Penulis fiksi Joanna Maciejewska pernah posting pesan X yang ringkas tapi dalam tentang arah pengembangan AI: dia ingin AI mengerjakan londre dan cuci piring supaya dia punya waktu untuk berkarya dan menulis, bukan sebaliknya, AI yang mengambil alih kerja berkarya dan menulis sementara dia tetap harus ncuci piring sendiri. Ini seperti lelucon rumah tangga biasa, tapi kalau dipikir-pikir ada diagnosis yang dalam soal bagaimana arah pengambangan otomasi. Dalam praktek, pengembangan itu bukan oleh apa yang paling ingin dibebaskan manusia dari beban hidupnya, melainkan oleh apa yang secara komputasional paling mudah untuk dikerjakan lebih dulu.
Kerja simbolik dan kreatif, yang selama ini dianggap puncak kemampuan manusia, ternyata jauh lebih mudah diformalkan lewat data teks dan gambar yang melimpah, sementara pekerjaan fisik yang dianggap remeh justru membutuhkan koordinasi syaraf motorik dalam dunia nyata yang jauh lebih sulit direplikasi. Arah yang terbalik dari harapan Maciejewska ini memunculkan pertanyaan kemajuan macam apa yang diharapkan dari pengembangan robotika dan ai?.
Dalam sejarah perkembangan ilmu pengetahuan, tidak sedikit konsep yang pada mulanya lahir sebagai alat untuk menjelaskan suatu gejala, tetapi perlahan berubah menjadi cara berpikir yang hampir tidak pernah lagi dipertanyakan. Semakin sering konsep tersebut digunakan untuk menjelaskan berbagai fenomena, semakin kecil pula kecenderungan untuk meninjau kembali asumsi-asumsi yang melahirkannya. Pada titik tertentu, perhatian ilmiah tidak lagi diarahkan kepada fondasi konseptualnya, melainkan kepada berbagai persoalan baru yang tumbuh di atasnya. Ketika keadaan itu terjadi, sebuah paradigma sesungguhnya sedang bekerja dalam bentuknya yang paling kuat: bukan karena ia selalu benar, melainkan karena ia telah diterima sebagai titik berangkat yang nyaris tak lagi dipersoalkan.
Barangkali keadaan semacam itu sedang berlangsung dalam cara kita memahami komunikasi pada era digital. Dalam beberapa tahun terakhir, hampir setiap pembahasan mengenai komunikasi politik bersinggungan dengan algoritma. Polarisasi politik, disinformasi, deepfake, filter bubble, echo chamber, microtargeting, hingga menurunnya kualitas ruang publik, semakin sering dijelaskan melalui cara kerja algoritma. Istilah tersebut bukan lagi sekadar menunjuk pada prosedur komputasional, melainkan telah menjadi pusat penjelasan bagi beragam fenomena komunikasi kontemporer.
Kecenderungan tersebut tampak jelas dalam Webinar Nasional “Komunikasi Politik dalam Kendali Algoritma” yang diselenggarakan oleh Majelis Pengurus Pusat ICMI pada 15 Juli 2026. Forum yang menghadirkan pembicara dari kalangan pemerintah, akademisi, dan praktisi teknologi informasi tersebut memperlihatkan betapa luasnya persoalan yang kini dikaitkan dengan algoritma. Mulai dari penyebaran disinformasi, polarisasi politik, tata kelola platform digital, hingga perkembangan Kecerdasan Tiruan, seluruhnya dibahas sebagai bagian dari perubahan besar yang sedang terjadi pada ekosistem komunikasi.
Salah satu kemampuan yang paling sering membuat orang terkejut ketika berinteraksi dengan Large Language Models adalah kemampuannya menghasilkan jawaban yang terasa bermakna. Sebuah pertanyaan yang diajukan dengan bahasa sehari-hari dapat dijawab menggunakan kalimat-kalimat yang koheren, mengikuti konteks percakapan, bahkan mampu menyesuaikan gaya bahasa penggunanya. Pengalaman semacam ini hampir secara spontan melahirkan satu kesimpulan intuitif: AI tampaknya memahami makna sebagaimana manusia memahami makna.
Kesan tersebut tidak sepenuhnya keliru, tetapi juga tidak sepenuhnya benar.
Dalam pengalaman sehari-hari, manusia memang hampir tidak pernah memisahkan bahasa dari makna. Ketika seseorang berbicara, perhatian segera tertuju pada apa yang ingin disampaikan, bukan pada bagaimana suara merambat melalui udara, bagaimana gelombang tersebut diterima oleh telinga, atau bagaimana rangkaian simbol akhirnya diproses oleh otak. Makna menjadi tujuan komunikasi, sehingga keberadaannya terasa begitu dominan hingga seluruh proses lain yang memungkinkan komunikasi berlangsung nyaris tidak pernah disadari.
