Collective Intelligence: 240 Years of Research — From Condorcet to AI

Pada tahun 1794, seorang matematikawan Prancis meninggal di sel penjara revolusioner, sembilan tahun setelah menerbitkan teorema yang hampir tidak dibaca siapa pun. Pada tahun 1906, seorang ahli statistik Victoria berusia 84 tahun berkeliaran di pameran ternak mengumpulkan kartu undian bekas. Pada tahun 2026, para peneliti di MIT menjalankan ratusan ribu negosiasi antara agen AI untuk mempelajari bagaimana mesin seharusnya bergabung dengan tim manusia. Ketiga adegan ini merupakan bagian dari satu cerita penelitian yang berkelanjutan — studi tentang kecerdasan kolektif, kapasitas kelompok untuk bertindak dengan cara yang tampak cerdas. Apa yang mengikuti adalah cerita itu, era demi era, dengan temuan yang sebenarnya dan pertarungan yang sebenarnya.

1785: Taruhan Pencerahan — Teorema Condorcet

Marie Jean Antoine Nicolas de Caritat, Marquis de Condorcet, adalah sosok Pencerahan yang membuat polimatik modern terlihat sempit: seorang matematikawan yang terpilih menjadi anggota Académie des sciences di usia dua puluhan, seorang advokat awal dan vokal untuk pendidikan publik, hak suara perempuan, dan penghapusan perbudakan. Pada tahun 1785 ia menerbitkan Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix — sebuah esai tentang penerapan teori probabilitas pada pemungutan suara mayoritas. Tersembunyi di dalamnya adalah hasil yang sekarang kita sebut Teorema Juri Condorcet.

Teorema ini mengatakan sesuatu yang mengejutkan. Ambil pertanyaan ya/tidak dengan jawaban yang benar. Misalkan setiap pemilih benar dengan probabilitas yang bahkan sedikit lebih baik dari lemparan koin — katakanlah 55% — dan misalkan para pemilih menilai secara independen satu sama lain. Maka seiring dengan pertumbuhan kelompok, probabilitas bahwa mayoritas benar meningkat menuju kepastian. Penilaian individu yang mediocre, jika digabungkan dengan benar, menjadi penilaian kolektif yang hampir sempurna. Teorema ini juga memiliki kembaran yang gelap: jika setiap pemilih sedikit lebih buruk dari lemparan koin, mayoritas hampir pasti salah seiring dengan pertumbuhan kelompok. Agregasi memperkuat kompetensi — atau ketidakmampuan — yang Anda masukkan. Kami menceritakan keseluruhan cerita teorema ini, asumsi-asumsinya, dan penggunaan modernnya dalam karya pendamping kami tentang Teorema Juri Condorcet.

Esai yang sama berisi penemuan kedua yang akan memicu 160 tahun kemudian: paradoks Condorcet. Dengan tiga atau lebih opsi, preferensi mayoritas dapat berputar — kelompok lebih memilih A daripada B, B daripada C, dan C daripada A — sehingga “apa yang diinginkan mayoritas” bahkan mungkin tidak terdefinisi dengan baik. Pengamatan itu adalah benih teori pilihan sosial, bidang yang kemudian akan diubah Kenneth Arrow dengan teorema ketidakmungkinannya: tidak ada sistem pemungutan suara yang terurut dapat memenuhi daftar singkat kondisi keadilan yang wajar sekaligus. Sistem pemungutan suara, metode pilihan terurut, dan matematika agregasi preferensi adalah cerita tersendiri — jenis agregasi yang berbeda dari rata-rata keyakinan yang diikuti artikel ini — dan satu yang akan kami kembalikan dalam seri mendatang.

Condorcet tidak hidup untuk melihat semua itu berarti. Dilarang selama Teror karena menentang konstitusi Jakobin, ia bersembunyi selama berbulan-bulan — menulis, secara luar biasa, Sketsa untuk Gambar Sejarah Kemajuan Pikiran Manusia yang optimis — ditangkap pada Maret 1794, dan ditemukan tewas di selnya di Bourg-la-Reine dua hari kemudian. Matematika kebijaksanaan kolektif dimulai sebagai karya seorang pria yang dihancurkan oleh kolektif yang menjadi gila. Ironi ini telah membayangi bidang ini sejak saat itu: kelompok dapat cemerlang, dan kelompok dapat mengerikan, dan perbedaannya bukanlah orang-orang — itu adalah kondisi.

