Pagi di sebuah sekolah dimulai tanpa Wi-Fi stabil.
Guru membawa satu laptop.
Sebagian siswa punya ponsel.
Sebagian berbagi dengan keluarga.
Koneksi kadang ada.
Kadang hilang.
Kalau AI literacy dibayangkan sebagai:
“Setiap anak harus punya chatbot premium, laptop baru, dan internet cepat,”
kelas ini terlihat belum siap.
Padahal pertanyaan yang lebih tepat adalah:
“Apakah anak harus menunggu koneksi sempurna dulu sebelum belajar memahami AI?”
Tidak.
Anak dari daerah dengan internet terbatas juga berhak mendapat AI literacy.
Bahkan mungkin lebih penting, karena ketika akses teknologi akhirnya datang lebih luas, mereka tidak memulai sebagai pengguna yang hanya tahu menekan tombol.
Mereka sudah memahami konsep.
Data.
Bias.
Privasi.
Verification.
Etika.
Cara kerja sistem secara sederhana.
Dan kapan teknologi memang berguna.
Komdigi dalam laporan kinerja 2025 masih menempatkan dukungan konektivitas di wilayah 3T sebagai tulang punggung digitalisasi pendidikan nasional. Secara global, ITU juga terus menunjukkan kesenjangan konektivitas belum selesai.
Artinya, pendidikan AI tidak boleh didesain seolah semua anak hidup dalam kondisi akses yang sama.
AI literacy harus bisa hidup di bandwidth rendah.
Bahkan sebagian bisa diajarkan tanpa internet.
AI literacy bukan “bisa pakai aplikasi X”
Ini fondasi pertama.
Kalau AI literacy didefinisikan sebagai kemampuan memakai tool tertentu, anak yang koneksinya terbatas otomatis dianggap tertinggal.
Padahal AI literacy lebih luas.
Apa itu algoritma?
Bagaimana komputer belajar dari data?
Kenapa data bisa bias?
Kenapa output AI bisa salah?
Apa bedanya fakta dan prediksi?
Apa itu data pribadi?
Kapan manusia harus memeriksa?
Bagaimana AI memengaruhi pekerjaan dan kehidupan?
Semua bisa diajarkan tanpa koneksi permanen.
UNESCO AI Competency Framework for Students juga membingkai kompetensi AI lebih luas melalui human-centred mindset, ethics, AI techniques and applications, serta system design.
Jadi konsep lebih penting daripada satu aplikasi.
Mulai dari aktivitas tanpa layar
Guru bisa mengajarkan classification.
Bawa kartu gambar.
Kelompokkan hewan.
Diskusikan:
“Kenapa masuk kelompok ini?”
Kemudian ubah aturan.
Anak melihat bahwa hasil klasifikasi tergantung aturan dan data.
Belajar algoritma.
Gunakan permainan tebakan.
Satu siswa menjadi “mesin”.
Teman memberi contoh.
Ia membuat aturan dari pola.
Kemudian muncul contoh yang tidak cocok.
Diskusikan.
Belajar machine learning secara analogi.
Gunakan permainan data bias.
Berikan kumpulan contoh yang tidak seimbang.
Tanya:
“Kalau kita belajar hanya dari data ini, apa yang mungkin salah?”
AI literacy masuk tanpa internet.
Teknologinya belum disentuh.
Model mental sudah dibangun.
Gunakan satu perangkat untuk satu kelas
Tidak semua pembelajaran harus satu anak satu device.
Guru bisa mengunduh beberapa contoh output ketika koneksi ada.
Bawa ke kelas.
Tampilkan:
satu jawaban benar,
satu jawaban salah,
satu gambar generatif,
satu contoh bias,
satu percakapan.
Kelas membedah bersama.
“Apa yang salah?”
“Bagaimana cek?”
“Data apa yang tidak boleh diberikan?”
“Kalau ada internet, apa yang mau kita tanyakan?”
Satu perangkat bisa menjadi laboratorium bersama.
Anak tidak pasif.
Mereka berdiskusi.
Menilai.
Membuat hipotesis.
AI literacy tetap terjadi.
Desain low-bandwidth sejak awal
Jika sekolah memakai tool, pilih yang realistis.
Teks lebih ringan daripada video.
File kecil.
Materi bisa diunduh.
Ada mode offline.
Ada versi cetak.
Tidak bergantung pada sinkronisasi terus-menerus.
Tidak membutuhkan update besar setiap hari.
Guru juga bisa menyiapkan “AI day” ketika koneksi tersedia.
Siswa sudah menyiapkan pertanyaan offline.
Saat online:
uji.
Simpan hasil.
Kemudian analisis offline.
Koneksi dipakai pada bagian yang memang membutuhkan.
