Audit Konten Berbantuan AI Sebelum Terbit: Daftar Periksa

Sebuah artikel terbit dengan kalimat pembuka yang enak dibaca, struktur rapi, dan enam rujukan. Tiga minggu kemudian, seorang pembaca mengirim surel: salah satu rujukan tidak ada.

Kesalahan itu tidak terdeteksi karena tidak ada yang memeriksa. Artikelnya dibaca, terasa baik, lalu diterbitkan. Rasa baik adalah alat yang buruk untuk menilai akurasi.

Lima lapis audit konten berbantuan AI. Urutannya penting: klaim diperiksa lebih dulu agar penyuntingan bahasa tidak menyamarkan kesalahan fakta.

Mengapa audit terpisah diperlukan?

Menulis dan memeriksa menuntut perhatian yang berbeda. Saat menulis, perhatian ada pada alur dan pilihan kata. Saat memeriksa, perhatian harus ada pada klaim dan bukti.

Ketika keduanya dilakukan bersamaan, salah satunya mengalah. Biasanya yang mengalah adalah pemeriksaan fakta, karena menulis terasa lebih mendesak.

Audit terpisah memaksa perhatian berpindah. Ia juga menciptakan catatan: siapa memeriksa apa, dan kapan.

Mengapa kesalahan lolos meski artikel dibaca

Membaca untuk menikmati dan membaca untuk memeriksa adalah dua aktivitas berbeda. Saat menikmati, otak mengisi celah secara otomatis. Kalimat yang melompat tetap terasa mulus.

Kesalahan yang paling sering lolos justru yang paling halus: nama penulis yang benar dengan tahun yang salah, jurnal yang ada tetapi volume yang keliru, atau angka yang benar dari studi yang berbeda.

Kesalahan semacam itu tidak mengganggu alur bacaan. Ia baru terlihat ketika dibandingkan dengan sumbernya, dan perbandingan itu memerlukan waktu khusus.

Lapis pertama: klaim dan rujukan

Ini lapis yang paling mahal bila terlewat.

Untuk setiap rujukan, periksa DOI di Crossref atau cari judul di penerbit. Cocokkan penulis pertama, tahun, dan judul. Bila DOI valid tetapi judulnya berbeda, itu kesalahan yang paling berbahaya karena tampak benar.

Untuk setiap klaim angka, lacak ke sumbernya. Bila angka berasal dari laporan, sebutkan halaman atau tabel. Bila tidak bisa dilacak, hapus atau ubah menjadi pernyataan kualitatif.

Untuk setiap klaim umum, tanyakan apakah ada bukti yang mendukung. Klaim seperti "banyak penelitian menunjukkan" tanpa rujukan adalah tanda bahaya.

Catat hasil pemeriksaan dalam satu kolom: lolos, perlu perbaikan, atau dibuang. Pemisahan ini mencegah perbaikan setengah jalan, yang sering berakhir dengan rujukan yang dipertahankan karena sayang telah ditulis.

Lapis kedua: struktur dan keterbacaan

Periksa apakah setiap sub-judul benar-benar membahas isi yang dijanjikan. Sub-judul yang menarik tetapi tidak sesuai isi menciptakan kekecewaan, dan mesin pencari membaca ketidaksesuaian itu sebagai sinyal mutu.

Periksa panjang paragraf. Paragraf panjang tanpa jeda menyulitkan pembaca di layar kecil. Variasi panjang membantu ritme.

Periksa apakah ringkasan benar-benar merangkum, bukan menggoda. Ringkasan yang hanya bertanya tanpa menjawab mengurangi nilai halaman.

Periksa juga apakah artikel menjawab pertanyaan yang dijanjikan judulnya. Ketidaksesuaian antara judul dan isi adalah salah satu keluhan pembaca yang paling sering muncul, dan sekaligus sinyal mutu yang dibaca mesin pencari.

Lapis ketiga: gaya yang tidak generik

Konten berbantuan AI sering memiliki pola yang dapat dikenali: kalimat pembuka yang luas, daftar tiga poin berulang, penutup yang mengulang isi, dan frasa pembuka seremonial yang tidak menambah informasi.

Pola itu tidak salah secara tata bahasa. Ia hanya membuat teks terasa tanpa penulis, dan pembaca merasakannya meski tidak dapat menyebutkan alasannya.

Perbaikan yang efektif: ganti pembuka umum dengan peristiwa spesifik, hapus penutup yang mengulang, dan ganti frasa klise dengan kalimat yang menyebut hal konkret.

Lapis keempat: nada dan tanggung jawab

Periksa apakah klaim sesuai dengan bukti. Kalimat "terbukti efektif" untuk temuan dari satu studi kecil adalah klaim yang berlebihan.

Periksa apakah batas interpretasi disebut. Untuk konten kesehatan dan asesmen, pernyataan bahwa hasil bukan diagnosis dan bukan dasar tunggal seleksi adalah keharusan.

