Apa itu kecerdasan kolektif? Kecerdasan kolektif adalah kemampuan kelompok individu — manusia, mesin, atau keduanya — untuk bertindak secara kolektif dengan cara yang tampak cerdas, menghasilkan penilaian, keputusan, dan solusi yang dapat mengungguli apa yang dapat dicapai oleh anggota mana pun sendirian.
Kecerdasan kolektif, seperti yang didefinisikan oleh Thomas Malone dan Michael Bernstein dalam Handbook of Collective Intelligence (MIT Press, 2015), adalah 'kelompok individu yang bertindak secara kolektif dengan cara yang tampak cerdas.' Bidang ini mencakup dari Teorema Juri Condorcet (1785) dan eksperimen penimbangan sapi Francis Galton pada tahun 1906 hingga ilmu laboratorium modern: Anita Williams Woolley dan rekan-rekannya (Science, 2010) menemukan bukti untuk faktor kecerdasan kolektif umum — faktor c — yang menjelaskan sekitar 43% varians dalam kinerja kelompok di berbagai tugas dan lebih berkorelasi dengan sensitivitas sosial, kesetaraan dalam pergantian berbicara, dan proporsi wanita dalam kelompok daripada dengan IQ anggota. Faktor c telah diperdebatkan (Credé dan Howardson, 2017) dan didukung oleh meta-analisis 22 studi dan 1.356 kelompok (Riedl et al., PNAS, 2021). Genome Kecerdasan Kolektif (Malone, Laubacher dan Dellarocas, 2010) memetakan blok bangunan kelompok cerdas di sepanjang Siapa, Mengapa, Apa, dan Bagaimana. Penelitian saat ini dari MIT Center for Collective Intelligence (2026) berfokus pada AI generatif dan kecerdasan kolektif, Desain Supermind, dan merancang tim manusia-AI; meta-analisis 2024 (Vaccaro, Almaatouq dan Malone, Nature Human Behaviour) menemukan bahwa kombinasi manusia-AI tidak secara otomatis mengungguli yang terbaik dari keduanya sendirian — sinergi yang nyata memerlukan desain yang disengaja untuk alokasi tugas dan interaksi. Sistem CCI saat ini mencakup Supermind Ideator, yang membungkus model bahasa besar dalam kerangka pemecahan masalah kreatif yang terstruktur, dan kompetisi PNAS 2026 yang mempelajari lebih dari 180.000 negosiasi AI-ke-AI yang otonom. Dalam siklus hidup pengambilan keputusan — Hadiri, Kerangka, Hasilkan, Selidiki, Agregat, Diskusikan, Alokasikan, Pilih, Terapkan, Pantau — penelitian kecerdasan kolektif terutama berkaitan dengan tahap Agregat dan Diskusi: bagaimana kelompok mengumpulkan pengetahuan yang tersebar dan berpikir bersama. Argumentree mengoperasionalkan temuan ini melalui pengajuan argumen asinkron independen, struktur partisipasi setara, penilaian multi-dimensi yang digabungkan menjadi skor konsensus, dan jejak audit penuh dari pemikiran kelompok.
Apa Itu Kecerdasan Kolektif?
Kecerdasan kolektif adalah kapasitas kelompok — manusia, mesin, atau keduanya — untuk bertindak dengan cara yang tampak cerdas. Ini bukan metafora: penelitian telah mengukurnya, memperdebatkannya, dan menunjukkan bagaimana merancangnya. Panduan ini mencakup ilmu dari Condorcet (1785) hingga penelitian tim manusia-AI MIT (2026).
Terakhir diperbarui: 2026-07-18
TL;DR
Kelompok dapat diukur kecerdasannya. Woolley et al. (Science, 2010) menemukan faktor kecerdasan kolektif (c) yang memprediksi kinerja kelompok di berbagai tugas — didorong lebih sedikit oleh IQ anggota daripada oleh sensitivity sosial, pergantian yang setara, dan proses. Temuan ini diperdebatkan (Credé & Howardson, 2017) tetapi didukung oleh meta-analisis 1.356 kelompok (Riedl et al., PNAS, 2021). Perbatasan modern adalah kecerdasan kolektif manusia-AI: meta-analisis MIT 2024 menunjukkan bahwa menambahkan manusia ke dalam loop tidak secara otomatis meningkatkan sistem AI — sinergi tergantung pada alokasi tugas dan desain proses. Argumentree dibangun berdasarkan pelajaran itu: struktur pemikiran, agregat penilaian, biarkan manusia yang memutuskan.