1906–1950-an: Era statistik — Galton, Hayek, dan Delphi

Untuk uji empiris pertamanya, kecerdasan kolektif harus menunggu 121 tahun — dan itu tiba di pameran ternak. Pada musim gugur tahun 1906, Francis Galton, yang saat itu berusia 84 tahun, menghadiri Pameran Ternak dan Unggas Barat Inggris di Plymouth, di mana sebuah kontes penilaian berat mengundang pengunjung untuk menebak berat daging seekor sapi hidup dengan harga enam pence per tiket. Galton — seorang pendiri statistik, dan bukan seorang demokrat secara temperament — mengharapkan entri tersebut membuktikan ketidaktahuan pemilih rata-rata. Ia memperoleh kartu bekas, membuang 13 yang tidak terbaca, dan menganalisis 787 tebakan yang tersisa. Perkiraan yang paling tengah adalah 1.207 lb; berat daging sapi yang sebenarnya adalah 1.198 lb — kesalahan di bawah 1%, lebih baik daripada para ahli ternak yang hadir. Ia menerbitkan hasilnya di Nature pada 7 Maret 1907 dengan judul “Vox Populi,” dan dalam korespondensi lanjutan mengakui bahwa rata-rata aritmatika lebih akurat lagi: 1.197 lb, satu pon off. Cerita lengkap — termasuk apa yang salah dengan Galton dan seratus tahun replikasi sejak itu — ada dalam penyelaman mendalam kami tentang sapi Galton, dan fenomena umum dalam panduan kami tentang kebijaksanaan kerumunan.

Mengapa trik ini berhasil? Setiap tebakan dapat dibagi menjadi sinyal ditambah kesalahan. Jika kesalahan independen dan tersebar di kedua sisi kebenaran, agregasi membatalkan mereka sementara sinyal bersama bertahan. “Jika” itu adalah asumsi independensi Condorcet yang mengenakan pakaian statistik, dan itu adalah engsel di mana setiap keberhasilan dan kegagalan kebijaksanaan kerumunan berputar. Penelitian ulang Kenneth Wallis tahun 2014 tentang kompetisi Galton mengonfirmasi seberapa baik kondisi pameran — entri tertulis pribadi, insentif untuk akurat, tidak ada hitungan yang terlihat — melindunginya.

Lompatan berikutnya datang dari ekonomi. Dalam “Penggunaan Pengetahuan dalam Masyarakat” (American Economic Review, 1945), Friedrich Hayek berpendapat bahwa pengetahuan yang relevan untuk keputusan ekonomi tidak pernah ada dalam bentuk terkonsentrasi — ia tersebar di jutaan orang sebagai fragmen lokal, parsial, sering kali tacit. Tidak ada perencana pusat yang dapat mengumpulkannya; tetapi sistem harga mengagregasinya secara otomatis, mengompresi pengetahuan yang tersebar menjadi satu angka yang memberi tahu semua orang bagaimana bertindak. Hayek telah, pada dasarnya, mengidentifikasi mekanisme agregasi berskala besar pertama yang berjalan dalam produksi. Setengah abad kemudian, pasar prediksi akan mengambil wawasan ini secara harfiah dan membangun pasar yang produk satu-satunya adalah informasi dalam harga.

Tahun 1950-an menambahkan proses kecerdasan kolektif yang pertama kali didesain. Di RAND Corporation, para peneliti yang mengembangkan ramalan jangka panjang menghadapi masalah yang sudah dikenal: menempatkan para ahli dalam satu ruangan dan suara yang paling keras atau paling senior akan mengikat semua orang lainnya. Jawaban mereka, metode Delphi, mengumpulkan penilaian ahli secara anonim dan dalam putaran yang diulang dengan umpan balik terkontrol — melindungi independensi dari peringkat dan tekanan sosial sambil tetap membiarkan informasi beredar. Delphi adalah nenek moyang langsung dari setiap proses input terstruktur modern, dari perencanaan poker hingga aliran kontribusi independen yang digunakan dalam platform pengambilan keputusan kolaboratif.

1940-an–1990-an: Sibernetika, teori permainan, dan kecerdasan yang ditingkatkan

Sementara para ahli statistik mempelajari agregasi, garis keturunan lain mempelajari interaksi. Teori Permainan John von Neumann dan Oskar Morgenstern (Theory of Games and Economic Behavior edisi 1947) memberikan ilmu sosial matematika ketergantungan strategis — apa yang terjadi ketika hasil pilihan saya bergantung pada pilihan Anda. Teori permainan mengubah kelompok bukan sebagai sekumpulan estimator independen tetapi sebagai sistem agen yang saling berinteraksi, pandangan yang akan sangat penting ketika para peneliti mulai bertanya mengapa individu rasional menghasilkan kolektif yang tidak rasional (subjek penelitian cascades informasi beberapa dekade kemudian).

