Deskripsi Pekerjaan AI Researcher (2026): Keterampilan Era AI, Tanggung Jawab & Panduan Perekrutan

AI Researcher mendorong inovasi dengan mengembangkan algoritma mutakhir, menjalankan eksperimen, dan menerbitkan riset yang memajukan bidang kecerdasan buatan. Peran ini memadukan keahlian teknis yang mendalam dengan kerangka ilmiah yang ketat untuk memecahkan masalah kompleks dan memperluas batas kemungkinan dalam AI.

Sorotan Utama

• Rata-Rata Gaji: $140,000 - $220,000+ per tahun
• Tingkat Pengalaman: Membutuhkan gelar lanjutan, 3-8 tahun pengalaman riset
• Tingkat Pertumbuhan: Proyeksi pertumbuhan 32% hingga 2032
• Keterampilan Utama: Machine learning, deep learning, metodologi riset, publikasi akademik
• Lingkungan Kerja: Kombinasi riset mandiri dan proyek tim kolaboratif
• Jalur Karier: Senior Researcher → Research Lead → Principal Scientist → Research Director

Mengapa Peran Ini Penting di 2026

AI Researcher adalah arsitek sistem cerdas masa depan yang menjalankan riset fundamental yang membentuk seluruh industri. Mereka menjembatani kesenjangan antara ilmu komputer teoretis dan aplikasi praktis, mengembangkan algoritma yang menggerakkan segala hal mulai dari kendaraan otonom hingga diagnostik medis. Seiring kemampuan AI berkembang pesat, para researcher menyediakan fondasi ilmiah yang memastikan teknologi ini tangguh, etis, dan bermanfaat bagi masyarakat.

Yang membuat peran ini semakin bernilai seiring meluasnya penggunaan alat AI adalah penilaian manusia yang tak tergantikan yang menjadi inti dari peran ini. Large language model kini dapat menyurvei literatur dalam hitungan detik, menghasilkan kandidat hipotesis, bahkan menulis kode eksperimen. Yang tidak bisa mereka lakukan adalah merumuskan pertanyaan ilmiah yang benar-benar baru, merancang metodologi yang menyingkirkan variabel pengganggu yang tepat, atau menerapkan penilaian ilmiah untuk mengenali kapan suatu hasil benar-benar menarik, bukan sekadar signifikan secara statistik. AI mempercepat infrastruktur riset: tinjauan literatur, penyusunan kerangka kode, pelacakan eksperimen, manajemen sitasi. Peneliti tetap memegang perumusan hipotesis, perancangan metodologi, dan interpretasi hasil yang belum pernah terlihat sebelumnya di bidang ini.

Peran ini menawarkan kesempatan unik untuk berkontribusi pada pengetahuan manusia sekaligus mengerjakan masalah yang dapat memengaruhi jutaan kehidupan. AI Researcher semakin sering melihat pekerjaan mereka berpindah dari makalah akademik ke sistem produksi lebih cepat dari sebelumnya, tepatnya karena tooling AI mempersempit kesenjangan antara prototipe riset dan kemampuan yang benar-benar diterapkan.

Keterampilan & Alat AI untuk AI Researcher di 2026

Ekspektasi terhadap AI Researcher telah bergeser. Kandidat terbaik tidak lagi sekadar menguasai literatur; mereka menggunakan tooling AI untuk menelusurinya lebih cepat dan membangunnya dengan lebih ketat.

Alat AI yang digunakan peran ini secara aktif:

• Semantic Scholar AI dan Elicit untuk sintesis literatur: alat ini menampilkan makalah yang relevan, mengelompokkan temuan berdasarkan tema, dan mengidentifikasi hasil yang bertentangan di ratusan makalah hanya dalam hitungan menit, bukan minggu
• Papers with Code untuk benchmarking dan reproduktibilitas: melacak performa state-of-the-art di berbagai dataset, menemukan implementasi yang sudah ada, dan memvalidasi apakah pendekatan yang diajukan benar-benar baru atau hanya variasi inkremental
• Weights and Biases (W&B) dan MLflow untuk pelacakan eksperimen: mencatat hyperparameter, metrik, dan artifact di setiap run agar eksperimen dapat direproduksi, dibandingkan, dan diaudit; penting untuk ketelitian setara kualitas publikasi
• ChatGPT dan Claude untuk menyusun draf bagian related work, menghasilkan bukti berformat LaTeX untuk ditinjau, meringkas kumpulan makalah, dan menyiapkan kerangka presentasi dari catatan riset
• GitHub Copilot dan Cursor untuk mempercepat implementasi prototipe: peneliti berpengalaman menggunakan asisten kode AI untuk menyusun boilerplate lebih cepat, sehingga mereka bisa fokus pada komponen algoritmik yang baru
• Consensus.app dan Research Rabbit untuk eksplorasi graf sitasi dan menemukan kluster related work yang terlewat oleh pencarian kata kunci

