Tidak Setiap Klaim AI Membutuhkan Kutipan — Tetapi Setiap Klaim Membutuhkan Dasar

Mengapa “tanpa kutipan” tidak lagi menjadi ujian yang cukup baikMasalah kepercayaan bukanlah abstrak. Ini terukur, dan semakin memburuk dalam cara-cara spesifik yang terdokumentasi.Sebuah studi tahun 2025 tentang referensi yang dihasilkan AI menemukan bahwa 19.9% sepenuhnya dibuat-buat, dan 45.4% lainnya memiliki kesalahan bibliografi serius — yang berarti hampir dua pertiga dari kutipan yang dihasilkan AI dalam studi tersebut entah dibuat-buat atau rusak secara material. Secara terpisah, pelacakan kutipan palsu dalam penelitian yang diterbitkan menunjukkan peningkatan sekitar 12x antara tahun 2023 dan 2025, dengan lebih dari 4.000 makalah biomedis ditemukan mengutip penelitian yang tidak ada.Sistem hukum sudah menanggung biaya ini. Dalam setahun hingga Februari 2026, 66 kasus hukum AS dikenakan sanksi khusus untuk kesalahan yang dihasilkan AI, dan pada Juni 2026 angka tersebut telah meningkat menjadi 1.598 proses pengadilan di seluruh dunia yang melibatkan konten AI dengan kutipan palsu — dengan lebih dari $145,000 dalam denda pengajuan AI di pengadilan AS pada kuartal pertama tahun 2026 saja.Semua itu bukanlah alasan untuk tidak mempercayai AI secara langsung. Itu adalah alasan untuk berhenti menggunakan “apakah ada kutipan” sebagai seluruh ujian, karena ujian itu terlalu mudah untuk dilewati tanpa benar-benar benar, dan — sama pentingnya — terlalu mudah untuk gagal padahal sebenarnya benar.Ada komplikasi nyata di sisi lain dari ini juga, yang patut disebutkan secara jujur daripada dilewati begitu saja: sebuah studi Yale menemukan bahwa orang yang menggunakan chatbot AI untuk membantu memverifikasi berita saw a penurunan 15 poin dalam kemampuan mereka sendiri tanpa bantuan untuk mendeteksi misinformasi setelah hanya empat minggu. Mengalihdayakan verifikasi tidak gratis. Itu bisa membuat Anda lebih buruk dalam melakukannya sendiri. Itu adalah alasan yang sah untuk menginginkan sistem yang menunjukkan pekerjaannya daripada yang hanya memberi Anda jawaban yang terlihat bersih.---## Apa yang sebenarnya bisa menjadi dasar suatu klaimJika kutipan saja bukan ujian yang tepat, pertanyaan yang lebih berguna adalah: jenis bukti apa yang menghasilkan klaim ini? Dalam praktiknya, ada enam jawaban nyata dan berbeda.### 1. Riset eksternalSebuah klaim yang didasari oleh pencarian langsung atau pencarian terhadap sumber-sumber nyata dan terkini — jenis bukti yang Anda harapkan akan ditunjuk oleh sebuah kutipan, dan di mana ketiadaan kutipan adalah tanda bahaya yang sebenarnya.### 2. Informasi yang diberikan penggunaSebuah klaim yang dibangun dari sesuatu yang Anda beritahukan langsung kepada sistem — fakta merek Anda sendiri, pengetahuan pasar Anda sendiri, koreksi yang Anda berikan. Ini tidak memerlukan kutipan eksternal. Kutipan adalah Anda.### 3. Bukti yang dibawa dari langkah sebelumnyaDalam sebuah riset multi-tahap, tahap selanjutnya dapat secara benar mengandalkan bukti yang sudah ditetapkan dan diverifikasi oleh tahap sebelumnya, daripada meneliti ulang dari awal. Kutipan berada di hulu, bukan pada setiap kalimat di hilir yang menggunakannya.### 4. Inferensi analitis, diberi label jelas sebagai inferensiTerkadang jawaban yang jujur adalah “berdasarkan bukti yang terkumpul, ini adalah interpretasi yang paling masuk akal” — bukan fakta yang ditemukan, melainkan penilaian. Itu sah, asalkan diberi label sebagai inferensi dan tidak disamarkan sebagai kutipan.