Benang kedua adalah teknologi. Dalam laporannya tahun 1962 di SRI Augmenting Human Intellect: A Conceptual Framework, Douglas Engelbart mengusulkan bahwa tujuan komputasi bukanlah untuk menggantikan pemikiran manusia tetapi untuk meningkatkannya — termasuk pemikiran kolektif kelompok yang menangani masalah yang terlalu kompleks untuk individu mana pun. Kerangka Engelbart menabur bidang penelitian tentang kerja sama yang didukung komputer (CSCW) yang terbentuk pada tahun 1980-an, dan gelombang perangkat lunak kelompok yang mengikutinya. Pertanyaan peningkatan versus penggantian yang diajukan pada tahun 1962 adalah, hampir kata demi kata, pertanyaan yang sekarang dijawab oleh literatur manusia-AI tahun 2024–2026 dengan data.

Era tengah ini memberikan sesuatu yang mudah diremehkan: ia mengubah kecerdasan kolektif dari properti yang Anda amati menjadi sistem yang Anda bangun. Delphi adalah protokol yang dirancang; perangkat lunak kelompok adalah perangkat lunak yang dirancang; kerangka Engelbart secara eksplisit adalah agenda rekayasa untuk kognisi kelompok. Era statistik telah bertanya “apakah kerumunan akurat?” Era sibernetika bertanya pertanyaan yang diwarisi setiap platform kolaborasi modern: struktur apa yang membuat kelompok lebih pintar daripada seharusnya? Argumentasi terstruktur itu sendiri memiliki garis keturunan intelektual paralel di sini — model argumen Stephen Toulmin tahun 1958 dan tradisi pemetaan argumen selanjutnya memberikan sisi deliberatif kecerdasan kolektif struktur datanya, peta argumen, sama seperti harga telah menjadi struktur data agregasi pasar.

1959–1999: Era kawanan — kecerdasan tanpa siapa pun yang memimpin

Sementara itu, biologi secara diam-diam membongkar asumsi bahwa kecerdasan memerlukan otak yang memimpin. Pada tahun 1959, zoolog Prancis Pierre-Paul Grassé, yang mempelajari konstruksi sarang rayap, menciptakan istilah stigmergi: koordinasi melalui jejak yang ditinggalkan di lingkungan. Tidak ada rayap yang memegang cetak biru; masing-masing merespons keadaan lokal gundukan, dan gundukan itu sendiri mengoordinasikan koloni. Ini adalah mekanisme pertama yang tepat untuk koordinasi tanpa pemimpin — dan ternyata dapat digeneralisasi jauh melampaui serangga.

Pada tahun 1987, peneliti grafik komputer Craig Reynolds menunjukkan betapa sedikitnya kecanggihan individu yang sebenarnya dibutuhkan untuk muncul. Makalah SIGGRAPH-nya “Flocks, Herds, and Schools: A Distributed Behavioral Model” menghidupkan kawanan burung simulasi — boids — yang diatur oleh hanya tiga aturan lokal: pemisahan, penyelarasan, dan kohesi. Tanpa pemimpin, tanpa skrip, dan meskipun demikian kawanan berputar dan membelah dan membentuk kembali seperti yang sebenarnya. Dua tahun kemudian, Gerardo Beni dan Jing Wang menciptakan istilah kecerdasan kawanan dalam konteks sistem robotik seluler, memberikan fenomena ini namanya.

Hasil rekayasa mengikuti dengan cepat. Tesis PhD Marco Dorigo tahun 1992 di Politecnico di Milano, Optimization, Learning and Natural Algorithms, menerjemahkan pencarian makanan semut — jejak feromon yang memperkuat jalur yang lebih pendek, seperti yang diungkapkan oleh eksperimen jembatan ganda dengan semut Argentina — menjadi Optimisasi Koloni Semut, sekelompok algoritma untuk masalah routing dan penjadwalan. Optimisasi Kawanan Partikel James Kennedy dan Russell Eberhart (1995) melakukan hal yang sama untuk pengelompokan. Pada tahun 1999, Swarm Intelligence: From Natural to Artificial Systems (Oxford) oleh Bonabeau, Dorigo, dan Theraulaz telah mengkodifikasi bidang ini, dan algoritma berbasis semut telah merouting panggilan telepon (Schoonderwoerd dan rekan-rekannya di BT Labs, 1996) dan truk pengiriman. Kemudian, robotika membuat poin tersebut secara fisik: pada tahun 2014, Rubenstein, Cornejo, dan Nagpal merakit bentuk dari 1.024 Kilobots (Science), dan Honeybee Democracy (2010) oleh Thomas Seeley menunjukkan kawanan lebah madu memilih lokasi sarang melalui pengintaian, advokasi tarian waggle, dan penginderaan quorum — sebuah pendekatan alami dan terdesentralisasi dari teorema juri yang sedang berlangsung. Akun lengkap ada dalam panduan kami tentang kecerdasan kawanan.