Periksa juga apakah artikel membedakan bukti dari opini. Kalimat bernada yakin tanpa rujukan sebaiknya diubah menjadi pernyataan yang jujur tentang apa yang diketahui dan apa yang belum.

Periksa apakah nada tidak menghakimi. Deskripsi perilaku lebih berguna daripada label, dan label lebih mudah salah.

Lapis kelima: dokumentasi

Catat bagaimana konten dihasilkan. Apakah AI dipakai untuk menyunting bahasa, menyusun kerangka, atau menulis draf? Siapa yang memeriksa fakta, dan kapan?

Dokumentasi ini bukan formalitas birokratis. Ia berguna ketika ada pertanyaan di kemudian hari, dan ia memaksa kejelasan tentang peran manusia dalam proses.

Untuk konten yang menyangkut keputusan orang lain, misalnya seleksi atau layanan kesehatan, dokumentasi menjadi lebih penting karena konsekuensi kesalahan lebih besar.

Bagaimana membuat audit tidak melelahkan

Audit yang terlalu berat akan dilewati. Karena itu, rancang audit yang bisa dijalankan dalam waktu wajar.

Untuk artikel 1.200 kata, alokasi 30–45 menit sudah cukup bila rujukan diperiksa dengan alat bantu. Periksa rujukan lebih dulu, karena kesalahan di lapis itu paling mahal.

Buat daftar periksa satu halaman. Daftar yang panjang tidak dibaca; daftar yang pendek dan spesifik dipakai berulang.

Untuk tim, bagi peran: satu orang memeriksa fakta, satu orang memeriksa gaya. Dua pandangan menangkap lebih banyak daripada satu orang yang mencoba keduanya sekaligus.

Satu kebiasaan yang membantu: audit dilakukan pada versi cetak atau tampilan yang berbeda dari yang dipakai saat menulis. Perubahan tampilan memaksa otak membaca ulang, bukan mengingat.

Jeda juga penting. Artikel yang diaudit lima menit setelah selesai ditulis akan lolos lebih mudah, karena penulisnya masih mengingat apa yang ingin dikatakan. Menunggu satu hari menghasilkan pemeriksaan yang lebih jujur.

Alat bantu yang berguna

Skrip kecil dapat memeriksa hal-hal mekanis: jumlah kata, jumlah sub-judul, keberadaan bagian rujukan, dan tautan yang tidak dapat diakses.

Pemeriksaan tautan otomatis menangkap tautan mati, tetapi tidak menangkap tautan yang hidup dengan isi berbeda. Karena itu, pemeriksaan judul tetap diperlukan.

Untuk frasa klise, daftar kata yang diperiksa otomatis membantu, meski daftar itu tidak lengkap. Frasa baru muncul terus, dan daftar perlu diperbarui.

Satu pemeriksaan tambahan yang jarang dilakukan: cek apakah setiap sub-judul benar-benar dijawab oleh isi di bawahnya. Pada teks yang dihasilkan cepat, sub-judul kadang menjanjikan lebih dari yang dibahas.

Batas interpretasi

Audit konten bukan diagnosis dan bukan jaminan akurasi. Ia mengurangi risiko, bukan menghapusnya. Kesalahan yang tidak terdeteksi tetap mungkin terjadi, dan koreksi setelah terbit adalah bagian dari praktik yang jujur.

Untuk memeriksa rujukan, lihat artikel halusinasi sitasi. Untuk batas pemakaian AI, lihat artikel batas AI dalam asesmen.

Pertanyaan yang sering diajukan

Apakah konten berbantuan AI harus diungkapkan?

Bergantung pada kebijakan penerbit atau institusi. Untuk penulisan substantif, pengungkapan biasanya diperlukan. Untuk penyuntingan bahasa, banyak pedoman tidak mewajibkannya.

Berapa lama audit yang wajar untuk satu artikel?

Untuk artikel 1.200 kata, 30–45 menit dengan alat bantu sudah memadai. Waktu itu cukup untuk memeriksa rujukan, klaim angka, dan konsistensi struktur.

Apakah detektor AI bisa dipakai dalam audit?

Tidak sebagai penentu. Detektor memiliki tingkat kesalahan yang tinggi, baik positif maupun negatif. Audit yang berguna memeriksa klaim dan bukti, bukan menebak asal teks.

Rujukan

• Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1–38. doi:10.1145/3571730
• Mitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., Spitzer, E., Raji, I. D., & Gebru, T. (2019). Model cards for model reporting. Proceedings of the Conference on Fairness, Accountability, and Transparency, 220–229. doi:10.1145/3287560.3287596
• Gebru, T., Morgenstern, J., Vecchione, B., Vaughan, J. W., Wallach, H., Daumé, H., III, & Crawford, K. (2021). Datasheets for datasets. Communications of the ACM, 64(12), 86–92. doi:10.1145/3458723
• Google Search Central. (2025). Creating helpful, reliable, people-first content. Google
• National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0). NIST
• European Parliament and Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). EUR-Lex