Label ini berguna, tetapi bukan hukum alam
Kecerdasan buatan sempit, kecerdasan buatan umum, dan superkecerdasan buatan paling baik dipahami sebagai wilayah pada beberapa dimensi kemampuan—bukan tiga kotak yang ditandai secara presisi. Peneliti dan institusi menggunakan definisi yang berbeda-beda, dan tidak ada otoritas ilmiah yang dapat mensertifikasi bahwa suatu sistem telah “menjadi AGI.” Karena itu, pembaca yang cermat harus bertanya apa yang dimaksud oleh seseorang dengan istilah tersebut dan bukti apa yang mendukung klasifikasinya.
Kecerdasan buatan sempit (ANI) secara tradisional berarti sistem yang dioptimalkan untuk tugas atau domain yang terbatas: mesin catur, pendeteksi penipuan, pengenal ucapan, atau prediktor struktur protein. Sistem semacam itu dapat melampaui semua manusia pada tugas targetnya sambil tetap tidak berguna di bidang lain. Namun menyebut setiap model yang diterapkan saat ini sebagai “sempit” semakin menyesatkan. Model bahasa dan multimodal tujuan umum dapat menulis, membuat kode, menganalisis gambar, menggunakan alat, dan beradaptasi dengan banyak tugas berdasarkan instruksi. Model-model ini luas dalam satu pengertian, namun tidak andal, bergantung pada perancah teknis, dan tidak konsisten antardomain. “AI tujuan umum” atau “model berkemampuan luas” seringkali merupakan deskripsi yang lebih informatif daripada memaksakan sistem-sistem ini ke dalam biner sempit/umum yang lama.
Kecerdasan buatan umum (AGI) biasanya menunjukkan mesin dengan kompetensi luas yang dapat ditransfer ke tugas yang belum dikenal. Di luar inti itu, definisi-definisinya berbeda-beda. Sebagian mensyaratkan kinerja yang setara dengan manusia biasa pada sebagian besar pekerjaan kognitif; sebagian mensyaratkan kemampuan belajar secara efisien; sebagian menekankan pekerjaan yang bernilai ekonomi; dan sebagian lagi menambahkan otonomi di dunia fisik atau digital. Peneliti Google DeepMind mengusulkan untuk mendeskripsikan AGI berdasarkan keluasan—berapa banyak tugas yang dapat dilakukannya—dan kedalaman—seberapa baik ia melakukannya—sambil memperlakukan otonomi sebagai properti penerapan yang terpisah (DeepMind, Levels of AGI). Kerangka tersebut menghindari anggapan bahwa satu tolok ukur menciptakan ambang batas ajaib.
Superkecerdasan buatan (ASI) adalah sistem hipotetis yang secara substansial melampaui manusia terbaik di hampir semua domain yang bernilai kognitif. Ini bukan kategori teknologi yang teramati. Ini adalah skenario yang digunakan untuk bernalar tentang sistem yang dapat mengungguli institusi manusia dalam sains, strategi, rekayasa, persuasi, dan bahkan mungkin penelitian AI itu sendiri. Apakah sistem semacam itu mungkin terwujud, seberapa cepat ia dapat menyusul AGI, dan apakah kecerdasan di setiap domain dapat digabungkan dalam satu sistem, masih menjadi pertanyaan yang diperdebatkan.
Kemampuan memiliki lebih dari satu sumbu
Penilaian yang berguna memisahkan setidaknya lima properti:
- Keluasan: ragam tugas dan lingkungan tempat sistem tersebut kompeten.
- Kinerja: apakah setara dengan pemula, pekerja biasa, pakar, atau manusia terbaik.
- Keandalan: seberapa sering ia berhasil, termasuk dalam kondisi yang tidak biasa atau adversarial.
- Pembelajaran dan transfer: seberapa mudah ia menangani tugas yang benar-benar baru tanpa pelatihan ulang khusus untuk tugas tersebut.
- Otonomi: berapa lama dan seberapa aman ia dapat merencanakan, bertindak, menggunakan alat, pulih dari kesalahan, dan mengejar tujuan dengan pengawasan terbatas.
Sumbu-sumbu ini dapat terpisah secara dramatis. Sebuah model mungkin menjawab pertanyaan tentang ratusan topik sambil membuat kesalahan-kesalahan dasar. Model lain mungkin sangat andal dalam satu alur kerja ilmiah tertentu tetapi tidak mampu menggeneralisasi. Model percakapan mungkin tampak berpengetahuan luas sementara agen yang dibangun di atas model yang sama gagal karena kehilangan konteks, salah menggunakan alat, atau tidak dapat mengenali bahwa rencananya sedang berjalan salah. Definisi sistem AI dari OECD juga membedakan keluaran yang dihasilkan dan pengaruh terhadap lingkungan dari berbagai tingkat otonomi dan adaptivitas pascapenerapan (Prinsip AI OECD).