Kefasihan prompt adalah akselerator riset. Peneliti yang menulis prompt yang presisi untuk peringkasan literatur, pembuatan argumen tandingan, dan stress-test hipotesis dapat memangkas siklus riset tahap awal secara signifikan. Disiplin utamanya adalah mengetahui kapan harus memercayai output dan kapan harus memverifikasinya terhadap sumber primer.

Konteks permintaan keterampilan AI: Permintaan terhadap AI Researcher dengan alur kerja riset yang mahir menggunakan tools telah meningkat sekitar 144% dari tahun ke tahun. Posisi yang mencantumkan kemahiran dalam toolchain riset modern (W&B, Elicit, Semantic Scholar AI) pada persyaratannya memperoleh premi gaji sekitar 56% dibandingkan posisi riset serupa yang tidak mencantumkannya. Khusus untuk AI Researcher, ini mencerminkan pergeseran bidang ini menuju praktik riset yang dapat direproduksi dan sadar infrastruktur.

Keunggulan komparatif peneliti tumbuh seiring skala AI yang meluas. Seiring language model mengomoditisasi peringkasan literatur dan pembuatan kode, output riset bernilai tertinggi menjadi pertanyaan yang tidak terpikirkan oleh siapa pun, desain eksperimen yang menyingkirkan variabel pengganggu, dan interpretasi hasil yang membutuhkan pengetahuan domain mendalam untuk dikenali sebagai sesuatu yang signifikan. Ini adalah kemampuan manusia yang terus bertumbuh seiring pengalaman.

Bekerja Berdampingan dengan AI Agent untuk AI Researcher

AI agent kini mengambil alih porsi yang signifikan dari alur kerja pendukung riset. Kandidat yang kuat memahami peralihan tugas ini dengan jelas.

Yang ditangani agent dengan baik:

• Agent tinjauan literatur yang terus memantau ArXiv, Semantic Scholar, dan database khusus domain untuk makalah baru yang relevan dengan alur riset, dan mengirimkan ringkasan harian yang diurutkan berdasarkan relevansi
• Agent pemantauan eksperimen yang mengawasi run W&B, menandai kurva loss yang anomali, mengirim peringatan saat suatu run menyimpang dari perilaku yang diharapkan, dan meringkas eksperimen yang selesai dalam format terstruktur
• Agent pelacakan sitasi yang mengelola database bibliografi, menampilkan saat makalah dalam daftar bacaan peneliti dikutip oleh karya berdampak tinggi yang baru, dan menandai potensi hasil duplikat dalam literatur
• Agent pembuatan kode yang menyusun kerangka training loop deep learning standar, pipeline pemuatan data, dan harness evaluasi, sehingga membebaskan perhatian peneliti untuk komponen algoritmik yang baru
• Agent penulisan makalah yang membuat draf bagian boilerplate (struktur abstrak, kerangka related work, pemformatan lampiran) untuk kemudian disunting dan dikembangkan oleh peneliti

Yang tetap dipegang oleh AI Researcher (dan tidak dapat didelegasikan):

• Perumusan hipotesis: mengidentifikasi pertanyaan riset mana yang benar-benar terbuka, penting secara ilmiah, dan dapat dijawab dengan metode yang ada saat ini adalah penilaian dengan daya ungkit tertinggi dalam riset; tidak ada agent yang bisa menghasilkan ini secara andal
• Perancangan metodologi: memilih baseline yang tepat untuk dibandingkan, ablasi mana yang menceritakan kisah yang benar, dan dataset evaluasi mana yang adil membutuhkan pengetahuan domain yang mendalam dan integritas ilmiah
• Penilaian ilmiah atas hasil baru: mengenali bahwa hasil yang tidak terduga itu menarik, bukan bug, membutuhkan pengalaman dengan ruang kemungkinan hasil yang masuk akal; ini adalah keterampilan inti seorang peneliti
• Interpretasi dan penyampaian narasi: menerjemahkan hasil eksperimen menjadi klaim yang dapat dijadikan pijakan oleh bidang ilmu tersebut membutuhkan pemahaman tentang apa yang sudah diketahui komunitas, apa yang masih diragukan, dan framing seperti apa yang akan bertahan dalam peer review
• Tinjauan etis dan penilaian keamanan: memutuskan apakah arah riset atau kapabilitas model tertentu harus dipublikasikan, dibatasi, atau dieskalasikan membutuhkan akuntabilitas manusia yang tidak dapat dipegang oleh agent mana pun

