Sore hari di ruang keluarga, seorang anak kelas tujuh sedang tertawa sendiri.
Skenario ini ilustratif.
Ibunya bertanya:
“Kenapa?”
“AI salah nyebutin ibu kota.”
“Terus?”
“Lucu.”
Ibunya duduk di samping.
“Kalau salahnya kita bikin game?”
Anak berhenti tertawa.
“Game apa?”
“Cari salahnya, cari sumbernya, perbaiki.”
Tiga langkah sederhana itu bisa mengubah kesalahan AI dari sesuatu yang menakutkan menjadi bahan belajar.
Generative AI memang dapat membantu anak memahami topik, membuat ide, dan berlatih.
Tetapi AI juga bisa salah.
UNESCO pada 2025 mengingatkan bahwa model generatif dapat menghasilkan informasi, kutipan, sumber, atau statistik yang tidak akurat sambil tetap terdengar meyakinkan.
Kalau anak hanya diberi pesan:
“Hati-hati, AI bisa salah,”
mereka mungkin paham secara teori.
Kalau mereka benar-benar menemukan satu kesalahan, memeriksa, lalu memperbaiki, skill-nya lebih melekat.
Game membuat proses itu ringan.
Bukan perang manusia melawan AI.
Bukan mencari alasan untuk menertawakan teknologi.
Tujuannya membangun kebiasaan:
output adalah sesuatu yang bisa diuji.
Game pertama: cari satu klaim yang bisa diperiksa
Jangan sengaja meminta AI membuat misinformation berbahaya.
Pakai pertanyaan normal.
Sains.
Sejarah.
Geografi.
Buku.
Tokoh.
Fakta ringan.
Misalnya:
“Sebutkan tiga hewan yang hidup di Antarktika.”
AI menjawab.
Anak pilih satu klaim.
Cari sumber kredibel.
Kalau benar:
poin untuk AI.
Kalau salah:
poin untuk detektif.
Kalau kurang konteks:
poin untuk dua-duanya.
Kenapa?
Karena tujuan game bukan membuat AI kalah.
Tujuan game membuat anak bisa mengklasifikasi.
Benar.
Salah.
Kurang konteks.
Belum terverifikasi.
Outdated.
Kategori ini lebih realistis daripada benar atau salah saja.
Game kedua: sumber hantu
AI memberi nama buku.
Anak harus menemukan.
Judul exact.
Penulis.
Penerbit.
Kalau ada:
valid.
Kalau tidak ditemukan setelah pencarian wajar:
status belum terverifikasi.
Jangan langsung menulis:
“palsu.”
Mungkin ada typo.
Mungkin buku lokal yang tidak mudah ditemukan.
Tetapi untuk tugas sekolah, referensi yang tidak bisa diverifikasi sebaiknya tidak dipakai.
Game ini sangat efektif mengajarkan hallucination.
Anak melihat sendiri bahwa sesuatu bisa terdengar akademik tetapi tidak punya jejak.
Aturan:
tidak boleh memasukkan buku hantu ke daftar pustaka.
Simple.
Lucu.
Mudah diingat.
Game ketiga: angka aneh
AI berkata:
“70 persen siswa melakukan X.”
Pertanyaan game:
“70 persen dari mana?”
Cari.
Ada survei?
Berapa responden?
Tahun berapa?
Negara mana?
Kalau sumber tidak ada, angka belum layak dipercaya.
Anak belajar bahwa angka bukan magic.
Persentase terasa ilmiah.
Tetapi tetap perlu provenance.
Game ini juga bisa menggunakan iklan.
“9 dari 10…”
Siapa yang meneliti?
Apa metodenya?
Tidak harus selalu buruk.
Yang penting anak belajar bertanya.
Angka punya asal.
Kalau asalnya tidak jelas, confidence turun.
Game keempat: AI versus buku pelajaran
Pilih satu topik yang anak sudah belajar.
Misalnya fotosintesis.
Minta AI jelaskan lima poin.
Anak buka buku.
Bandingkan.
Apa yang sama?
Apa yang berbeda?
Apa yang tidak disebut?
Ini game yang bagus karena anak punya reference.
Kalau AI benar, mereka belajar AI berguna.
Kalau ada oversimplification, mereka menemukannya.
Bukan semuanya harus error.
Justru sangat penting beberapa ronde berakhir:
“AI benar.”
Kalau game selalu mendesain AI untuk gagal, anak belajar bias.
Kita ingin evaluation.
Bukan propaganda.
Game kelima: caption salah
Gunakan foto aman.
Bisa foto objek rumah.
Misalnya foto meja belajar.