Cara pandang semacam itu juga sangat memengaruhi perkembangan berbagai disiplin ilmu. Linguistik, semiotika, filsafat bahasa, maupun ilmu komunikasi selama puluhan tahun lebih banyak memusatkan perhatian pada bagaimana makna dibentuk, dipertukarkan, dipahami, dan diinterpretasikan. Tidak mengherankan apabila pembahasan mengenai AI modern pun sering mengikuti pola yang sama. Ketika sebuah mesin mampu menghasilkan bahasa yang tampak masuk akal, pertanyaan pertama yang muncul hampir selalu berkisar pada persoalan makna: apakah mesin benar-benar memahami apa yang dikatakannya?
Ketika Bahasa Berhasil Ditulis dalam Bahasa Matematika
“Bahasa tidak berubah ketika AI lahir. Yang berubah adalah cara manusia memandang bahasa.”
Setiap hari manusia menggunakan bahasa tanpa pernah merasa sedang berhadapan dengan sebuah keajaiban intelektual. Sejak bangun tidur hingga kembali memejamkan mata, hampir seluruh aktivitas sosial berlangsung melalui bahasa. Seseorang membaca berita sambil menikmati secangkir kopi, membalas pesan singkat di telepon genggam, mengikuti rapat daring, berdiskusi dengan rekan kerja, bercanda dengan keluarga, hingga menutup hari dengan menonton tayangan yang seluruh narasinya dibangun melalui rangkaian kata. Bahasa hadir begitu dekat dengan kehidupan sehingga keberadaannya nyaris tidak pernah dipertanyakan. Ia terasa alami, seolah-olah memang demikian adanya.
Keakraban itu justru membuat satu hal penting luput dari perhatian. Kita mengetahui kapan sebuah kalimat terdengar janggal, tetapi hampir tidak pernah mampu menjelaskan secara spontan mengapa kalimat itu janggal. Kita dapat membedakan mana ucapan yang tulus dan mana yang sekadar basa-basi, meskipun kata-kata yang digunakan sering kali hampir sama. Kita memahami ironi tanpa harus diberi penjelasan bahwa lawan bicara sedang mengatakan sesuatu yang bertentangan dengan maksud sebenarnya. Bahkan ketika seseorang mengucapkan sebuah kalimat yang belum pernah kita dengar sebelumnya, kita hampir selalu dapat menangkap maknanya tanpa merasa sedang melakukan proses berpikir yang rumit.
Seluruh kemampuan tersebut berlangsung begitu cepat sehingga bahasa tampak lebih menyerupai naluri daripada hasil kerja intelektual. Padahal, jika diamati lebih cermat, setiap percakapan sesungguhnya merupakan rangkaian proses yang luar biasa kompleks. Ketika mendengar sebuah kalimat, manusia tidak sekadar mengenali bunyi, kemudian mencocokkannya dengan arti setiap kata di dalam kamus. Otak secara hampir seketika menghubungkan kata-kata itu dengan pengalaman sebelumnya, memperkirakan konteks pembicaraan, mengenali hubungan antarkalimat, membaca situasi sosial, bahkan menafsirkan maksud yang tidak pernah diucapkan secara eksplisit. Semua itu terjadi dalam hitungan detik tanpa pernah kita sadari.
Tiga seri sebelumnya telah membawa pembahasan pada satu rangkaian gagasan yang saling berkaitan. Pada seri pertama dijelaskan bahwa komunikasi bukanlah proses memindahkan informasi dari pengirim kepada penerima, melainkan proses interpretasi terhadap tanda. Pada seri kedua, pembahasan bergerak lebih jauh melalui konsep Encyclopedia, yaitu bahwa makna tidak pernah lahir dari definisi yang berdiri sendiri, tetapi dari jaringan relasi pengetahuan yang terus berkembang. Selanjutnya pada seri ketiga diperlihatkan bagaimana proses tersebut diaktualisasikan melalui konsep Model Reader, yakni bahwa setiap teks membangun pembacanya sendiri agar makna yang dikandungnya dapat direalisasikan melalui proses interpretasi.
Ketiga konsep tersebut sebenarnya masih menyisakan satu pertanyaan yang lebih mendasar. Setelah interpretasi berlangsung, apakah proses itu selesai? Apakah makna akhirnya mencapai titik akhir yang stabil, sehingga tidak lagi memerlukan penafsiran berikutnya?
