Mengapa AI Tak Akan Membuat Pendidikan Lebih Murah

Suasana diskusi pembelajaran di kelas SMK Negeri 1 Jombang. Interaksi guru dan siswa tetap menjadi inti proses belajar yang tidak tergantikan teknologi (Foto: dokumentasi pribadi).

Mengapa AI tak akan membuat pendidikan lebih murah, padahal kita semua mengetahui bahwa AI unggul dalam mengolah data dan menyajikan informasi. Namun keunggulan ini jauh berbeda dengan proses belajar, belajar bukan hanya menerima pengetahuan, melainkan proses relasional yang melibatkan emosi, motivasi, kepercayaan, dan makna. Penelitian neurosains We Feel, Therefore We Learn, pendidikan menunjukkan bahwa interaksi sosial dan keterikatan emosional berperan penting dalam pembentukan pemahaman konseptual dan memori jangka panjang, karena emosi dan relasi sosial merupakan fondasi biologis dari proses kognitif manusia (Immordino-Yang & Damasio, 2007). Tanpa relasi manusia, pembelajaran kehilangan dimensi afektif yang justru menentukan keberhasilan belajar.

Pemahaman tentang hakikat belajar ini penting ketika kita menilai klaim bahwa kecerdasan buatan (artificial intelligence/AI) akan membuat pendidikan menjadi lebih murah. Setiap kali AI dibicarakan, pendidikan hampir selalu disebut sebagai salah satu sektor yang akan “diselamatkan” oleh teknologi. Dengan AI, kelas bisa diperbesar tanpa menambah guru, penilaian bisa diotomatisasi, materi dipersonalisasi, dan biaya pendidikan diharapkan turun. Di tengah keluhan masyarakat tentang mahalnya sekolah dan kuliah di Indonesia, janji ini terdengar menggoda. Namun, jika pendidikan dipahami sebagai proses relasional yang bergantung pada kehadiran manusia, klaim efisiensi tersebut menjadi problematis. Pendidikan bukan sektor yang dapat dibuat murah semata-mata melalui otomatisasi teknologi.

Dalam ilmu ekonomi, persoalan ini telah lama dijelaskan melalui konsep Baumol’s cost disease. Teori yang dikembangkan William Baumol dan William Bowen sejak 1960-an ini menunjukkan bahwa sektor-sektor tertentu, seperti seni pertunjukan, kesehatan, dan pendidikan, mengalami kenaikan biaya yang lebih cepat dibanding sektor lain, bukan karena tidak efisien, melainkan karena sifat kerjanya (Baumol & Bowen, 1965; Baumol, 2012). Sektor-sektor ini sangat bergantung pada tenaga manusia dan memiliki keterbatasan struktural dalam meningkatkan produktivitas tanpa mengorbankan kualitas layanan. Dalam konteks pendidikan, upaya menekan biaya melalui otomatisasi berisiko mengurangi intensitas interaksi pedagogis, yang justru menjadi inti dari proses belajar bermakna.

Logikanya sederhana: di sektor manufaktur atau teknologi, inovasi memungkinkan satu pekerja menghasilkan output jauh lebih besar dibanding sebelumnya. Produktivitas naik, biaya per unit turun. Pendidikan tidak bekerja dengan cara itu. “Output” pendidikan bukan barang, melainkan proses belajar yang berlangsung melalui interaksi manusia. Seorang guru tidak bisa mengajar dua kali lebih banyak murid dengan kualitas yang sama hanya dengan bekerja lebih cepat. Ketika produktivitas stagnan tetapi upah di sektor lain naik, pendidikan pun terpaksa menyesuaikan. Karena produktivitas per guru tidak meningkat signifikan, kenaikan upah langsung diterjemahkan menjadi kenaikan biaya per siswa (Archibald & Feldman, 2008; Kimball & Luke, 2018).

