaim yang membutuhkan kepastian formal.
Bukan berarti sumber sekunder selalu jelek. Kadang media justru menjelaskan konteks lebih baik daripada dokumen resmi.
Yang penting lo tahu fungsi tiap sumber.
Kalau AI menyatukan semuanya dalam satu paragraf, perbedaan itu bisa hilang.
Makanya baca sitasinya, bukan cuma percaya karena ada angka kecil di belakang kalimat.
Sitasi bukan jimat
Ada kesalahpahaman baru di era AI: kalau jawaban punya citation, berarti aman.
Belum tentu.
Sitasi hanya menunjukkan ada sumber yang ditautkan. Lo masih perlu memastikan hubungan antara klaim dan sumber.
Sumber bisa benar tetapi tidak mendukung kalimat yang ditulis.
Sumber bisa mendukung sebagian, bukan semuanya.
Sumber bisa sudah basi.
Sumber bisa membahas pasar global sementara AI membuat kesimpulan spesifik tentang Indonesia.
Sumber bisa merupakan halaman yang mengutip sumber lain, sementara sumber primer sebenarnya lebih penting.
Untuk klaim yang akan masuk proposal, deck investor, kebijakan perusahaan, atau artikel publik, buka sumber penting satu per satu.
Tidak harus semua link kalau risetnya ratusan halaman. Fokus pada klaim yang paling menentukan keputusan.
Misalnya lima angka kunci, tiga pernyataan regulasi, dua prediksi utama, dan semua klaim yang bisa menimbulkan risiko reputasi kalau salah.
Cara kerja ini jauh lebih realistis daripada memverifikasi setiap kata, tetapi tetap menjaga kualitas.
AI bagus mencari, manusia menentukan relevansi
Bayangin tim strategy di Sudirman sedang mencari peluang bisnis AI untuk sektor properti.
AI mungkin menemukan banyak contoh internasional: virtual staging, predictive maintenance, dynamic pricing, tenant screening, smart building automation, lead scoring, dan sebagainya.
Secara global menarik.
Tapi apakah semua relevan untuk Jakarta?
Belum tentu.
Regulasi, kualitas data, perilaku konsumen, struktur pasar, willingness to pay, dan kemampuan operasional lokal bisa beda.
Di sinilah judgment manusia dibutuhkan.
AI bisa bilang teknologi tertentu tumbuh cepat. Manusia harus bertanya: siapa yang bayar? Data lokal tersedia tidak? Integrasinya masuk akal? Apa hambatan implementasinya? Apakah masalah itu sebenarnya cukup diselesaikan dengan software biasa?
Riset bukan kompetisi mengumpulkan informasi terbanyak.
Riset adalah proses memperkecil ketidakpastian supaya keputusan lebih bagus.
Kalau laporan AI makin panjang tapi keputusan tetap kabur, risetnya belum selesai.
Jangan kasih pertanyaan terlalu luas
Prompt “riset tren AI 2026” hampir pasti menghasilkan sup informasi.
Topiknya terlalu besar.
Lebih efektif kalau pertanyaan punya keputusan di ujungnya.
Contoh:
“Kami agency 15 orang di Jakarta. Riset tiga jenis layanan AI optimization yang permintaannya berpotensi naik dalam 12 bulan, fokus pada buyer B2B Indonesia. Bedakan bukti permintaan aktual, sinyal awal, dan spekulasi. Prioritaskan sumber primer serta data 2025-2026.”
Pertanyaan seperti ini memberi batas.
AI tahu siapa pembacanya, horizon waktu, pasar, dan jenis bukti yang dibutuhkan.
Riset yang baik selalu punya scope.
Kalau tidak, AI akan mengisi ruang kosong dengan informasi yang technically related tetapi tidak membantu.
Pakai AI dalam tiga tahap
Workflow yang cukup aman bisa dibuat sederhana.
Tahap pertama: eksplorasi.
Minta AI membuat landscape, istilah, daftar pertanyaan, pemain, dan sumber potensial.
Tahap kedua: evidence.
Minta AI mencari sumber yang mendukung atau membantah hipotesis tertentu. Di sini fokus pada sumber primer, tanggal, metodologi, dan konteks.
Tahap ketiga: synthesis.
Setelah sumber cukup, minta AI membandingkan, mencari pola, menjelaskan kontradiksi, dan menyusun memo.
Jangan langsung loncat dari pertanyaan ke rekomendasi.
Kalau lo memisahkan tahapnya, lebih gampang melihat kapan AI membuat asumsi.
Ini juga membantu tim bekerja bareng. Junior researcher bisa mengecek sumber, analyst menyusun implikasi, manager menguji rekomendasi.
AI mempercepat semua orang tanpa menghapus accountability.
Minta AI mencari hal yang bertentangan
Bias manusia sering mencari bukti yang mendukung ide yang sudah disukai.
AI juga bisa mengikuti framing itu kalau prompt-nya hanya meminta dukungan.
Misalnya lo percaya social commerce akan naik drastis. Kalau cuma minta, “Cari bukti bahwa social commerce akan tumbuh,” AI akan memberi banyak bahan pro.
