Ada satu hal yang semakin saya rasakan sejak mulai menggunakan AI dalam pekerjaan research.
AI memang bisa membuat proses research jauh lebih cepat.
Mencari pola dari ratusan komentar, merangkum interview, membuat hipotesis, sampai mengelompokkan jawaban responden yang sebelumnya membutuhkan waktu berjam-jam bisa dilakukan jauh lebih cepat.
Tapi ada sisi lain yang menurut saya justru lebih berbahaya:
AI juga bisa mempercepat kita mengambil kesimpulan yang salah.
Masalahnya bukan selalu AI
Misalnya kita sedang melakukan consumer research.
Kita punya 500 komentar customer dari berbagai platform.
Kita masukkan semuanya ke AI dan meminta:
“Identifikasi 5 masalah utama yang dirasakan customer.”
Dalam beberapa menit kita mendapatkan hasil:
1. Harga terlalu mahal
2. Produk kurang praktis
3. Customer service lambat
4. Kualitas produk tidak konsisten
5. Pengiriman terlalu lama
Kelihatannya sangat meyakinkan.
Tapi saya tidak akan langsung menjadikan lima poin tersebut sebagai insight bisnis.
Karena ada pertanyaan yang lebih penting:
Apakah lima masalah tersebut benar-benar mewakili customer kita?
Atau hanya merupakan tema yang paling sering muncul dalam data yang kita masukkan?
Saya biasanya membagi prosesnya menjadi tiga tahap
Pertama: AI untuk menemukan pola.
Biarkan AI membantu membaca data dalam jumlah besar.
Misalnya mengelompokkan komentar berdasarkan tema, sentiment, atau jenis keluhan.
Kedua: manusia untuk mempertanyakan pola tersebut.
Di sini kita mulai mengecek:
Apakah datanya cukup representatif?
Apakah ada bias?
Apakah komentar berasal dari customer yang sama?
Apakah masalah tersebut terjadi pada segmen tertentu saja?
Apakah frekuensi keluhan benar-benar menunjukkan tingkat kepentingannya?
Ketiga: validasi sebelum menjadi keputusan.
Misalnya AI menemukan bahwa “harga” paling sering disebut sebagai masalah.
Jangan langsung menyimpulkan:
“Berarti kita harus menurunkan harga.”
Bisa jadi setelah diwawancarai lebih lanjut, customer sebenarnya bukan keberatan dengan harga.
Mereka merasa value yang diterima tidak sebanding dengan harga.
Ini dua masalah yang berbeda.
Solusinya juga berbeda.
Di sinilah menurut saya peran researcher tetap penting
AI sangat bagus untuk membantu menjawab:
“Apa yang terlihat dari data?”
Tetapi keputusan research membutuhkan pertanyaan:
“Mengapa pola tersebut muncul?”
dan yang lebih penting:
“Apakah insight ini cukup kuat untuk dijadikan dasar keputusan bisnis?”
Misalnya dari 500 responden:
300 menyebut harga.
Angkanya terlihat besar.
Tetapi ternyata 250 responden berasal dari segmen yang memang paling price-sensitive.
Sementara segmen customer dengan kontribusi revenue terbesar justru lebih banyak mengeluhkan service dan reliability.
Kalau kita hanya melihat frekuensi, kita bisa mengambil keputusan yang salah.
Jadi saya tidak melihat AI sebagai pengganti proses research
Saya lebih melihatnya sebagai research accelerator.
AI membantu kita:
Collect → Organize → Summarize → Find Pattern
Tetapi researcher tetap perlu melakukan:
Question → Validate → Interpret → Decide
Menurut saya, semakin mudah AI menghasilkan insight, semakin penting kita memiliki disiplin untuk tidak langsung mempercayai insight tersebut.
Karena masalah dalam research bukan hanya ketika kita kekurangan data.
Masalah yang lebih berbahaya adalah ketika kita memiliki banyak data, mendapatkan jawaban dengan sangat cepat, lalu terlalu cepat merasa sudah menemukan kebenaran.
Bagi saya, prinsip sederhananya:
Gunakan AI untuk mempercepat proses berpikir, bukan untuk menggantikan proses berpikir.
Karena kalau input-nya salah, asumsi-nya salah, atau konteksnya tidak lengkap, AI tidak hanya membuat research lebih cepat.
AI bisa membuat kita sampai pada kesimpulan yang salah jauh lebih cepat.