Mendefinisikan Kecerdasan Kolektif
Definisi akademis standar berasal dari Handbook of Collective Intelligence (MIT Press, 2015) karya Thomas Malone dan Michael Bernstein: kecerdasan kolektif adalah "kelompok individu yang bertindak secara kolektif dengan cara yang tampak cerdas." Definisi ini sengaja luas. Ini mencakup pengaturan pasar yang menetapkan harga, komunitas Wikipedia yang menulis ensiklopedia, juri yang menimbang bukti, koloni semut yang menemukan jalur terpendek menuju makanan — dan, semakin, tim hibrida orang dan sistem AI.
Kecerdasan kolektif lebih luas daripada kebijaksanaan kerumunan, yang berkaitan dengan agregasi statistik dari banyak penilaian independen. Kecerdasan kolektif juga mencakup kolaborasi dan diskusi yang nyata — kelompok yang berinteraksi, berargumen, dan membangun pemikiran satu sama lain. Ini berbeda dari kecerdasan kawanan, di mana koordinasi muncul dari aturan lokal sederhana tanpa diskusi. Dan ini terhubung dengan mekanisme yang dipelajari di bidang-bidang tetangga: sistem pemungutan suara mengagregasi preferensi, pasar prediksi mengagregasi keyakinan probabilistik, dan diskusi terstruktur mengagregasi alasan — tiga jawaban berbeda untuk pertanyaan yang sama tentang bagaimana mengubah banyak pikiran menjadi satu keputusan.
Dalam siklus hidup pengambilan keputusan — Hadiri, Kerangka, Hasilkan, Selidiki, Agregat, Diskusikan, Alokasikan, Pilih, Terapkan, Pantau — penelitian kecerdasan kolektif berkonsentrasi pada tahap agregasi dan diskusi: bagaimana pengetahuan yang tersebar dikumpulkan, dan bagaimana kelompok berpikir bersama tanpa patologi cascades informasi dan pemikiran kelompok.
Sejarah Singkat Penelitian Kecerdasan Kolektif
Bidang ini memiliki akar dalam matematika Pencerahan, statistik, ekonomi, biologi, dan ilmu komputer. Garis besarnya: di bawah kondisi yang tepat, kelompok mengungguli anggotanya — dan kondisi tersebut dapat direkayasa.
Marquis de Condorcet membuktikan bahwa jika setiap pemilih bahkan sedikit lebih baik dari peluang dan memberikan suara secara independen, probabilitas bahwa mayoritas benar mendekati kepastian seiring dengan pertumbuhan kelompok — hasil matematis pendiri dari kecerdasan kolektif.
Francis Galton menganalisis 787 tebakan berat sapi yang sudah disiapkan di sebuah pameran pedesaan tahun 1906. Tebakan median (1.207 lb) berada dalam 1% dari berat sebenarnya (1.198 lb) — lebih baik daripada para ahli ternak. Diterbitkan di Nature.
Friedrich Hayek dalam "The Use of Knowledge in Society" (American Economic Review) berargumen bahwa pasar mengagregasi pengetahuan lokal yang tersebar melalui harga — dasar teoritis untuk pasar prediksi.
James Surowiecki mengkodifikasi empat kondisi untuk kebijaksanaan kerumunan (diversitas, independensi, desentralisasi, agregasi). Pada tahun yang sama, Hong dan Page menerbitkan model "diversitas mengalahkan kemampuan" mereka yang diperdebatkan di PNAS.
Woolley, Chabris, Pentland, Hashmi, dan Malone (Science) menemukan bukti untuk faktor kecerdasan kolektif umum di 699 orang yang bekerja dalam kelompok kecil — analog tingkat kelompok dari IQ individu.
Malone, Laubacher, dan Dellarocas (MIT Sloan Management Review) mengkatalogkan blok bangunan — "gen" — dari sistem kecerdasan kolektif berdasarkan empat pertanyaan: Siapa, Mengapa, Apa, dan Bagaimana.
Buku panduan MIT Press oleh Malone dan Bernstein mengkonsolidasikan bidang ini dan definisi standarnya: kelompok individu yang bertindak secara kolektif dengan cara yang tampak cerdas.
Superminds karya Thomas Malone menggambarkan lima jenis kecerdasan kolektif yang bertahan — hierarki, demokrasi, pasar, komunitas, dan ekosistem — dan bertanya bagaimana komputer dapat membuat masing-masing lebih cerdas.
Riedl, Kim, Gupta, Malone, dan Woolley (PNAS) menganalisis 22 studi dengan 1.356 kelompok dan menemukan bukti untuk faktor kecerdasan kolektif di seluruh populasi mahasiswa, militer, gamer, dan pekerja online.
