AI mulai mengubah pekerjaan ilmiah dengan cara yang lebih rumit daripada sekadar membuat analisis lebih cepat. Riset baru dari Google, Google DeepMind, dan MIT FutureTech menunjukkan bahwa ilmuwan memang menghemat waktu dengan bantuan AI, tetapi keuntungan itu sekaligus memindahkan antrean pekerjaan ke tahap berikutnya: verifikasi hasil, eksperimen fisik, dan pengujian hipotesis.

Temuan tersebut berasal dari tiga sumber data. Tim peneliti menganalisis sekitar 15 juta interaksi Gemini yang sudah dideidentifikasi, membuat inventaris lebih dari 2.600 model AI khusus untuk berbagai disiplin, lalu menggabungkannya dengan survei terhadap lebih dari 600 ilmuwan di Amerika Serikat dan Inggris. Hasilnya dirangkum dalam laporan "AI in Science: Early Insights" yang diterbitkan pada September 2026.

Ilmuwan menggunakan dua jenis AI sekaligus

Menurut laporan itu, ilmuwan memakai AI lebih sering daripada banyak kelompok pekerjaan lain. Hampir separuh responden mengatakan mereka menggunakan AI dalam bentuk tertentu setiap hari. Namun penggunaannya tidak terkonsentrasi pada satu jenis model.

Model bahasa besar, dengan penggunaan Gemini sebagai proksi dalam data penelitian, lebih sering dipakai untuk pekerjaan umum seperti analisis, pemrograman, pencarian informasi, dan menyiapkan naskah. Model khusus mengambil peran yang berbeda: membuat prediksi berbasis domain, menghasilkan data, melakukan klasifikasi, atau membantu simulasi.

Pembagian ini penting karena menunjukkan bahwa AI untuk sains tidak bekerja sebagai satu chatbot serbaguna yang menggantikan seluruh alur riset. LLM dan model khusus justru berfungsi sebagai pelengkap. Satu model membantu peneliti menyusun dan mengolah pekerjaan, sementara model lain menangani masalah yang membutuhkan data serta aturan bidang tertentu.

Inventaris penelitian mencakup lebih dari 2.600 model khusus yang digunakan di berbagai disiplin. Angka itu bukan ukuran langsung berapa banyak penemuan yang dihasilkan, tetapi memberi gambaran bahwa ekosistem AI ilmiah sudah tersebar jauh di luar demo model umum.

Hampir tujuh jam kembali ke peneliti

Ilmuwan yang disurvei melaporkan penghematan waktu hampir tujuh jam per minggu. Waktu tersebut terutama dialihkan kembali ke kegiatan penelitian. Bagi laboratorium atau tim kecil, tambahan waktu semacam ini bisa berarti lebih banyak analisis, dokumentasi yang lebih rapi, atau kesempatan untuk mengejar pertanyaan yang sebelumnya terlalu mahal untuk dikerjakan.

Tetapi angka penghematan waktu itu bukan bukti bahwa produktivitas ilmiah otomatis naik dalam jumlah yang sama. Laporan ini sendiri menekankan bahwa pekerjaan ilmiah saling bergantung. Jika satu bagian proses menjadi cepat, bagian lain bisa berubah menjadi hambatan.

Contohnya, AI dapat membantu menyusun hipotesis, menulis kode analisis, atau merangkum literatur lebih cepat. Namun hipotesis itu tetap perlu diuji. Hasil analisis tetap perlu diperiksa. Eksperimen klinis, pengukuran laboratorium, dan pengumpulan data dunia nyata tidak selalu bisa dipercepat dengan kecepatan yang sama seperti pemrosesan teks atau kode.

Antrean berpindah, bukan menghilang

Salah satu temuan paling menarik adalah laporan tentang meningkatnya tumpukan hipotesis yang belum diuji dan kebutuhan besar untuk memvalidasi keluaran AI. Dalam bahasa sederhana, peneliti dapat menghasilkan lebih banyak kandidat ide daripada kapasitas laboratorium untuk memeriksanya.