Pertanyaan inilah yang membawa kita kepada salah satu gagasan paling mendalam dalam pemikiran Umberto Eco, yaitu Unlimited Semiosis.
Tulisan pada seri III sebelumnya dapat dibaca melalui tautan berikut.
Dalam kehidupan sehari-hari kita sering membayangkan bahwa memahami sebuah kalimat berarti mengakhiri proses berpikir. Ketika seseorang bertanya mengenai arti suatu kata, kita membuka kamus, menemukan definisinya, lalu menganggap persoalan telah selesai. Demikian pula ketika membaca sebuah berita atau artikel, kita cenderung menganggap bahwa tujuan membaca adalah menemukan satu makna yang benar dan final.
Cara berpikir seperti ini sebenarnya merupakan warisan paradigma komunikasi linear yang telah lama mendominasi cara kita memahami bahasa. Dalam paradigma tersebut, makna dipandang sebagai sesuatu yang sudah berada di dalam teks. Tugas pembaca hanyalah menemukannya.
Namun Umberto Eco menawarkan pandangan yang berbeda.
Serial sebelumnya berakhir pada satu kesimpulan yang menjadi fondasi pembahasan berikutnya. Makna tidak pernah lahir dari definisi yang berdiri sendiri, melainkan dari jaringan relasi yang menghubungkan tanda dengan pengalaman, pengetahuan, sejarah, dan kebudayaan. Umberto Eco menyebut jaringan tersebut sebagai Encyclopedia. Melalui konsep ini, Eco memperlihatkan bahwa memahami bahasa bukanlah kegiatan membuka kamus, melainkan memasuki jaringan pengetahuan yang jauh lebih luas daripada sekadar arti leksikal sebuah kata.
Tulisan pada seri sebelumnya dapat dibaca melalui tautan berikut.
Akan tetapi, penjelasan mengenai Encyclopedia masih menyisakan satu pertanyaan yang sangat mendasar. Jika makna lahir dari jaringan pengetahuan, bagaimana jaringan tersebut akhirnya diaktifkan ketika seseorang membaca sebuah teks? Mengapa dua orang yang memiliki kemampuan berbahasa yang sama tetap dapat menghasilkan interpretasi yang berbeda ketika membaca novel, artikel ilmiah, berita, atau bahkan satu unggahan yang sama di media sosial? Pertanyaan ini membawa pembahasan kepada salah satu konsep paling penting dalam keseluruhan teori semiotika Umberto Eco, yaitu Model Reader.
Serial pertama berakhir pada sebuah kesimpulan yang sekaligus membuka arah pembahasan berikutnya. Perkembangan AI generatif memperlihatkan bahwa persoalan mendasar yang kini dihadapi bukan lagi sekadar bagaimana mesin melakukan komputasi, melainkan bagaimana hasil komputasi tersebut memasuki ruang komunikasi manusia sebagai sesuatu yang dapat dibaca, dipahami, diperdebatkan, bahkan diinterpretasikan. Pergeseran ini membawa diskusi mengenai kecerdasan buatan keluar dari batas-batas tradisional ilmu komputer dan memasukkannya ke dalam wilayah yang sejak lama menjadi perhatian ilmu komunikasi, linguistik, filsafat bahasa, dan semiotika.
Tulisan sebelumnya dapat dibaca pada tautan berikut:
Dalam dua tulisan sebelumnya di socioinformatics.id, saya berusaha menunjukkan bahwa perkembangan kecerdasan tiruan modern tidak lagi memadai dipahami hanya sebagai keberhasilan matematika, statistika, atau ilmu komputer. Pada tulisan “Semiotika sebagai Teori Kognitif Tersembunyi di Balik Kemajuan AI”
argumentasinya bahwa AI modern sesungguhnya memperlihatkan karakteristik yang jauh lebih dekat dengan proses semiosis daripada sekadar manipulasi simbol sebagaimana dibayangkan dalam paradigma komputasi klasik. Argumentasi tersebut kemudian saya lanjutkan dalam tulisan “Semantik Artificial Intelligence: Kemunculan Makna dari Komputasi Statistik dalam Kecerdasan Buatan Modern”
yang berupaya menjelaskan bagaimana makna dapat muncul dari mekanisme komputasi statistik yang menjadi fondasi Large Language Models. Kedua tulisan tersebut merupakan langkah awal untuk memperlihatkan bahwa AI tidak lagi cukup dipahami sebagai persoalan algoritma, melainkan juga sebagai persoalan tanda, makna, dan interpretasi.