Meta-analisis Vaccaro, Almaatouq, dan Malone dari 106 eksperimen (Nature Human Behaviour) menemukan bahwa kombinasi manusia-AI rata-rata berkinerja lebih buruk daripada yang terbaik dari manusia atau AI sendirian — sinergi harus dirancang, bukan diasumsikan.
Burton dan 27 co-author (Nature Human Behaviour) memetakan bagaimana model bahasa besar dapat meningkatkan kecerdasan kolektif — dan bagaimana mereka berisiko menghomogenisasi pandangan dan memproduksi konsensus palsu.
Pusat Kecerdasan Kolektif MIT mengejar tiga payung: AI Generatif dan Kecerdasan Kolektif, Desain Supermind, dan Merancang Tim Manusia-AI — termasuk studi PNAS tentang negosiasi AI-ke-AI lebih dari 180.000.
Faktor c: Dapatkah Sebuah Kelompok Memiliki IQ?
Pada tahun 2010, Anita Williams Woolley dan rekan-rekannya mengajukan pertanyaan sederhana dengan satu abad psikologi individu di belakangnya: sama seperti satu faktor umum (g) memprediksi kinerja individu di berbagai tugas kognitif, apakah ada faktor umum untuk kelompok? Mereka menguji 699 orang yang bekerja dalam kelompok dua hingga lima pada berbagai tugas (Science, 330, 686–688). Jawabannya adalah ya: satu faktor statistik — c — menjelaskan sekitar 43% varians dalam kinerja kelompok di berbagai tugas.
Apa yang memprediksi c kelompok — dan apa yang tidak
IQ Anggota hampir tidak berpengaruh
Baik rata-rata maupun kecerdasan individu maksimum anggota kelompok hanya berkorelasi lemah dengan c. Mempekerjakan orang-orang yang paling pintar tidak, dengan sendirinya, membuat kelompok menjadi pintar.
Sensitivitas sosial berpengaruh
Skor rata-rata kelompok pada tes Membaca Pikiran di Mata — kemampuan untuk menyimpulkan keadaan mental dari isyarat wajah — adalah prediktor signifikan dari c (r = 0,26).
Giliran yang setara berpengaruh
Kelompok yang anggotanya berkontribusi lebih setara dalam percakapan memiliki c yang lebih tinggi; varians dalam giliran berbicara berkorelasi negatif dengan c (r = −0,41). Kelompok yang didominasi oleh satu atau dua suara secara kolektif kurang cerdas.
Efek komposisi
Dalam studi 2010, kelompok dengan proporsi wanita yang lebih tinggi mencetak lebih tinggi pada c (r = 0,23) — efek yang secara statistik dihubungkan penulis dengan sensitivitas sosial rata-rata wanita yang lebih tinggi, yaitu untuk proses, bukan demografi semata.
Apakah faktor c itu nyata? Debat replikasi
Seperti kebanyakan temuan berpengaruh dalam psikologi, c telah diuji ketahanannya — dan pembaca berhak mendapatkan keadaan bukti yang jujur:
Kritik (2017)
Credé dan Howardson (Journal of Applied Psychology) menganalisis ulang enam sampel dan berargumen bahwa dukungan empiris untuk satu faktor kelompok umum lemah — bahwa kinerja kelompok mungkin lebih baik dijelaskan oleh kemampuan spesifik tugas daripada satu c.
Balasan (2018)
Woolley, Kim, dan Malone menanggapi bahwa kritik tersebut didasarkan pada prosedur penilaian dan asumsi simulasi yang tidak sesuai dengan tugas yang sebenarnya dilakukan kelompok.
Meta-analisis (2021)
Riedl, Kim, Gupta, Malone, dan Woolley (PNAS) mengagregasi 22 studi yang mencakup 1.356 kelompok — mahasiswa, personel militer, pekerja online, gamer — dan menemukan bukti untuk faktor c di seluruh kelompok tersebut, dengan proses kolaborasi dan perseptivitas sosial anggota di antara korelasi terkuatnya.
Intinya: meta-analisis besar mendukung keberadaan faktor kecerdasan kolektif yang dapat diukur, sementara struktur dan generalitasnya tetap diperdebatkan secara aktif. Apa yang tidak diperdebatkan adalah pelajaran praktis: proses kelompok — siapa yang didengar, bagaimana penilaian digabungkan — memprediksi kinerja kelompok lebih baik daripada kecemerlangan anggota.
Kerumunan Statistik vs. Interaktif
Sebenarnya ada dua jenis kecerdasan kolektif, dan mereka berjalan dengan bahan bakar yang berbeda:
Kerumunan statistik
Banyak estimasi independen, diagregasi secara mekanis — rata-rata, pemungutan suara, harga pasar. Ini adalah pameran Galton yang adil dan setiap pasar prediksi sejak saat itu. Keberhasilan tergantung pada independensi dan diversitas; latihan ini sering kali satu kali.