Pelajaran era kawanan untuk kelompok manusia bersifat dua sisi. Ini membuktikan bahwa desentralisasi berhasil — pengetahuan lokal ditambah aturan interaksi sederhana dapat mengungguli perencanaan pusat, persis seperti yang dikatakan Hayek. Tetapi itu juga menandai batas: kawanan mengoordinasikan tindakan, bukan alasan. Semut tidak berdiskusi. Kecerdasan kolektif manusia menambahkan lapisan yang tidak dimiliki oleh kawanan — pertukaran dan evaluasi argumen — dan lapisan itu membutuhkan mesin yang berbeda.

1999–2015: Era internet — kecerdasan kolektif masuk ke produksi

Kemudian internet membuat semua orang menjadi kontributor potensial, dan kecerdasan kolektif berhenti menjadi keingintahuan laboratorium. Perangkat lunak sumber terbuka menunjukkan bahwa ribuan relawan yang dikoordinasikan secara longgar dapat membangun sistem yang kompleks seperti sistem operasi — esai Eric Raymond tahun 1999 The Cathedral and the Bazaar menyediakan manifesto era ini. Wikipedia, yang diluncurkan pada tahun 2001, memperluas model ini ke pengetahuan manusia itu sendiri: ensiklopedia tanpa pemimpin redaksi, dikoordinasikan secara stigmergik melalui artefak yang sedang diedit — logika rayap, diterapkan pada teks.

Pada tahun 2004, dua publikasi memberikan teori era ini. The Wisdom of Crowds karya James Surowiecki mengumpulkan satu abad bukti dan menyaring empat kondisi di mana kelompok bijak: keragaman pendapat, independensi, desentralisasi, dan agregasi — hapus salah satu, dan kerumunan menjadi lebih bodoh, bukan lebih pintar. Pada tahun yang sama, Lu Hong dan Scott Page menerbitkan hasil “keragaman mengalahkan kemampuan” mereka di PNAS: dalam model komputasi mereka, kelompok pemecah masalah yang acak dan beragam secara kognitif mengungguli kelompok yang terdiri dari para pelaku terbaik secara individu. Kejujuran memerlukan catatan kaki: pada tahun 2014, matematikawan Abigail Thompson menerbitkan kritik tajam di Notices of the American Mathematical Society, berpendapat bahwa teorema yang mendasarinya sepele dan salah label dan simulasi yang terlalu diinterpretasikan; pembela termasuk Page sendiri membalas bahwa hasil tersebut berlaku di bawah kondisi yang dinyatakan — masalah yang sulit, agen yang mampu, kolam besar — dan tidak pernah mengklaim bahwa kelompok yang beragam mengalahkan tim ahli mana pun. Debat, dan apa yang bertahan, diperiksa dalam karya kami tentang keragaman versus kemampuan dan panduan kami tentang keragaman epistemik.

Mekanisme harga Hayek mendapatkan eksperimen terkontrolnya di era ini juga. Pasar Elektronik Iowa, pasar penelitian uang nyata yang didirikan di Universitas Iowa pada tahun 1988, mengumpulkan cukup sejarah untuk perbandingan definitif: Berg, Nelson, dan Rietz (International Journal of Forecasting, 2008) mencocokkan harga pasar dengan 964 jajak pendapat nasional selama pemilihan presiden AS 1988–2004 dan menemukan pasar lebih dekat dengan hasil akhirnya 74% dari waktu, dengan keunggulannya paling kuat pada horizon lebih dari 100 hari. Aturan penilaian pasar logaritmik Robin Hanson (2003) sementara itu menyelesaikan masalah pasar tipis secara algoritmik, memungkinkan bahkan kelompok kecil menjalankan pasar prediksi internal.

Penilaian ahli, di sisi lain, mengalami pukulan. Expert Political Judgment karya Philip Tetlock (2005) melaporkan studi selama sekitar dua dekade terhadap 284 ahli dan sekitar 28.000 penilaian probabilitas; rata-rata ahli hampir tidak lebih baik daripada ekstrapolasi sederhana — temuan di balik karikatur terkenal “simian yang melempar dart”. Tetapi pekerjaan lanjutan Tetlock dalam turnamen ramalan IARPA (2011–2015) menemukan setengah konstruktif dari cerita: sekelompok kecil “superforecasters,” yang dibedakan bukan oleh kredensial tetapi oleh pemikiran probabilistik dan pembaruan keyakinan yang tak henti-hentinya, dilaporkan mengungguli analis intelijen yang memiliki akses ke informasi rahasia. Keterampilan dan kalibrasi ramalan layak — dan akan mendapatkan — perlakuan mendalam mereka sendiri dalam seri mendatang.