Akan tetapi, kedua tulisan tersebut sengaja berakhir pada satu pertanyaan yang belum dibahas secara mendalam. Jika semiotika memang menyediakan perspektif yang relevan untuk membaca perkembangan AI generatif, lalu tradisi semiotika manakah yang paling mampu menjelaskan fenomena tersebut secara sistematis?
Salah satu ironi terbesar dalam komunikasi publik adalah bahwa semakin banyak informasi tersedia, semakin mudah pula manusia membangun keyakinan yang keliru. Penyebabnya bukan semata-mata karena informasi yang beredar tidak benar, melainkan karena fakta-fakta yang benar sering kali disusun ke dalam hubungan logis yang terlalu sederhana. Akibatnya, representasi yang terbentuk tampak masuk akal, padahal telah kehilangan sebagian konteks yang justru menentukan makna keseluruhan peristiwa. Dalam banyak kasus, misinformasi tidak lahir karena ketiadaan evidence, melainkan karena cara evidence tersebut dihubungkan menjadi suatu kesimpulan. Persoalan utama bukan terletak pada data historis yang digunakan, melainkan pada kualitas inferensi yang menghubungkan data-data tersebut menjadi suatu representasi.
Fenomena semacam ini semakin mudah dijumpai pada era komunikasi digital. Arus informasi yang sangat cepat mendorong berbagai persoalan yang kompleks untuk disederhanakan menjadi narasi yang ringkas, mudah dipahami, dan mudah dibagikan. Penyederhanaan semacam itu pada dasarnya merupakan konsekuensi yang hampir tidak dapat dihindari dalam proses komunikasi. Tidak mungkin seluruh kompleksitas suatu peristiwa sejarah dipindahkan secara utuh ke dalam sebuah artikel, unggahan media sosial, ataupun percakapan sehari-hari. Persoalan mulai muncul ketika yang mengalami penyederhanaan bukan lagi cara penyampaiannya, melainkan struktur penalarannya. Hubungan antarperistiwa yang semula kaya nuansa dipersempit menjadi hubungan sebab-akibat yang linear, sementara konsep-konsep yang sesungguhnya memiliki ruang lingkup berbeda diperlakukan seolah-olah identik. Pada titik inilah sejarah perlahan kehilangan kompleksitasnya dan berubah menjadi narasi yang lebih mencerminkan preferensi pembacanya daripada keseluruhan fakta yang tersedia.
Setiap hari manusia berkomunikasi. Kita membaca berita, berdiskusi, mengikuti media sosial, mendengarkan pidato, atau sekadar berbincang dengan orang lain. Aktivitas tersebut tampak begitu biasa sehingga jarang dipertanyakan. Namun di balik kesederhanaannya, komunikasi menyimpan sebuah fenomena yang sesungguhnya sangat mendasar.
Bayangkan dua orang membaca berita yang sama pada pagi hari. Pada sore harinya mereka berdiskusi. Setelah diskusi selesai, keduanya tidak lagi memahami berita tersebut dengan cara yang sama seperti sebelum percakapan dimulai. Masing-masing membawa perspektif baru, menerima sebagian argumen, menolak sebagian lainnya, serta membangun interpretasi yang berbeda. Bahkan apabila berita yang sama dibaca kembali keesokan harinya, keduanya sering kali menghasilkan pemahaman yang telah berubah.
Fenomena serupa juga terjadi dalam kehidupan sehari-hari. Seseorang dapat mempertahankan suatu pendapat dengan penuh keyakinan pada awal diskusi, kemudian mengubah kesimpulannya setelah berdialog panjang atau membaca beberapa referensi tambahan. Yang menarik, perubahan tersebut tidak selalu terjadi karena muncul fakta baru. Sering kali perubahan justru lahir karena informasi yang telah dimiliki sebelumnya memperoleh makna baru ketika ditempatkan dalam konteks yang berbeda. Dengan kata lain, komunikasi tidak hanya menambah informasi, tetapi juga mengubah cara seseorang menginterpretasikan informasi yang telah dimilikinya.
Fenomena yang sama kini dapat diamati dengan sangat jelas pada sistem kecerdasan buatan generatif. Misalkan pada hari pertama seorang pengguna mengajukan sebuah pertanyaan kepada suatu model AI mengenai suatu isu tertentu. Model tersebut memberikan sebuah jawaban. Pada hari berikutnya, pengguna berdiskusi panjang dengan model yang sama mengenai berbagai topik lain yang mungkin tidak pernah menyebut isu awal secara eksplisit, tetapi memiliki keterkaitan makna dengannya. Ketika pada hari ketiga pertanyaan yang sama persis diajukan kembali—tanpa mengubah satu huruf pun—model dapat menghasilkan jawaban yang berbeda secara signifikan. Dalam banyak kasus, model bahkan mengaitkan jawabannya dengan percakapan yang terjadi sebelumnya.