Garis serah terima: Output agent menjadi input bagi proses berpikir peneliti. Agent tinjauan literatur menampilkan kandidat; peneliti yang menilai relevansi dan kebaruannya. Agent pemantauan eksperimen menandai anomali; peneliti yang memutuskan apakah itu bug atau temuan. Kontribusi ilmiah selalu ada di tangan manusia.

Kefasihan AI Berdasarkan Level Pengalaman

Karena berkas AI Researcher ini dibuat sebelum format matriks pengalaman standar diterapkan, berikut adalah ringkasan ekspektasi kefasihan AI berdasarkan tahap karier.

Level Pemula / Mahasiswa PhD:

• Menggunakan Elicit, Semantic Scholar AI, dan Papers with Code setiap hari untuk tinjauan literatur dan benchmarking
• Melacak eksperimen secara ketat di W&B atau MLflow sejak hari pertama; memahami mengapa reproduktibilitas tidak bisa ditawar
• Memberikan prompt pada Claude atau ChatGPT untuk menguji ketahanan argumen, menghasilkan counterexample, dan meringkas kluster related work
• Memahami bahwa ringkasan literatur yang dihasilkan agent memerlukan verifikasi terhadap sumber primer

Level Menengah / Postdoc atau Research Scientist:

• Membangun toolchain riset yang dapat digunakan kembali: pipeline pemantauan literatur otomatis, templat pencatatan eksperimen terstruktur, checklist reproduktibilitas
• Merancang agent pemantauan eksperimen dan mengonfigurasi peringatan untuk alur riset yang sedang aktif dikerjakan
• Menggunakan asisten kode AI (Copilot, Cursor) untuk mempercepat implementasi prototipe tanpa kehilangan kejelasan algoritmik
• Mampu mengevaluasi apakah sintesis literatur berbantuan AI sudah komprehensif atau memiliki celah sistematis

Level Senior / Principal Scientist atau Research Lead:

• Merancang proses riset yang diperkuat AI untuk tim: tugas pendukung mana yang dipegang agent, bagaimana mengaudit output agent, dan bagaimana menjaga ketelitian ilmiah saat kecepatan tim meningkat
• Menetapkan standar untuk reproduktibilitas, pelacakan eksperimen, dan pengungkapan yang bertanggung jawab di seluruh kelompok
• Mengevaluasi pilihan tooling AI untuk tim dan membuat keputusan berprinsip tentang di mana otomatisasi membantu dan di mana otomatisasi justru menciptakan risiko (misalnya, triase makalah otomatis dapat melewatkan karya yang benar-benar baru karena tidak cocok dengan pola sitasi yang sudah ada)
• Mampu mempresentasikan kepada leadership, dewan keamanan, dan kolaborator eksternal di mana AI membantu proses riset dan di mana penilaian ilmiah manusia dari tim tetap menjadi lapisan yang tidak tergantikan

Templat Deskripsi Pekerjaan Utama

Templat ini menyelaraskan misi riset, kepemilikan eksperimen, standar teknis, ekspektasi keamanan, dan bukti keberhasilan dalam satu hiring brief.

Tentang Peran Ini

Kami mencari AI Researcher berbakat untuk bergabung dengan tim riset kami dan berkontribusi pada perkembangan terobosan dalam kecerdasan buatan. Anda akan menjalankan riset independen, berkolaborasi dengan tim lintas fungsi, dan membantu menerjemahkan terobosan teoretis menjadi aplikasi praktis. Peran ini menawarkan kesempatan untuk mengerjakan masalah menantang di titik temu antara ilmu komputer, matematika, dan aplikasi khusus domain.

