Kompromi Etis dalam AI Generatif Memetakan Konflik Nilai Keadilan, Transparansi, dan Utilitas

Mohammad Alvi Pratama

doi:10.54209/judge.v5i02.700

Mohammad Alvi Pratama Fakultas Hukum, Universitas Pasundan

DOI: https://doi.org/10.54209/judge.v5i02.700

Keywords: Etika, Generative AI, Konflik Nilai, Kebijakan Hukum

Article Metrics

Abstract view : 91 times

Abstract

Kemajuan dalam Kecerdasan Buatan Generatif (Generative AI) telah menimbulkan kekhawatiran etika yang signifikan, terutama dalam menyeimbangkan nilai-nilai utama seperti keadilan, transparansi, dan manfaat (utilitas). Semakin banyaknya implementasi sistem AI generatif dalam berbagai aplikasi, menjadi sangat penting untuk menangani dilema etika yang muncul dari trade-off yang inheren di antara prinsip-nilai tersebut. Sistem AI generatif sering kali menghadapi trade-off etika di mana kebutuhan peningkatan satu nilai, seperti keadilan, dapat menyebabkan kompromi pada nilai lain, seperti transparansi atau manfaat. Misalnya, usaha untuk membuat model AI lebih transparan dapat mengurangi efisiensi kinerjanya, sementara optimasi kemanfaatan menimbulkan masalah bias dan ketidakadilan. Trade-off ini bukan hanya persoalan teknis, tetapi juga merupakan dilema etika mendasar yang mempengaruhi kepercayaan, akuntabilitas, dan penerimaan masyarakat terhadap sistem AI. Kurangnya pemahaman yang komprehensif tentang trade-off ini dan tidak adanya strategi praktis untuk mengelolanya menimbulkan risiko signifikan terhadap penerapan AI generatif yang etis dan bertanggung jawab. Oleh karena itu, tujuan utama dari penelitian ini adalah untuk mengembangkan kerangka kerja yang secara efektif menyeimbangkan trade-off etika dalam sistem AI generatif, dengan fokus khusus pada nilai-nilai tersebut. Penelitian ini menggunakan pendekatan multi-metode, yang menggabungkan analisis kritis dan penelitian kualitatif. Hasil penelitian menunjukkan bahwa trade-off etika dalam AI generatif sangat bergantung pada konteks dan sangat bervariasi di berbagai aplikasi. Sebagai contoh, dalam beberapa kasus, peningkatan transparansi dapat secara signifikan mengurangi kemanfaatan, sementara di kasus lain, upaya untuk memastikan keadilan dapat menyebabkan penurunan kinerja model. Hasil ini menekankan kebutuhan akan pendekatan yang fleksibel dan sensitif terhadap konteks dalam mengelola trade-off ini, daripada solusi satu ukuran untuk semua.

References

Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S., Gil-López, S., Molina, D., & Benjamins, R. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115.
Bengesi, S., El-Sayed, H., Sarker, M. K., Houkpati, Y., Irungu, J., & Oladunni, T. (2024). Advancements in Generative AI: A Comprehensive Review of GANs, GPT, Autoencoders, Diffusion Model, and Transformers. IEEE Access.
Cadario, R., Longoni, C., & Morewedge, C. K. (2021). Understanding, explaining, and utilizing medical artificial intelligence. Nature Human Behaviour, 5(12), 1636–1642.
Dignum, V. (2021). The myth of complete AI-fairness. Artificial Intelligence in Medicine: 19th International Conference on Artificial Intelligence in Medicine, AIME 2021, Virtual Event, June 15–18, 2021, Proceedings, 3–8.
Ekman, M. (2021). Learning deep learning: Theory and practice of neural networks, computer vision, natural language processing, and transformers using TensorFlow. Addison-Wesley Professional.
Epstein, Z., Hertzmann, A., Herman, L., Mahari, R., Frank, M. R., Groh, M., Schroeder, H., Smith, A., Akten, M., & Fjeld, J. (2023). Art and the science of generative AI: A deeper dive. ArXiv Preprint ArXiv:2306.04141.
Ferrara, E. (2023). Fairness and bias in artificial intelligence: A brief survey of sources, impacts, and mitigation strategies. Sci, 6(1), 3.
Strategi Nasional Kecerdasan Artifisial Indonesia (2020). https://ai-innovation.id/strategi
Iswara, M. A. (2020). Indonesia sets sights on artificial intelligence in new national strategy. The Jakarta Post, 14.
Jha, D., Rauniyar, A., Srivastava, A., Hagos, D. H., Tomar, N. K., Sharma, V., Keles, E., Zhang, Z., Demir, U., & Topcu, A. (2023). Ensuring trustworthy medical artificial intelligence through ethical and philosophical principles. ArXiv Preprint ArXiv:2304.11530.
Klein, A. (2020). Reducing bias in AI-based financial services. Brookings Report.
Li, B., Qi, P., Liu, B., Di, S., Liu, J., Pei, J., Yi, J., & Zhou, B. (2023). Trustworthy AI: From principles to practices. ACM Computing Surveys, 55(9), 1–46.
Surat Edaran Menteri Komunikasi Dan Informatika Republik Indonesia Nomor 9 Tahun 2023 Tentang Etika Kecerdasan Artifisial (2023).
Oniani, D., Hilsman, J., Peng, Y., Poropatich, R. K., Pamplin, J. C., Legault, G. L., & Wang, Y. (2023). Adopting and expanding ethical principles for generative artificial intelligence from military to healthcare. NPJ Digital Medicine, 6(1), 225.
Ornes, S. (2023). Peering inside the black box of AI. Proceedings of the National Academy of Sciences, 120(22), e2307432120.
Panduan Kode Etik Kecerdasan Buatan (Artificial Intelligence/Ai) Yang Bertanggung Jawab Dan Terpercaya Di Industri Teknologi Finansial (2023).
Pfeiffer, J., Gutschow, J., Haas, C., Möslein, F., Maspfuhl, O., Borgers, F., & Alpsancar, S. (2023). Algorithmic fairness in AI: an interdisciplinary view. Business & Information Systems Engineering, 65(2), 209–222.
Procter, R., Tolmie, P., & Rouncefield, M. (2023). Holding AI to account: challenges for the delivery of trustworthy AI in healthcare. ACM Transactions on Computer-Human Interaction, 30(2), 1–34.
Solaiman, I., Talat, Z., Agnew, W., Ahmad, L., Baker, D., Blodgett, S. L., Chen, C., Daumé III, H., Dodge, J., & Duan, I. (2023). Evaluating the social impact of generative ai systems in systems and society. ArXiv Preprint ArXiv:2306.05949.
Verma, S. (2019). Weapons of math destruction: how big data increases inequality and threatens democracy. Vikalpa, 44(2), 97–98.
Wu, C., Lib, Y.-F., & Bouvry, P. (2023). Survey of Trustworthy AI: A Meta Decision of AI. ArXiv Preprint ArXiv:2306.00380.