Kerumunan interaktif
Orang-orang saling mempengaruhi untuk membangun pemahaman bersama — diskusi, musyawarah, kolaborasi. Ini adalah Wikipedia, komunitas sains, tim desain. Keberhasilan tergantung pada kualitas komunikasi dan keamanan untuk berbicara; pekerjaan ini sedang berlangsung.
Dua mode menarik ke arah yang berlawanan: independensi membantu kerumunan statistik tetapi mengurangi kerumunan interaktif. Sebuah tim yang tidak pernah berbicara dapat mengagregasi dengan baik tetapi tidak membangun apa pun yang baru; sebuah tim yang selalu berbicara dapat membangun pemahaman bersama sambil secara diam-diam menghancurkan independensi yang dibutuhkan penilaian mereka.
Diskusi terstruktur adalah upaya untuk mendapatkan keduanya. Di Argumentree, kontribusi dan penilaian diajukan secara independen — mode statistik — sementara pohon argumen yang mereka masuki adalah objek bersama yang berkembang yang didiskusikan kelompok — mode interaktif. Struktur menentukan kapan masing-masing mode diterapkan, alih-alih membiarkan mode yang paling keras menang.
Genome Kecerdasan Kolektif
Jika kecerdasan kolektif dapat diukur, dapatkah itu dirancang? Malone, Laubacher, dan Dellarocas (MIT Sloan Management Review, 2010) mengatalogkan blok bangunan yang berulang — "gen" — dari sistem kecerdasan kolektif, diorganisir di sekitar empat pertanyaan. Setiap sistem, dari Wikipedia hingga proses strategi perusahaan, adalah kombinasi dari gen-gen ini:
Siapa yang melakukan tugas?
Hierarki yang ditentukan menetapkan tugas, atau kerumunan terbuka memilih sendiri. Kerumunan membawa skala dan diversitas; hierarki membawa akuntabilitas dan koordinasi.
Mengapa mereka melakukannya?
Gen motivasi: uang (pembayaran, hadiah), cinta (kenikmatan intrinsik, komunitas), dan kemuliaan (pengakuan, reputasi). Sistem yang berkelanjutan menyelaraskan insentif dengan kontribusi.
Apa yang sedang dilakukan?
Menciptakan (menghasilkan sesuatu yang baru — desain, ide, argumen) atau memutuskan (menilai dan memilih di antara alternatif). Sebagian besar proses nyata mengaitkan keduanya.
Bagaimana itu dilakukan?
Secara independen (kontribusi diagregasi tanpa interaksi — kontes, pemungutan suara, rata-rata) atau secara bergantung (kolaborasi, di mana kontribusi saling membangun). Pilihan menentukan mode kegagalan mana yang Anda warisi.
Lima Superminds
Dalam Superminds (2018), Malone menggambarkan lima bentuk kecerdasan kolektif yang bertahan lama yang terus diciptakan kembali oleh masyarakat manusia — dan berargumen bahwa pertanyaan nyata tentang AI bukanlah "apakah itu akan menggantikan kita?" tetapi "bagaimana itu membuat setiap supermind lebih cerdas?":
Hierarki
Keputusan didelegasikan naik dan turun rantai otoritas. Cepat dan akuntabel; rentan terhadap bottleneck informasi di atas.
Demokrasi
Keputusan melalui pemungutan suara. Sah dan inklusif; bagaimana suara mengagregasi preferensi adalah ilmu mendalam tersendiri (teori pilihan sosial).
Pasar
Keputusan melalui harga dan perdagangan. Pengagregasi kepercayaan yang tersebar dengan sangat baik — mekanisme di balik pasar prediksi.
Komunitas
Keputusan berdasarkan norma, reputasi, dan konsensus informal. Memberdayakan sumber terbuka dan Wikipedia; lambat tetapi tangguh.
Ekosistem
Tidak ada mekanisme keputusan bersama sama sekali — hasil muncul dari kekuatan dan kelangsungan hidup. Default ketika tidak ada supermind lain yang dirancang.
Desain Supermind: Enam Langkah
Metodologi Desain Supermind CCI MIT mengubah genome menjadi praktik pemecahan masalah kreatif. Enam "langkah" secara sistematis merombak masalah untuk mengungkap desain baru untuk kelompok orang dan komputer:
Perbesar
Langkah mundur untuk melihat sistem yang lebih luas atau tujuan tempat masalah berada.
Perkecil
Mengurai masalah menjadi bagian dan proses yang masing-masing dapat dirancang ulang.