Fenomena tersebut menjadi semakin menarik ketika diperluas pada sistem Agentic AI. Sekelompok agen kecerdasan buatan dapat saling bertukar representasi simbolik, mengevaluasi argumen, merevisi kesimpulan, menghasilkan dokumen baru, kemudian menggunakan dokumen tersebut sebagai masukan bagi agen lainnya. Setelah berlangsung beberapa putaran interaksi, keputusan kolektif yang muncul sering kali tidak lagi dapat dijelaskan hanya dari kondisi awal masing-masing agen. Seluruh sistem komunikasi tampak mengalami evolusi sebagai suatu kesatuan.
Apabila fenomena-fenomena tersebut diamati secara sepintas, kita cenderung mengatakan bahwa manusia atau AI “berubah pikiran”. Akan tetapi, ungkapan tersebut sesungguhnya hanya menjelaskan gejalanya, bukan mekanismenya. Pertanyaan ilmiah yang lebih mendasar adalah: apa sebenarnya yang berubah selama proses komunikasi berlangsung? Mengapa pertanyaan yang sama dapat menghasilkan jawaban yang berbeda, meskipun diajukan kepada agen yang sama? Mengapa komunikasi yang telah terjadi sebelumnya mampu memengaruhi cara suatu agen memahami komunikasi berikutnya?
Pertanyaan-pertanyaan tersebut menunjukkan bahwa komunikasi bukan sekadar proses perpindahan informasi dari satu pihak kepada pihak lain. Komunikasi juga merupakan proses yang secara terus-menerus mengubah kondisi para pelakunya. Setiap tindakan komunikasi menghasilkan perubahan yang kemudian menjadi titik awal bagi komunikasi berikutnya. Dengan demikian, komunikasi membentuk suatu sistem yang bersifat refleksif, yaitu sistem yang secara terus-menerus memengaruhi evolusinya sendiri melalui perubahan keadaan para agen yang terlibat di dalamnya.
Sampai pada titik ini, perhatian kita masih tertuju pada perubahan yang terjadi pada individu. Namun dalam kehidupan nyata, komunikasi tidak pernah berlangsung hanya pada satu atau dua orang. Jutaan individu melakukan proses serupa secara bersamaan, saling memengaruhi melalui jaringan komunikasi yang sangat kompleks. Oleh karena itu, pertanyaan yang lebih penting bukan lagi bagaimana seorang individu mengubah keyakinannya, melainkan bagaimana keseluruhan distribusi keadaan epistemik suatu populasi berevolusi sebagai akibat dari proses komunikasi yang berlangsung secara terus-menerus.
Pergeseran sudut pandang inilah yang menjadi titik awal Statistical Mechanics of Epistemic States (SMES). Sebagaimana mekanika statistik tidak berupaya menjelaskan lintasan setiap molekul secara individual, melainkan menjelaskan evolusi distribusi keadaan seluruh sistem, SMES juga tidak bertujuan memodelkan mekanisme internal bagaimana setiap individu membentuk keyakinannya. Fokus utama SMES adalah menjelaskan bagaimana distribusi keadaan epistemik suatu populasi berevolusi sebagai konsekuensi kolektif dari proses komunikasi.
Tulisan ini dibangun dari pertanyaan sederhana yang muncul dari fenomena sehari-hari tersebut. Dimulai dengan menunjukkan mengapa komunikasi secara inheren bersifat refleksif, kemudian menjelaskan bagaimana refleksivitas tersebut dapat dipandang sebagai suatu proses evolusi keadaan epistemik, sebelum akhirnya dirumuskan ke dalam suatu kerangka matematis yang memungkinkan dinamika komunikasi dipelajari secara sistematis. Dengan cara ini, komunikasi tidak lagi dipahami semata-mata sebagai perpindahan informasi, melainkan sebagai proses evolusi distribusi keadaan epistemik dalam suatu sistem yang dinamis dan refleksif.
Komunikasi sebagai Proses Refleksif
Mengapa komunikasi tidak pernah benar-benar selesai ketika percakapan berakhir?
Pertanyaan tersebut tampak sederhana. Dalam kehidupan sehari-hari kita sering menganggap suatu komunikasi telah selesai ketika pembicaraan berakhir, rapat ditutup, atau sebuah pesan telah diterima oleh lawan bicara. Namun, apabila diamati lebih saksama, justru setelah komunikasi berakhir proses yang paling penting sering kali baru dimulai.