Ayah membuat dua caption.
Satu benar:
“Meja belajar setelah ujian.”
Satu menyesatkan:
“Meja kerja ilmuwan NASA.”
Anak tahu fotonya nyata.
Caption salah.
Pelajaran:
media asli bisa dipakai untuk klaim palsu.
Ini sangat berguna di era deepfake.
Anak tidak hanya mengecek apakah gambar AI.
Ia mengecek hubungan foto dan cerita.
Kebenaran visual bukan hanya file.
Ada konteks.
Game keenam: siapa sumber paling dekat?
Pertanyaan:
“Besok sekolah libur?”
Pilihan:
AI.
Teman.
Grup orang tua.
Pengumuman sekolah.
Anak memilih.
Pengumuman sekolah.
“Jam buka museum?”
Website museum.
“Boleh pakai AI di lomba?”
Rulebook atau panitia.
“Apakah obat ini aman?”
Orang dewasa dan sumber kesehatan yang tepat.
Game ini mengajarkan source matching.
Tidak semua pertanyaan perlu Google.
Tidak semua perlu AI.
Tidak semua perlu jurnal.
Sumber terbaik adalah sumber yang paling cocok dengan jenis informasi.
Game ketujuh: perbaiki prompt, lalu tetap cek
AI salah karena pertanyaan ambigu.
Misalnya anak bertanya:
“Siapa presiden pertama?”
Negara mana?
AI mungkin mengasumsikan.
Game:
buat prompt lebih spesifik.
“Siapa presiden pertama Republik Indonesia?”
Output baru.
Kemudian tetap cek sumber.
Anak belajar dua hal.
Pertanyaan buruk bisa menghasilkan jawaban yang tidak cocok.
Tetapi pertanyaan bagus pun tidak menghapus kebutuhan verifikasi.
Prompting membantu.
Verification tetap.
Ini mencegah mitos:
“Kalau prompt-nya bagus, AI pasti benar.”
Tidak.
Prompt hanya salah satu faktor.
Game kedelapan: confidence meter
Sebelum cek, anak memberi nilai.
90 persen yakin.
60 persen.
30 persen.
Setelah cek, bandingkan.
Menarik.
Kadang anak yakin 90 persen tapi salah.
Kadang ragu 30 persen tapi benar.
Ia belajar kalibrasi.
Tujuan bukan selalu confidence tinggi.
Tujuan confidence mengikuti evidence.
Ini penting karena AI bisa terdengar yakin walau salah.
Anak perlu internal meter sendiri.
Bukan meniru tone chatbot.
Game kesembilan: boleh bilang belum tahu
Keluarga punya aturan:
kalau evidence belum cukup, “belum tahu” mendapat poin.
Kenapa?
Supaya anak tidak memaksa jawaban.
Banyak permainan mendorong tebakan.
Critical thinking kadang butuh menahan.
Kalau dua sumber bertentangan:
belum tahu.
Kalau tidak ketemu sumber:
belum terverifikasi.
Kalau topik terlalu rumit:
tanya guru atau ahli.
Anak belajar bahwa berhenti sementara bukan kalah.
Ini salah satu skill paling dewasa.
Game kesepuluh: AI benar, manusia salah
Orang tua sengaja membawa satu klaim yang ia yakini tetapi belum cek.
AI memberi jawaban berbeda.
Mereka verifikasi.
Ternyata AI benar.
Orang tua berkata:
“Oh, Papa salah.”
Sangat powerful.
Game tidak menjadi:
“Manusia selalu lebih pintar.”
Bukan itu.
Tujuan:
evidence lebih penting dari ego.
Anak melihat orang dewasa bisa correction.
AI bisa benar.
Manusia bisa salah.
Semua pihak perlu metode.
Ini membuat hubungan dengan teknologi lebih sehat.
Jangan gunakan kasus high stakes sebagai permainan
Ini batas penting.
Kalau menyangkut:
kesehatan serius,
ancaman,
self-harm,
penipuan,
konten seksual,
atau keselamatan,
jangan jadikan kompetisi keluarga.
Libatkan orang dewasa atau profesional yang sesuai.
Gunakan sumber otoritatif.
Game cocok untuk risiko rendah.
Fakta sains ringan.
Sejarah.
Geografi.
Media literacy.
Buku.
Iklan.
Jangan membuat anak merasa harus “membuktikan” sendiri sesuatu yang berbahaya.
AI literacy juga berarti tahu kapan permainan berhenti.
Safety menang.
Buat papan skor berdasarkan proses
Jangan hanya:
benar = 1.
Lebih baik:
+2 menemukan sumber primer.