Analogi
Tanya bagaimana domain lain — alam, industri lain, sejarah — menyelesaikan masalah yang secara struktural mirip.
Kelompokkan
Tanya bagaimana supermind yang berbeda — pasar, komunitas, demokrasi — akan menangani tugas yang sekarang ditangani oleh satu orang atau hierarki.
Kognifikasi
Tanya proses kognitif mana (merasakan, mengingat, memutuskan, belajar) yang dibutuhkan solusi, dan siapa atau apa yang harus melakukan masing-masing.
Teknifikasi
Tanya di mana teknologi — termasuk AI — dapat melakukan, menghubungkan, atau meningkatkan proses tersebut.
Di Dalam Pusat Kecerdasan Kolektif MIT (2026)
Pusat Kecerdasan Kolektif MIT (CCI), yang didirikan oleh Thomas Malone, adalah laboratorium unggulan bidang ini. Proyek-proyek sebelumnya — Climate CoLab, CI Design Lab, Mengukur Kecerdasan Kolektif, Prediksi Kolektif — kini merupakan pekerjaan warisan yang telah selesai. Pada tahun 2026, penelitian CCI diorganisir di bawah tiga payung:
AI Generatif dan Kecerdasan Kolektif
Menggunakan AI untuk meningkatkan kreativitas manusia — termasuk alat seperti Supermind Ideator dan DesignAID yang mendukung ideasi manusia-AI.
Desain Supermind
Merancang kombinasi inovatif antara orang dan komputer, membangun di atas genom dan enam langkah desain.
Merancang Tim Manusia-AI
Merancang dan mengalokasikan tugas dalam tim manusia-mesin — pertanyaan penerus untuk "manusia vs. mesin." Dengan program M3S Singapore-MIT, CCI sedang membangun ilmu sistematis tentang alokasi tugas: sub-tugas mana yang diberikan kepada manusia versus AI, siapa yang mengawasi dan memverifikasi, dan apakah AI bertindak sebagai alat, asisten, rekan, atau manajer.
Temuan kunci dari gelombang penelitian 2024–2026
Scaffolding mengalahkan LLM mentah untuk ideasi
Supermind Ideator membungkus model bahasa besar dalam scaffolding pemecahan masalah kreatif (termasuk enam langkah). Dalam studi eksperimental, pengguna menghasilkan ide yang jauh lebih inovatif daripada orang yang menggunakan ChatGPT sendirian atau bekerja tanpa bantuan; penguji beta telah menciptakan lebih dari 10.000 ide dengan sistem ini (Konferensi Kecerdasan Kolektif ACM, 2024).
"Manusia dalam loop" tidak otomatis lebih baik
Meta-analisis Vaccaro, Almaatouq, dan Malone dari 106 eksperimen dan 370 ukuran efek (Nature Human Behaviour, 2024) menemukan bahwa kombinasi manusia-AI rata-rata berkinerja lebih buruk daripada yang terbaik dari manusia atau AI sendirian — dengan kerugian terkonsentrasi dalam tugas pengambilan keputusan dan keuntungan dalam tugas pembuatan konten. CCI sekarang membedakan sinergi kuat (kombinasi mengalahkan baik manusia sendirian maupun AI sendirian) dari augmentasi lemah (mengalahkan manusia sendirian tetapi tidak AI) — dan menemukan bahwa sinergi kuat memerlukan alokasi tugas yang dirancang dengan sengaja, bukan hanya menambahkan manusia.
180.000 negosiasi AI-ke-AI
Sebuah studi PNAS 2026 menjalankan kompetisi internasional di mana agen AI yang dipicu melakukan lebih dari 180.000 negosiasi satu sama lain. Ilmu negosiasi manusia klasik tetap berlaku: kehangatan — positif, rasa syukur, bertanya — secara konsisten terkait dengan mencapai kesepakatan dan menciptakan nilai, sementara taktik dominasi memprediksi kebuntuan.
Memetakan di mana AI dapat digunakan sama sekali
Sebuah makalah kerja MIT 2026 (arXiv 2603.20619) mengorganisir sekitar 20.000 aktivitas kerja dari database O*NET AS ke dalam ontologi mendalam dan mengklasifikasikan 13.275 aplikasi AI terhadapnya — menemukan bahwa 1,6% teratas dari aktivitas menyumbang lebih dari 60% nilai pasar AI. Alat untuk berpikir secara sistematis tentang alokasi tugas manusia-AI.
Menilai AI dan tugas pada satu skala
AGI-Elo (NeurIPS 2025, arXiv 2505.12844), dari peneliti yang terafiliasi CCI termasuk Malone, menilai model AI dan kasus uji individu satu sama lain seperti pemain catur — menempatkan kompetensi model dan kesulitan tugas pada satu skala yang dapat dibandingkan, prasyarat untuk alokasi tugas yang berprinsip dalam tim manusia-AI.
