Etika Kecerdasan Buatan (AI) dalam Perspektif Jalan Mulia Berunsur Delapan: Tantangan Moral di Era Digital
Keywords:
Kecerdasan Buatan Generatif, Etika Teknologi, Jalan Mulia Berunsur Delapan, Prompt Engineering, Kesadaran Penuh.Abstract
Perkembangan pesat teknologi Kecerdasan Buatan Generatif, khususnya foundation models, telah mendisrupsi lanskap interaksi digital dan memunculkan berbagai dilema moral yang esensial. Peningkatan kemampuan komputasi mesin beriringan dengan kerentanan etis yang signifikan, mulai dari penyebaran halusinasi informasi, pelanggengan bias laten algoritma, eksploitasi hak cipta, hingga taktik manipulasi instruksi (prompt injection). Selama ini, pedoman tata kelola dan regulasi teknologi masih cenderung berfokus pada penyelarasan algoritma di tahap hilir dan mengabaikan kualitas niat serta kebajikan subjek manusia di baliknya. Menjawab kesenjangan tersebut, penelitian kepustakaan dengan pendekatan kualitatif deskriptif-analitis ini bertujuan untuk memformulasikan filosofi Jalan Mulia Berunsur Delapan (Ariya Atthangika Magga) sebagai metrik rekayasa etis bagi para pengembang perangkat lunak, khususnya dalam praktik prompt engineering. Hasil kajian menunjukkan bahwa kedelapan unsur jalan mulia tersebut dapat dioperasionalisasikan menjadi tiga pilar tata kelola aktif: pembingkaian paradigma komputasi melalui kebijaksanaan (Panna) guna meruntuhkan ilusi determinisme algoritma, praksis rekayasa sintaksis melalui kemoralan (Sila) sebagai pelindung keamanan siber, serta pemeliharaan resiliensi kognitif melalui konsentrasi (Samadhi). Integrasi arsitektur batin ini terbukti mampu mentransformasi rekayasa instruksi dari sekadar pengetikan kode menjadi medium transformasi moral, memastikan bahwa pengembangan teknologi selalu berakar pada welas asih dan kesadaran penuh demi mencegah pelucutan kedaulatan nalar manusia oleh mesin
Downloads
References
DAFTAR RUJUKAN
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? ????. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623. https://doi.org/10.1145/3442188.3445922
Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., Arx, S. von, Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A., Creel, K., Davis, J. Q., Demszky, D., … Liang, P. (2022). On the Opportunities and Risks of Foundation Models (arXiv:2108.07258). arXiv. https://doi.org/10.48550/arXiv.2108.07258
Fadli, M. R. (2021). Memahami desain metode penelitian kualitatif. Humanika: Kajian Ilmiah Mata Kuliah Umum, (Vol. 21 No. 1 (2021): Humanika: Kajian Ilmiah Mata Kuliah Umum), 33–54.
Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y., Chen, D., Dai, W., Chan, H. S., Madotto, A., & Fung, P. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, 55(12), 1–38. https://doi.org/10.1145/3571730
Kraus, S., Breier, M., Lim, W. M., Dabić, M., Kumar, S., Kanbach, D., Mukherjee, D., Corvello, V., Piñeiro-Chousa, J., Liguori, E., Palacios-Marqués, D., Schiavone, F., Ferraris, A., Fernandes, C., & Ferreira, J. J. (2022). Literature reviews as independent studies: Guidelines for academic practice. Review of Managerial Science, 16(8), 2577–2595. https://doi.org/10.1007/s11846-022-00588-8
Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2021). Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing (arXiv:2107.13586). arXiv. https://doi.org/10.48550/arXiv.2107.13586
Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C. L., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P., Leike, J., & Lowe, R. (2022). Training language models to follow instructions with human feedback (arXiv:2203.02155). arXiv. https://doi.org/10.48550/arXiv.2203.02155
Solaiman, I., & Dennison, C. (2021). Process for Adapting Language Models to Society (PALMS) with Values-Targeted Datasets. https://doi.org/https://doi.org/10.48550/arXiv.2106.10328
Stahl, B. C. (2021). Artificial Intelligence for a Better Future: An Ecosystem Perspective on the Ethics of AI and Emerging Digital Technologies. Springer International Publishing. https://doi.org/10.1007/978-3-030-69978-9
Weidinger, L., Mellor, J., Rauh, M., Griffin, C., Uesato, J., Huang, P.-S., Cheng, M., Glaese, M., Balle, B., Kasirzadeh, A., Kenton, Z., Brown, S., Hawkins, W., Stepleton, T., Biles, C., Birhane, A., Haas, J., Rimell, L., Hendricks, L. A., … Gabriel, I. (2021). Ethical and social risks of harm from Language Models (arXiv:2112.04359). arXiv. https://doi.org/10.48550/arXiv.2112.04359
White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., Elnashar, A., Spencer-Smith, J., & Schmidt, D. C. (2023). A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT (arXiv:2302.11382). arXiv. https://doi.org/10.48550/arXiv.2302.11382
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurwin, Henny Handayani, Abhinaya Cadudasa, Herlani, Ferdy Anthonius, Majaputera Karniawan (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
