Mulailah dengan jenis klaim yang diajukan
“AI dapat melakukan ini,” “AGI akan segera tiba,” dan “sistem ini bisa menyebabkan bencana” bukanlah klaim yang sama. Klaim-klaim itu membutuhkan bukti yang berbeda. Sebuah demonstrasi yang dipoles mungkin menetapkan bahwa sebuah model berhasil sekali di bawah kondisi yang menguntungkan. Itu tidak menetapkan keandalan, nilai ekonomi, atau operasi otonom yang aman. Sebuah prakiraan mengungkapkan sebuah penilaian tentang masa depan. Itu bukan pengukuran sebuah kemampuan yang ada sekarang.
Ini penting karena AGI tidak memiliki uji yang diterima secara universal. Definisi menekankan kombinasi yang berbeda-beda dari keluasan, kinerja, otonomi, pembelajaran, kompetensi fisik, dan dampak ekonomi. Alih-alih bertanya apakah satu judul berita membuktikan AGI, pembaca seharusnya bertanya apa yang diukur, di bawah kondisi apa, dan seberapa jauh kesimpulan itu melampaui buktinya.
Tangga di bawah ini bukanlah peringkat kaku di mana setiap butir pada satu tingkat mengalahkan segala sesuatu di bawahnya. Sebuah evaluasi laboratorium yang dapat direproduksi mungkin merupakan bukti yang lebih kuat untuk sebuah mekanisme sempit dibandingkan data penerapan yang bising. Tujuannya adalah mengungkap langkah-langkah inferensial yang seringkali disembunyikan oleh klaim promosi dan alarmis.
Tingkat satu: anekdot dan demonstrasi terkurasi
Anekdot mengungkap kemungkinan dan moda kegagalan. Sebuah rekaman layar dari sebuah agen yang membangun aplikasi menunjukkan bahwa setidaknya satu proses menghasilkan hasil yang ditampilkan, dengan asumsi demonstrasi itu otentik. Sebuah halusinasi yang mengejutkan menunjukkan bahwa sebuah kegagalan dapat terjadi. Tidak satu pun memberi tahu kita seberapa sering perilaku itu muncul.
Tanyakan apakah presenter memilih proses terbaik, mengedit jeda atau kegagalan, menggunakan bantuan manusia tersembunyi, atau memilih tugas yang sudah dikenal. Cari prompt lengkap, alat, versi model, pengaturan pengambilan sampel, jumlah percobaan, dan kasus kegagalan. Tanpa itu semua, perlakukan hasilnya sebagai petunjuk yang layak diselidiki—bukan sebuah tingkat keberhasilan.
Demonstrasi tetap berguna. Kemampuan baru seringkali muncul dalam bentuk yang berantakan sebelum pengukuran formal ada. Kesalahannya adalah mengubah “bisa terjadi” menjadi “biasanya terjadi,” lalu menjadi “akan mentransformasi perekonomian.”
Tingkat dua: tolok ukur atau evaluasi terkontrol
Sebuah evaluasi mendefinisikan tugas, kondisi, dan aturan penilaian. Itu dapat membandingkan sistem secara lebih sistematis dibandingkan sebuah anekdot. Evaluasi yang kuat menggunakan tugas yang ditahan (held-out), mencegah kontaminasi, melaporkan ketidakpastian, mendokumentasikan perancah dan bantuan manusia, serta menguji moda kegagalan yang relevan. Replikasi independen meningkatkan kepercayaan.
Skor tolok ukur tetap dapat menyesatkan. Data pelatihan mungkin mengandung pertanyaan yang serupa. Tim mungkin mengoptimalkan untuk sebuah pengujian publik. Pengetahuan pilihan-ganda tidak menetapkan keterampilan di tempat kerja yang tidak dikenal. Rata-rata menyembunyikan kegagalan ekor yang katastrofik. Sebuah sistem yang berhasil 90 persen dari waktunya mungkin tidak dapat digunakan dalam alur kerja 30 langkah karena kesalahan itu berakumulasi.
International AI Safety Report 2026 menggunakan istilah “kesenjangan evaluasi” untuk masalah bahwa hasil dari pengujian pra-penerapan yang terkontrol tidak secara andal memprediksi kinerja dunia nyata. Laporan itu juga menggambarkan profil kemampuan saat ini sebagai “bergerigi”: kinerja bervariasi secara substansial di berbagai tugas dan konteks, dan sistem dapat gagal pada pekerjaan yang tampaknya sederhana meskipun berhasil pada evaluasi yang sulit. Ini adalah temuan tentang batasan pengukuran, bukan bukti bahwa setiap tolok ukur tidak berguna. Sebuah artikel yang kredibel seharusnya melaporkan baik skornya maupun apa yang dilewatkan oleh pengujian itu.