Kecerdasan Kolektif di Era AI
Model bahasa besar semakin menjadi peserta dalam kecerdasan kolektif, bukan hanya alat untuk itu. Burton dan 27 rekan penulis dari berbagai disiplin (Nature Human Behaviour, 2024) memetakan konsekuensi dua sisi:
Peluang
Menurunkan hambatan untuk partisipasi
LLM dapat menerjemahkan, merangkum, dan menyusun — memungkinkan lebih banyak orang berkontribusi pada proses kolektif terlepas dari bahasa atau keterampilan menulis.
Mengagregasi pengetahuan yang tersebar
LLM dapat mensintesis kumpulan besar teks — transkrip pertemuan, tanggapan survei terbuka, konsultasi publik — yang sebelumnya membanjiri pengagregasi manusia.
Dukungan musyawarah
AI dapat mengungkapkan argumen tandingan, mengelompokkan posisi yang serupa, dan menyusun diskusi — meningkatkan tahap Musyawarah daripada menggantikannya.
Risiko
Homogenisasi pandangan
Jika banyak orang berkonsultasi dengan model yang sama, keluaran mereka akan menyatu — mengikis keragaman perspektif yang menjadi dasar kecerdasan kolektif.
Konsensus palsu
Teks yang dihasilkan AI yang fasih dapat memproduksi tampilan kesepakatan atau opini mayoritas yang tidak ada di antara manusia yang sebenarnya.
Menyusutnya ekosistem informasi
Lingkungan informasi yang semakin difilter melalui beberapa model berisiko terhadap kesalahan yang berkorelasi yang membuat kerumunan menjadi bodoh secara kolektif daripada cerdas.
Implikasi desain mencerminkan temuan Vaccaro: AI meningkatkan kecerdasan kolektif ketika diberikan sub-tugas yang terbukti baik — transkripsi, ekstraksi, terjemahan, ringkasan — sementara penilaian, evaluasi, dan keputusan itu sendiri tetap berada di tangan manusia yang bertanggung jawab. Ini adalah batasan sistem manusia-AI (bias otomatisasi, kalibrasi kepercayaan, kontrol manusia yang bermakna) yang sekarang dipetakan oleh ilmu keputusan.
Bagaimana Argumentree Menerapkan Penelitian Kecerdasan Kolektif
Argumentree adalah platform pengambilan keputusan kolaboratif yang dibangun langsung berdasarkan temuan ini. Setiap pilihan desain memetakan hasil dalam literatur:
Kontribusi independen, asinkron
Peserta menambahkan argumen pada waktu mereka sendiri, sebelum kelompok berkumpul — melindungi kondisi independensi dan diversitas yang ditunjukkan oleh penelitian agregasi bahwa kerumunan membutuhkan.
Kesetaraan struktural partisipasi
Penelitian Woolley menghubungkan kecerdasan kolektif dengan giliran yang setara. Dalam pohon argumen tidak ada lantai untuk dipegang: argumen setiap peserta masuk ke dalam struktur yang sama dan dinilai dengan cara yang sama.
Agregasi dengan penilaian multi-dimensi
Argumen dinilai berdasarkan kegunaan, kejelasan, akurasi, dan kelengkapan, dan penilaian diagregasi menjadi skor konsensus — mekanisme agregasi eksplisit, sehingga penilaian kolektif diukur daripada diasumsikan.
Musyawarah dengan struktur
Rantai 4 langkah dari pertanyaan, kompromi, dan tinjauan memungkinkan peserta menyelidiki dan memperbaiki argumen — kolaborasi bergantung dalam istilah genom, tetapi di dalam struktur yang menjaga penalaran tetap terlihat.
Alokasi tugas manusia-AI yang dilakukan dengan benar
Ekstraksi AI mengubah transkrip pertemuan dan dokumen menjadi pohon argumen draf — pekerjaan pemrosesan konten yang baik dilakukan AI — sementara evaluasi dan keputusan tetap di tangan manusia, konsisten dengan bukti sinergi manusia-AI 2024.
Sebuah memori untuk supermind
Jejak audit penuh (draf, terbuka, siklus tertutup dengan versi) mempertahankan penalaran kelompok, sehingga organisasi dapat belajar dari kecerdasan kolektifnya sendiri alih-alih kehilangan saat pertemuan berakhir.
Pertanyaan yang Sering Diajukan
Apa itu kecerdasan kolektif?