Bayangkan seorang dosen sedang mengajar di kelas. Pada akhir perkuliahan, seorang mahasiswa mengajukan pertanyaan yang belum pernah dipikirkan sebelumnya oleh dosen tersebut. Pertanyaan itu mendorong sang dosen membaca kembali berbagai referensi, mempertimbangkan kembali argumennya, bahkan mengubah cara ia menjelaskan materi pada pertemuan berikutnya. Seminggu kemudian, mahasiswa angkatan berikutnya menerima penjelasan yang berbeda sebagai akibat dari satu pertanyaan yang muncul pada perkuliahan sebelumnya.
Sekilas, contoh tersebut tampak sangat sederhana. Akan tetapi, sesungguhnya telah terjadi sesuatu yang jauh lebih mendasar. Pertanyaan mahasiswa tidak hanya menghasilkan jawaban baru, tetapi juga menghasilkan dosen yang baru—bukan dalam arti biologis, melainkan dalam arti epistemik. Dosen yang telah mengalami perubahan itu kemudian menghasilkan komunikasi yang berbeda, dan komunikasi yang berbeda tersebut kembali mengubah mahasiswa berikutnya. Dengan demikian, hasil komunikasi pada suatu waktu menjadi penyebab bagi komunikasi pada waktu berikutnya.
Fenomena serupa dapat ditemukan hampir di setiap ruang komunikasi. Dua orang yang berdiskusi mengenai suatu isu publik mungkin memulai percakapan dengan pandangan yang saling bertentangan. Setelah berdialog, keduanya tidak selalu mencapai kesepakatan, tetapi hampir selalu keluar dari percakapan dengan cara memahami persoalan yang berbeda dibandingkan sebelumnya. Ketika mereka kembali berdiskusi beberapa hari kemudian, percakapan tersebut tidak pernah benar-benar dimulai dari titik awal yang sama, karena masing-masing telah membawa pengalaman komunikasi yang telah mengubah cara mereka menginterpretasikan simbol, argumen, maupun informasi baru.
Fenomena ini menjadi semakin jelas pada sistem kecerdasan buatan generatif. Seorang pengguna mengajukan suatu pertanyaan kepada model AI pada hari pertama dan memperoleh suatu jawaban. Pada hari berikutnya berlangsung serangkaian percakapan mengenai berbagai topik lain yang secara semantik saling berkaitan. Ketika pada hari ketiga pengguna kembali mengajukan pertanyaan yang sama persis—tanpa mengubah satu kata pun—model dapat menghasilkan jawaban yang berbeda secara signifikan. Yang berubah bukanlah representasi simboliknya, melainkan kondisi inferensi yang terbentuk melalui rangkaian komunikasi sebelumnya.
Pada sistem Agentic AI, fenomena tersebut bahkan berkembang menjadi proses kolektif. Sejumlah agen AI saling bertukar representasi simbolik, mengevaluasi hasil kerja satu sama lain, memperbaiki argumen, kemudian menghasilkan representasi baru yang kembali menjadi masukan bagi agen lainnya. Setelah beberapa putaran interaksi, keputusan kolektif yang dihasilkan tidak lagi dapat dijelaskan hanya dari kondisi awal masing-masing agen. Sistem komunikasi tersebut telah berkembang melalui hasil komunikasinya sendiri.
Apabila seluruh contoh tersebut dibandingkan, tampak suatu pola yang sama. Komunikasi tidak hanya menghasilkan representasi baru, tetapi juga menghasilkan kondisi baru bagi lahirnya representasi berikutnya. Setiap tindakan komunikasi mengubah keadaan para agen yang terlibat di dalamnya, sementara perubahan keadaan tersebut menjadi titik awal bagi komunikasi berikutnya. Akibatnya, komunikasi tidak pernah benar-benar kembali ke kondisi semula.
Dengan demikian, komunikasi bukanlah rangkaian peristiwa yang berdiri sendiri, melainkan suatu proses yang terus-menerus membentuk dirinya sendiri melalui mekanisme umpan balik (feedback). Keluaran dari satu putaran komunikasi menjadi bagian dari kondisi awal putaran berikutnya. Hubungan inilah yang membentuk suatu closed-loop system.
Diagram tersebut menunjukkan bahwa komunikasi tidak berkembang sebagai rangkaian sebab-akibat yang linier. Sebaliknya, komunikasi berkembang sebagai suatu proses sirkular yang secara terus-menerus memperbarui kondisi sistemnya sendiri.