Tonggak institusional era ini datang pada tahun 2006, ketika Thomas Malone mendirikan Pusat Kecerdasan Kolektif MIT di sekitar pertanyaan yang tampaknya sederhana: bagaimana orang dan komputer dapat terhubung sehingga, secara kolektif, mereka bertindak lebih cerdas daripada individu, kelompok, atau komputer mana pun yang pernah ada sebelumnya? Keluaran awal memetakan ruang desain — “Genome Kecerdasan Kolektif” (Malone, Laubacher, dan Dellarocas, MIT Sloan Management Review, 2010) mengatalogkan blok bangunan sistem CI di sepanjang empat pertanyaan: siapa yang melakukan tugas (kerumunan atau hierarki), mengapa (uang, cinta, atau kemuliaan), apa (menciptakan atau memutuskan), dan bagaimana (secara independen atau bergantung). Pada tahun 2015, Handbook of Collective Intelligence (MIT Press) karya Malone dan Bernstein dapat mendefinisikan objek bidang ini dengan jelas: “kelompok individu yang bertindak secara kolektif dengan cara yang tampak cerdas.”

Dan pada tahun 2010, bidang ini memperoleh pengukuran yang paling provokatif. Anita Williams Woolley, Christopher Chabris, Alex Pentland, Nada Hashmi, dan Thomas Malone (Science, 330: 686–688) menguji 699 orang yang bekerja dalam kelompok dua hingga lima pada berbagai tugas. Kinerja kelompok di seluruh tugas cukup berkorelasi untuk menghasilkan satu faktor statistik — faktor kecerdasan kolektif, c — yang menjelaskan sekitar 43% varians, analog tingkat kelompok dari faktor g IQ individu. Kejutan adalah apa yang memprediksinya. Rata-rata dan kecerdasan maksimum anggota berkorelasi hanya lemah dengan c. Apa yang berkorelasi kuat: sensitivitas sosial rata-rata kelompok (diukur dengan tes Membaca Pikiran di Mata), kesetaraan dalam pengambilan giliran percakapan, dan proporsi perempuan dalam kelompok (yang sebagian besar dimediasi oleh sensitivitas sosial). Seberapa pintar sebuah kelompok, data mengatakan, tergantung kurang pada siapa yang ada di dalamnya daripada pada bagaimana ia berinteraksi.

Sejarah bayangan: ketika kolektif gagal

Berlari di bawah seluruh garis waktu optimis adalah literatur kedua yang lebih gelap — studi tentang bagaimana kelompok individu yang cerdas dan bermaksud baik menghasilkan kebodohan kolektif. Ini penting di sini karena bukan subjek terpisah: setiap mode kegagalan yang terdokumentasi adalah pelanggaran terhadap kondisi yang bergantung pada kisah sukses.

Cabang psikologis datang pertama. Victims of Groupthink karya Irving Janis (1972) membedah bagaimana penasihat Presiden Kennedy yang sangat mampu membujuk diri mereka sendiri untuk invasi Teluk Babi 1961. Janis mencatat delapan gejala dalam tiga kelompok — overestimasi kelompok (ilusi ketidakrentanan, keyakinan pada moralitas bawaan), pikiran tertutup (rasionalisasi kolektif, pandangan stereotip tentang orang luar), dan tekanan menuju keseragaman (swadaya, ilusi konsensus, tekanan langsung pada pembangkang, dan “penjaga pikiran” yang ditunjuk sendiri yang menyaring informasi yang mengganggu). Dua tahun kemudian, “Paradoks Abilene” Jerry Harvey (Organizational Dynamics, 1974) menggambarkan sepupu yang lebih aneh: kelompok yang setuju pada suatu tindakan yang tidak diinginkan oleh anggota individu mana pun, karena semua orang salah mengartikan keheningan satu sama lain sebagai preferensi. Keduanya adalah kegagalan dari input yang sama: penilaian jujur dan independen tidak pernah masuk ke dalam kolam.