Ini mengubah pertanyaan utama tentang AI di bidang sains. Tantangannya bukan lagi hanya apakah model bisa menghasilkan jawaban atau prediksi yang masuk akal. Tim riset juga perlu menentukan hipotesis mana yang layak diuji lebih dulu, bagaimana mengalokasikan instrumen dan waktu laboratorium, serta bagaimana membedakan hasil yang benar-benar baru dari keluaran yang tampak meyakinkan tetapi keliru.

Bottleneck semacam ini juga membawa konsekuensi organisasi. Laboratorium yang mengadopsi AI tanpa mengubah proses seleksi dan verifikasi berisiko membuat antrean baru di meja peneliti, fasilitas eksperimen, atau proses tinjauan. Model yang lebih cepat tidak otomatis memperbaiki sistem jika kapasitas pemeriksaan tetap sama.

Data Google punya batas yang perlu dibaca jelas

ATLAS, sumber data besar yang dipakai dalam riset ini, berasal dari interaksi dengan produk AI Google. Metodologi resminya menyebut sampel sebanyak 14.653.926 interaksi yang diproses melalui pipeline perlindungan privasi, dari Gemini App, Google AI Mode, dan Gemini API pada 6–19 April 2026. Data tersebut mencakup lebih dari 150 negara, 140 bahasa, 800 pekerjaan, dan 4.000 tugas dalam versi laporan yang lebih luas.

Cakupannya besar, tetapi tetap bukan sensus seluruh kegiatan ilmiah. Penggunaan Gemini menjadi proksi untuk sebagian aktivitas AI, sementara survei ilmuwan juga memiliki batas pada wilayah dan jumlah responden. Karena itu, temuan ini lebih tepat dibaca sebagai indikasi awal tentang pola penggunaan dan hambatan baru, bukan ukuran final dampak AI terhadap penemuan ilmiah.

Google dan MIT FutureTech sendiri menyebut penelitian ini sebagai early insights. Itu penanda penting: angka penghematan waktu dan pola penggunaan perlu diuji ulang pada disiplin, negara, laboratorium, dan jenis eksperimen yang lebih beragam.

Ukuran keberhasilan berikutnya adalah kapasitas verifikasi

Bagi pembuat alat AI, pelajaran dari laporan ini cukup konkret. Menambah kemampuan menghasilkan hipotesis bukan satu-satunya prioritas. Alat untuk melacak sumber, menguji ulang klaim, membandingkan hasil, mengelola eksperimen, dan mencatat ketidakpastian akan sama pentingnya.

Bagi laboratorium, adopsi AI sebaiknya diikuti pengukuran yang lebih lengkap daripada jumlah prompt atau waktu yang dihemat. Tim perlu melihat berapa banyak keluaran yang lolos pemeriksaan, berapa banyak hipotesis yang benar-benar diuji, berapa sering peneliti harus memperbaiki hasil model, dan di titik mana pekerjaan mulai menumpuk.

AI memang dapat membuat sebagian pekerjaan sains lebih cepat. Namun riset ini menunjukkan bahwa percepatan tersebut tidak menghapus batas dunia nyata. Ia memindahkan batas itu ke tempat lain—dan memaksa laboratorium memikirkan ulang bagaimana ide dipilih, diuji, dan dipercaya.

Sumber - Google, “New insights from Google’s AI & Economy ATLAS” (15 September 2026): https://blog.google/innovation-and-ai/technology/ai/ai-economy-atlas-september-2026/ - MIT FutureTech, “AI in Science: Early Insights” (16 September 2026): https://futuretech.mit.edu/publication/ai-in-science-early-insights

Sumber metodologi: - Google AI, “ATLAS Methodology”: https://ai.google/economy/atlas/methodology/