Kecerdasan kolektif adalah kemampuan kelompok — orang, mesin, atau keduanya — untuk bertindak secara kolektif dengan cara yang tampak cerdas (Malone & Bernstein, Handbook of Collective Intelligence, 2015). Ini mencakup kebijaksanaan kerumunan statistik, produksi kolaboratif seperti Wikipedia, tim yang bermusyawarah, pasar yang mengagregasi kepercayaan, dan tim manusia-AI modern.
Apa itu faktor c dalam kecerdasan kolektif?
Faktor c adalah faktor kecerdasan kolektif umum yang diidentifikasi oleh Woolley et al. (Science, 2010): satu faktor statistik yang menjelaskan sekitar 43% varians dalam kinerja kelompok di berbagai tugas, analog dengan faktor g IQ untuk individu. Ini berkorelasi dengan sensitivitas sosial kelompok dan kesetaraan dalam giliran percakapan jauh lebih banyak daripada dengan kecerdasan individu anggota.
Apakah faktor c telah direplikasi?
Ini didukung tetapi diperdebatkan. Credé dan Howardson (2017) berargumen bahwa bukti untuk satu faktor umum lemah, dan Woolley serta rekan-rekannya menerbitkan balasan rinci pada 2018. Meta-analisis 2021 oleh Riedl et al. (PNAS) yang mencakup 22 studi dan 1.356 kelompok menemukan bukti untuk faktor c di seluruh populasi yang beragam. Pengambilan praktis — proses kelompok memprediksi kinerja lebih baik daripada IQ anggota — adalah kuat di seluruh perdebatan.
Apa perbedaan antara kecerdasan kolektif dan kebijaksanaan kerumunan?
Kebijaksanaan kerumunan adalah fenomena yang lebih sempit: banyak penilaian independen, diagregasi secara statistik, berkumpul pada jawaban yang akurat (seperti dalam eksperimen sapi Galton tahun 1906). Kecerdasan kolektif adalah bidang yang lebih luas: ini mencakup kebijaksanaan kerumunan tetapi juga kolaborasi yang nyata, musyawarah, pasar, komunitas, dan tim manusia-AI — sistem apa pun di mana kelompok bertindak secara cerdas.
Apa perbedaan antara kecerdasan kolektif dan kecerdasan kawanan?
Kecerdasan kawanan adalah koordinasi yang muncul dari banyak agen sederhana yang mengikuti aturan lokal — koloni semut, kawanan burung, kawanan robot — tanpa musyawarah dan tanpa penalaran eksplisit. Kecerdasan kolektif manusia melibatkan pertukaran dan evaluasi alasan. Mereka berbagi prinsip-prinsip mendalam (desentralisasi, pengetahuan lokal, agregasi), itulah sebabnya platform keputusan meminjam dari keduanya.
Apa itu supermind?
Supermind, dalam buku Thomas Malone tahun 2018 dengan nama yang sama, adalah kelompok individu yang bertindak bersama dengan cara yang tampak cerdas. Malone mengidentifikasi lima jenis yang berulang — hierarki, demokrasi, pasar, komunitas, dan ekosistem — dan berargumen bahwa komputer membuat superminds lebih cerdas terutama dengan memungkinkan kombinasi baru di antara mereka, bukan dengan menggantikan mereka.
Apa itu Pusat Kecerdasan Kolektif MIT?
Pusat Kecerdasan Kolektif MIT (cci.mit.edu), didirikan di MIT Sloan dan dipimpin oleh Thomas Malone, mempelajari bagaimana kelompok orang — dan semakin banyak orang ditambah AI — dapat diorganisir untuk bertindak lebih cerdas daripada individu mana pun. Proyek-proyek era crowdsourcing sebelumnya (Climate CoLab dan CoLabs, Mengukur Kecerdasan Kolektif) sekarang menjadi pekerjaan warisan; pada tahun 2026, penelitiannya diorganisir di bawah tiga payung: AI Generatif dan Kecerdasan Kolektif, Desain Supermind, dan Merancang Tim Manusia-AI, dengan alat seperti Supermind Ideator dan DesignAID dan, dengan program M3S Singapore-MIT, ilmu sistematis alokasi tugas manusia-AI.
Apakah menambahkan manusia dalam loop meningkatkan keputusan AI?
Tidak otomatis. Meta-analisis 2024 dari 106 eksperimen (Vaccaro, Almaatouq & Malone, Nature Human Behaviour) menemukan bahwa kombinasi manusia-AI rata-rata berkinerja lebih buruk daripada yang terbaik dari manusia atau AI sendirian, dengan kerugian terkonsentrasi dalam tugas pengambilan keputusan. Kombinasi paling membantu dalam tugas pembuatan konten. Kecerdasan kolektif manusia-AI yang efektif memerlukan alokasi sub-tugas yang dirancang dengan sengaja kepada pihak mana pun yang melakukannya dengan terbaik.
