Banyak pembaca yang menyadarinya secara anekdot: teks yang ditulis oleh model AI terasa semakin padat, kaku, dan anehnya melelahkan untuk diurai, meskipun secara tata bahasa sempurna. Sebuah pracetak baru yang diposting ke arXiv menempatkan data linguistik di balik intuisi tersebut — dan memberikan penjelasan mengapa hal ini terjadi.
Penelitian bertajuk "Mengapa bahasa yang dihasilkan AI begitu sulit untuk dipahami?", disampaikan pada tanggal 21 Oktober oleh peneliti Thomas Hikaru Clark, Matias B. Martin, dan Kyle Mahowald. Berdasarkan kumpulan teks baru yang dihasilkan AI di berbagai domain, penulis menganalisis serangkaian fitur psikolinguistik yang sudah ada dalam literatur sebagai penanda kesulitan pemrosesan bagi pembaca manusia — termasuk klausa relatif objek, ketergantungan sintaksis yang panjang, dan n-gram frekuensi rendah. For more context on this story, see our ongoing more AI stories.
Apa yang Diukur Peneliti
Psikolinguistik telah lama mengetahui bahwa tidak semua kalimat memiliki biaya yang sama untuk dibaca. Klausul relatif objek ("senator yang diserang reporter...") membutuhkan waktu pemrosesan yang jauh lebih lama dibandingkan klausa terkait subjek. Ketergantungan yang panjang antar kata memaksa pembaca untuk menyimpan lebih banyak materi dalam ingatannya. Urutan kata yang langka memerlukan lebih banyak upaya untuk mengambil dan mengintegrasikannya. Fitur-fitur ini berfungsi sebagai penggaris untuk mengukur seberapa sulit sebuah teks untuk benar-benar dipahami — berbeda dengan seberapa canggih kedengarannya.
Para peneliti membandingkan tulisan yang dihasilkan AI dengan dua garis dasar: teks yang ditulis manusia, dan parafrase yang dihasilkan melalui terjemahan bolak-balik, sebuah kontrol yang dirancang untuk memisahkan keunikan model asli dari cita rasa umum prosa formal atau mesin.
Kontrol itu penting. Orang-orang yang skeptis dapat berargumen bahwa teks AI hanya dibaca seperti tulisan bisnis atau teknis – formal, impersonal, dan banyak mengandung kata benda – daripada menunjukkan patologi yang berbeda. Terjemahan bolak-balik menghasilkan teks dengan pola serupa yang sedikit tidak wajar tanpa pelatihan model bahasa apa pun di belakangnya. Jika model AI masih melampaui standar ukuran kesulitan pemrosesan, perbedaannya harus berasal dari sesuatu yang spesifik, yaitu cara model itu sendiri belajar menulis. Intinya, itulah yang ditemukan dalam penelitian ini.
Apa yang Mereka Temukan
Hasilnya konsisten di seluruh bidang. Dibandingkan dengan tulisan manusia, kesembilan model frontier dan near-frontier yang diperiksa dalam penelitian ini – sebuah kelompok yang mencakup sistem dari keluarga GPT-5.6, Claude, Llama, DeepSeek, dan Qwen – membuat pilihan yang jauh lebih sulit:
- Lebih banyak subjek mati yang dipasangkan dengan kata kerja bernyawa — ciri khas pola penulisan AI yang abstraksinya "menggali", "menggarisbawahi", atau "menyoroti".
- Lebih banyak n-gram berfrekuensi rendah, yang berarti rangkaian kata tidak biasa yang jarang dihasilkan oleh penulis manusia.
- Ketergantungan sintaksis yang lebih panjang, dengan subjek dan kata kerja dipisahkan oleh materi yang lebih banyak.
- Lebih banyak kata benda bertumpuk dan, dalam teks percakapan, lebih banyak klausa relatif objek yang direduksi.
