Ketika AI Gagal Memilah Bansos: Pelajaran dari Susu dan Mesin Cuci

Bayangkan sebuah negara memiliki anggaran bantuan sosial (bansos) yang nilainya mencapai ratusan triliun rupiah setiap tahun. Uang itu seharusnya mengalir ke tangan keluarga miskin yang butuh beras, susu anak, atau biaya sekolah. Namun, yang terjadi justru sebaliknya: bantuan sering mendarat di rumah orang mampu, sementara yang paling membutuhkan malah menunggu tanpa kepastian. Inilah ironi yang membuat publik bertanya-tanya, mengapa teknologi canggih seperti AI (Artificial Intelligence/kecerdasan buatan) justru kalah akurat dibandingkan data sederhana seperti pembelian susu dan mesin cuci?

Pertanyaan itu bukan sekadar retorika. Beberapa penelitian dan audit data menunjukkan bahwa sistem penargetan bansos berbasis algoritma masih menghasilkan tingkat kesalahan yang signifikan. Ironisnya, pola konsumsi rumah tangga—seperti rutin membeli susu formula atau memiliki mesin cuci—sering kali lebih jujur menggambarkan kondisi ekonomi seseorang dibandingkan model prediksi yang rumit. Ibarat seperti menggunakan drone canggih untuk mencari kunci yang jatuh di halaman, padahal cukup menyalakan senter dan melihat ke bawah.

Mengapa AI Kesulitan Membaca Kemiskinan?

Masalah utamanya bukan pada kecerdasan algoritma, melainkan pada data yang dilatih. AI (Artificial Intelligence) belajar dari data historis. Jika data masa lalu penuh bias—misalnya banyak penerima bantuan yang sebenarnya tidak layak—maka AI akan mereplikasi bias itu, bahkan memperkuatnya. Ini yang disebut algorithmic bias (bias algoritma), yaitu kecenderungan sistem untuk mengulang pola keliru dari data lama.

Selain itu, kemiskinan bersifat multidimensi. Tidak cukup hanya melihat pendapatan bulanan. Ada rumah tangga yang pendapatannya di atas garis kemiskinan, tetapi harus menanggung biaya pengobatan anggota keluarga yang sakit keras. Sebaliknya, ada yang pendapatannya rendah tetapi memiliki aset warisan. AI yang hanya diberi data numerik sederhana akan kesulitan menangkap nuansa ini.

Di sinilah data pengeluaran sehari-hari menjadi penting. Ketika sebuah keluarga membeli susu formula secara rutin, itu menandakan adanya bayi atau balita yang perlu asupan gizi. Ketika mereka memiliki mesin cuci, itu bisa berarti ada anggota keluarga yang sibuk bekerja sehingga tidak sempat mencuci manual—atau justru menandakan kemampuan ekonomi yang lebih mapan. Pola seperti ini, jika dikombinasikan dengan data lain, bisa menjadi sinyal yang lebih jujur daripada sekadar angka yang dilaporkan sendiri.

Data Konsumsi sebagai Cermin Kondisi Ekonomi

Beberapa negara telah mulai memanfaatkan data transaksi ritel dan pola belanja untuk memetakan kesejahteraan warga. Pendekatan ini disebut alternative data scoring (penilaian berbasis data alternatif). Ibarat seperti dokter yang tidak hanya mengukur suhu tubuh, tetapi juga melihat warna kulit dan gerak refleks pasien untuk mendiagnosis penyakit.

Contohnya, sebuah studi di Amerika Latin menemukan bahwa kombinasi data pembelian bahan makanan pokok, frekuensi belanja, dan jenis barang tahan lama mampu memprediksi status kemiskinan dengan akurasi lebih tinggi dibandingkan model yang hanya menggunakan pendapatan yang dilaporkan. Mengapa? Karena orang cenderung jujur dalam berbelanja. Mereka tidak bisa memalsukan kebutuhan sehari-hari.

Namun, pendekatan ini juga menuai kritik. Ada kekhawatiran soal privasi dan potensi diskriminasi. Jika data belanja dipakai untuk menentukan siapa yang berhak menerima bantuan, lalu bagaimana dengan mereka yang tidak memiliki akses ke toko modern? Atau mereka yang berbelanja di pasar tradisional tanpa catatan digital? Ini adalah tantangan implementasi yang tidak bisa diabaikan.

Jalan Tengah: Kolaborasi Manusia dan Mesin

Lantas, apakah AI harus ditinggalkan? Tentu tidak. Teknologi ini tetap punya peran besar dalam mempercepat verifikasi data, mendeteksi anomali, dan memetakan wilayah yang paling membutuhkan intervensi. Yang perlu diubah adalah cara kita memperlakukannya. AI bukan dewa yang serba tahu, melainkan alat bantu yang perlu diawasi manusia.

Pendekatan yang lebih bijak adalah human-in-the-loop (manusia dalam lingkaran sistem), di mana keputusan akhir tetap berada di tangan petugas lapangan yang mengenal kondisi warga secara langsung. Ibarat seperti pilot dan autopilot: mesin bisa mengemudikan pesawat, tetapi pilot tetap harus siap mengambil alih ketika situasi tidak terduga.

Selain itu, pengembangan algoritma harus melibatkan ahli sosial, ekonom, dan perwakilan masyarakat. Mereka bisa memberikan konteks yang tidak tertangkap oleh data numerik. Dengan begitu, sistem penargetan bansos tidak hanya efisien secara teknologi, tetapi juga adil secara sosial.

Pada akhirnya, pelajaran dari susu dan mesin cuci bukanlah bahwa AI itu lemah. Sebaliknya, ini adalah pengingat bahwa inovasi tidak pernah berdiri sendiri. Ia perlu dipadukan dengan kearifan lokal, data yang bersih, dan kepekaan terhadap realitas di lapangan. Tanpa itu, secanggih apa pun algoritma yang kita bangun, ia hanya akan menjadi mesin mahal yang gagal memahami bahwa kemiskinan bukan sekadar angka di layar.