Universitas terbesar di Meksiko memaksa sekitar 58.000 pelamar untuk mengikuti kembali ujian masuknya secara langsung setelah versi tes jarak jauh yang diawasi oleh AI menghasilkan lonjakan nilai tinggi yang mencurigakan dan meluasnya tuduhan kecurangan. Keputusan yang diambil oleh National Autonomous University of Mexico, yang dikenal sebagai UNAM, adalah salah satu dampak paling dramatis dari penerapan pengawasan ujian yang didukung AI di pendidikan tinggi.
Kasus ini menyoroti meningkatnya ketegangan antara institusi yang terburu-buru mengadopsi pengawasan otomatis dan kenyataan bahwa sistem pemantauan AI dapat dielakkan. Untuk informasi lebih lanjut tentang bagaimana AI membentuk kembali institusi, lihat berita AI terkini.
Apa yang salah
Awal musim panas ini, hampir 160.000 pelamar mengikuti ujian masuk UNAM secara jarak jauh – yang merupakan yang pertama bagi institusi tersebut. Selama beberapa minggu dari akhir Mei hingga awal Juni 2026, siswa menyelesaikan tes yang berisi 120 pertanyaan dari rumah menggunakan browser "lockdown" dan perangkat lunak pengawasan webcam yang didukung AI.
Hasilnya tidak jauh berbeda dengan tahun-tahun sebelumnya. Antara tahun 2021 dan 2025, 3,5 persen peserta tes mendapat nilai 100 atau lebih dalam ujian tersebut. Tahun ini, 16,3 persen melakukan hal yang sama. Lonjakan ini bahkan lebih nyata terjadi pada kelompok teratas: antara tahun 2021 dan 2025, hanya 0,9 persen pelamar yang mendapat nilai 110 atau lebih, namun tahun ini 5,5 persen mencapai angka tersebut. Akibatnya, skor tertinggi meningkat lima kali lipat.
Anomali statistik tersebut memicu tuduhan kecurangan yang meluas dan mendorong UNAM membentuk komisi ahli untuk menyelidikinya. Panel kini telah menyerahkan rekomendasinya.
Ujian kontrol
Kesimpulan komisi ini jelas: satu-satunya cara untuk mengembalikan kepercayaan adalah dengan mewajibkan pelamar untuk mengikuti tes baru secara langsung. UNAM akan menyelenggarakan apa yang mereka sebut sebagai "ujian kontrol", dan ini akan berlaku tidak hanya bagi mereka yang mendapat tempat berdasarkan hasil tahun ini, namun juga bagi semua orang yang akan diterima berdasarkan nilai keberhasilan minimum sejak tahun 2021. Sekitar 58.000 orang dapat terkena dampaknya.
Menurut Gaceta UNAM, publikasi resmi universitas, rektor meminta maaf kepada pelamar yang jujur yang kini harus mempersiapkan diri dan mengikuti tes kembali meski tidak melakukan kesalahan apa pun. Meski begitu, Rektor membela langkah tersebut, dan menyebut ujian kontrol "perlu untuk memberikan kepastian dan jaminan kesetaraan dalam akses."
Garis waktunya ketat. Perkuliahan saat ini dijadwalkan akan dimulai pada 10 Agustus 2026, yang berarti universitas harus menyelenggarakan dan menilai ujian tatap muka massal untuk puluhan ribu pelamar dalam hitungan hari, atau menunda dimulainya masa akademik.
Bagaimana pengawasan gagal
Ujian jarak jauh mengandalkan dua lapisan keamanan. Menurut laporan El País, pengujian tersebut memerlukan LockDown Browser dari Respondus, yang mengunci lingkungan pengujian dengan mencegah pencetakan, penyalinan, penjelajahan web, dan akses ke aplikasi lain selama ujian.
UNAM juga menerapkan sistem pengawasan dari Territorium yang menggunakan algoritma AI untuk memantau webcam setiap peserta tes. Sistem dirancang untuk mendeteksi ketika orang lain telah menggantikan posisi pemohon, ketika ponsel atau earphone sedang digunakan, atau ketika pemohon meninggalkan bingkai kamera. Setiap ujian juga memiliki satu pengawas manusia untuk setiap 150 pelamar, yang menerima peringatan otomatis dan dapat menandai penyimpangan.
Langkah-langkah ini tidak berjalan cukup baik. UNAM pada akhirnya membatalkan hampir 2 persen dari total ujian karena masalah perilaku yang tidak ditentukan, namun sebagian besar dugaan kecurangan tampaknya lolos.
Bagaimana siswa diduga menyontek
Sebuah laporan di The New York Times minggu lalu merinci metode yang dilaporkan digunakan oleh para siswa untuk mengalahkan pengawasan. Menurut Times, tip menyontek telah beredar luas sebelum tes tersebut diluncurkan. Akun online menyarankan siswa untuk menempatkan monitor di luar bingkai webcam agar mereka dapat mengakses ChatGPT atau model AI lainnya. Yang lain menyarankan untuk menyembunyikan earphone di bawah rambut mereka, atau mempekerjakan orang lain untuk mengikuti ujian di luar kamera.
Karena ujiannya berupa pilihan ganda dan bukan berbasis esai, sulit untuk mendeteksi tanda-tanda bantuan AI, seperti jawaban lengkap ditempelkan ke dalam kotak teks sekaligus. Siswa mungkin juga mengandalkan lembar contekan, bocoran pertanyaan, dan metode ketidakjujuran akademis tradisional lainnya.
Sebuah kisah peringatan untuk pengawasan AI
Peristiwa UNAM kemungkinan besar akan berdampak jauh di luar Meksiko. Universitas dan lembaga sertifikasi di seluruh dunia telah banyak berinvestasi dalam pengawasan jarak jauh yang didukung AI, yang dipasarkan sebagai cara terukur untuk menjaga integritas ujian selama pengujian online dan hybrid. Teknologi ini menjanjikan untuk menggantikan pengawas manusia dengan pengawasan algoritmik yang selalu aktif, namun kasus UNAM menunjukkan bahwa peserta tes yang gigih masih dapat menemukan celah.
Insiden ini juga menimbulkan pertanyaan tidak nyaman mengenai keadilan. Pelamar yang jujur dan mengikuti peraturan kini menghadapi beban untuk mengikuti kembali ujian tersebut, sementara universitas harus menanggung biaya logistik dan kerusakan reputasi akibat kegagalan pelaksanaan ujian. UNAM telah mengakui apa yang mereka sebut sebagai kemungkinan bahwa format jarak jauh telah disusupi, dan lembaga tersebut kini harus menanggung akibatnya karena memprioritaskan kenyamanan dibandingkan keandalan penilaian tatap muka yang telah terbukti.
Bagi institusi yang mempertimbangkan program pengujian jarak jauh serupa, pelajaran dari Mexico City sangat penting: pengawasan AI mungkin diperlukan, namun sebagai jaminan integritas yang berdiri sendiri, hal ini masih jauh dari cukup.
Tetap Terdepan dalam AI
Kasus UNAM adalah momen yang menentukan dalam perdebatan mengenai AI di bidang pendidikan. Baca selengkapnya cakupan industri AI dan Baca berita AI selengkapnya →
