First Principles Thinking di Era AI: Memahami dari Dasar
Praktisi FP&A yang menulis tentang AI, dunia kerja, cara berpikir, dan peran manusia dalam mengambil keputusan.
·waktu baca 8 menit
Tulisan dari Bayu Istantoro tidak mewakili pandangan dari redaksi kumparan
PerbesarFirst principles thinking menjadi semakin relevan di era AI ketika memperoleh jawaban jauh lebih mudah daripada membangun pemahaman. Kita bisa bertanya kepada AI tentang laporan keuangan, strategi bisnis, ekonomi, pemrograman, hingga konsep ilmiah yang sebelumnya membutuhkan buku, kursus, atau pencarian panjang.
Dalam beberapa detik, kita memperoleh definisi, contoh, langkah-langkah, bahkan penjelasan yang sudah disesuaikan dengan tingkat pemahaman kita. Hambatan untuk mendapatkan informasi hampir hilang, tetapi kemudahan tersebut menimbulkan persoalan baru: memiliki jawaban belum tentu berarti memahami.
Kemudahan itu jelas membantu. Saya sendiri merasa proses belajar menjadi jauh lebih cepat karena ketika menemukan istilah yang tidak dipahami, kita tidak perlu berhenti terlalu lama untuk mencari sumber awal. AI bisa menjadi pintu masuk untuk memahami sebuah topik, membandingkan beberapa konsep, atau membantu melihat hubungan yang sebelumnya tidak terlihat. Masalahnya muncul ketika kemudahan memperoleh jawaban mulai dianggap sama dengan memahami.
Kita bisa membaca penjelasan tentang time value of money, lalu merasa sudah mengerti karena tahu bahwa uang hari ini lebih bernilai daripada uang dengan jumlah yang sama di masa depan. Kita bisa meminta AI menjelaskan large language model, lalu menghafal istilah token, embedding, dan transformer. Kita bahkan bisa meminta AI menyelesaikan sebuah analisis bisnis dan memperoleh jawaban yang terlihat sangat masuk akal. Namun ketika ditanya satu tingkat lebih dalam—mengapa konsep itu harus ada, kondisi apa yang membuatnya benar, atau apa yang terjadi jika salah satu asumsi dasarnya dihilangkan—pemahaman kita sering mulai goyah.
Di tengah kemudahan seperti ini, first principles thinking menjadi menarik bukan karena ia menawarkan teknik berpikir yang terdengar canggih. Justru karena ia memaksa kita melakukan sesuatu yang mulai semakin mudah dilewati: membangun pemahaman sendiri dari dasar.
Jawaban yang Benar Belum Tentu Menjadi Pengetahuan Kita
Ada perbedaan besar antara membaca sebuah jawaban dan mampu membangun kembali jawaban tersebut. Ketika AI menjelaskan suatu konsep dengan baik, kita menerima hasil dari proses berpikir yang sudah selesai. Struktur masalah telah ditentukan, informasi yang dianggap penting telah dipilih, lalu hubungan antarbagian telah disusun menjadi penjelasan yang mudah dibaca. Kita menikmati bagian akhirnya tanpa harus mengalami seluruh proses yang menghasilkan pemahaman tersebut.
Dalam banyak situasi, hal itu tidak menjadi masalah. Kita tidak harus memahami mesin pembakaran hanya untuk mengendarai kendaraan atau mempelajari seluruh sejarah jaringan komputer untuk menggunakan internet. Namun ketika sebuah pengetahuan akan digunakan untuk menganalisis, membuat keputusan, atau membangun sesuatu yang lebih kompleks, pemahaman yang hanya berada di permukaan mulai memiliki batas.
Bayangkan seseorang belajar bahwa perusahaan perlu melakukan efisiensi ketika biaya meningkat lebih cepat daripada pendapatan. Kalimat itu terdengar logis. Tetapi apakah setiap kenaikan biaya berarti inefisiensi? Bisa jadi volume bisnis memang tumbuh, perusahaan sedang menambah kapasitas, harga input berubah, atau ada investasi yang manfaatnya baru muncul kemudian. Jika kita hanya membawa jawaban pertama tanpa memahami hubungan dasarnya, pengetahuan yang terlihat benar dapat menghasilkan keputusan yang salah.
