Kalimat “kita sekarang perusahaan AI first” terdengar modern sampai ia berubah menjadi ancaman halus: pakai AI, atau terlihat tertinggal.
Saya tidak sedang menulis dari posisi anti-AI. Itu terlalu mudah, dan menurut saya tidak akurat. AI bisa sangat berguna. Dalam penelitian NBER terhadap 5.179 agen layanan pelanggan, alat bantu percakapan berbasis AI menaikkan produktivitas rata-rata 14 persen, terutama untuk pekerja baru dan pekerja dengan keterampilan awal lebih rendah [1].
Jadi masalahnya bukan AI.
Masalahnya adalah ketika organisasi berhenti bertanya “pekerjaan apa yang menjadi lebih baik?”, lalu menggantinya dengan pertanyaan yang lebih mudah dihitung: “berapa banyak orang memakai AI?”
Di titik itu, AI tidak lagi menjadi alat. Ia menjadi KPI.
Adopsi tidak sama dengan transformasi
Gallup melaporkan bahwa pada Februari 2026, separuh pekerja Amerika sudah memakai AI dalam pekerjaannya setidaknya beberapa kali setahun. Tiga belas persen memakainya setiap hari, dan 28 persen memakainya beberapa kali seminggu atau lebih [2].
Angka itu kelihatan besar. Tetapi Gallup juga memberi catatan yang lebih penting: manfaatnya masih lebih sering muncul pada level tugas individual, bukan perubahan mendasar cara kerja organisasi. Hanya sekitar satu dari sepuluh pekerja di organisasi yang mengadopsi AI yang sangat setuju bahwa AI telah mengubah cara kerja organisasi secara fundamental [2].
Ini pola yang saya kira akan makin sering kita lihat. Orang memakai AI. Laporan internal terlihat penuh. Papan pantau penuh angka. Jumlah perintah masukan naik. Jumlah dokumen naik. Jumlah ringkasan naik.
Tetapi nilai belum tentu naik.
Volume pemakaian AI bukan bukti transformasi. Ia hanya bukti bahwa tombolnya sering ditekan.
Saat alat berubah menjadi kewajiban
Survei WRITER dan Workplace Intelligence pada 2026 terhadap 1.200 eksekutif dan 1.200 pekerja pengguna AI menggambarkan ketegangan ini dengan cukup telanjang. Hampir semua eksekutif yang disurvei mengatakan perusahaannya telah menerapkan agen AI dalam setahun terakhir. Namun hanya 29 persen organisasi yang melaporkan hasil investasi signifikan dari AI generatif, dan hanya 23 persen dari agen AI [3].
Angka ini harus dibaca hati-hati karena sumbernya juga perusahaan AI. Tetapi justru karena sumbernya pro-AI, temuan tentang kekecewaan adopsi menjadi menarik. Survei yang sama menyebut 48 persen eksekutif menilai adopsi AI mereka sebagai kekecewaan besar, sementara 60 persen berencana melakukan PHK terhadap pekerja yang tidak bisa atau tidak mau mengadopsi AI [3].
Di sinilah paksaan mulai bekerja.
Kalau penggunaan AI masuk penilaian kinerja, orang akan memakai AI. Tetapi belum tentu untuk menghasilkan kerja yang lebih baik. Mereka bisa memakai AI untuk terlihat patuh. Mereka bisa meminta AI menulis dokumen yang dulu cukup disampaikan dalam lima kalimat. Mereka bisa membuat agen AI untuk menyusun daftar tugas yang sebenarnya bisa dibuat dengan membaca pesan dan menulis di kertas.
Organisasi mendapatkan angka adopsi.
Pekerja mendapatkan pekerjaan tambahan untuk mengawasi alat.
Pelanggan mendapatkan bot yang terlalu percaya diri.
Dan semua orang berpura-pura ini kemajuan.
Biaya tersembunyi: kerja yang tampak rapi tetapi tidak menambah nilai
Harvard Business Review bersama BetterUp Labs dan Stanford Social Media Lab memakai istilah workslop: kerja yang tampak rapi karena dibantu AI, tetapi kurang substansi untuk benar-benar memajukan tugas. Dalam survei 1.150 pekerja penuh waktu di Amerika Serikat, 40 persen responden mengatakan mereka menerima workslop dalam sebulan terakhir [4].
Masalahnya bukan hanya tulisan jelek. Masalahnya perpindahan beban.
Orang yang mengirim keluaran AI merasa tugasnya selesai. Orang yang menerima harus menebak maksudnya, mengecek fakta, memperbaiki konteks, atau menulis ulang. HBR memperkirakan setiap insiden workslop memakan rata-rata hampir dua jam waktu penerima, dengan biaya tersembunyi sekitar 186 dolar per bulan per pekerja yang terdampak [4].
