Apa yang terbit, dan oleh siapa
Makalahnya berjudul Living with AI Companions: Sustained AI Companionship Predicts Lower Well-Being Through Lower Human Interaction, diunggah ke arXiv pada 7 September 2026 sebagai arXiv:2609.07243 dengan lisensi CC BY 4.0, sehingga semua angka di bawah bisa dicek langsung di sumbernya. Penulisnya adalah Yutong Zhang, Dora Zhao, Yixin Wang, Rebecca Anselmetti, Jeffrey T. Hancock, Robert Kraut, dan Diyi Yang, dari Stanford University, University of Michigan, University of Oxford, serta Carnegie Mellon University.
Peserta direkrut lewat Prolific: pengguna Character.AI yang tinggal di AS, penutur asli bahasa Inggris, sudah memakai platform itu lebih dari sebulan, dan pernah mengobrol dengan setidaknya tiga chatbot berbeda. Gelombang awal berjalan September 2024 sampai Agustus 2025 (N = 1.182); tindak lanjut berjalan Agustus 2025 sampai Juni 2026 (N = 439), dengan jeda rata-rata 362,5 hari (SD = 88,2). Kesejahteraan diukur dengan Comprehensive Inventory of Thriving. Studi ini disetujui komite etik Stanford (protokol 76072).
Satu detail desain penting untuk membaca hasilnya: dari 439 yang kembali, 108 orang sudah berhenti memakai chatbot sama sekali, dan pemakaian mereka saat tindak lanjut dikodekan nol. Penulis mengulang seluruh analisis pada 331 pengguna yang masih aktif sebagai uji ketahanan, dan hasilnya konsisten.
Pemakaian tidak berhenti di titik awalnya
Hasil pertama bicara soal lintasan, bukan soal bahaya. Seberapa intens seseorang memakai chatbot di awal memprediksi bukan hanya intensitas setahun kemudian, tetapi juga pemakaian yang lebih berorientasi pendamping dan keterbukaan diri yang lebih dalam.
| Ukuran di gelombang awal | Memprediksi saat tindak lanjut | Estimasi terstandar |
|---|---|---|
| Intensitas interaksi | Intensitas interaksi | β = 0,43, IK 95% [0,31; 0,54] |
| Intensitas interaksi | Pemakaian pendamping | β = 0,32, IK 95% [0,20; 0,43] |
| Intensitas interaksi | Keterbukaan diri | β = 0,28, IK 95% [0,16; 0,40] |
| Pemakaian pendamping | Pemakaian pendamping | β = 0,49, IK 95% [0,22; 0,75] |
| Pemakaian pendamping | Intensitas interaksi | β = 0,40, IK 95% [0,13; 0,66] |
Tafsiran penulisnya: keterlibatan sosial terbentuk lewat pemakaian berulang, bukan terkunci oleh alasan seseorang mengunduh aplikasi. Orang yang datang untuk keperluan praktis bisa saja berakhir dalam pola relasional setahun kemudian. Ini catatan yang relevan juga untuk asisten serbaguna, bukan hanya produk yang dijual sebagai pendamping.
Cara pengguna menamai hubungan itu bergeser ke arah yang sama, meski tipis. Di antara 331 orang yang masih memakai chatbot saat tindak lanjut, "pendamping yang menopang" naik dari 40,2% ke 42,3% dan menjadi deskripsi paling umum, sedangkan "alat, asisten, sistem" turun dari 43,8% ke 40,5%. Kerangka romantis atau intim tetap kecil dan nyaris datar, 3,3% ke 3,6% — koreksi yang berguna atas pemberitaan yang menempatkan romansa AI sebagai pemakaian dominan. Lebih dari separuh peserta menyebut beberapa jenis pemakaian sekaligus di kedua gelombang.
Mekanismenya: waktu yang tergeser, bukan obrolannya
Ini bagian yang benar-benar baru. Tim menguji dua penjelasan yang bersaing untuk kaitan dengan kesejahteraan, dan hanya satu yang bertahan dengan rapi.
Pemakaian di gelombang awal tidak memprediksi kesejahteraan saat tindak lanjut secara langsung, setelah kesejahteraan awal diperhitungkan — koefisiennya berkisar β = −0,03 sampai −0,04 dan tidak ada yang mencapai signifikansi. Yang membawa kaitannya adalah apa yang masih dilakukan orang setahun kemudian, dan lebih tepatnya apa yang digantikan oleh pemakaian itu.
| Dimensi pemakaian saat tindak lanjut | → waktu bersama orang secara langsung | Kaitan tidak langsung dengan kesejahteraan | Kaitan langsung, dengan waktu tatap muka di model |
|---|---|---|---|
| Intensitas interaksi | β = −0,17 (p < 0,001) | −0,02 (p < 0,001) | β = −0,06, tidak signifikan |
| Pemakaian pendamping | β = −0,14 (p = 0,002) | −0,02 (p = 0,004) | β = −0,05, tidak signifikan |
| Keterbukaan diri | β = −0,15 (p = 0,002) | −0,02 (p = 0,002) | β = −0,05, tidak signifikan |
Sebaliknya, waktu tatap muka memprediksi kesejahteraan yang lebih tinggi dengan β = 0,14 sampai 0,15 di ketiga model. Jadi rantai yang didukung data adalah: pemakaian bertahan yang lebih intens, kontak langsung yang lebih sedikit, kesejahteraan yang lebih rendah. Begitu waktu tatap muka ditahan konstan, variabel chatbot berhenti bekerja secara statistik dengan sendirinya.