Sebagai AI Researcher, Anda akan bertanggung jawab untuk merancang eksperimen, mengembangkan algoritma baru, dan mengomunikasikan temuan Anda melalui publikasi dan presentasi. Anda akan bekerja sama erat dengan tim engineering untuk memastikan hasil riset dapat diimplementasikan dan diskalakan dengan sukses. Kandidat ideal memadukan pengetahuan teoretis yang kuat dengan keterampilan implementasi praktis serta semangat untuk memperluas batas kemampuan AI.

Tanggung Jawab Utama

• Menjalankan Riset Independen: Merancang dan menjalankan proyek riset yang memajukan state of the art dalam machine learning, deep learning, atau domain AI khusus
• Mengembangkan Algoritma Baru: Menciptakan pendekatan inovatif untuk memecahkan masalah kompleks di bidang computer vision, natural language processing, robotika, atau bidang AI lainnya
• Mempublikasikan Temuan Riset: Menulis makalah berkualitas tinggi untuk konferensi dan jurnal papan atas, berkontribusi pada komunitas riset AI yang lebih luas
• Membuat Prototipe dan Memvalidasi: Membangun sistem proof-of-concept untuk mendemonstrasikan kelayakan dan efektivitas ide riset
• Berkolaborasi Lintas Tim: Bekerja sama dengan tim produk, engineer, dan peneliti lain untuk menerjemahkan riset menjadi aplikasi praktis
• Membimbing Peneliti Junior: Membimbing mahasiswa PhD, magang riset, dan anggota tim junior dalam upaya riset mereka
• Mengikuti Perkembangan Literatur: Terus meninjau publikasi riset terbaru dan menghadiri konferensi untuk tetap berada di garis depan perkembangan AI
• Mempresentasikan Hasil Riset: Menyampaikan presentasi yang meyakinkan pada rapat internal, konferensi, dan simposium akademik
• Mengevaluasi Dampak Riset: Menilai potensi aplikasi dan keterbatasan temuan riset untuk penerapan di dunia nyata
• Berkontribusi pada Strategi Riset: Membantu membentuk roadmap riset jangka panjang dan mengidentifikasi arah riset baru yang menjanjikan

Persyaratan

Kualifikasi Wajib:

• Gelar PhD di bidang Ilmu Komputer, Machine Learning, Matematika, Statistik, atau bidang terkait
• 3+ tahun pengalaman riset di bidang AI/ML dengan rekam jejak publikasi yang terbukti
• Keterampilan pemrograman Python yang kuat, dengan pengalaman menggunakan TensorFlow, PyTorch, atau framework serupa
• Pemahaman mendalam tentang fundamental machine learning, statistik, dan metode optimasi
• Pengalaman dalam desain eksperimen, pengujian hipotesis, dan metodologi evaluasi yang ketat
• Rekam jejak publikasi di konferensi papan atas (NeurIPS, ICML, ICLR, AAAI, dll.)
• Keterampilan komunikasi tulisan dan lisan yang sangat baik untuk audiens teknis maupun non-teknis
• Kemampuan bekerja secara mandiri sekaligus berkontribusi secara efektif pada tujuan tim

Kualifikasi yang Diutamakan:

• Pengalaman riset postdoctoral atau latar belakang riset di industri
• Keahlian di domain AI tertentu (computer vision, NLP, robotika, reinforcement learning)
• Pengalaman dengan distributed computing skala besar dan platform cloud
• Pengetahuan tentang etika AI, keadilan (fairness), dan praktik pengembangan AI yang bertanggung jawab
• Kontribusi open-source pada library ML atau alat riset
• Pengalaman mentransisikan prototipe riset ke sistem produksi
• Pengalaman menulis proposal hibah dan familier dengan proses pendanaan riset

Yang Kami Tawarkan

• Kompensasi Kompetitif: Gaji pokok $140,000 - $220,000 ditambah ekuitas dan bonus kinerja
• Kebebasan Riset: 20% waktu untuk proyek riset independen dan pengembangan akademik
• Dukungan Konferensi: Pendanaan penuh untuk menghadiri dan mempresentasikan karya di konferensi AI besar
• Insentif Publikasi: Bonus untuk publikasi di venue papan atas
• Sumber Daya Komputasi: Akses ke cluster GPU berperforma tinggi dan kredit cloud computing
• Peluang Kolaborasi: Kemitraan dengan universitas dan institusi riset terkemuka
• Pengembangan Profesional: Dukungan untuk pendidikan berkelanjutan dan pengembangan keterampilan
• Lingkungan Kerja Fleksibel: Opsi hybrid remote dengan ruang laboratorium kolaboratif

Variasi Konteks

Lingkungan Korporat

Perusahaan teknologi besar menawarkan sumber daya yang substansial kepada AI Researcher, termasuk dataset masif, infrastruktur komputasi, dan kesempatan untuk melihat riset diterjemahkan menjadi produk yang digunakan oleh jutaan orang. Peran ini sering kali menyeimbangkan riset fundamental dengan riset terapan yang selaras dengan tujuan bisnis, sehingga menyediakan jalur yang jelas dari riset menuju dampak pada produk.