Tingkat tiga: studi adversarial, kausal, dan uplift
Klaim risiko membutuhkan lebih dari sekadar tolok ukur standar. Tim red team mencari cara untuk memancing perilaku terlarang atau berbahaya. Eksperimen kausal mengubah satu fitur dan menguji apakah hasilnya berubah. Studi uplift membandingkan apa yang dapat dicapai orang dengan AI terhadap garis dasar yang bermakna, seperti internet saja.
Studi-studi ini menjawab pertanyaan yang berbeda. Sebuah temuan red team menunjukkan aksesibilitas di bawah serangan yang diuji, bukan insidensi di seluruh populasi. Sebuah evaluasi kemampuan mungkin menunjukkan bahwa sebuah model dapat menghasilkan rencana berbahaya tanpa menunjukkan bahwa seorang aktor nyata dapat mengeksekusinya. Sebuah studi uplift mungkin lebih relevan bagi penyalahgunaan, tetapi partisipan, batas waktu, garis dasar, ukuran hasil, dan pengamannya menentukan apa artinya.
Sampel kecil menghasilkan ketidakpastian yang lebar. Partisipan pakar mungkin meremehkan uplift pemula tetapi lebih baik merepresentasikan penyerang yang canggih. Tugas proksi menghindari menciptakan kerugian nyata tetapi mungkin melewatkan hambatan dunia nyata. Hasil cepat usang seiring perubahan model dan kendali. Pelaporan yang baik menyebutkan batasan-batasan itu alih-alih memampatkannya menjadi “AI memungkinkan” atau “AI tidak meningkatkan” risiko.
Tingkat empat: bukti lapangan dan penerapan
Data dunia nyata dapat mengungkap adopsi, produktivitas, insiden, penyalahgunaan, dan adaptasi organisasional. Eksperimen lapangan acak dan kuasi-eksperimen yang dirancang dengan cermat dapat memperkirakan efek kausal. Basis data insiden dan data keluhan dapat menunjukkan kerugian yang berulang. Audit dapat mendeteksi kesenjangan yang tidak diuji oleh laboratorium sebuah pengembang.
Bukti penerapan juga memiliki titik buta. Perusahaan mengamati lebih banyak daripada yang mereka ungkapkan. Pengguna memilih apakah dan bagaimana mengadopsi sebuah alat, membuat perbandingan sederhana menjadi bias. Insiden yang dilaporkan tidak sama dengan semua insiden. Sebuah keuntungan produktivitas dalam dukungan pelanggan tidak secara otomatis tergeneralisasi ke riset, manajemen, kedokteran, atau robotika.
Pembaca seharusnya mencari populasi, latar, kelompok pembanding, periode waktu, hasil, dan konflik kepentingan. “Para pekerja menyelesaikan lebih banyak tugas” berbeda dari “bisnis itu menciptakan lebih banyak nilai,” dan keduanya berbeda dari “lapangan kerja menurun.” Bukti tenaga kerja saat ini tentang AI generatif seharusnya tidak dilabel ulang sebagai bukti tentang AGI yang hipotetis.
Tingkat lima: ekstrapolasi tren dan prakiraan
Prakiraan menggabungkan pengukuran dengan asumsi. Tren komputasi, kemajuan algoritmik, investasi, kinerja tolok ukur, dan keandalan agen dapat menginformasikan sebuah prakiraan, tetapi tidak satu pun secara unik menentukan sebuah tanggal AGI. Batasan mungkin melonggar, mengikat, atau bergeser. Definisi mungkin berubah.
Riset horizon-waktu milik METR memperkirakan waktu penyelesaian pakar-manusia untuk tugas-tugas di mana sebuah agen yang diuji diprediksi berhasil dengan keandalan yang dinyatakan, umumnya 50 atau 80 persen. Rangkaian pengujiannya saat ini terutama terdiri dari tugas rekayasa perangkat lunak, pembelajaran mesin, dan keamanan siber yang mandiri dan terspesifikasi dengan jelas dengan aturan penilaian yang jelas. Ukuran ini adalah bukti yang berguna tentang sebuah pengaturan agen dan distribusi tugas yang terdefinisi. Itu bukan waktu AI berjalan secara otonom, sebuah ukuran dari semua pekerjaan yang bernilai ekonomi, atau sebuah pengatur waktu yang menghitung mundur menuju AGI. METR juga memperingatkan bahwa pengukuran di atas 16 jam tidak dapat diandalkan dengan rangkaian tugasnya saat ini.
Evaluasi sebuah prakiraan berdasarkan definisi operasionalnya, tanggal, probabilitas, model, tingkat dasar, dan rekam jejaknya. Sebuah prakiraan yang terkalibrasi menyatakan, pada dasarnya, “hasil yang diberi 30 persen seharusnya terjadi sekitar 30 persen dari waktunya.” Sebuah tanggal yang percaya diri tanpa kriteria penyelesaian tidak dapat dinilai. Survei pakar menangkap keyakinan yang terinformasi tetapi tidak mengonversi ketidaksepakatan menjadi bukti eksperimental.