Setiap putaran komunikasi mengubah keadaan epistemik para agen, sementara keadaan epistemik yang telah berubah tersebut menjadi dasar bagi proses komunikasi berikutnya. Dengan demikian, sejarah komunikasi tidak berada di luar sistem, melainkan terus terakumulasi melalui perubahan keadaan agen yang membentuk evolusi sistem secara keseluruhan.
Sampai pada titik ini, kita sebenarnya belum memerlukan teori apa pun untuk memahami fenomena tersebut. Refleksivitas muncul sebagai konsekuensi logis dari komunikasi itu sendiri. Selama komunikasi mampu mengubah keadaan agen, dan keadaan agen yang telah berubah memengaruhi komunikasi berikutnya, maka setiap sistem komunikasi yang berlangsung secara berulang akan secara alami membentuk mekanisme umpan balik terhadap dirinya sendiri. Dalam pengertian ini, refleksivitas bukanlah asumsi tambahan yang disisipkan ke dalam teori komunikasi, melainkan sifat inheren dari komunikasi sebagai suatu sistem dinamis.
Pertanyaan berikutnya kemudian menjadi sangat menarik. Jika refleksivitas merupakan konsekuensi logis dari komunikasi, mengapa berbagai disiplin ilmu menjelaskannya melalui istilah dan kerangka konseptual yang berbeda? Apakah semiotika, sibernetika orde kedua, teori sistem sosial, teori refleksivitas, maupun teori makna statistik sesungguhnya sedang mengamati fenomena yang sama dari sudut pandang yang berbeda?
Mengapa Refleksivitas Tidak Bertentangan dengan Asumsi Markovian?
Setelah memahami bahwa komunikasi merupakan suatu proses yang bersifat refleksif, muncul sebuah pertanyaan yang hampir tidak dapat dihindari. Jika setiap tindakan komunikasi dipengaruhi oleh komunikasi-komunikasi sebelumnya, bukankah komunikasi merupakan suatu proses yang bergantung pada sejarah (history-dependent process)? Apabila demikian, mengapa SMES masih menggunakan pendekatan Markovian yang sering dipahami sebagai proses “tanpa memori”?
Pertanyaan tersebut tampaknya berkaitan langsung dengan teori Markov. Namun sesungguhnya akar persoalannya terletak jauh lebih dalam. Sebelum bertanya apakah suatu sistem dapat dimodelkan secara Markovian, terlebih dahulu harus dijawab pertanyaan yang lebih mendasar: apa sebenarnya objek yang hendak dimodelkan?
Persoalan semacam ini tidak hanya dihadapi oleh ilmu komunikasi. Hampir seluruh cabang ilmu pengetahuan menghadapi dilema yang sama ketika berusaha membangun model terhadap sistem yang kompleks. Dunia nyata selalu jauh lebih kaya daripada model yang dapat kita bangun. Tidak ada model ilmiah yang mampu mempertahankan seluruh detail realitas secara utuh. Oleh karena itu, setiap proses pemodelan selalu diawali dengan abstraksi, yaitu memilih sejumlah variabel yang dianggap cukup untuk menjelaskan dinamika sistem tanpa harus membawa seluruh sejarah sistem tersebut ke dalam model.
Prinsip tersebut dapat ditemukan hampir di seluruh cabang fisika. Dalam mekanika klasik, gerak sebuah benda tidak dimodelkan dengan menyimpan seluruh lintasan yang pernah ditempuh sejak benda mulai bergerak. Yang digunakan adalah keadaan benda pada saat tertentu, misalnya posisi dan momentum. Demikian pula dalam termodinamika. Perilaku miliaran molekul gas tidak dijelaskan dengan melacak lintasan setiap molekul secara individual, melainkan melalui variabel keadaan seperti temperatur, tekanan, dan volume. Variabel-variabel tersebut tidak menghapus sejarah sistem, tetapi merepresentasikan keadaan sistem yang telah dibentuk oleh sejarah tersebut.
Pelajaran penting dari kedua contoh tersebut bukan terletak pada rumus-rumus fisikanya, melainkan pada cara ilmu pengetahuan membangun model. Model ilmiah tidak pernah berusaha mempertahankan seluruh sejarah sistem. Model ilmiah memilih variabel keadaan yang masih cukup untuk menjelaskan bagaimana sistem berevolusi. Dengan kata lain, pertanyaan yang relevan bukanlah apakah suatu model menyimpan seluruh detail masa lalu, melainkan apakah variabel keadaan yang dipilih masih mengandung informasi yang diperlukan untuk memprediksi evolusi sistem berikutnya.