Bukan seluruh proses.
Ini lebih efisien dan adil.
Jangan membuat tugas AI menjadi tagihan data keluarga
“Buat tugas memakai chatbot di rumah.”
Untuk sekolah dengan kondisi akses beragam, instruksi ini bisa tidak adil.
Ada keluarga yang harus membeli kuota tambahan.
Ada ponsel yang dipakai bersama.
Ada sinyal hanya di titik tertentu.
Ada anak yang harus menunggu orang tua pulang membawa perangkat.
Guru perlu memberi alternatif.
Bisa dikerjakan di sekolah.
Bisa kelompok.
Bisa versi tanpa AI.
Bisa menggunakan contoh output yang sudah disediakan.
Tidak boleh ada penalti karena anak tidak punya akses yang bukan dalam kontrolnya.
Opportunity to learn harus dipertimbangkan.
Jangan mengukur AI literacy dari frekuensi penggunaan
Anak kota mungkin memakai AI setiap hari.
Anak lain hanya pernah mencoba dua kali.
Apakah otomatis anak pertama lebih literate?
Tidak.
Pengguna sering belum tentu kritis.
Anak yang jarang memakai AI tetapi paham:
AI bisa salah,
data harus dijaga,
sumber perlu diperiksa,
bias ada,
dan keputusan manusia tetap penting
bisa punya fondasi lebih kuat.
Literacy berbeda dari exposure.
Exposure membantu.
Tetapi exposure tanpa refleksi bisa hanya menjadi kebiasaan konsumsi.
Ini kabar baik untuk daerah dengan akses terbatas.
Kualitas pembelajaran masih bisa dibangun.
Akses harus diperjuangkan.
Tetapi pendidikan tidak harus menunggu.
AI literacy lokal perlu memakai contoh lokal
Kalau semua contoh berasal dari Silicon Valley, anak merasa AI jauh.
Bicarakan hal dekat.
Pertanian.
Cuaca.
Bahasa.
UMKM.
Transportasi.
Sekolah.
Administrasi desa.
Kesehatan masyarakat.
Budaya.
Pertanyaan:
“Kalau AI membantu petani mengenali penyakit tanaman, data apa yang dibutuhkan?”
“Kalau model dilatih hanya dari tanaman di daerah lain, apa risikonya?”
“Kalau chatbot tidak memahami bahasa lokal, apakah tetap berguna?”
“Kalau sinyal hilang, solusi cadangannya apa?”
Sekarang AI literacy berakar pada kehidupan.
Anak belajar teknologi sambil memahami konteks.
Bukan sekadar mengikuti tren.
Bahasa lokal harus punya tempat
UNESCO pada 2025 menyoroti risiko marginalisasi bahasa yang kurang terwakili dalam AI dan konten digital.
Ini relevan untuk Indonesia yang kaya bahasa daerah.
Anak perlu tahu:
AI mungkin lebih kuat pada bahasa yang datanya banyak.
Kalau AI tidak memahami bahasa mereka, itu bukan berarti bahasa mereka “kurang bagus”.
Masalahnya bisa representasi data.
Sekolah dapat menjadikan ini proyek.
Dokumentasikan kosakata lokal.
Cerita.
Nama tumbuhan.
Ungkapan.
Diskusikan etika:
siapa pemilik data?
boleh diunggah?
perlu izin?
bagaimana konteks dijaga?
AI literacy menjadi juga literasi budaya dan data.
Jangan jadikan daerah hanya konsumen teknologi
Ada narasi:
“Teknologi datang dari kota, daerah tinggal menggunakan.”
Ini terlalu sempit.
Anak di daerah punya pengetahuan lokal.
Masalah lokal.
Perspektif lokal.
Mereka bisa menjadi pembuat solusi.
Walaupun akses terbatas, creator mindset bisa dimulai.
Identifikasi masalah.
Wawancara.
Buat flow.
Desain solusi di kertas.
Tentukan data.
Buat prototype manual.
Ketika internet tersedia, AI dapat menjadi salah satu alat.
Inovasi tidak dimulai dari koneksi.
Inovasi dimulai dari memahami masalah.
Jangan tunggu semua infrastruktur sempurna untuk membangun mindset pembuat.
Guru juga perlu AI literacy, bukan cuma siswa
Kalau guru tidak punya kesempatan belajar, program mudah bergantung pada satu anak yang paling tech-savvy.
Pelatihan guru perlu menyesuaikan kondisi.
Materi offline.
Modul kecil.
Contoh lokal.
Tidak selalu webinar streaming berat.
Komunitas guru bisa berbagi contoh output.
Menguji bersama.
Membuat lesson plan.
AI education yang merata memerlukan capacity building, bukan hanya jaringan.
