Penulis AI: Eleanor Vale Global Technology Editor

Teknologi sering kali dijual ke publik dua kali: pertama sebagai kebutuhan, kemudian sebagai sesuatu yang tak terhindarkan. Itulah mengapa arsip perkiraan yang keliru sangatlah mengungkapkan. Mobil terbang tidak pernah hadir dalam skala massal, fusi komersial tetap jauh dari kenyataan, dan pengemudian otonom penuh memakan waktu jauh lebih lama daripada yang banyak orang perkirakan.[3][12] Masalahnya bukan bahwa orang gagal membayangkan kemajuan, tetapi mereka berulang kali salah mengira sebuah kisah yang masuk akal sebagai perkiraan yang terukur.

Namun, ada tradisi yang lebih serius di balik futurisme yang gagal tersebut. Peramalan sudah lama dipandang sebagai disiplin dengan metode, bukan sekedar opini.[2][3][10] Salah satu cara terkenal untuk menilai perkiraan probabilistik adalah skor Brier, yang mengukur seberapa dekat prediksi dengan hasil nyata, bukan sekadar menilai apakah peramal hanya menebak sisi yang benar dari sebuah peristiwa biner.[2][5][8] Dengan kata lain, pertanyaannya bukan hanya apakah seseorang benar, tetapi seberapa baik mereka mengkalibrasi keyakinannya.

Perbedaan ini penting karena beberapa pekerjaan peramalan yang paling berguna bukan tentang mengklaim kepastian. Penelitian tentang superforecasting menemukan bahwa akurasi dapat meningkat ketika orang dilatih untuk melacak sinyal dengan lebih cermat dan membedakannya dari noise.[2][5] Penelitian itu juga menyoroti resolusi, yaitu kemampuan membedakan sinyal yang lebih kuat dari yang lebih lemah, sebagai bagian kunci dari penilaian yang lebih baik.[5] Dalam pengertian ini, peramalan lebih merupakan metode daripada ramalan.

Perencanaan skenario muncul dari pengakuan serupa.[3][6][9][10] Di RAND pada awal Perang Dingin, skenario digunakan untuk memikirkan berbagai masa depan bagi strategi nuklir, tepat karena perkiraan titik terlalu rapuh untuk dunia yang dibentuk oleh rivalitas strategis dan guncangan yang jarang terjadi.[3][6][10] Warisan itu masih berarti sampai sekarang. Skenario bukanlah tebakan tentang apa yang akan terjadi. Itu adalah cara terstruktur untuk memaksa institusi menghadapi beberapa masa depan yang masuk akal sebelum mereka terkejut oleh masa depan yang sebenarnya tidak

Catatan peramalan energi menunjukkan mengapa disiplin ini masih diperlukan. Tenaga angin tidak bisa diatur sesuai perintah, sehingga para operator harus memperkirakan keluaran untuk perdagangan listrik dan penyeimbangan jaringan.[1] Perkiraan yang lebih baik menurunkan biaya penyeimbangan dan mengurangi kebutuhan kapasitas pengaturan, yang mengubah latihan statistik menjadi masalah infrastruktur yang praktis.[1] Di sini nilai prediksi bukanlah akurasi abstrak, melainkan daya tahan operasional, terutama saat pembangkit yang variabel mengambil porsi lebih besar dalam jaringan.

Kecerdasan buatan membuat peramalan tampak lebih mekanis, tetapi tidak selalu lebih dapat dipercaya. Pekerjaan terbaru pada prediksi cuaca dan salju menunjukkan bahwa pembelajaran mesin bisa membantu mengidentifikasi bias dalam model dan mempercepat koreksi ketika dikombinasikan dengan pendekatan berbasis fisika.[4] Ini adalah langkah yang bermakna. Namun itu juga pengingat bahwa peramalan AI bekerja paling baik sebagai sistem hibrida, bukan sebagai pengganti ilmu dasar. Mesin bisa menyempurnakan model, tapi tidak bisa menghilangkan ketidakpastian.

Di sinilah antusiasme saat ini menjadi berisiko. Ketika organisasi mendengar bahwa AI bisa meramalkan lebih baik, mereka mungkin diam-diam mengartikan bahwa AI dapat menghasilkan kepercayaan diri yang lebih lancar. Itu bukan hal yang sama. Dalam pasar, rantai pasokan, perencanaan iklim, dan keamanan nasional, bahaya bukanlah bahwa model tidak akan pernah berguna, melainkan bahwa pengambil keputusan akan menganggap model itu seakan menghapus kejutan. Jika banyak aktor menggunakan alat dan asumsi serupa, sistem dapat menjadi lebih terkorelasi justru saat ia membutuhkan keberagaman penilaian.[11][12]

Yang masih belum terverifikasi, dan perlu diawasi dengan seksama, adalah apakah alat peramalan AI benar-benar meningkatkan keputusan jangka panjang di luar lingkungan penelitian terkontrol. Bukti terkuat sejauh ini ada di domain sempit yang memiliki umpan balik terukur, seperti cuaca, energi, atau pertanyaan probabilistik.[2][4][7] Klaim yang lebih lemah adalah bahwa sistem ini dapat secara andal memetakan perubahan teknologi disruptif bertahun-tahun ke masa depan. Itu membutuhkan bukti bukan hanya dari prediksi yang lebih baik, tetapi dari hasil yang lebih baik ketika institusi bertindak berdasarkan prediksi tersebut.

Pelajaran yang lebih mendalam adalah bahwa kegagalan peramalan sering kali merupakan kegagalan institusional, bukan semata-mata kegagalan intelektual. Orang-orang memberikan penghargaan pada narasi yang percaya diri, cakrawala waktu yang singkat, dan perkiraan yang sesuai dengan strategi. Mereka lebih mudah menghargai kesan pandangan jauh ke depan daripada kerendahan hati yang diperlukan untuk mengakui ketidakpastian yang jujur. Dalam lingkungan seperti itu, alat peramalan yang paling berharga mungkin adalah yang memaksa pemimpin menghadapi apa yang tidak mereka ketahui, bukan yang membuat mereka merasa lebih maju dari kurva. AI mungkin membantu yang pertama. Ia juga bisa memperbesar yang kedua. Itulah ketegangan yang harus dipantau.[2][3][10][12]