Fenomena ini paling mudah dipahami lewat praktik pendidikan sehari-hari di Indonesia. Seorang guru sekolah dasar hari ini tetap membutuhkan waktu yang hampir sama seperti puluhan tahun lalu untuk mengajarkan membaca pemahaman kepada satu kelas murid. Ia harus mendengarkan jawaban siswa satu per satu, mengoreksi kesalahan, dan memastikan setiap anak benar-benar memahami bacaan. Di perguruan tinggi, seorang dosen tetap memerlukan waktu yang tidak bisa dipercepat secara signifikan untuk membimbing skripsi: membaca draf demi draf, memberi catatan, dan berdiskusi secara langsung dengan mahasiswa. Tidak ada teknologi atau AI yang dapat memangkas proses ini tanpa mengorbankan kualitas pembelajaran. Pendidikan bekerja melalui relasi manusia yang bersifat kontekstual dan personal—relasi yang tidak dapat diproduksi massal atau dipercepat seperti proses industri (Kimball & Luke, 2018; Elhussein et al., 2024).

Di Indonesia mengapa AI tak akan membuat pendidikan lebih murah, terlihat pada kenaikan biaya pendidikan mulai dari UKT di perguruan tinggi negeri hingga beban operasional sekolah, sering dipersepsikan sebagai kegagalan tata kelola atau pemborosan. Padahal, sebagian besar kenaikan tersebut bersifat struktural. Ketika sektor-sektor lain seperti teknologi, keuangan, dan industri kreatif mengalami lonjakan produktivitas dan upah, pendidikan harus ikut menyesuaikan agar profesi guru dan dosen tidak ditinggalkan. Namun karena produktivitas per guru tidak meningkat secara signifikan, penyesuaian upah itu langsung berubah menjadi kenaikan biaya per siswa (Archibald & Feldman, 2008).

Di titik inilah AI sering masuk sebagai harapan baru. Memang benar, AI membawa potensi efisiensi yang nyata. Sistem penilaian otomatis dapat mempercepat koreksi soal objektif. Analisis data berbasis machine learning membantu institusi memahami pola belajar mahasiswa. Platform pembelajaran adaptif mampu merekomendasikan materi sesuai kebutuhan individu. Berbagai studi menunjukkan bahwa guru menghabiskan lebih dari separuh waktu kerjanya untuk tugas non-pengajaran, dan otomatisasi dapat mengurangi beban administratif tersebut (Elhussein et al., 2024; Qian et al., 2025).

Namun efisiensi ini sering disalahartikan sebagai solusi utama. Masalah biaya pendidikan tidak terletak pada administrasi, melainkan pada inti pengajaran itu sendiri. Dalam kerangka Baumol’s cost disease, penghematan parsial tidak mengubah fakta bahwa tenaga manusia tetap menjadi komponen biaya utama. AI dapat membantu guru menyiapkan materi atau mengelola kelas, tetapi tidak dapat menggantikan kehadiran manusia dalam membangun relasi belajar. Pekerjaan yang menekankan interaksi interpersonal, empati, dan penilaian situasional terbukti paling sulit diautomatisasi, bahkan dengan AI paling canggih (Kimball & Luke, 2018; Anderson, 2023).

Di sinilah muncul ilusi pendidikan murah berbasis teknologi. Efisiensi sering disamakan dengan penghematan biaya, seolah setiap menit kerja guru yang dipangkas oleh AI otomatis menurunkan biaya pendidikan. Padahal, dalam praktiknya, waktu yang dihemat dari administrasi justru dialihkan kembali ke inti kerja pendidik: membimbing lebih intensif, memberi umpan balik lebih personal, dan menangani keragaman kebutuhan belajar. Alih-alih menurunkan biaya, teknologi sering kali menaikkan ekspektasi kualitas, dan kualitas hampir selalu menuntut investasi tenaga manusia (Wellbrock, 2024; Elhussein et al., 2024).

Dalam praktiknya, AI berfungsi sebagai asisten, bukan pengganti. Satu kelas tetap membutuhkan guru yang memfasilitasi diskusi, menilai pemahaman secara mendalam, dan merespons dinamika sosial di dalam kelas. AI tidak dapat sepenuhnya membaca bahasa tubuh siswa, memahami latar belakang keluarga, atau memberi dorongan emosional pada murid yang kehilangan motivasi. UNESCO bahkan menegaskan bahwa upaya menghilangkan peran guru melalui AI mencerminkan kesalahpahaman mendasar tentang fungsi sosial pendidikan (UNESCO, 2021). World Economic Forum juga menekankan bahwa AI hanya bisa mendukung, bukan menggantikan, interaksi manusia dalam proses belajar (Elhussein et al., 2024).