Lingkungan Startup

Startup AI memberikan peneliti kesempatan untuk mengenakan banyak topi sekaligus, bergerak cepat dari ide ke implementasi. Lingkungan seperti ini menawarkan pengaruh yang lebih langsung terhadap arah produk dan kesempatan untuk melihat riset langsung diterapkan guna memecahkan masalah pelanggan, meski dengan kemungkinan keterbatasan sumber daya yang lebih besar dibandingkan organisasi yang lebih mapan.

Hybrid Akademik-Industri

Banyak organisasi kini menawarkan peran hybrid yang memungkinkan peneliti mempertahankan afiliasi akademik sambil mengerjakan masalah industri. Posisi seperti ini sering kali memberikan yang terbaik dari kedua dunia: kebebasan akademik untuk menerbitkan karya dan mengejar pertanyaan fundamental, dipadukan dengan akses ke data dunia nyata dan kesempatan implementasi.

Pertimbangan Industri

Panduan Kompensasi

Kompensasi mencerminkan kedalaman riset, rekam jejak publikasi, spesialisasi model, tanggung jawab compute, kelangkaan di pasar, dan dampak organisasi.

Informasi Gaji

Kisaran Rata-Rata Nasional: $140,000 - $220,000+ per tahun

Peneliti yang fasih AI dan mampu menunjukkan kemahiran dengan toolchain riset modern (W&B, Elicit, Semantic Scholar AI, pipeline eksperimen yang dapat direproduksi) memperoleh premi yang cukup besar di atas baseline ini. Kandidat yang datang dengan rekam jejak publikasi dan pengetahuan praktis tentang alur kerja riset berbantuan AI secara konsisten mengungguli tawaran baseline.

Faktor yang Memengaruhi Kompensasi:

• Rekam Jejak Publikasi: Riwayat publikasi yang kuat di venue papan atas (NeurIPS, ICML, ICLR) dapat meningkatkan tawaran secara signifikan
• Kefasihan Toolchain AI: Peneliti yang menunjukkan alur kerja eksperimen yang dapat direproduksi, penggunaan aktif alat sintesis literatur, dan praktik pemantauan eksperimen akan lebih menonjol dalam pencarian kandidat yang kompetitif
• Spesialisasi: Keahlian di area yang sangat diminati seperti large language model, sistem multimodal, atau AI safety memperoleh premi
• Pengalaman Industri: Peneliti dengan latar belakang akademik sekaligus industri sering kali memperoleh gaji lebih tinggi dibandingkan kandidat yang murni akademik
• Tahap Perusahaan: Raksasa teknologi yang sudah mapan biasanya menawarkan gaji pokok lebih tinggi; startup mungkin menawarkan potensi ekuitas yang lebih besar

Data gaji dikumpulkan dari berbagai sumber pasar termasuk Glassdoor, Levels.fyi, dan laporan industri. Selalu verifikasi tarif terkini sebelum membuat tawaran.

Pertanyaan Wawancara

Pertanyaan Teknis/Fungsional

1. Jelaskan sebuah proyek riset yang mengharuskan Anda mengatasi tantangan teknis yang signifikan. Bagaimana Anda mendekati masalah tersebut? Menilai metodologi pemecahan masalah dan ketekunan

2. Jelaskan langkah demi langkah proses Anda dalam merancang eksperimen untuk memvalidasi pendekatan machine learning baru. Menilai desain eksperimen dan ketelitian ilmiah

3. Bagaimana Anda mengikuti perkembangan lanskap riset AI yang berubah dengan cepat? Mengukur komitmen terhadap pembelajaran berkelanjutan

4. Jelaskan sebuah konsep AI yang kompleks kepada seseorang tanpa latar belakang teknis. Menguji keterampilan komunikasi dan kedalaman pemahaman

5. Jelaskan pengalaman Anda dengan peer review. Bagaimana Anda menghadapi kritik terhadap karya Anda? Menilai kemampuan berinteraksi dengan komunitas akademik