Ukuran efeknya kecil. Koefisien tidak langsung −0,02 bukan krisis dalam hidup siapa pun, dan makalahnya tidak menyajikannya begitu. Yang membuatnya menarik adalah konsistensinya pada tiga cara pengukuran pemakaian yang independen, dan bahwa ia menyebut satu variabel yang benar-benar bisa kamu cek sendiri.
Bukti independen yang mengarah sama
Satu praterbitan bukan kesimpulan. Yang membuat temuan ini layak ditanggapi serius adalah tim-tim berbeda dengan metode berbeda terus sampai pada pertukaran yang sama.
| Studi | Desain | Temuan |
|---|---|---|
| Praterbitan arXiv, 7 Sep 2026 (Zhang dkk.) | Panel dua gelombang, 1.182 → 439 pengguna Character.AI, sekitar 12 bulan | Pemakaian bertahan → waktu tatap muka berkurang → kesejahteraan turun; tanpa efek langsung yang signifikan |
| Psychology & Marketing (Gupta, Saxena & Kataria) | Dua eksperimen, 167 dan 350 mahasiswa | Chatbot yang cerdas secara emosional menaikkan kesejahteraan psikologis sekaligus menurunkan kesejahteraan sosial, lewat rasa kedekatan; antarmuka AR memperkuat keduanya |
| Laporan Stanford HAI, 4 Agu 2026 | Survei 1.131 pengguna Character.AI plus transkrip obrolan | Hanya 12% menyebut pendampingan sebagai alasan utama, tetapi lebih dari separuh menggambarkan botnya sebagai teman, pendamping, atau pasangan |
Kerja eksperimental penting karena menguji arah yang tak bisa diuji studi panel: ketika peneliti memanipulasi seberapa cerdas secara emosional chatbot itu tampak, manfaat psikologis dan ongkos sosialnya bergerak bersama. Bentuknya sama dengan temuan longitudinal, hanya didekati dari ujung yang berlawanan.
Angka Agustus 2026 berasal dari gelombang awal kohort yang sama, yang kami bahas di ulasan kami atas studi kesepian Stanford. Panel tiga gelombang pada mahasiswa yang terbit September juga sampai pada kesimpulan yang sejalan dari sudut lain — manfaat dukungan AI muncul terutama pada orang yang sudah punya dukungan manusia, seperti kami bahas di ulasan studi tersebut.
Pemeriksaan lima menit untuk pemakaianmu sendiri
Tidak satu pun studi ini menguji produk tertentu, dan di sini tidak ada vonis atas aplikasi mana pun. Tetapi hasil pergeseran itu menunjuk satu variabel yang mudah diamati tanpa alat apa pun.
- Perkirakan jam tatap mukamu minggu ini, bukan jam mengobrolmu. Angka chatbot bukan yang memprediksi kesejahteraan dalam data ini. Angka satunya lah.
- Tanyakan sesi panjang itu menggantikan apa. Malam yang memang sudah kosong berbeda dari malam yang kamu kosongkan dengan membatalkan sesuatu.
- Bandingkan dengan setahun lalu, bukan dengan kemarin. Hasil lintasan bilang pemakaian cenderung tumbuh diam-diam. Melirik layar pemakaian sebulan sekali menangkap apa yang luput dari lirikan harian.
- Perhatikan kalau sebutannya berubah. Dalam data, "alat" bergeser ke "pendamping yang menopang" dalam setahun. Pergeseran itu wajar; layak disadari, bukan ditakuti.
- Pantau kedalaman cerita terpisah dari durasi. Keterbukaan diri memprediksi pergeseran itu secara mandiri, terlepas dari berapa jam yang tercatat.
- Jaga satu saluran timbal balik tetap hidup. Saran desain para penulisnya adalah pendamping yang menopang hubungan antarmanusia alih-alih bersaing dengannya; kamu bisa menerapkannya sebagai pengguna sebelum produk mana pun melakukannya.
Kalau kamu mau sudut pandang fitur alih-alih riset, catatan kami tentang aplikasi pendamping dan kesejahteraan serta memori dan kesinambungan membahas cara kerja pilihan desain yang menopang pemakaian.
Yang tidak bisa dikatakan studi ini
- Ini praterbitan. arXiv:2609.07243 belum selesai ditelaah sejawat, dan angkanya bisa berubah sebelum terbit resmi.
