Sebanyak 72% responden dewasa di Indonesia pernah menggunakan asisten AI seperti ChatGPT, Google Gemini, atau aplikasi kesehatan berbasis bahasa alami untuk mencari tahu arti gejala tubuh — mulai dari ruam kulit hingga pusing berkepanjangan. Angka ini bukan prediksi, melainkan hasil survei nasional yang dirilis Kementerian Kesehatan RI bersama Lembaga Survei Nasional (LSN) pada Maret 2024. Yang lebih mengkhawatirkan: 41% di antaranya mengaku pernah menunda konsultasi ke dokter setelah mendapat jawaban dari mesin.
Apa yang Sebenarnya Dicari Pasien Lewat AI?
Bukan diagnosis formal, melainkan 'konfirmasi awal' — begitu kesimpulan Antara Tekno dalam laporan eksklusifnya pekan lalu. Dilansir Antara Tekno, mayoritas pengguna tidak mengetik 'apa penyebab pusing saya?', tapi justru 'apakah pusing ini tanda stroke?'. Pola pertanyaan ini mengungkap kecemasan yang sudah terlanjur mengarah ke skenario terburuk, bukan pencarian informasi netral. Platform AI pun merespons sesuai input: semakin dramatis pertanyaannya, semakin tinggi probabilitas sistem menghasilkan jawaban yang memperkuat kecemasan itu — bukan menenangkan atau mengarahkan ke langkah klinis yang tepat.
Ini bukan soal kecerdasan mesin yang buruk, melainkan soal desain interaksi. Model bahasa besar (LLM) tidak dirancang untuk menilai urgensi medis, apalagi membedakan antara gejala ringan dan kritis dalam konteks individu. Ia hanya menyusun respons berdasarkan pola frekuensi kata dalam data pelatihan — dan data pelatihan itu sendiri didominasi literatur kedokteran Barat, bukan profil epidemiologi Indonesia seperti prevalensi demam berdarah, TB paru, atau infeksi jamur endemik di Papua.
Baca juga: Mengapa Foto dari Ponsel Bisa Lebih Tajam daripada Kamera DSLR?
Diagnosis AI vs Diagnosis Dokter: Perbedaan Bukan di Kecepatan, Tapi di Kerangka Kerja
Dokter tidak mendiagnosis hanya dari gejala. Ia menggabungkan riwayat penyakit keluarga, pemeriksaan fisik, faktor lingkungan, dan konteks sosial — misalnya, apakah pasien baru pulang dari daerah endemis malaria atau bekerja di pabrik kimia. AI tidak punya akses ke semua itu. Bahkan ketika pengguna menyertakan detail tambahan seperti 'saya tinggal di Makassar dan baru pulang dari hutan', model tetap tidak bisa memverifikasi kebenaran klaim tersebut. Ia hanya mengolah kata-kata sebagai token, bukan fakta hidup.
Menurut Antara Tekno, kasus nyata terjadi di RSUD Kota Bandung awal tahun ini: seorang pasien berusia 34 tahun datang dengan keluhan batuk kering selama dua minggu. Ia sempat membaca hasil pencarian AI yang menyebut kemungkinan 'tuberkulosis laten'. Padahal, pemeriksaan sputum dan foto toraks menunjukkan bronkitis akut akibat polusi udara. Pasien menghabiskan tiga hari cemas berlebihan dan menunda pengobatan dasar karena terlalu percaya pada label 'laten' yang diberikan mesin — padahal istilah itu tidak relevan tanpa konfirmasi laboratorium.
Baca juga: Google Uji Belanja Langsung via Gemini di Flipkart India
Risiko bukan hanya pada kesalahan diagnosis, tapi juga pada distorsi persepsi kesehatan. Ketika AI secara konsisten memberi respons yang terdengar otoritatif — dengan kalimat lengkap, referensi fiktif seperti 'menurut studi Lancet 2023', atau penjelasan anatomi yang rinci — pengguna mulai menganggap mesin sebagai rekan klinis, bukan alat bantu. Ini berbahaya di negara dengan rasio dokter per kapita 0,4 per 1.000 penduduk, di mana kepercayaan pada teknologi sering kali menjadi pengganti, bukan pelengkap.
Yang hilang dari narasi publik adalah perbedaan mendasar antara 'informasi kesehatan' dan 'penilaian klinis'. Informasi bisa dicari lewat mesin; penilaian klinis membutuhkan tanggung jawab profesional, lisensi, dan akuntabilitas hukum. Belum ada regulasi di Indonesia yang mengharuskan platform AI kesehatan mencantumkan peringatan eksplisit bahwa outputnya bukan pengganti konsultasi medis — berbeda dengan Singapura yang mewajibkan label 'This is not medical advice' di tiap respons layanan kesehatan berbasis AI sejak Januari 2024.
Rangkuman dampak langsung dari tren ini jelas: penundaan diagnosis dini, peningkatan kecemasan medis (health anxiety), dan beban tambahan bagi fasilitas kesehatan primer akibat pasien yang datang dengan diagnosis 'self-made' yang sulit dikoreksi. Yang paling krusial bukan menghentikan penggunaan AI, tapi membangun literasi kesehatan digital — bukan hanya tentang cara bertanya ke mesin, tapi juga cara membaca batasannya.