Itulah ironi produktivitas palsu: satu orang menghemat waktu dengan AI, tiga orang lain membayar tagihannya.
| Metrik yang mudah dihitung | Risiko perilaku | Metrik yang lebih sehat |
|---|---|---|
| Jumlah perintah masukan | Orang mengejar aktivitas, bukan hasil | Waktu siklus tugas turun tanpa mutu turun |
| Jumlah dokumen AI | Dokumen makin banyak, keputusan tidak makin jelas | Keputusan lebih cepat dengan dasar lebih lengkap |
| Jumlah agen AI | Koordinasi alat lebih rumit daripada kerja awal | Jumlah eskalasi manusia turun pada kasus yang tepat |
| Persentase pekerja memakai AI | Kepatuhan palsu dan resistensi diam-diam | Pekerja paham kapan harus memakai dan tidak memakai AI |
Tabel 1. Metrik AI yang buruk mudah membuat organisasi keliru membaca aktivitas sebagai nilai.
Gambar 1. Ketika volume pemakaian menjadi ukuran utama, organisasi mudah masuk ke lingkaran kepatuhan palsu.
Gambar 2. Perbedaan paling penting bukan teknologinya, melainkan titik awal pengukurannya.
Keterampilan tidak hilang dalam semalam, tetapi ketekunan bisa terkikis
Ada klaim yang perlu ditulis dengan hati-hati: AI tidak otomatis membuat manusia bodoh. Pernyataan itu terlalu besar dan terlalu malas.
Tetapi ada sinyal riset yang patut diperhatikan. Pracetak arXiv 2026 oleh Grace Liu dan rekan-rekan, berdasarkan uji acak terhadap 1.222 peserta, menemukan bahwa bantuan AI meningkatkan kinerja jangka pendek, tetapi peserta kemudian tampil lebih buruk ketika AI diambil dan lebih mudah menyerah. Efeknya muncul setelah interaksi singkat sekitar 10 menit [5].
Karena ini pracetak, saya tidak akan menjadikannya vonis final. Tetapi sebagai tanda peringatan, ia masuk akal. Banyak keterampilan dibangun dari friksi: mencoba, salah, menahan bingung, memperbaiki, lalu paham. Kalau setiap friksi langsung dihapus oleh jawaban instan, yang hilang mungkin bukan kecerdasan. Yang melemah adalah kebiasaan bertahan di depan masalah yang belum segera terbuka.
Untuk pekerjaan teknis, ini serius. Di utilitas air, misalnya, operator tidak hanya butuh ringkasan AI tentang kebocoran. Ia perlu memahami pola tekanan, jam puncak, riwayat perbaikan, kualitas meter, dan konsekuensi lapangan jika keputusan salah. AI boleh membantu membaca pola. Tetapi manusia tetap harus memikul akuntabilitas.
Kelelahan baru: mengawasi terlalu banyak alat
BCG, dalam artikel Harvard Business Review tentang AI brain fry, melaporkan studi terhadap 1.488 pekerja Amerika di perusahaan besar. Temuannya: penggunaan atau pengawasan AI secara berlebihan dapat mendorong kelelahan mental, kesalahan pekerja, beban keputusan, dan niat untuk berhenti [6].
Ini tidak mengejutkan.
Mengawasi satu alat yang jelas membantu bisa meringankan kerja. Mengawasi lima agen AI yang masing-masing membuat asumsi, lupa konteks, salah membaca data, dan perlu diperiksa ulang, itu bukan otomatisasi. Itu manajemen risiko mini yang disamarkan sebagai produktivitas.
Kita sering membayangkan AI sebagai asisten. Dalam praktiknya, AI yang belum matang sering menjadi staf magang yang sangat cepat, sangat percaya diri, dan tidak bisa dimintai tanggung jawab.
Kalau organisasi hanya menghitung “berapa banyak tugas dikerjakan AI”, beban pemeriksaan manusia tidak terlihat. Padahal di sanalah biaya sebenarnya tinggal.
Pelajaran untuk organisasi Indonesia
Di Indonesia, terutama di organisasi layanan publik dan utilitas, kita sebaiknya tidak mengulang kesalahan korporasi global secara mentah.
AI boleh dipakai untuk menyusun ringkasan regulasi, membuat draf SOP, mencari anomali data meter, menyusun daftar pertanyaan audit, membantu analisis aduan pelanggan, atau mempercepat pembuatan laporan rutin. Itu semua masuk akal.
Analogi yang dekat untuk utilitas air begini: AI mirip pompa bantu. Ia berguna ketika tekanan di jaringan memang turun dan desain pipa memahami ke mana air harus mengalir. Tetapi kalau pompa dipasang hanya supaya papan pantau terlihat aktif, tekanan bisa naik di titik yang salah, kebocoran makin besar, dan operator justru sibuk menenangkan gejala baru.