Konteks Indonesia justru mempertegas keterbatasan ini. Ketimpangan wilayah, kesenjangan infrastruktur, serta keragaman budaya dan bahasa membuat peran guru semakin kompleks. Di banyak daerah, guru bukan hanya pengajar, tetapi juga figur sosial dan pembimbing moral. Menggantikan peran ini dengan teknologi tanpa dukungan manusia bukan hanya tidak realistis, tetapi juga berisiko memperlebar ketimpangan. Sekolah dengan sumber daya besar dapat memanfaatkan AI untuk meningkatkan kualitas, sementara sekolah di daerah tertinggal semakin terdesak.

Tambahan Beban Bagi Pendidik

Temuan Indonesia AI Report 2025 memperlihatkan paradoks mendasar dalam narasi efisiensi teknologi di sektor pendidikan. Di satu sisi, 68 persen responden mengaku sangat bergantung pada AI dalam aktivitas belajar dan kerja, dan 57 persen telah memanfaatkan chatbot AI secara rutin untuk menyelesaikan tugas akademik maupun profesional. Namun, laporan yang sama menunjukkan bahwa 84 persen pembelajaran AI berlangsung secara informal melalui media sosial dan YouTube, sementara hanya 21 persen melalui jalur pendidikan formal. Pola ini menandakan bahwa adopsi AI di Indonesia lebih bersifat instrumental dan praktis ketimbang reflektif dan pedagogis, sehingga AI berfungsi terutama sebagai cognitive shortcut dan alat bantu administratif, bukan sebagai medium pembelajaran mendalam.

Konsekuensinya, peran pendidik tidak berkurang, melainkan bertambah kompleks: guru dan dosen tidak hanya mengajar, tetapi juga harus memverifikasi keluaran AI, mendeteksi bias dan kesalahan, mencegah plagiarisme algoritmik, serta membimbing siswa agar tidak terjebak dalam ketergantungan kognitif. Alih-alih menurunkan biaya pendidikan, dinamika ini justru memperluas struktur Baumol’s cost disease ke ranah kognitif dan etis, karena intensifikasi kerja manusia menjadi prasyarat utama agar pemanfaatan AI tidak mereduksi kualitas pembelajaran. Dengan demikian, laporan ini memperkuat tesis bahwa pendidikan secara struktural tidak dapat dijadikan sektor murah tanpa mengorbankan mutu akademik, otonomi intelektual, dan keadilan sosial.

Ironisnya, AI bahkan bisa menambah beban baru. Guru dan dosen dituntut memahami, mengawasi, dan mengendalikan penggunaan AI agar tidak menimbulkan kesalahan, bias, atau penyalahgunaan. Berbagai laporan kebijakan menunjukkan bahwa adopsi AI sering kali menciptakan tugas tambahan, bukan pengurangan kerja, setidaknya dalam jangka pendek (Elhussein et al., 2024; Qian et al., 2025). Artinya, alih-alih menurunkan kebutuhan tenaga pendidik, AI justru menegaskan kembali bahwa pendidikan adalah sektor padat karya.

Jika kenyataan ini diabaikan, dampaknya serius. Tekanan biaya mendorong institusi pendidikan mengambil jalan pintas: memperbesar kelas, menambah beban mengajar, atau mengurangi layanan pendukung. Dalam jangka panjang, kualitas pembelajaran tergerus. Guru kelelahan, mahasiswa kurang mendapat perhatian, dan proses belajar menjadi mekanis. Situasi ini sudah mulai dirasakan di banyak sekolah dan kampus.

Masalah lain yang lebih mengkhawatirkan adalah daya tarik profesi pendidik. Ketika gaji guru dan dosen tertinggal jauh dari profesi lain dengan tingkat pendidikan serupa, talenta terbaik cenderung memilih sektor lain. Data internasional menunjukkan bahwa di banyak negara, gaji guru tertinggal 10–30 persen dibanding profesi lain yang setara secara pendidikan (Elhussein et al., 2024). Ini bukan sekadar isu kesejahteraan, tetapi ancaman langsung terhadap kualitas pendidikan di masa depan.