### 5. Perhitungan deterministikBeberapa klaim hanyalah aritmetika. Jika inputnya benar, perhitungan yang tetap dan dapat direproduksi tidak memerlukan kutipan lebih dari yang dibutuhkan oleh rumus spreadsheet — “bukti” adalah fakta bahwa input yang sama selalu menghasilkan output yang sama.### 6. Koreksi manusia, diterapkan setelah faktaIni adalah yang paling banyak dilewati oleh sebagian besar liputan tentang kepercayaan AI: ketika seseorang dengan pengetahuan langsung yang nyata mengoreksi klaim yang dihasilkan AI, koreksi itu sendiri adalah bentuk bukti — bisa dibilang jenis terkuat yang tersedia, karena berasal dari seseorang yang benar-benar ada di sana. Kami menganggap ini sebagai kategori keenam yang nyata dalam dirinya sendiri, bukan hanya langkah kontrol kualitas yang ditempelkan pada lima lainnya. Itu adalah sintesis asli dari pihak kami, bukan istilah industri yang sudah mapan — patut dikatakan dengan jelas daripada menyamarkannya seolah-olah lebih dari itu.Enam jawaban nyata. Satu ujian — “apakah ada kutipan” — tidak akan pernah bisa mencakup keenamnya.---## Perbedaan yang hampir tidak ada yang membuat: kesenjangan versus artefakIni adalah sudut pandang yang benar-benar kurang dieksplorasi, dan ini lebih penting daripada kedengarannya.Ketika sistem AI menandai sesuatu sebagai tidak pasti, tanda itu dapat berarti salah satu dari dua hal yang sangat berbeda:Kesenjangan bukti yang sebenarnya — subjeknya sebenarnya tidak dapat diverifikasi. Tidak ada yang menerbitkan angkanya. Informasi tersebut tidak publik. Ketidakpastian itu nyata dan tentang dunia.Artefak bahasa — temuan dasarnya baik-baik saja, tetapi ditandai sebagai negatif atau tidak pasti murni karena cara pengungkapannya, bukan karena apa yang sebenarnya dikatakannya. Ketidakpastian itu tentang kalimat, bukan subjeknya.Ini terlihat identik di halaman. Keduanya muncul sebagai tanda kuning di samping sebuah klaim. Tetapi keduanya memerlukan respons yang sama sekali berbeda. Kesenjangan nyata membutuhkan lebih banyak riset. Artefak bahasa membutuhkan frasa yang lebih baik — dan memperlakukannya seperti kesenjangan riset membuang-buang waktu mengejar bukti untuk sesuatu yang sebenarnya tidak pernah diragukan.Perbedaan ini hampir tidak muncul dalam liputan yang ada tentang kepercayaan AI dan halusinasi. Sebagian besar berhenti pada “AI bisa salah, verifikasi klaim penting” — benar, tetapi tidak dapat ditindaklanjuti. Mengetahui jenis tanda apa yang Anda lihat adalah yang sebenarnya memberi tahu Anda apa yang harus dilakukan selanjutnya.---## Mengapa pertanyaan yang lebih sempit mengalahkan pertanyaan yang lebih luasAda pola kedua yang patut disebutkan, dan itu berjalan berlawanan arah dengan apa yang kebanyakan orang asumsikan harus menjadi riset AI yang “lebih menyeluruh”.Instingnya adalah mengajukan satu pertanyaan besar, terbuka, dan mengharapkan jawaban yang komprehensif. Dalam praktiknya, yang sebaliknya cenderung lebih berhasil: memecah pertanyaan luas menjadi beberapa pertanyaan yang sempit, spesifik, terbatas — dan menanyakannya secara terpisah — menghasilkan bukti yang lebih mudah diperiksa, lebih mudah dipercaya, dan seringkali lebih langsung berguna daripada satu jawaban yang luas yang mencoba mencakup semuanya sekaligus.Sebagian alasannya: pertanyaan yang sempit memberi sistem lebih sedikit ruang untuk mengaburkan hal-hal yang seharusnya tetap terpisah. Ini juga memberi Anda, pembaca, klaim yang jauh lebih mudah untuk diverifikasi — jawaban spesifik untuk pertanyaan spesifik adalah sesuatu yang dapat Anda periksa terhadap sumber spesifik. Satu paragraf yang mencoba menjawab lima hal sekaligus biasanya tidak dapat diperiksa terhadap apa pun secara khusus.Lebih sedikit, yang ditujukan lebih tepat, cenderung mengalahkan lebih banyak.