Hal yang sama terjadi ketika belajar AI. Menghafal bahwa RAG digunakan untuk memberikan informasi tambahan kepada model memang benar, tetapi pemahaman baru menjadi lebih kuat ketika kita bertanya mengapa model membutuhkan informasi tambahan sejak awal. Dari sana kita mulai memahami bahwa model memiliki keterbatasan pengetahuan yang tersedia dalam konteksnya, informasi dapat berubah setelah model dilatih, dan beberapa pertanyaan membutuhkan sumber tertentu yang tidak dapat sekadar diasumsikan oleh model. Konsep RAG kemudian tidak lagi berdiri sebagai istilah yang harus dihafal. Kita memahami problem yang membuatnya perlu ada.
Itulah salah satu fungsi first principles thinking: membawa kita dari “apa jawabannya?” menuju “mengapa jawaban seperti ini masuk akal?”
First Principles Thinking Bukan Sekadar Terus Bertanya “Mengapa?”
Cara berpikir ini sering diringkas menjadi kebiasaan bertanya “mengapa” berkali-kali. Menurut saya, penyederhanaan itu justru membuat konsepnya kehilangan kekuatan. Kita bisa bertanya “mengapa” sepuluh kali dan tetap hanya berputar di sekitar penjelasan yang sama jika sejak awal kita tidak membedakan fakta, asumsi, dan kebiasaan yang sudah diterima begitu saja.
First principles thinking lebih dekat dengan proses membongkar sebuah persoalan sampai kita menemukan hal-hal dasar yang harus tetap benar agar persoalan tersebut masuk akal. Setelah itu, pemahaman dibangun kembali dari titik tersebut. Kita tidak langsung menerima istilah, framework, atau praktik umum sebagai jawaban final, tetapi mencoba mengetahui mengapa semua itu muncul.
Ambil contoh sederhana: mengapa uang hari ini umumnya lebih bernilai daripada uang dengan jumlah nominal yang sama lima tahun lagi? Kita bisa langsung menjawab dengan istilah time value of money. Namun itu baru memberi nama pada fenomenanya. Jika dibongkar lebih jauh, kita menemukan beberapa realitas yang lebih dasar: masa depan mengandung ketidakpastian, uang hari ini dapat digunakan untuk menghasilkan manfaat, manusia memiliki pilihan penggunaan sumber daya, dan menunggu berarti melepaskan kesempatan tertentu.
Dari realitas tersebut kemudian lahir konsep risiko, opportunity cost, return, bunga, discount rate, sampai valuasi. Rumus datang belakangan. Ketika struktur dasarnya sudah dipahami, banyak konsep keuangan yang sebelumnya terlihat berbeda mulai terasa sebagai cabang dari persoalan yang sama.
Cara belajar seperti ini lebih lambat pada beberapa menit pertama, tetapi biasanya lebih cepat ketika topiknya mulai kompleks. Kita tidak perlu terus menambah hafalan karena pengetahuan baru dapat ditempatkan di atas fondasi yang sudah ada.
AI Bisa Membuat First Principles Thinking Jauh Lebih Kuat
Menariknya, AI yang berpotensi membuat kita terlalu cepat menerima jawaban juga dapat menjadi alat yang sangat baik untuk belajar dari prinsip dasar. Perbedaannya terletak pada cara kita menggunakannya.
Daripada hanya meminta AI “jelaskan konsep X”, kita dapat meminta bantuan untuk membongkar struktur sebuah konsep. Fakta dasar apa yang harus benar agar konsep ini diperlukan? Problem apa yang muncul jika konsep ini tidak ada? Asumsi apa yang sedang digunakan? Bisakah kesimpulan yang sama dibangun tanpa memakai istilah teknisnya? Dalam kondisi apa konsep tersebut tidak lagi berlaku?
Kita juga dapat menggunakan AI untuk menyerang pemahaman kita sendiri. Setelah merasa memahami sebuah topik, coba jelaskan dengan bahasa sendiri, kemudian minta AI mencari bagian yang tidak konsisten. Minta contoh yang bertentangan dengan kesimpulan kita. Minta kondisi ekstrem yang membuat logika kita gagal. Atau minta AI menunjukkan asumsi yang selama ini kita perlakukan sebagai fakta.
Penggunaan seperti ini menurut saya jauh lebih menarik daripada sekadar menjadikan AI sebagai mesin penjelasan. AI berubah menjadi alat untuk memperbanyak tekanan terhadap sebuah ide sampai kita mengetahui bagian mana yang benar-benar kita pahami dan bagian mana yang hanya kita ulang dari jawaban sebelumnya.