Cabang ekonomi muncul pada tahun 1992, dan itu lebih mengganggu karena tidak memerlukan psikologi sama sekali. Sushil Bikhchandani, David Hirshleifer, dan Ivo Welch (“A Theory of Fads, Fashion, Custom, and Cultural Change as Informational Cascades,” Journal of Political Economy, 100: 992–1026) dan, secara independen, Abhijit Banerjee (“A Simple Model of Herd Behavior,” Quarterly Journal of Economics, 1992) menunjukkan bahwa agen yang sepenuhnya rasional yang memutuskan secara berurutan akan, setelah hanya beberapa pengamatan, secara rasional mengabaikan informasi pribadi mereka sendiri dan meniru pendahulu mereka. Informasi cascade yang dihasilkan masuk akal secara individu dan rapuh secara kolektif — ia hampir tidak mengagregasi pengetahuan terdispersi kelompok, dan dapat mengunci seluruh populasi pada jawaban yang salah yang dipilih oleh sekelompok kecil pelaku awal. Lisa Anderson dan Charles Holt mereproduksi cascade sesuai permintaan di laboratorium (American Economic Review, 1997). Mekanisme ini menerangi segala sesuatu mulai dari gelembung aset hingga informasi viral: analisis Vosoughi, Roy, dan Aral terhadap sekitar 126.000 cascade cerita di Twitter (Science, 2018) menemukan berita palsu menyebar secara signifikan lebih jauh, lebih cepat, dan lebih dalam daripada kebenaran, dengan kebohongan sekitar 70% lebih mungkin untuk di-retweet. Katalog kegagalan lengkap — dari mania tulip hingga 2008 — ada di Ketika Kerumunan Salah.

Perhatikan apa yang kedua cabang ini bagikan. Groupthink menghancurkan independensi secara sosial; cascade menghancurkannya secara informasional. Dalam kedua kasus, kerumunan berhenti menjadi banyak penilaian dan menjadi satu penilaian yang mengenakan banyak wajah — tepat kondisi di mana teorema Condorcet berbalik dari jaminan kebijaksanaan menjadi jaminan kesalahan yang percaya diri. Sejarah bayangan adalah mengapa sayap praktis bidang ini menjadi terobsesi dengan proses: kumpulkan penilaian sebelum mengekspos orang pada pandangan satu sama lain, lindungi perbedaan secara struktural, dan buat agregasi eksplisit.

2015–2023: Dekade debat — replikasi, kritik, dan tanggapan

Setiap pengukuran yang mengejutkan seperti itu pasti akan diserang, dan serangan itu datang pada tahun 2017. Marcus Credé dan Garett Howardson (Journal of Applied Psychology) menganalisis ulang enam sampel dan berpendapat bahwa dukungan empiris untuk c-factor umum lemah — bahwa kinerja kelompok mungkin lebih baik dijelaskan oleh kemampuan spesifik tugas daripada oleh satu faktor yang mendasari. Woolley, Kim, dan Malone membalas pada tahun 2018, membantah prosedur penilaian kritik dan berpendapat bahwa asumsi simulasi tidak cocok dengan tugas yang sebenarnya dilakukan kelompok. Inilah yang terlihat seperti bidang yang sehat: pertarungan dilakukan dalam data dan analisis ulang, bukan siaran pers.

Hal terdekat dengan putusan tiba pada tahun 2021. Riedl, Kim, Gupta, Malone, dan Woolley menerbitkan meta-analisis di PNAS yang mencakup 22 studi dan 1.356 kelompok — mahasiswa, personel militer, pekerja online, gamer — dan menemukan bukti konsisten untuk faktor kecerdasan kolektif di semua kelompok tersebut, dengan proses kolaborasi kelompok dan perseptivitas sosial anggota di antara antecedent terkuatnya. Struktur dan kondisi batas konstruk ini tetap diperdebatkan, seperti seharusnya; tetapi “kecerdasan kelompok dapat diukur dan tidak dapat direduksi menjadi IQ anggota” sekarang didasarkan pada basis bukti yang jauh lebih besar daripada makalah asli tahun 2010.

Dua temuan komplementer melengkapi dekade ini. Superminds karya Malone (2018) menyediakan taksonomi pikiran kolektif yang sudah dijalankan oleh peradaban — hierarki, demokrasi, pasar, komunitas, dan ekosistem — masing-masing merupakan jawaban berbeda untuk pertanyaan agregasi, masing-masing dengan kekuatan dan mode kegagalan yang khas. Dan Proyek Aristotle Google (2012–2015), sebuah studi internal tentang 180 tim, menemukan bahwa keamanan psikologis — keyakinan bersama bahwa tim aman untuk mengambil risiko interpersonal — adalah prediktor terkuat efektivitas tim, di depan komposisi dan senioritas. Kesetaraan pengambilan giliran Woolley dan keamanan psikologis Google adalah dua pengukuran dari kebenaran mendasar yang sama: hambatan kecerdasan kelompok adalah apakah informasi yang dimiliki anggota benar-benar masuk ke dalam kelompok. Dinamika kelompok — keamanan, deliberasi, dan patologi mereka seperti groupthink — adalah kelompok tersendiri, dan kami memperlakukan mode kegagalan mereka dalam Ketika Kerumunan Salah.