Hal ini penting karena bahasa yang halus tidak sama dengan agensi yang kokoh. Percakapan yang menyerupai manusia mendorong antropomorfisme, sementara skor tolok ukur dapat menyembunyikan ketergantungan pada perintah yang disusun secara cermat, data yang bersih, dan penilaian otomatis. Sebaliknya, sebuah sistem tidak perlu berbicara seperti manusia untuk memiliki kemampuan yang konsekuensial. Model ilmiah, agen perdagangan, atau alat siber mungkin penting karena apa yang dapat mereka lakukan, bukan karena menyerupai pikiran manusia.
Mengapa tidak ada tolok ukur tunggal yang membuktikan AGI
Tolok ukur mengambil sampel perilaku dalam kondisi tertentu. Tolok ukur tidak secara langsung mengungkapkan pemahaman, kesadaran, niat, atau kinerja dalam setiap situasi yang belum diuji. Skor bisa naik karena generalisasi yang sesungguhnya, paparan pada contoh pelatihan yang serupa, perintah yang lebih baik, akses ke alat, atau rekayasa di sekitar model. Sebuah tolok ukur juga bisa jenuh: begitu sistem-sistem terdepan mendekati batas atasnya, perbedaan kecil menjadi sulit ditafsirkan.
Peringatan yang sama berlaku untuk definisi ekonomi. “Dapat mengotomatisasi sebagian besar pekerjaan” terdengar konkret, tetapi pekerjaan adalah paket dari tugas teknis, negosiasi sosial, akuntabilitas, aktivitas fisik, pengetahuan lokal, dan tanggung jawab atas kesalahan. Keberhasilan pada tugas yang berdiri sendiri tidak membuktikan bahwa suatu sistem dapat menggantikan pekerja dalam organisasi yang berantakan. METR secara eksplisit menyatakan bahwa horizon waktu penyelesaian tugasnya terkonsentrasi pada perangkat lunak, pembelajaran mesin, dan keamanan siber, dan tidak boleh dibaca sebagai ukuran umum otomatisasi pekerjaan (Metodologi METR).
Karena itu, AGI harus diperlakukan sebagai klaim yang membutuhkan profil bukti. Domain mana yang diuji? Seberapa baru tugas-tugasnya? Alat dan bantuan manusia apa yang diizinkan? Apakah kinerjanya direplikasi secara independen? Berapa tingkat keberhasilannya? Apakah sistem tetap dapat diandalkan ketika tujuan menjadi ambigu atau lingkungan berubah? Tanpa detail-detail tersebut, sebuah pengumuman AGI adalah pencitraan merek, perkiraan, atau penilaian pribadi—bukan hasil pengukuran.
Mengapa perbedaan ini mengubah kebijakan
Profil kemampuan yang berbeda menciptakan risiko yang berbeda. Sistem saat ini sudah menyebabkan kerugian terdokumentasi melalui penipuan, diskriminasi, invasi privasi, saran yang tidak aman, disrupsi tenaga kerja, dan media sintetis. Masalah-masalah tersebut tidak memerlukan AGI dan tidak boleh ditunda hingga ambang batas di masa depan. Sistem yang otonom secara luas dapat menambah risiko lain dengan melakukan operasi siber, mempercepat penelitian berbahaya, atau mengendalikan proses kritis pada skala yang melampaui tinjauan manusia. Superkecerdasan hipotetis mengangkat pertanyaan yang bahkan lebih tidak pasti tentang apakah institusi manusia dapat mengawasi sistem yang secara strategis lebih unggul dari mereka.
Kategori-kategori ini juga membentuk pengaman yang proporsional. Pengklasifikasi medis yang sempit mungkin memerlukan validasi klinis, pemantauan, dan proses banding. Model tujuan umum mungkin memerlukan evaluasi kemampuan, deteksi penyalahgunaan, pelaporan insiden, dan kendali di sekitar alat berbahaya. Sistem yang sangat otonom yang mengoperasikan infrastruktur kritis akan membenarkan jaminan, penahanan, dan persyaratan otorisasi manusia yang lebih kuat. Menggunakan “AI” sebagai satu kategori yang tidak dibedakan menyembunyikan perbedaan-perbedaan ini.
Cara yang lebih baik untuk membaca klaim tentang AGI
Ketika seseorang mengatakan AGI sudah ada—atau mustahil—terjemahkan klaim itu menjadi pertanyaan yang dapat diamati. Apakah sistem tersebut kompeten secara luas atau hanya luas pada antarmukanya? Apakah ia dapat ditransfer ke pekerjaan baru? Seberapa andal sistem itu? Dapatkah ia menyelesaikan proyek dunia nyata yang panjang? Apakah ia memerlukan koreksi manusia yang terus-menerus? Apakah ia belajar setelah diterapkan? Apakah buktinya publik dan dapat direproduksi secara independen?
Kesimpulan yang jujur pada 2026 bukanlah bahwa semua AI yang diterapkan sekadar sempit, atau bahwa model bahasa yang luas telah melampaui garis AGI yang diterima secara universal. Sistem saat ini menggabungkan keluasan yang mencolok dengan kerapuhan yang serius. AGI tetap menjadi konsep yang diperdebatkan, dan ASI tetap hipotetis. “Tangga kemampuan” yang paling berguna karena itu adalah peta multidimensi dengan bukti bertanggal—bukan tangga tiga anak tangga di mana sebuah perusahaan dapat menyatakan dirinya sebagai pemenang.