Studi ini juga mendokumentasikan variasi substansial di seluruh kelompok model – tidak semua model sama sulitnya untuk dibaca – dan menemukan bahwa model AI lebih sering menggunakan konstruksi sulit ini dibandingkan parafrase terjemahan bolak-balik, yang menunjukkan bahwa efeknya spesifik pada cara model dilatih, bukan artefak register formal.
Variasi tersebut diam-diam merupakan salah satu hasil yang paling berguna dalam makalah ini. Jika kesulitan membaca merupakan konsekuensi yang tidak dapat dihindari dari skala atau kemampuan, semua sistem terdepan akan berkumpul menjadi satu. Sebaliknya, penyebaran antar keluarga menunjukkan bahwa pilihan pasca-pelatihan – campuran data, sinyal penghargaan, penekanan pada domain yang banyak berpikir – secara nyata membentuk bagaimana prosa suatu model dapat diterima oleh pembaca manusia. Dengan kata lain, teks AI yang sulit dibaca adalah hasil desain, bukan produk sampingan dari kecerdasan.
Hipotesis Kepadatan Informasi
Mengapa model beralih ke bahasa yang lebih sulit? Para penulis mengusulkan dan menguji hipotesis: meskipun bahasa manusia berevolusi dan dipelajari di bawah tekanan agar dapat berkomunikasi dengan sukses, teks yang dihasilkan AI semakin dioptimalkan untuk tujuan lain — tugas matematika, kode, dan penalaran — yang tekanannya lebih mengarah pada kepadatan informasi dibandingkan kemudahan pemahaman.
Model yang diberi penghargaan karena mengemas jawaban yang benar ke dalam lebih sedikit token akan mempelajari kebiasaan yang terbawa ke dalam prosa: memampatkan makna, lebih menyukai susunan kata yang tepat namun jarang, menanamkan lebih banyak struktur per kalimat. Hasilnya adalah teks yang mendapat nilai bagus dalam tolok ukur, namun terus berkembang menjadi kurang alami bagi pembaca manusia.
Untuk menguji gagasan tersebut, para peneliti menjalankan eksperimen pembuktian konsep: mereka menyempurnakan model bahasa dengan penalti panjang, sehingga memaksa model tersebut memperkecil keluarannya. Perilaku linguistik model ini menyimpang dari pola yang mirip manusia dengan cara yang persis seperti prediksi hipotesis – memberikan dukungan kausal terhadap gagasan bahwa tekanan pengoptimalan, bukan data saja, yang mendorong perubahan tersebut.
Mengapa Itu Penting
Temuan ini menyoroti apa yang penulis sebut sebagai ketidakselarasan antara tuntutan pemrosesan linguistik manusia dan tuntutan yang secara implisit disukai oleh model bahasa besar. Ketidakselarasan ini mempunyai konsekuensi praktis. Asisten AI yang menghasilkan teks yang lebih sulit dibaca mengenakan pajak tersembunyi pada setiap jawaban, dan efeknya bertambah seiring orang-orang menghabiskan lebih banyak waktu membaca mereka pada draf, ringkasan, dan penjelasan yang dihasilkan model.
Para penulis berpendapat bahwa kerangka kerja mereka mengarah pada solusi yang mungkin dilakukan – cara untuk melatih atau menyempurnakan model yang keluarannya menghormati batas pemrosesan manusia tanpa mengorbankan kemampuan. Makalah ini masih dalam tahap pracetak dan belum menjalani tinjauan sejawat, namun observasi utamanya sudah mulai menarik perhatian: makalah ini muncul di halaman depan Hacker News pada tanggal 24 Oktober, memicu perdebatan aktif tentang apakah trade-off antara kinerja penalaran dan prosa yang dapat dibaca merupakan hal yang mendasar atau dapat diperbaiki.
Untuk saat ini, penelitian ini memberi pembaca kosakata yang valid untuk mengatasi rasa frustrasi yang sudah dikenal. Teksnya tidak menjadi lebih buruk secara kebetulan — melainkan menjadi lebih padat karena desainnya.
Sumber: arXiv:2610.29162, Diskusi Berita Peretas---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