- Dua gelombang itu tidak banyak. Penulisnya tegas: mereka tak bisa memetakan dinamika timbal balik untuk rentang lebih panjang, dan meminta tiga gelombang atau lebih, atau pencatatan perilaku berkelanjutan.
- Retensinya 37,1%. 439 dari 1.182 kembali. Penyebab utamanya struktural — 59,54% peserta awal sudah tidak aktif di Prolific — dan koreksi Heckman sudah dipakai, tetapi orang yang tak pernah kembali tidak bisa dipulihkan.
- Ukuran pemakaian pendamping berubah antargelombang. Gelombang awal memakai pilihan tunggal; tindak lanjut membiarkan orang menilai beberapa jenis pemakaian. Penulis menandai ini membatasi perbandingan langsung konstruk tersebut.
- Satu platform, satu negara. Pengguna Character.AI berbahasa Inggris yang tinggal di AS dan direkrut lewat Prolific. Platform dan populasi lain bisa berperilaku berbeda.
- Perubahan platform tidak teramati. Perubahan model, moderasi, dan desain Character.AI selama periode studi tidak bisa diperhitungkan.
- Waktu tatap muka diukur satu butir laporan diri. Proksi yang masuk akal, tapi bukan catatan perilaku.
Untuk gambaran populasi alih-alih mekanisme, rangkuman kami tentang berapa banyak orang yang benar-benar memakai AI pendamping pada 2026 membahas sisi surveinya.
Terkait di CompanionRank
AI pendamping dan kesepian: temuan studi Stanford Benarkah dukungan AI meredakan kesepian? Aplikasi pendamping AI dan kesejahteraan AI pendamping untuk keseharianPertanyaan yang sering muncul
Apa sebenarnya yang ditunjukkan tindak lanjut 12 bulan ini?
Bahwa orang yang memakai lebih intens di awal juga memakai lebih intens setahun kemudian, dan pemakaian yang bertahan itu berkaitan dengan kesejahteraan yang lebih rendah saat tindak lanjut. Pemakaian awal sendiri tidak memprediksi kesejahteraan berikutnya (semua koefisien sekitar β = −0,03 sampai −0,04, tidak ada yang signifikan). Kaitannya mengalir lewat apa yang masih dilakukan orang setahun kemudian, bukan lewat titik awalnya.
Mengapa waktu tatap muka penting dalam studi ini?
Karena itulah mekanisme yang didukung datanya. Pemakaian yang lebih intens saat tindak lanjut berkaitan dengan lebih sedikit waktu bersama orang lain secara langsung (β = −0,17 untuk intensitas interaksi, −0,14 untuk pemakaian pendamping, −0,15 untuk keterbukaan diri), dan waktu tatap muka yang lebih banyak berkaitan dengan kesejahteraan yang lebih tinggi (β = 0,14 sampai 0,15). Begitu waktu tatap muka dimasukkan ke model, kaitan langsung antara pemakaian chatbot dan kesejahteraan tidak lagi signifikan secara statistik.
Apakah ini membuktikan AI pendamping menurunkan kesejahteraan?
Tidak. Dua gelombang survei tidak bisa membuktikan sebab-akibat, dan penulisnya pun tidak mengklaim begitu. Desainnya menyingkirkan sebagian penjelasan sebab-akibat terbalik karena pemakaian diukur lebih dulu daripada kesejahteraan saat tindak lanjut, tetapi orang yang memang sudah menarik diri secara sosial juga bisa jadi merekalah yang menambah pemakaian.
Seberapa andal sampelnya setelah setahun?
Ini titik terlemah studi tersebut, dan penulisnya mengatakannya. Dari 1.182 peserta awal, 439 kembali — retensi 37,1%. Sebagian besar kehilangan itu bersifat struktural, bukan selektif: 59,54% peserta awal sudah tidak aktif lagi di platform rekrutmen. Model memakai koreksi seleksi Heckman untuk menyesuaikan perbedaan yang teramati; itu membantu, tetapi tidak bisa memulihkan orang yang tak pernah kembali.
Apakah pengguna makin lekat dengan chatbot mereka selama setahun?
Sedikit, ya. Di antara 331 orang yang masih memakai chatbot saat tindak lanjut, menyebutnya sebagai pendamping yang menopang naik dari 40,2% ke 42,3% dan menjadi deskripsi paling umum, sementara kerangka alat atau asisten turun dari 43,8% ke 40,5%. Kerangka romantis atau intim tetap kecil dan hampir datar, 3,3% ke 3,6%.
Apakah ini studi Stanford yang sama dari Agustus 2026?
Kelompok penelitinya sama dan kohort awalnya sama, tetapi pertanyaannya berbeda. Studi Agustus 2026 menggambarkan siapa yang berisiko pada satu titik waktu. Praterbitan ini mengikuti pengguna yang sama selama kira-kira setahun dan menguji bagaimana pemakaian berkembang serta apa yang menjelaskan kaitannya dengan kesejahteraan.