2024–2026: Superpikiran manusia-AI — perbatasan saat ini

Era saat ini dimulai ketika model bahasa besar bergabung dengan kelompok. Burton dan 27 penulis bersama dari berbagai disiplin memetakan kepentingan dalam “Bagaimana model bahasa besar dapat membentuk kembali kecerdasan kolektif” (Nature Human Behaviour, 8: 1643–1655, 2024): LLM dapat menurunkan hambatan untuk berpartisipasi, merangkum perdebatan yang luas, dan mengagregasi pengetahuan yang terpisah pada skala yang belum pernah terjadi sebelumnya — dan mereka juga dapat menghomogenisasi sudut pandang, memproduksi konsensus palsu, dan mengurangi keragaman ekosistem informasi yang menjadi sumber kebijaksanaan kerumunan. Setiap kondisi dalam daftar Surowiecki diperkuat dan terancam secara bersamaan oleh teknologi yang sama.

Pertanyaan sinergi — pertanyaan Engelbart tahun 1962 — akhirnya mendapatkan meta-analisisnya. Michelle Vaccaro, Abdullah Almaatouq, dan Thomas Malone menganalisis 106 eksperimen dan 370 ukuran efek (“Ketika kombinasi manusia dan AI berguna,” Nature Human Behaviour, 8: 2293–2303, 2024) dan menemukan bahwa, rata-rata, kombinasi manusia-AI berkinerja lebih buruk daripada yang terbaik dari manusia atau AI sendirian. Kerugian terkonsentrasi dalam tugas pengambilan keputusan; keuntungan yang nyata muncul dalam tugas penciptaan konten. Menempatkan “manusia dalam loop” tidak meningkatkan hasil — sering kali manusia mengesampingkan penilaian mesin yang lebih baik, atau menunda pada yang lebih buruk. Sinergi adalah pencapaian desain, bukan default. Ilmu yang muncul tentang sistem manusia-AI — bias otomatisasi, kalibrasi kepercayaan, kapan membiarkan pihak mana yang memutuskan — adalah bab masa depan lain dari seri ini.

Agenda desain itu sekarang menjadi program eksplisit dari MIT Center for Collective Intelligence, yang penelitiannya diorganisir pada tahun 2026 di bawah tiga payung: AI Generatif dan Kecerdasan Kolektif (AI untuk meningkatkan kreativitas manusia), Desain Supermind (merancang kombinasi inovatif antara orang dan komputer), dan Merancang Tim Manusia-AI (merancang dan mengalokasikan tugas dalam tim manusia-mesin — dikejar dengan program Singapore-MIT M3S sebagai ilmu sistematis alokasi tugas: sub-tugas mana yang diberikan kepada manusia versus AI, siapa yang mengawasi, dan apakah AI bertindak sebagai alat, asisten, rekan, atau manajer). Proyek-proyek unggulan sebelumnya — Climate CoLab dan platform CoLabs, CI Design Lab, program Measuring Collective Intelligence — sekarang secara resmi menjadi pekerjaan warisan, diserap ke dalam pertanyaan era AI ini.

Keluaran konkret menunjukkan seperti apa “sinergi yang dirancang”. Supermind Ideator, alat ideasi berbasis LLM yang membimbing pengguna melalui langkah-langkah pemecahan masalah kreatif yang terstruktur, menghasilkan ide-ide yang jauh lebih inovatif dalam sebuah studi eksperimental dibandingkan dengan ChatGPT sendirian atau orang yang bekerja tanpa bantuan (Konferensi Kecerdasan Kolektif ACM 2024; Kecerdasan Kolektif, 2024); penguji beta telah menghasilkan lebih dari 10.000 ide dengan alat ini, dan alat saudara, DesignAID, menerapkan pendekatan ini untuk pekerjaan desain. Struktur ini menerapkan enam langkah Desain Supermind — Zoom Out, Zoom In, Analogize, Groupify, Cognify, Technify — daftar periksa untuk membayangkan siapa (atau apa) yang melakukan setiap bagian dari tugas. Pelajaran ini mencerminkan meta-analisis Vaccaro dengan tepat: nilainya bukan pada model, tetapi pada struktur yang mengelilinginya. Di sisi pengukuran, AGI-Elo (Sun dan rekan-rekan, NeurIPS 2025; arXiv 2505.12844) — dengan penulis bersama yang terafiliasi CCI termasuk Malone — menilai model AI dan kasus uji individu satu sama lain seperti pemain catur, sehingga kesulitan tugas dan kompetensi model berada pada satu skala yang dapat dibandingkan: prasyarat untuk memutuskan bagian mana dari pekerjaan yang diserahkan kepada mesin.