Prinsip abstraksi inilah yang diadopsi oleh SMES. Tujuan SMES bukan merekonstruksi seluruh sejarah komunikasi setiap agen, melainkan menjelaskan bagaimana keadaan epistemik suatu populasi berubah akibat proses komunikasi. Oleh karena itu, yang dipilih sebagai objek pemodelan bukanlah keseluruhan sejarah komunikasi, melainkan keadaan epistemik (epistemic state) pada suatu waktu tertentu.
Pada titik ini, penting untuk membedakan dua konsep yang sering kali tercampur. Sejarah komunikasi adalah seluruh rangkaian interaksi yang pernah dialami suatu agen sepanjang hidupnya. Sebaliknya, keadaan epistemik adalah kondisi agen pada saat tertentu sebagai hasil dari sejarah komunikasi tersebut. Sejarah menjelaskan bagaimana keadaan itu terbentuk, sedangkan keadaan menjelaskan dari kondisi mana proses komunikasi berikutnya dimulai.
Perbedaan tersebut dapat dipahami melalui contoh sederhana. Bayangkan seseorang yang telah membaca ratusan buku selama hidupnya. Ketika ia membaca sebuah artikel baru hari ini, ia tidak membuka kembali seluruh buku yang pernah dibacanya. Namun demikian, seluruh pengalaman membaca tersebut tetap memengaruhi bagaimana ia memahami artikel yang sedang dibaca. Yang secara langsung bekerja bukanlah seluruh sejarah membaca, melainkan keadaan pengetahuannya pada saat itu. Sejarah tetap memiliki pengaruh, tetapi pengaruh tersebut hadir melalui keadaan yang telah dibentuk oleh sejarah itu sendiri.
Fenomena yang sama kini dapat diamati pada sistem kecerdasan buatan generatif. Seorang pengguna mengajukan suatu pertanyaan kepada model AI pada hari pertama dan memperoleh suatu jawaban. Selama dua hari berikutnya berlangsung berbagai percakapan lain yang mungkin hanya berkaitan secara tidak langsung dengan pertanyaan awal. Ketika pada hari ketiga pengguna kembali mengajukan pertanyaan yang sama persis, model dapat memberikan jawaban yang berbeda secara signifikan. Yang berubah bukanlah pertanyaannya, melainkan keadaan operasional model ketika melakukan inferensi. Riwayat komunikasi tetap berperan, tetapi pengaruhnya telah termanifestasi dalam keadaan sistem saat respons dihasilkan.
Dalam kerangka SMES, epistemic state didefinisikan pada dua tingkat yang saling melengkapi.
Secara fenomenologis, epistemic state adalah keadaan agen yang telah dibentuk oleh sejarah komunikasinya. Definisi ini membantu menjelaskan mengapa dua agen dapat menghasilkan interpretasi yang berbeda terhadap representasi simbolik yang sama.
Namun secara operasional, epistemic state adalah himpunan variabel keadaan yang cukup untuk menentukan bagaimana suatu agen menginterpretasikan representasi simbolik berikutnya. Definisi operasional ini menjadi dasar bagi pembangunan model matematis SMES, karena menjelaskan secara eksplisit apa yang berfungsi sebagai variabel keadaan di dalam model.
Baru setelah objek pemodelan tersebut ditetapkan, asumsi Markov memperoleh maknanya. Asumsi Markov tidak menyatakan bahwa komunikasi tidak memiliki sejarah. Yang diasumsikan adalah bahwa evolusi keadaan epistemik pada waktu berikutnya cukup ditentukan oleh keadaan epistemik saat ini, karena seluruh pengaruh sejarah yang masih relevan telah termanifestasi dalam keadaan tersebut. Dengan demikian, yang dimodelkan secara Markovian di dalam SMES bukanlah komunikasi sebagai rangkaian peristiwa, melainkan evolusi epistemic state.
Dari sudut pandang ini, refleksivitas dan asumsi Markov ternyata tidak saling bertentangan. Refleksivitas menjelaskan bagaimana komunikasi secara terus-menerus membentuk keadaan epistemik para agen melalui akumulasi pengalaman komunikasi. Sebaliknya, asumsi Markov menjelaskan bagaimana keadaan epistemik yang telah terbentuk tersebut berevolusi menuju keadaan berikutnya. Refleksivitas berbicara mengenai pembentukan keadaan (state formation), sedangkan Markov berbicara mengenai evolusi keadaan (state evolution). Keduanya bekerja pada tingkat konseptual yang berbeda, tetapi justru saling melengkapi dalam membangun kerangka matematis SMES.