---## Seperti apa sebenarnya ini dalam riset pasar nyataKami tidak menerima semua ini begitu saja. Kami melakukan riset nyata tentang bagaimana orang saat ini menggambarkan frustrasi mereka terhadap alat AI yang membuat klaim bukti dan kepercayaan — bahasa berulang yang benar-benar dicari orang, bukan hipotesis tentangnya.Tiga frasa muncul cukup sering, secara independen, untuk patut diulang di sini, tanpa mengaitkannya dengan produk atau perusahaan tertentu, karena polanya adalah intinya, bukan satu vendor pun:- Rasio “5% omong kosong” yang terasa — perasaan bahwa bahkan alat AI yang sebagian besar dapat diandalkan memiliki proporsi kecil namun nyata dari output yang salah dengan yakin, dan bahwa proporsi ini jarang menyusut menjadi nol sekebanyakan alat menjadi lebih baik.- “Ilusi transparansi” — di mana sebuah alat secara visual menunjukkan penalaran atau sumbernya, yang terbaca sebagai dapat dipercaya, tanpa lapisan visual tersebut benar-benar dapat diperiksa atau benar.- “Beban validasi” — biaya nyata dan diam-diam bahwa pekerjaan yang dibantu AI tidak menghilangkan kebutuhan untuk memeriksa hal-hal, itu hanya memindahkan pemeriksaan ke manusia, nanti, seringkali tanpa peringatan bahwa itu masih diperlukan.Riset yang sama juga memunculkan apa yang sebenarnya diinginkan orang, secara independen dan berulang kali, tanpa diarahkan ke jawaban tertentu: kemampuan kutipan yang konsisten dan dapat diverifikasi; penjelasan yang terlihat tentang bagaimana AI mencapai kesimpulannya daripada hanya kesimpulannya itu sendiri; dan putusan yang disintesis dan dapat ditindaklanjuti daripada pembuangan semua yang ditemukan sistem secara tidak terfilter.Kami tidak mengklaim pujian untuk mengidentifikasi permintaan itu — riset menemukannya sendiri. Yang ingin kami tunjukkan adalah bahwa itu sangat cocok dengan bagaimana kami membangun produk kami sendiri: lapisan kejujuran yang menunjukkan asumsi, kesenjangan, dan kontradiksi daripada menyembunyikannya; cara untuk mengoreksi dan menjalankan kembali analisis dengan konteks nyata daripada memulai dari awal; dan satu putusan terpadu di awal, dengan jejak bukti lengkap tersedia di bawahnya bagi siapa pun yang ingin memeriksa pekerjaan kami.---## Daftar periksa untuk klaim AI berikutnya yang Anda terimaLain kali sistem AI — milik kami atau siapa pun — memberi Anda klaim yang akan Anda tindaklanjuti, lima pertanyaan akan membawa Anda lebih jauh daripada “apakah ada kutipan”:1. Jenis apa ini? Riset eksternal, input Anda sendiri, bukti yang dibawa dari sebelumnya, inferensi berlabel, perhitungan, atau koreksi manusia — semuanya memerlukan tingkat kepercayaan yang berbeda.2. Jika itu kutipan, apakah sumbernya benar-benar mengatakan ini? Sebuah kutipan yang ada dan sebuah kutipan yang mendukung klaim spesifik bukanlah pemeriksaan yang sama.3. Jika ditandai tidak pasti, apakah itu kesenjangan atau artefak? Tanyakan apa yang secara spesifik tidak diverifikasi — subjeknya, atau hanya kalimatnya.4. Apakah versi pertanyaan yang lebih sempit akan memberi Anda jawaban yang lebih mudah diperiksa? Jika klaimnya luas, pertimbangkan apakah memecahnya akan membantu.5. Apakah ada orang dengan pengetahuan langsung yang benar-benar melihat ini? Koreksi manusia, jika tersedia, seringkali merupakan jenis bukti terkuat dalam daftar — gunakan itu.Semua itu tidak mengharuskan ketidakpercayaan AI secara langsung. Ini mengharuskan memperlakukan “dikutip” dan “benar” sebagai dua pertanyaan yang berbeda, karena memang demikian.