6. Apa pendekatan Anda terhadap riset yang dapat direproduksi? Bagaimana Anda memastikan orang lain dapat membangun karya berdasarkan pekerjaan Anda? Menilai komitmen terhadap praktik terbaik riset

7. Ceritakan saat riset Anda tidak berjalan sesuai harapan. Bagaimana Anda mengubah arah? Memahami ketangguhan dan kemampuan beradaptasi

8. Bagaimana Anda menyeimbangkan pengejaran arah riset baru dengan memenuhi tenggat waktu proyek? Menilai keterampilan manajemen proyek dan prioritas

Pertanyaan Perilaku

1. Jelaskan situasi di mana Anda harus berkolaborasi dengan peneliti yang memiliki perspektif atau metodologi berbeda. Menilai kerja sama tim dan keterampilan penyelesaian konflik

2. Ceritakan saat Anda harus mempresentasikan temuan riset yang kompleks kepada stakeholder non-teknis. Menilai keterampilan komunikasi dan pengaruh

3. Bagaimana Anda menghadapi situasi di mana temuan riset Anda bertentangan dengan keyakinan umum atau pendekatan yang sudah ada? Menguji integritas intelektual dan keberanian

4. Jelaskan pengalaman Anda membimbing peneliti junior atau mahasiswa. Apa yang menantang dari hal tersebut? Mengukur potensi kepemimpinan dan kemampuan mengajar

5. Ceritakan proyek riset yang mengharuskan Anda mempelajari keterampilan atau domain yang sama sekali baru. Menilai kelincahan belajar dan kemampuan beradaptasi

6. Bagaimana Anda memprioritaskan beberapa proyek riset dengan tenggat waktu yang saling bersaing? Menilai manajemen waktu dan pengambilan keputusan

Pertanyaan Kecocokan Budaya

1. Apa yang paling memotivasi Anda dalam riset AI? Dampak seperti apa yang Anda harapkan dapat Anda ciptakan? Memahami semangat dan visi jangka panjang

2. Bagaimana pandangan Anda tentang keseimbangan antara riset terbuka dan pengembangan proprietary? Mengukur kesesuaian dengan filosofi riset perusahaan

3. Peran apa yang seharusnya dimainkan oleh AI Researcher dalam mengatasi kekhawatiran etis seputar AI? Menilai kesadaran terhadap pengembangan AI yang bertanggung jawab

4. Bagaimana Anda lebih suka menerima feedback atas karya riset Anda? Memahami preferensi komunikasi dan growth mindset

Tips Perekrutan

Panduan Pencarian Kandidat Singkat

Platform Terbaik:

• Jaringan Akademik: Memanfaatkan kemitraan universitas dan koneksi konferensi
• Komunitas Khusus: Forum riset AI, diskusi ArXiv, dan ML Twitter
• Jaringan Profesional: LinkedIn dengan fokus pada riwayat publikasi dan partisipasi konferensi
• Konferensi Riset: Perekrutan langsung di NeurIPS, ICML, ICLR, dan konferensi khusus domain

Komunitas Profesional:

• Komunitas Machine Learning Research di Reddit dan Discord
• Kelompok riset AI safety dan alignment
• Kontributor proyek ML open source
• Jaringan alumni lab akademik

Optimasi Postingan:

• Menekankan kebebasan riset dan peluang publikasi
• Menonjolkan sumber daya komputasi dan peluang kolaborasi
• Menyebutkan area riset dan metodologi secara spesifik
• Menyertakan informasi tentang partisipasi konferensi dan kemitraan akademik

Tanda Bahaya yang Harus Dihindari

• Riwayat Publikasi Terbatas: Waspadai kandidat tanpa publikasi terbaru di venue berkualitas
• Ketidakmampuan Menjelaskan Karya: Peneliti seharusnya mampu mengomunikasikan kontribusi mereka dengan jelas
• Kurangnya Kode/Implementasi: Teori murni tanpa pengalaman implementasi mungkin tidak berhasil baik ketika diterapkan di industri
• Keterampilan Kolaborasi yang Buruk: Riset semakin membutuhkan kerja sama tim dan kolaborasi lintas fungsi
• Resistensi terhadap Feedback: Peer review akademik membutuhkan keterbukaan terhadap kritik dan iterasi
• Fokus yang Sempit: Ketidakmampuan mengadaptasi pendekatan riset atau mempelajari domain baru