Model Bias Ketersediaan

Pisahkan Kejadian dari Frekuensi

Apa yang Anda alami adalah contoh klasik availability bias: dua kasus dalam sebulan terasa besar karena hidup dan baru, bukan karena benar-benar umum. Langkah pertama—hentikan bertanya "seberapa buruk yang baru saya lihat?" dan ganti dengan "seberapa sering ini terjadi pada populasi besar?"

Gunakan Prosedur, Bukan Perasaan

Munger menegaskan: kesadaran saja tidak cukup; Anda butuh daftar periksa. Buatlah prosedur tertulis untuk menilai obat, misalnya:

• Cek angka kejadian efek samping dari uji klinis (NNT/absolute risk, bukan relatif).
• Bandingkan dengan tingkat kejadian efek samping obat alternatif.
• Tuliskan kriteria eksklusi objektif (usia, komorbid, interaksi) yang sudah Anda tetapkan sebelumnya.

"Ketika saya tidak dekat dengan gadis yang kucinta, aku mencintai gadis yang ada di dekatku." Dua kasus itu "dekat" secara emosional, tapi bukan bukti statistik.

Cari Data yang "Sulit Diingat"

Aktif cari angka kematian atau komplikasi dari tidak memberi obat—karena kasus yang tidak terjadi tidak pernah terlihat, sehingga bias Anda makin kuat. Catat setiap keputusan resep dan tinjau bulanan. Jika prosedur Anda mengizinkan obat berdasarkan data, ikuti prosedur itu, bukan ingatan Anda. Itulah penawar yang nyata.

Pertanyaan Anda menyentuh inti bias ketersediaan: konten viral tentang startup gagal adalah contoh sempurna dari informasi yang "mudah diingat," bukan yang "paling umum." Ketakutan tim Anda proporsional terhadap intensitas media, bukan terhadap probabilitas aktual. Munger mengingatkan kita bahwa otak melebih-lebihkan yang hidup dan baru.

Langkah pertama: buat daftar periksa keputusan. Tuliskan tiga pertanyaan wajib sebelum mengubah strategi: (1) Data apa yang kita miliki tentang pelanggan kita sendiri, bukan tentang startup lain? (2) Berapa bulan cash runway kita yang sebenarnya, dihitung dari angka, bukan dari rasa cemas? (3) Apakah perubahan strategi ini menjawab masalah yang kita alami, atau masalah yang dialami orang lain?

Kedua, lakukan "uji kebalikan": minta tim mencari tiga contoh startup yang justru bertahan di kondisi funding kering dengan strategi yang sama. Ini memaksa informasi yang tidak tersedia menjadi terlihat.

Ketiga, tunda keputusan drastis selama 30 hari. Bias ketersediaan memudar seiring waktu. Jika tren itu nyata, ia akan tetap ada setelah badai viral berlalu. Yang mendesak jarang yang benar-benar penting.

Jangan biarkan kasus terakhir menulis kebijakan

Kekhawatiran Anda tepat: kasus menyontek yang baru saja terungkap terasa hidup, baru, dan memicu emosi—itu bahan bakar bias ketersediaan. Di rapat, cerita konkret selalu mengalahkan statistik abstrak.

Langkah prosedural yang bisa Anda ambil

1. Minta data dulu, bukan opini. Sebelum rapat, kumpulkan angka: berapa total siswa, berapa insiden menyontek dalam 3 tahun terakhir, berapa yang melibatkan AI. Tunjukkan bahwa kasus ini mungkin outlier, bukan tren.
2. Buat daftar periksa keputusan. Tulis pertanyaan wajib sebelum kebijakan disetujui: "Apa bukti frekuensi sebenarnya?" "Apa dampak pada siswa jujur?" "Apa alternatif yang tidak menghukum mayoritas?" Prosedur ini memaksa tim keluar dari mode reaktif.
3. Sajikan kasus sebaliknya. Minta satu guru membawa contoh siswa yang menggunakan AI secara jujur dan terbuka. Ini membuat informasi "tidak tersedia" menjadi tersedia—menyeimbangkan cerita yang dominan.

Ingat kata Munger: "Saat tidak dekat dengan gadis yang kucinta, aku mencintai gadis yang ada di dekatku." Kasus menyontek itu "dekat" secara mental. Tugas Anda adalah mendekatkan gambaran utuh.