Lebih sehat kalau lo juga meminta:
“Apa bukti yang bisa melemahkan tesis ini?”
“Pasar mana yang tidak mengikuti tren?”
“Apa faktor yang membuat prediksi ini gagal?”
“Apakah ada perbedaan antara GMV tinggi dan profitabilitas?”
“Data apa yang belum tersedia?”
Riset yang berguna tidak cuma membuat lo lebih yakin. Kadang hasil terbaik justru membuat lo mengubah pikiran sebelum uang benar-benar keluar.
Waspadai data lama yang tampil seperti baru
Ini masalah klasik.
Artikel diterbitkan 2026 bisa mengutip survei 2023.
Laporan 2025 bisa memakai data tahun sebelumnya.
Halaman yang di-update bulan ini belum tentu memperbarui semua angka di dalamnya.
Kalau pertanyaan lo sensitif waktu, cek “tanggal data”, bukan cuma “tanggal halaman”.
Misalnya untuk harga, fitur software, regulasi, kepemimpinan perusahaan, angka pengguna, atau kebijakan platform, beberapa bulan bisa membuat perbedaan besar.
AI research tool memang bisa mencari web real-time atau sumber terbaru, tetapi freshness tetap harus dinilai.
Jangan tulis “per 2026” kalau bukti sebenarnya terakhir 2024.
Lebih baik jujur: “Data terakhir yang tersedia menunjukkan…”
Itu mungkin terdengar kurang bombastis, tapi jauh lebih kredibel.
Jangan upload semua dokumen tanpa berpikir
Fitur AI research sekarang makin terhubung ke file pribadi dan aplikasi kerja. Ini powerful karena AI bisa menggabungkan laporan internal dengan sumber publik.
Tapi akses data harus disengaja.
Kalau tugasnya menganalisis kompetitor, apakah AI perlu membaca folder payroll?
Tentu tidak.
Kalau tugasnya merangkum insight pelanggan, mungkin cukup akses folder interview atau CRM tertentu, bukan seluruh inbox perusahaan.
Semakin AI jadi “research assistant”, semakin penting prinsip least privilege.
Kemampuan menemukan informasi bukan alasan memberi akses ke semua informasi.
Riset AI tetap membutuhkan catatan manusia
Satu kebiasaan yang worth it adalah membuat evidence table sederhana.
Kolomnya bisa berisi:
Klaim.
Sumber.
Tanggal sumber.
Jenis sumber.
Apa yang benar-benar didukung.
Catatan atau limitation.
Tidak perlu fancy. Spreadsheet cukup.
Kalau nanti bos bertanya, “Angka ini dari mana?”, lo tidak perlu membuka sejarah chat 40 ribu kata.
Ini penting terutama di agency, consulting, marketing, finance, policy, atau pekerjaan lain yang output-nya dibaca orang lain.
AI mempercepat discovery. Evidence table menjaga jejak berpikir.
Jangan minta AI menggantikan rasa ingin tahu
Ada risiko lain yang lebih halus.
Kalau AI selalu memberi ringkasan cepat, kita bisa kehilangan kebiasaan membaca sumber asli.
Padahal insight sering muncul di detail yang tidak masuk summary.
Metodologi survei.
Catatan kaki.
Definisi responden.
Kalimat kecil tentang keterbatasan data.
Perubahan istilah dari satu tahun ke tahun lain.
Kontradiksi antara headline dan tabel.
AI membantu menemukan pintu. Kadang lo tetap harus masuk ke ruangannya.
Kalau riset cuma untuk memutuskan tempat makan siang dekat Cikini, tentu nggak perlu proses seketat ini.
Tapi kalau riset dipakai untuk keputusan bisnis, investasi, strategi, kebijakan, atau publikasi, standar harus naik sesuai dampaknya.
Hemat waktu di bagian mekanis
Nilai terbesar AI bukan membuat manusia berhenti berpikir.
Nilai terbesarnya adalah mengambil pekerjaan mekanis yang sebelumnya menghabiskan energi berpikir.
Mencari sumber awal.
Meringkas dokumen panjang.
Membandingkan definisi.
Membuat timeline.
Mengelompokkan temuan.
Menarik daftar pertanyaan lanjutan.
Menyusun draft memo.
Kalau bagian itu lebih cepat, manusia punya waktu lebih banyak untuk pekerjaan yang benar-benar mahal: menilai bukti, memahami konteks, membantah asumsi, dan membuat keputusan.
Itu alasan AI research terasa seperti lompatan besar di 2026.
Bukan karena sekarang kita bisa berhenti mengecek sumber.
Justru karena kita bisa sampai ke sumber yang perlu dicek jauh lebih cepat.
Kalau dipakai seperti mesin jawaban absolut, AI research bisa membuat kesalahan terlihat profesional.
Kalau dipakai sebagai mesin navigasi dan synthesis, dia bisa memangkas jam kerja tanpa memangkas standar berpikir.
Bedanya cuma satu kebiasaan kecil yang jangan hilang: klik sumbernya.
Bacaan terkait
Artikel ini berada dalam AI Tools & Productivity dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.