+1 menemukan tanggal.
+2 menemukan konteks hilang.
+1 berani mengoreksi diri.
+1 berkata belum tahu saat bukti belum cukup.
Scoring mengubah perilaku.
Kalau hanya menebak, anak belajar gambling.
Kalau sumber dan correction diberi poin, mereka belajar metode.
Bahkan bisa tanpa skor.
Gunakan badge lucu:
Source Hunter.
Context Detective.
Quote Checker.
Update Finder.
Buat ringan.
Jangan semua menjadi kompetisi.
Kadang cukup ketawa saat menemukan AI menyebut buku yang ternyata tidak ada.
Kemudian perbaiki.
Keluarga tidak perlu menjalankan game setiap hari
Seminggu sekali cukup.
Atau saat kebetulan menemukan error.
Jangan membuat anak merasa setiap chat AI akan diperiksa orang tua.
Tujuan bukan surveillance.
Justru anak perlu ruang mandiri.
Game adalah latihan.
Setelah skill tumbuh, mereka pakai sendiri.
Orang tua tidak harus duduk di samping.
Target akhirnya:
anak melihat klaim aneh lalu otomatis berpikir:
“Cek.”
Itu keberhasilan.
Bukan banyaknya game.
Sekolah juga bisa memakai format yang sama
Guru memberi satu jawaban AI.
Kelompok murid mendapat tugas berbeda.
Kelompok A:
cek fakta.
Kelompok B:
cek sumber.
Kelompok C:
cek tanggal.
Kelompok D:
cari konteks yang hilang.
Presentasi.
Semua melihat bahwa satu output punya banyak layer.
Ini jauh lebih kaya daripada hanya:
“AI salah.”
Murid belajar decomposition.
Dan kalau output ternyata benar?
Sampaikan.
“Tidak ada error besar yang kami temukan.”
Bagus.
Critical thinking bukan mesin yang wajib menemukan masalah.
Ia prosedur evaluasi.
Buat ronde “salah karena outdated”
Tidak semua jawaban salah karena hallucination.
Kadang informasinya dulu benar.
Sekarang berubah.
Pilih contoh aman seperti jam buka museum, aturan lomba, atau fitur aplikasi.
AI memberi jawaban.
Anak cek sumber resmi terbaru.
Kalau berbeda, label:
OUTDATED.
Ini penting karena anak belajar jenis error.
Tidak semua masalah berarti sistem “ngarang”.
Ada fakta yang berubah.
Solusinya berbeda.
Kalau hallucination, cari evidence lain.
Kalau outdated, cari versi terbaru.
Kalau pertanyaan ambigu, perjelas.
Game menjadi lebih canggih tanpa menjadi lebih berat.
Anak mulai punya vocabulary error yang lebih presisi dan berguna.
Dan vocabulary membantu memilih respons.
Tambahkan ronde “siapa yang harus ditanya?”
Tidak semua kasus selesai lewat internet.
Pertanyaan:
“Boleh pakai AI untuk tugas besok?”
Jawaban terbaik mungkin guru.
“Boleh ikut kegiatan sekolah?”
Orang tua dan sekolah.
“Teman kirim ancaman?”
Orang dewasa tepercaya dan pihak sekolah.
Game ini mengajarkan escalation.
Critical thinking bukan selalu mencari sendiri.
Kadang keputusan paling pintar adalah mengetahui siapa yang perlu dilibatkan.
Itu skill yang sering terlupakan karena anak terbiasa merasa semua jawaban harus datang dari layar.
Kembali ke ruang keluarga
Anak tadi menemukan kesalahan ibu kota.
Ia mencari sumber.
Mengoreksi.
Ibunya bertanya:
“Poin siapa?”
“Gue.”
“AI kalah?”
Anak berpikir.
“Bukan kalah sih. Dia salah satu.”
“Terus?”
“Ya dicek.”
Itu jawaban terbaik.
Mengubah kesalahan AI menjadi game edukatif bukan berarti membuat anak skeptis pada semua teknologi.
Justru membuat mereka nyaman melihat error sebagai sesuatu yang bisa ditangani.
Cari klaim.
Cari bukti.
Perbaiki.
Lanjut.
Di dunia yang semakin banyak memakai AI, anak tidak perlu tumbuh dengan ilusi bahwa mesin harus selalu benar.
Mereka juga tidak perlu tumbuh dengan ketakutan bahwa satu kesalahan membuat semua AI tidak berguna.
Mereka hanya perlu skill yang lebih praktis:
kalau jawaban salah, tahu apa yang dilakukan berikutnya. Itu membuat game tetap relevan.