Bagaimana tim dapat meningkatkan kecerdasan kolektif mereka?
Bukti menunjukkan desain proses: samakan partisipasi (input terstruktur atau asinkron daripada diskusi terbuka), lindungi penilaian independen sebelum konvergensi kelompok, rekrut untuk diversitas kognitif dan perseptivitas sosial, gunakan mekanisme agregasi eksplisit seperti penilaian atau pemungutan suara, dan simpan catatan penalaran sehingga kelompok dapat belajar. Alat seperti Argumentree membangun mekanika ini secara default.
Referensi & Bacaan Lanjutan
Condorcet, M. de (1785). Essai sur l'application de l'analyse à la probabilité des décisions rendues à la pluralité des voix.
Hasil matematis pendiri: mayoritas pemilih independen yang lebih baik dari peluang berkumpul pada kebenaran.
Galton, F. (1907). Vox Populi. Nature, 75, 450–451.
787 pengunjung pameran menebak berat sapi; median berada dalam 1% dari kebenaran.
View source →Hayek, F. A. (1945). The Use of Knowledge in Society. American Economic Review, 35(4), 519–530.
Pasar sebagai pengagregasi pengetahuan yang tersebar.
Surowiecki, J. (2004). The Wisdom of Crowds. Doubleday.
Empat kondisi: diversitas, independensi, desentralisasi, agregasi.
Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., & Malone, T. W. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science, 330(6004), 686–688.
Faktor c: 699 orang, kelompok 2–5, satu faktor yang menjelaskan ~43% varians kinerja.
Malone, T. W., Laubacher, R., & Dellarocas, C. (2010). The Collective Intelligence Genome. MIT Sloan Management Review, 51(3), 21–31.
Blok bangunan Who/Why/What/How dari sistem kecerdasan kolektif.
View source →Malone, T. W., & Bernstein, M. S. (Eds.) (2015). Handbook of Collective Intelligence. MIT Press.
Referensi dan definisi standar bidang ini.
Credé, M., & Howardson, G. (2017). The structure of group task performance — A second look at "collective intelligence." Journal of Applied Psychology, 102(10).
Kritik utama terhadap generalitas faktor c.
Malone, T. W. (2018). Superminds. Little, Brown.
Lima jenis supermind dan bagaimana komputer membuatnya lebih cerdas.
Riedl, C., Kim, Y. J., Gupta, P., Malone, T. W., & Woolley, A. W. (2021). Quantifying collective intelligence in human groups. PNAS, 118(21).
Meta-analisis: 22 studi, 1.356 kelompok, bukti untuk c di seluruh populasi.
Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.
106 eksperimen: kombinasi manusia-AI tidak otomatis mengalahkan yang terbaik dari keduanya.
View source →Burton, J. W., et al. (2024). How large language models can reshape collective intelligence. Nature Human Behaviour, 8, 1643–1655.
28 penulis tentang peluang dan risiko LLM untuk kecerdasan kolektif.
View source →Advancing AI Negotiations: A Large-Scale Autonomous Negotiations Competition. PNAS (2026).
180.000+ negosiasi agen AI; kehangatan menang bahkan dalam mesin-ke-mesin.
View source →Cai, A., et al. (2026). Where can AI be used? Insights from a deep ontology of work activities. arXiv 2603.20619.
Ontologi mendalam dari ~20.000 aktivitas kerja untuk berpikir tentang alokasi tugas manusia-AI.
View source →MIT Center for Collective Intelligence. Research (2026).
Payung saat ini: AI Generatif dan CI, Desain Supermind, Merancang Tim Manusia-AI.
View source →MIT Center for Collective Intelligence. Metodologi Desain Supermind.
Enam langkah desain: Perbesar, Perkecil, Analogi, Kelompokkan, Kognifikasi, Teknifikasi.
View source →Sun, S., et al. (2025). AGI-Elo: How Far Are We From Mastering A Task? NeurIPS 2025.
Penilaian gaya Elo bersama dari model AI dan kesulitan kasus uji; penulis yang terafiliasi CCI termasuk Malone.
View source →Konsep Terkait
Ubah tim Anda menjadi kelompok yang lebih cerdas secara terukur
Kecerdasan kolektif adalah masalah desain: samakan partisipasi, lindungi penilaian independen, agregasi secara eksplisit, dan simpan penalaran. Argumentree membangun mekanika tersebut ke dalam setiap keputusan — dengan AI melakukan pekerjaan yang membosankan dan orang-orang Anda melakukan penilaian.
Mulai Uji Coba Gratis