Skenario melayani tujuan lain. Skenario mengeksplorasi jalur bersyarat: jika kemampuan, akses, otonomi, dan respons institusional mengambil nilai tertentu, apa yang mengikutinya? Sebuah skenario dapat mengungkap kerentanan tanpa menjadi masa depan yang paling mungkin. Berilah label sesuai dengan itu.
Tingkat enam: mekanisme dan argumen teoretis
Beberapa risiko AGI yang parah tidak dapat didemonstrasikan secara langsung tanpa sistem yang relevan—dan seharusnya tidak diciptakan hanya untuk memperoleh bukti. Para peneliti sebagai gantinya mengusulkan mekanisme seperti peretasan hadiah, pencarian sumber daya instrumental, perlombaan kompetitif, atau pendelegasian otoritas secara bertahap. Model formal dapat memperjelas apakah sebuah kesimpulan mengikuti dari asumsi.
Pertanyaan utamanya bukan apakah argumen itu terdengar mencolok. Melainkan premis mana yang memiliki dukungan empiris. Apakah sistem itu memiliki tujuan yang persisten? Dapatkah ia merencanakan sepanjang horizon yang dibutuhkan? Apakah ia memiliki akses ke alat, uang, infrastruktur, atau salinan dirinya sendiri? Akankah pemantauan gagal? Dapatkah institusi merespons? Setiap mata rantai dapat mengubah probabilitas dari keseluruhan rangkaian.
Ketiadaan data bencana langsung bukanlah bukti risiko nol. Sebuah jalur yang secara logis mungkin juga tidak menetapkan probabilitas yang besar. Keputusan di bawah ketidakpastian seharusnya mempertimbangkan konsekuensi, keterbalikan, waktu peringatan, serta biaya dan efektivitas pengaman. Itu adalah penilaian manajemen risiko, bukan sebuah penemuan bahwa teori telah menjadi observasi.
Gunakan kartu bukti untuk klaim yang konsekuensial
Untuk pernyataan besar apa pun, catat enam bidang:
- Klaim: proposisi sempit yang sesungguhnya diajukan.
- Status: hasil yang teramati, inferensi, prakiraan, skenario, atau rekomendasi.
- Sumber: studi primer, data resmi, sintesis, laporan perusahaan, media, atau opini.
- Cakupan: model, versi, tugas, populasi, yurisdiksi, dan tanggal.
- Ketidakpastian: ukuran sampel, interval kepercayaan, replikasi, data yang hilang, dan alternatif yang masuk akal.
- Pemicu pembaruan: bukti yang akan memperkuat, melemahkan, atau menggugurkan klaim itu.
Generative AI Profile sukarela milik NIST adalah pendamping lintas sektor untuk AI Risk Management Framework, bukan sebuah uji atau sertifikasi AGI. Ia mengorganisasikan tindakan yang disarankan di bawah fungsi Govern, Map, Measure, dan Manage dari kerangka kerja itu dan memperlakukan manajemen risiko sebagai aktivitas siklus hidup. Panduan pengukuran NIST AI RMF yang lebih luas menyerukan pengujian yang terdokumentasi, ukuran ketidakpastian, pengukuran yang relevan dengan penerapan, pemantauan, dan tinjauan independen di mana hal itu dapat mengurangi bias internal. Templat yang tepat kurang penting dibandingkan membuat rangkaian bukti dapat diaudit.
Sesuaikan kepercayaan dengan bukti
Liputan AGI yang andal tidak membutuhkan netralitas palsu. Beberapa fakta sudah mapan: model-model membaik pada banyak evaluasi, kerugian nyata sudah terjadi, kemampuan tetap tidak merata, dan institusi memiliki visibilitas yang tidak lengkap. Proposisi lain—tanggal AGI, lepas landas diskontinu, kesadaran digital, penyelarasan yang stabil, probabilitas kepunahan—tetap diperdebatkan secara mendalam.
Respons yang berdisiplin adalah presisi. Katakan “studi menemukan” ketika menggambarkan hasilnya, “para penulis menyimpulkan” ketika bergerak melampauinya, “para peramal memberikan” ketika melaporkan keyakinan, dan “skenario ini mengasumsikan” ketika mengeksplorasi sebuah jalur. Kemudian tautkan sumbernya dekat dengan klaimnya.
Bahasa itu mungkin terasa kurang dramatis dibandingkan sebuah hitung mundur atau sebuah deklarasi. Itu lebih berguna. Umat manusia akan membuat keputusan yang lebih baik tentang AI canggih dengan mengetahui apa yang didukung oleh bukti, di mana buktinya berhenti, dan apa yang akan mengubah penilaian itu.