Dua hasil lagi tahun 2026 menggambarkan ke mana arah ini. Sebuah makalah PNAS, “Meningkatkan Negosiasi AI: Kompetisi Negosiasi Otonom Skala Besar,” melaporkan sebuah kompetisi internasional di mana agen AI yang dirancang oleh peserta melakukan lebih dari 180.000 negosiasi satu sama lain. Teori negosiasi manusia bertahan dari perubahan spesies: agen yang menunjukkan kehangatan — positif, rasa syukur, bertanya — secara konsisten mencapai hasil yang lebih baik dalam kesepakatan dan nilai, sementara pertukaran maraton yang beraroma dominasi memprediksi kebuntuan; agen juga mengembangkan taktik asli AI, dari penalaran rantai pemikiran hingga upaya injeksi prompt. Dan ontologi kerja yang mendalam (Cai dan rekan-rekan, arXiv 2603.20619, Maret 2026) mengorganisir sekitar 20.000 aktivitas kerja O*NET dan memetakan 13.275 aplikasi AI ditambah total dunia 20,8 juta sistem robotik ke dalamnya — menemukan nilai pasar AI sangat terkonsentrasi, dengan 1,6% teratas dari aktivitas menyumbang lebih dari 60% dari itu. Supermind manusia dan mesin tidak lagi menjadi metafora; mereka adalah basis terpasang yang sedang diinventarisasi.

Apa yang diajarkan 240 tahun kepada kita

Letakkan era berdampingan dan satu garis besar muncul: setiap keberhasilan dalam sejarah ini adalah keberhasilan struktur, dan setiap kegagalan adalah kegagalan dari beberapa kondisi yang sama. Teorema Condorcet berjalan pada independensi dan kompetensi yang lebih baik dari peluang. Galton yang adil kebetulan menegakkan penilaian independen, terinsentif, dan tertulis. Harga Hayek dan pembuat pasar Hanson adalah mekanisme agregasi; Delphi adalah mekanisme perlindungan independensi; empat kondisi Surowiecki hanyalah persyaratan yang berulang. Literatur c-factor menemukan bahwa proses interaksi — bergiliran, sensitivitas sosial, keamanan untuk berbicara — mengatur apakah sebuah kelompok dapat menggunakan kecerdasan yang dimilikinya. Dan meta-analisis era AI menemukan bahwa tim manusia-AI menang tepat ketika kolaborasi dirancang secara sengaja. Ketika kondisi-kondisi tersebut rusak — ketika penilaian berhenti menjadi independen dan orang mulai meniru perilaku terlihat orang lain — Anda mendapatkan cascades informasi, gelembung, dan pemikiran kelompok: secara individu rasional, secara kolektif salah.

Ini juga, bukan kebetulan, adalah peta di mana kecerdasan kolektif berada dalam kehidupan sebuah keputusan. Memutuskan dengan baik berarti memperhatikan masalah yang tepat, membingkainya, menghasilkan opsi, menyelidikinya, mengagregasi penilaian yang terpisah, berdiskusi tentang alasan, dan hanya kemudian memilih, menerapkan, dan memantau. Program penelitian 240 tahun ini sangat berfokus pada tahap-tahap tengah tersebut — agregasi dan deliberasi — karena di situlah pengetahuan individu baik menjadi pengetahuan kolektif atau mati dalam keheningan.

Argumentree dibangun sebagai aplikasi langsung dari temuan ini. Pengajuan argumen yang independen dan asinkron melindungi kondisi independensi Condorcet dan Delphi sebelum kelompok berkumpul. Struktur pohon argumen pro/con memberikan setiap perspektif — termasuk perbedaan pendapat — tempat kelas satu, kondisi yang ditunjukkan oleh kesetaraan bergiliran Woolley dan keamanan psikologis Google. Penilaian multi-dimensi (kegunaan, kejelasan, akurasi, kelengkapan), yang digabungkan menjadi skor konsensus, adalah mekanisme agregasi eksplisit dalam garis keturunan Galton-Hayek — kecuali bahwa tidak seperti harga pasar, ia mempertahankan penalaran. Dan jejak audit penuh mengubah setiap keputusan menjadi catatan organisasi, sehingga kelompok dapat belajar dari dirinya sendiri — tahap pemantauan yang diakhiri dengan siklus hidup. Ekstraksi AI dari transkrip rapat mengikuti pelajaran 2024–2026: gunakan AI di mana ia terbukti membantu (struktur dan pemrosesan konten) sementara manusia mempertahankan penilaian. Putusan sejarah konsisten dari 1785 hingga 2026: kelompok tidak menjadi pintar secara kebetulan. Mereka menjadi pintar melalui struktur — dan struktur sekarang adalah sesuatu yang dapat Anda adopsi daripada improvisasi. Mulailah dengan panduan kami untuk kecerdasan kolektif, atau lihat bagaimana prinsip-prinsip berjalan di dalam proses keputusan nyata dalam pengambilan keputusan kolaboratif.