Misalnya kita memiliki keyakinan bahwa semakin banyak data, semakin baik analisis. AI dapat membantu kita menguji keyakinan itu dengan bertanya apakah kualitas data cukup baik, apakah variabel yang tersedia benar-benar relevan, apakah hubungan yang ditemukan bersifat sebab-akibat atau hanya bergerak bersama, dan apakah ada konteks penting yang tidak tercatat dalam data. Dari satu asumsi sederhana, proses berpikir menjadi jauh lebih dalam.
AI tidak lagi digunakan untuk menutup pertanyaan secepat mungkin. Ia digunakan untuk membuka pertanyaan berikutnya.
Belajar Lebih Sedikit Istilah, tetapi Memahami Lebih Banyak Hubungan
Salah satu masalah belajar hari ini adalah mudahnya kita mengumpulkan istilah. Dalam AI saja, seseorang bisa merasa harus memahami machine learning, deep learning, neural network, transformer, token, embedding, vector database, RAG, agent, tool calling, MCP, fine-tuning, dan puluhan istilah lain sebelum merasa cukup mengerti.
Akibatnya, belajar sering berubah menjadi aktivitas memperluas permukaan pengetahuan. Kita tahu sedikit tentang banyak hal, tetapi kesulitan menjelaskan bagaimana satu konsep menyebabkan kebutuhan terhadap konsep lainnya. Ketika teknologi baru muncul, kita kembali merasa harus memulai dari awal karena daftar istilahnya berubah.
First principles thinking menawarkan arah yang berbeda. Daripada bertanya “apa saja yang harus saya hafal?”, kita mencoba memahami beberapa mekanisme mendasar lebih dahulu. Sistem menerima input, memproses informasi berdasarkan aturan atau model tertentu, menghasilkan output, memiliki keterbatasan informasi, dan dalam beberapa kondisi membutuhkan akses ke sumber atau tindakan di luar dirinya. Ketika dasar ini dipahami, istilah baru menjadi lebih mudah ditempatkan.
Hal serupa berlaku pada bisnis dan keuangan. Kita tidak perlu melihat budgeting, forecasting, analisis profitabilitas, modal kerja, business case, dan valuasi sebagai pulau-pulau pengetahuan yang sepenuhnya terpisah. Banyak di antaranya berangkat dari persoalan yang sama: sumber daya terbatas, masa depan tidak pasti, keputusan memiliki konsekuensi, dan nilai baru terlihat setelah waktu berjalan.
Pengetahuan mulai terasa lebih sederhana bukan karena topiknya menjadi sederhana, tetapi karena kita mulai melihat struktur di bawah kompleksitasnya.
Di Era AI, Kita Perlu Belajar Menunda Jawaban
Ada sesuatu yang cukup ironis dari perkembangan AI. Ketika teknologi membuat jawaban semakin cepat, salah satu keterampilan belajar yang mungkin semakin penting justru kemampuan untuk tidak terlalu cepat puas terhadap jawaban.
Kadang kita perlu berhenti setelah mendapat penjelasan dan bertanya apakah kita benar-benar mengerti. Bisakah konsep tersebut dijelaskan tanpa menggunakan istilah yang sedang didefinisikan? Bisakah kita menurunkannya dari beberapa fakta yang lebih dasar? Apakah kita tahu asumsi yang membuatnya bekerja? Jika konteksnya berubah, apakah kesimpulannya masih berlaku?
Pertanyaan seperti itu membuat proses belajar terasa lebih berat dibandingkan sekadar meminta ringkasan. Namun justru dari sanalah pemahaman mulai memiliki struktur. Ketika satu bagian lupa, kita masih dapat membangunnya kembali karena mengetahui alasan konsep tersebut ada.
Mungkin perubahan terbesar dalam belajar di era AI bukan bahwa kita harus mengetahui lebih banyak. Kemampuan mesin untuk mencari, merangkum, dan menjelaskan justru membuat kebutuhan menghafal sebagian informasi menjadi lebih kecil.
Yang semakin penting adalah kemampuan mengetahui dari mana sebuah pengetahuan berasal, apa yang menopangnya, dan apakah kita mampu membangunnya kembali ketika jawabannya tidak tersedia.
Di situlah first principles thinking menjadi relevan.
Bukan sebagai istilah keren untuk terlihat berpikir lebih dalam, tetapi sebagai disiplin agar kemudahan mendapatkan jawaban tidak membuat kita kehilangan kemampuan memahami.