Pada titik ini, pertanyaan kuncinya bukan lagi “bagaimana membuat pendidikan murah”, melainkan siapa yang harus membayar pendidikan. Baumol menegaskan bahwa masyarakat yang semakin produktif secara ekonomi sebenarnya mampu membiayai sektor-sektor “mahal” seperti pendidikan—asal ada keputusan politik untuk mendistribusikan hasil pertumbuhan tersebut (Baumol, 2012). Dengan kata lain, kenaikan biaya pendidikan bukan krisis, melainkan pilihan kebijakan.

Bagi Indonesia, implikasinya jelas. Pendidikan harus diperlakukan sebagai investasi publik jangka panjang, bukan komoditas yang terus ditekan biayanya. AI perlu digunakan secara strategis untuk mendukung guru, bukan menggantikannya. Kebijakan pendidikan harus berfokus pada kesejahteraan dan profesionalisme pendidik, serta memastikan bahwa teknologi tidak memperlebar ketimpangan.

Baumol’s cost disease mengingatkan kita bahwa tidak semua persoalan bisa diselesaikan dengan teknologi. Pendidikan, pada intinya, adalah relasi manusia dengan manusia. Selama kita menginginkan pendidikan yang bermutu, inklusif, dan bermakna, biaya pendidikan tidak akan pernah bisa ditekan seperti biaya produksi barang industri. Tantangan sesungguhnya bukan menghindari kenyataan ini, melainkan mengelolanya secara adil agar pendidikan berkualitas tidak hanya menjadi milik segelintir orang (Costa Nunes & Nunes, 2024; Throsby, 1996; National Education Association, 2024).

Referensi

Anderson, J. (2023). Educating in a World of Artificial Intelligence. Harvard EdCast. https://www.gse.harvard.edu/ideas/edcast/23/02/educating-world-artificial-intelligence

Archibald, R. B., & Feldman, D. H. (2008). Explaining Increases in Higher Education Costs. The Journal of Higher Education, 79(3), 268–295. https://doi.org/10.1080/00221546.2008.11772099

Baumol, W. J. (1996). Children of performing arts, the economic dilemma: The climbing costs of health care and education. Journal of Cultural Economics, 20(3), 183–206. https://doi.org/10.1007/s10824-005-3206-4

Baumol, W. J. (2012). The Cost Disease: Why Computers Get Cheaper and Health Care Doesn’t. Yale University Press.

Baumol, W. J., & Bowen, W. G. (1965). On the Performing Arts: The Anatomy of Their Economic Problems. The American Economic Review, 55(1/2), 495–502. https://www.jstor.org/stable/1816292

Costa Nunes, R. da, & Nunes, A. (2024). Examining the Impact of Baumol’s Cost Disease in Brazilian Municipal Education: A Decade Analysis (2009-2019). International Journal of Economics and Finance, 16(4), 78. https://doi.org/10.5539/ijef.v16n4p78

Elhussein, G., Hasselaar, E., Lutsyshyn, O., Milberg, T., & Zahidi, S. (2024). Shaping the Future of Learning: The Role of AI in Education 4.0. World Economic Forum. https://urls.fr/PogZvz

Immordino-Yang, M. H., & Damasio, A. (2007). We feel, therefore we learn: The relevance of affective and social neuroscience to education. Mind, Brain, and Education, 1(1), 3–10. https://doi.org/10.1111/j.1751-228X.2007.00004.x

Kimball, B. A., & Luke, J. B. (2018). Historical Dimensions of the “Cost Disease” in US Higher Education, 1870s–2010s. Social Science History, 42(1), 29–55. https://doi.org/10.1017/ssh.2017.38

National Education Association. (2024, October). AI in Education. https://www.nea.org/professional-excellence/student-engagement/tools-tips/ai-education

Qian, L., Cao, W., & Chen, L. (2025). Influence of artificial intelligence on higher education reform and talent cultivation in the digital intelligence era. Scientific Reports, 15(1), 6047. https://doi.org/10.1038/s41598-025-89392-4

Throsby, D. (1996). Economic circumstances of the performing artist: Baumol and Bowen thirty years on. Journal of Cultural Economics, 20(3), 225–240. https://doi.org/10.1007/BF00153849

UNESCO. (2021). AI and education: guidance for policy-makers. https://doi.org/10.54675/PCSP7350

Wellbrock, C.-M. (2024). Generative AI and Investigative Journalism—An Application of Baumol’s Cost Disease Across Mass Communication Sectors. Emerging Media, 2(4), 663–672. https://doi.org/10.1177/27523543241299631