Studi UC Berkeley: AI Gagal Total di Tugas Pekerjaan Nyata

Telset.id – Sebuah studi terbaru dari University of California Berkeley mengungkapkan bahwa model AI canggih (frontier AI) masih gagal total dalam menyelesaikan tugas-tugas pekerjaan di dunia nyata secara kompeten. Temuan ini secara langsung membantah klaim industri teknologi yang menyatakan bahwa revolusi AI akan segera terjadi.

Para peneliti dari Center for Responsible, Decentralized Intelligence UC Berkeley mengembangkan sebuah penilaian ketat yang disebut “Agents’ Last Exam” (ALE) untuk menguji “kesiapan kerja” berbagai model AI mutakhir. Hasilnya, model AI terbaik sekalipun hanya mampu menyelesaikan sebagian kecil tugas profesional dengan benar.

Penelitian yang disorot oleh College Fix ini menguji lebih dari 1.500 tugas yang dibuat oleh para ahli, mencakup 55 pekerjaan berbeda. Tugas-tugas tersebut tidak hanya meliputi pekerjaan yang sudah lazim terpapar AI seperti rekayasa perangkat lunak dan desain grafis, tetapi juga pekerjaan yang nasibnya masih belum pasti seperti teknik maritim, pertanian, produksi audio, dan operasi kesehatan masyarakat.

Para peneliti menggunakan tolok ukur ALE untuk menguji model “tertutup” (closed models) canggih dari perusahaan swasta. Model-model yang diuji termasuk Anthropic’s Fable 5, OpenAI’s GPT-5.5, Cursor’s Composer 2.5, dan Google’s Gemini 3.1 Pro. Selain itu, dua model sumber terbuka (open source) dari pengembang China juga diikutsertakan dalam pengujian.

Hasil pengujian menunjukkan bahwa semua model AI yang diuji gagal total. OpenAI’s GPT-5.5 mencatat skor tertinggi dengan tingkat kelulusan hanya 24 persen secara keseluruhan. “Agen saat ini dapat menyelesaikan sebagian kecil dari tugas profesional,” tulis para peneliti. Namun, mereka menambahkan, “ketika kita melihat tugas-tugas tersulit yang membutuhkan penalaran berkelanjutan, keahlian domain yang mendalam, dan eksekusi yang andal dalam jangka waktu panjang, mereka masih jauh dari kinerja tingkat manusia.”

Yang lebih mencengangkan, ketika tugas menjadi semakin kompleks, skor agregat yang rendah sekalipun turun drastis. “Pada tingkat tersulit ALE, setiap agen frontier yang kami uji, termasuk Fable 5, mencapai tingkat keberhasilan 0 persen,” jelas siaran pers studi tersebut.

Studi ini juga merinci pertimbangan biaya. Model Fable 5 yang mutakhir, menurut catatan, memberikan “kinerja serupa” dengan model seperti GPT-5.5 dan Composer 2.5, “sementara biayanya sekitar 4-12 kali lipat lebih mahal per tugas yang diselesaikan.”

Meskipun hasil tesnya buruk, para peneliti memperingatkan bahwa teknologi ini tetap dapat mengganggu pasar kerja untuk pekerjaan yang lebih terpapar AI. Seperti yang telah ditunjukkan oleh banyak eksekutif perusahaan, teknologi tidak perlu bekerja dengan sangat baik untuk membuat pekerja berada dalam posisi tertekan.

“Bahkan jika tingkat kelulusan saat ini masih relatif rendah, pekerjaan yang didominasi oleh prosedur rutin dan terdefinisi dengan baik kemungkinan akan mengalami gangguan terlebih dahulu, sementara peran yang membutuhkan banyak pengambilan keputusan akan tetap lebih tangguh untuk waktu yang lebih lama,” kata peneliti ilmu komputer UC Berkeley dan rekan penulis studi Dawn Song kepada College Fix.

“Faktor kuncinya,” tambah Song, “bukanlah industri itu sendiri, tetapi sifat pekerjaannya.”

Temuan ini menjadi pukulan telak bagi narasi industri teknologi yang selama ini gencar mengklaim bahwa kemampuan AI akan berkembang pesat dalam beberapa tahun ke depan dan mendorong pertumbuhan ekonomi yang belum pernah terjadi sebelumnya. Kenyataannya, pengeluaran industri AI telah mencapai lebih dari $1,6 triliun, namun hasil yang didapatkan masih jauh dari harapan.

Penelitian ini menegaskan bahwa model AI frontier saat ini, seperti yang diuji dalam studi ini, masih memiliki keterbatasan fundamental dalam menangani tugas-tugas kompleks di dunia nyata. Meskipun ada kemajuan dalam kemampuan dasar, kesenjangan antara kinerja AI dan kebutuhan pekerjaan manusia masih sangat lebar, terutama untuk tugas-tugas yang membutuhkan penalaran mendalam dan keahlian spesifik.

Untuk informasi lebih lanjut mengenai perkembangan terbaru di industri AI dan teknologi, Anda dapat menyimak artikel terkait tentang Studi Chatbot Frontier yang menunjukkan validasi delusi pengguna.