Infrastruktur penting.
Manusia yang siap menggunakan infrastruktur sama penting.
Koneksi yang datang tanpa literasi bisa membuat anak langsung menjadi target misinformation, scam, atau penggunaan AI yang tidak aman.
Siapkan sebelum akses meluas.
Offline-first bukan berarti menerima ketimpangan
Ini perlu ditegaskan.
Membuat pembelajaran AI tanpa internet bukan alasan membiarkan kesenjangan konektivitas.
Anak tetap berhak atas akses digital yang layak.
Pemerataan infrastruktur harus terus berjalan.
Offline-first adalah strategi pendidikan agar ketimpangan hari ini tidak berubah menjadi alasan menunda literasi.
Dua hal bisa dilakukan bersamaan.
Perjuangkan koneksi.
Ajarkan konsep sekarang.
Jangan berkata:
“Nanti kalau internet sudah bagus baru belajar.”
Karena dunia tidak menunggu.
Anak juga tidak harus menunggu.
Materi offline juga bisa dibangun secara gotong royong antar-guru. Satu sekolah membuat aktivitas tentang data bias. Sekolah lain membuat kartu tentang privasi. Guru lain membuat contoh hallucination dan verification. Semua dapat digunakan ulang tanpa memerlukan koneksi setiap saat. Dengan cara ini, keterbatasan bandwidth tidak otomatis berarti guru harus membuat semuanya sendiri.
Pemerintah, komunitas pendidikan, dan penyedia teknologi juga perlu memikirkan distribusi materi yang ringan. AI literacy yang hanya tersedia dalam webinar streaming panjang atau platform berat akan terus menguntungkan wilayah dengan koneksi terbaik. Format PDF ringan, audio terkompresi, modul cetak, dan materi yang bisa diunduh sekali lalu dipakai berkali-kali tetap sangat relevan.
Sekolah bisa membuat perpustakaan AI offline
Bukan model AI besar.
Cukup koleksi bahan.
Screenshot output.
Studi kasus.
Kartu konsep.
Contoh gambar.
Artikel cetak.
Panduan privasi.
Aktivitas bias.
Simulasi algoritma.
Video yang sudah diunduh.
Guru bisa menggunakannya bergantian.
Ketika ada koneksi, koleksi diperbarui.
Ini membuat AI literacy lebih tahan terhadap gangguan jaringan.
Pengetahuan tidak hilang ketika sinyal hilang.
Evaluasi kemampuan lewat pemikiran, bukan perangkat
Ujian AI literacy bisa berupa:
“AI memberi jawaban ini. Apa yang perlu dicek?”
“Data apa yang sebaiknya tidak diberikan?”
“Kenapa hasil model bisa bias?”
“Buat contoh penggunaan AI yang membantu dan yang tidak perlu.”
“Kalau internet terbatas, bagaimana merancang solusi?”
Tidak perlu semua siswa membuka chatbot.
Kita menilai pemahaman.
Bukan kecepatan mengetik prompt.
Ini juga membuat assessment lebih adil.
Perangkat berbeda.
Fondasi berpikir tetap bisa dibandingkan.
Kembali ke kelas dengan Wi-Fi tidak stabil
Guru mengeluarkan 20 kartu gambar.
“Hari ini kita belajar bagaimana mesin bisa salah belajar dari data.”
Seorang siswa bertanya:
“Pakai AI nggak, Bu?”
“Belum.”
“Terus ini AI?”
“Ini cara supaya nanti kalau kalian pakai AI, kalian ngerti sedikit apa yang harus dicurigai.”
Anak-anak mulai bermain.
Kelompok pertama mendapat data yang seimbang.
Kelompok kedua sengaja mendapat contoh yang timpang.
Hasil klasifikasinya berbeda.
Diskusi hidup.
Tidak ada internet.
AI literacy tetap berjalan.
Anak dari daerah dengan internet terbatas tidak boleh dianggap menunggu giliran masuk masa depan.
Mereka sudah berada di masa depan yang sama.
Hanya kondisi aksesnya berbeda.
Pendidikan harus menyesuaikan.
Gunakan aktivitas tanpa layar.
Satu perangkat bersama.
Low-bandwidth design.
Materi offline.
Contoh lokal.
Bahasa lokal.
Proyek yang berangkat dari masalah nyata.
Dan ketika konektivitas membaik, anak tidak mulai dari nol.
Mereka sudah tahu bahwa AI bukan sulap.
Bukan oracle.
Bukan barang kota.
AI adalah teknologi yang bisa dipahami, diperiksa, dipakai, ditolak, dan dirancang sesuai kebutuhan.
Hak atas AI literacy tidak seharusnya diukur dari berapa bar sinyal di pojok layar.