Apakah AI generatif mengurangi upaya mental yang diperlukan untuk mengumpulkan dan mendefinisikan kebutuhan perangkat lunak?

Host: Halo dan selamat datang di A.I.S. Insights — powered by Living Knowledge. Saya Anna Ivy Summers. Hari ini kita membahas studi berjudul "Rekayasa Kebutuhan dengan AI Generatif: Transformasi Elisitasi Kebutuhan dan Beban Kognitif", yang disusun oleh Adrianna Weronika Pawińska, Kevin Kintzel, Till Schirrmeister, dan Georg Voronin untuk ICIS 2026. Studi ini meneliti bagaimana kecerdasan buatan generatif memengaruhi cara kerja dan beban mental praktisi saat menggali kebutuhan sistem perangkat lunak. Bersama saya adalah analis kami, Alex Ian Sutherland. Selamat datang, Alex.
Expert: Terima kasih, Anna. Senang bisa membahas temuan dari studi ini bersama Anda.
Host: Alex, sebagian besar perbincangan industri tentang AI generatif saat ini berpusat pada penulisan kode atau pemrograman. Mengapa fokus studi ini pada elisitasi kebutuhan menjadi hal yang penting?
Expert: Elisitasi kebutuhan berada pada tahap awal pengembangan sistem, di mana ketidakpastian dan ambiguitas sangat tinggi. Fase ini sangat bergantung pada komunikasi antar-manusia dan pemahaman konteks bisnis yang rumit. Di dunia industri, banyak organisasi berasumsi bahwa mengadopsi AI generatif secara otomatis akan mengurangi beban mental para profesional. Padahal, sebelum studi ini, belum banyak bukti empiris mengenai apakah teknologi tersebut benar-benar mempermudah pekerjaan analis atau justru memunculkan tuntutan kognitif baru yang sebelumnya tidak ada.
Host: Jadi ada asumsi efisiensi yang belum tentu terbukti di lapangan. Lalu bagaimana para peneliti mendekati persoalan ini dalam studi mereka?
Expert: Para peneliti menggunakan lensa Teori Beban Kognitif untuk memahami bagaimana informasi diproses dalam pikiran praktisi. Metodologi yang digunakan adalah grounded theory, dengan menganalisis dua puluh wawancara semi-terstruktur bersama para profesional rekayasa kebutuhan di sebuah perusahaan penyedia layanan teknologi informasi di Eropa. Pendekatan ini memungkinkan peneliti menangkap perubahan beban kerja mental secara rinci dari pengalaman praktisi langsung.
Host: Dari wawancara tersebut, apa saja temuan utamanya? Apakah penggunaan AI generatif memang mengurangi beban kerja mental mereka?
Expert: Temuannya menunjukkan hasil yang bervariasi. AI generatif terbukti mengotomatiskan tugas-tugas administratif rutin, seperti membuat transkripsi diskusi, merangkum catatan rapat, dan menyusun draf awal dokumentasi. Ini berhasil menurunkan beban mental asing atau extraneous mental effort. Namun, studi ini menemukan bahwa beban kognitif tidak berkurang secara merata, melainkan mengalami redistribusi. Praktisi kini harus meluangkan energi mental untuk menyusun prompt yang tepat, mengevaluasi keterbatasan alat, dan memverifikasi keakuratan keluaran AI secara cermat.
Host: Menarik bahwa ada beban baru yang muncul. Apakah semua responden merasakan manfaat bersih yang sama?
Expert: Tidak sama sekali. Dari dua puluh praktisi yang diwawancarai, sebelas orang mengalami penurunan bersih dalam beban mental, sembilan orang tidak merasakan perubahan bersih, dan satu orang justru mengalami peningkatan beban kognitif secara keseluruhan. Studi ini juga mengamati bahwa ketika AI generatif digunakan secara reflektif sebagai rekan berdiskusi, alat ini membantu eksplorasi alternatif solusi. Namun, jika digunakan tanpa evaluasi kritis, ada risiko nyata terjadinya analisis kebutuhan yang dangkal.
Host: Studi ini juga menyoroti pentingnya keahlian domain. Bagaimana faktor pengalaman manusia memengaruhi dinamika ini?
Expert: Ini adalah poin krusial. AI generatif dapat menghasilkan teks yang tampak sangat meyakinkan meskipun memuat kekeliruan logika atau konteks. Praktisi junior sering kali belum memiliki pengetahuan domain yang cukup untuk menyadari kesalahan tersebut. Akibatnya, beban verifikasi dan pengawasan berpindah ke praktisi senior. Artinya, keahlian manusia tetap menjadi jangkar utama dalam menjamin kualitas analisis.
Host: Jika kita melihat implikasinya bagi bisnis dan organisasi teknologi, langkah konkret apa yang dapat diambil oleh para pemimpin tim?
Expert: Pertama, organisasi sebaiknya tidak mengasumsikan efisiensi waktu instan tanpa memperhitungkan kebutuhan verifikasi data. Proses bisnis perlu secara eksplisit menjadwalkan waktu untuk validasi keluaran AI. Kedua, pelatihan bagi staf junior harus mencakup pemahaman batasan model dan penguatan logika domain, bukan sekadar keterampilan membuat prompt. Ketiga, manfaatkan AI generatif terutama untuk memicu ide dan menguji skenario kerja, sementara keputusan konseptual tetap berada di tangan analis.
Host: Intinya, AI generatif meredistribusi upaya kognitif ke arah validasi dan pemikiran kritis, alih-alih menghilangkannya sama sekali. Terima kasih banyak atas analisisnya, Alex.
Expert: Sama-sama, Anna.
Host: Dan terima kasih kepada para pendengar yang telah bergabung bersama kami di A.I.S. Insights — powered by Living Knowledge. Sampai jumpa di episode berikutnya.