AI tutor dapat memberi penjelasan berbeda, latihan tambahan, dan respons kapan saja. Pengalaman ini terasa personal karena sistem menyebut nama, mengingat topik, dan menyesuaikan tingkat kesulitan. Namun personalisasi antarmuka tidak sama dengan memahami murid.
AI tutor dapat menyesuaikan respons dengan cepat. Memahami murid tetap membutuhkan waktu, hubungan, dan kemampuan membaca hal yang tidak tercatat sebagai data.
Tutor yang cepat belum tentu mengenal murid
Sistem menyimpulkan kemampuan dari jawaban, waktu, klik, atau percakapan. Data itu hanya sebagian kecil dari kondisi belajar. Kecemasan, bahasa, lingkungan rumah, motivasi, atau miskonsepsi dapat tersembunyi di balik pola yang sama.
Personalisasi pendidikan terdengar ideal, tetapi model hanya mengenal murid melalui data yang tersedia. Ia tidak otomatis memahami keluarga, emosi, budaya kelas, atau perubahan kecil yang terlihat oleh guru.
Dalam praktik, guru, orang tua, siswa, edtech, dan pembuat kebijakan akan bertemu AI tutor melalui keputusan kecil. “Gunakan AI tutor sebagai pendamping, bukan satu-satunya sumber” dapat menjadi batas pertama. Sesudah itu, “Tampilkan alasan di balik rekomendasi latihan” memberi dasar untuk menilai apakah sistem layak dipertahankan atau perlu dikoreksi.
Personalisasi membutuhkan model belajar yang benar
Dalam konteks Indonesia, bahasa, kurikulum, dan kualitas koneksi sangat beragam. AI tutor harus diuji pada materi lokal dan tidak boleh menggantikan dukungan manusia untuk kebutuhan khusus, konflik, atau keputusan penting.
Langkah paling berguna justru berada di level operasional. Mulai dari “Gunakan AI tutor sebagai pendamping, bukan satu-satunya sumber”, lanjutkan dengan “Tampilkan alasan di balik rekomendasi latihan”, dan jangan memperluas sistem sebelum “Sediakan jalur koreksi ketika profil belajar salah”.
Guru tetap memegang konteks yang tidak dimiliki mesin
Jika model salah membaca kesulitan, ia dapat memberi materi terlalu mudah, terlalu sulit, atau mengulang kesalahan. Anak mungkin terlihat aktif karena banyak berinteraksi, padahal tidak membangun pemahaman. Guru perlu melihat indikator dan alasan, bukan hanya skor rekomendasi.
Pembahasan ini bertumpu pada UNESCO AI Competency Framework for Teachers, UNESCO AI Competency Framework for Students dan NIST AI Risk Management Framework. Sumber tersebut membantu menjelaskan arah dan batas AI tutor, tetapi tidak menggantikan pengujian pada produk, kebijakan, atau organisasi tertentu.
Penting membedakan risiko yang masuk akal dari klaim bahwa kegagalan pasti terjadi. Untuk AI tutor, kualitas kontrol dan konteks penggunaan dapat mengubah hasil secara besar. Karena itu, analisis harus diperbarui bersama perubahan sistem.
Perkembangan AI tutor boleh bergerak cepat, tetapi hak pengguna dan kejelasan tanggung jawab tidak boleh dipaksa berlari tanpa perlindungan.
Bacaan lanjutan: Tutor yang cepat belum tentu mengenal murid
Kompetensi AI Guru: Bukan Cuma Prompt, tetapi Pedagogi, Etika, dan Evaluasi, Bahasa Daerah dalam AI Pendidikan: Inklusi Membutuhkan Data dan Desain, Education Technology dan metodologi editorial Undercover.id.