Tetapi ada tiga batas yang perlu dijaga.
Pertama, jangan membuat AI berpura-pura menjadi manusia. Dalam layanan pelanggan, masalah utama sering bukan bot itu sendiri, melainkan bot yang menghalangi akses ke manusia saat kasusnya tidak cocok. Survei YouGov untuk Pega, sebagaimana dilaporkan ITPro, menemukan 68 persen responden tidak percaya diri terhadap cara bisnis memakai AI generatif saat berinteraksi dengan pelanggan, dan 54 persen tidak yakin organisasi memakainya secara bertanggung jawab [7].
Kedua, jangan menghitung penggunaan sebagai keberhasilan. Laporan MIT NANDA 2025 tentang GenAI Divide menyebut sebagian besar proyek AI perusahaan tidak menghasilkan manfaat terukur, sementara hanya sebagian kecil yang benar-benar masuk produksi dan memberi dampak finansial [8]. Angka itu bisa diperdebatkan. Tetapi pesannya sulit diabaikan: uji coba yang ramai tidak sama dengan perubahan kerja yang bernilai.
Ketiga, jangan memotong proses belajar. Untuk staf muda, AI harus menjadi penyangga belajar, bukan pengganti berpikir. Bedakan “AI memberi jawaban” dari “AI memberi petunjuk yang membuat orang makin mampu”.
Satu langkah konkret
Ini satu langkah yang bisa dimulai besok: berhenti menjadikan jumlah pemakaian AI sebagai KPI, lalu ganti dengan daftar keputusan kerja yang boleh dibantu AI dan cara mengujinya.
Buat satu tabel sederhana untuk satu unit kerja selama 30 hari:
| Pekerjaan | AI boleh membantu apa? | Manusia wajib memutuskan apa? |
|---|---|---|
| Ringkasan regulasi | Membuat ringkasan awal dan daftar pasal relevan | Menentukan interpretasi final dan risiko hukum |
| Analisis aduan pelanggan | Mengelompokkan tema aduan | Memutuskan respons dan eskalasi |
| Laporan operasi | Menyusun draf dari data bersih | Memvalidasi angka, konteks, dan rekomendasi |
| Deteksi anomali meter | Menandai pola tidak biasa | Menentukan tindak lanjut lapangan |
Tabel 2. Contoh sederhana batas penggunaan AI yang lebih sehat daripada KPI volume.
Setiap baris harus punya uji mutu: apakah waktu selesai turun, apakah kesalahan turun, apakah pelanggan lebih cepat mendapat jawaban, apakah keputusan lebih bisa dipertanggungjawabkan.
Kalau tidak ada uji mutu, jangan sebut transformasi. Sebut saja percobaan.
AI yang baik tidak perlu dipaksakan dengan slogan. Orang akan memakainya kalau ia benar-benar mengurangi beban, memperjelas keputusan, dan membuat pekerjaan lebih bisa dipertanggungjawabkan.
Yang perlu dipaksa biasanya bukan teknologinya. Yang perlu dipaksa adalah disiplin kita untuk mengukur nilai, bukan sekadar mengukur aktivitas.
Penyangkalan kecil: saya tidak mengatakan setiap target pemakaian AI pasti buruk. Untuk fase belajar awal, target aktivitas kadang berguna. Tetapi target itu harus cepat pensiun. Begitu orang sudah mengenal alatnya, ukuran harus kembali ke mutu kerja, waktu siklus, risiko, akuntabilitas, dan kepercayaan.
FD Iskandar menulis tentang tata kelola teknologi, AI, dan utilitas air. Kontak: [email protected] .
Disclaimer: Tulisan ini adalah pandangan pribadi penulis dan tidak mewakili pandangan organisasi manapun. Informasi disajikan untuk tujuan edukasi dan diskusi, bukan nasihat profesional.
Referensi
- Erik Brynjolfsson, Danielle Li, and Lindsey R. Raymond, "Generative AI at Work," NBER Working Paper 31161, 2023. https://www.nber.org/papers/w31161
- Andy Kemp, "Rising AI Adoption Spurs Workforce Changes," Gallup, 2026. https://www.gallup.com/workplace/704225/rising-adoption-spurs-workforce-changes.aspx
- WRITER Team, "Enterprise AI adoption in 2026: Why 79% face challenges despite high investment," WRITER, 2026. https://writer.com/blog/enterprise-ai-adoption-2026/
- Kate Niederhoffer et al., "AI-Generated Workslop Is Destroying Productivity," Harvard Business Review, 2025. https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity
- Grace Liu, Brian Christian, Tsvetomira Dumbalska, Michiel A. Bakker, and Rachit Dubey, "AI Assistance Reduces Persistence and Hurts Independent Performance," arXiv:2604.04721, 2026. https://arxiv.org/abs/2604.04721
- Boston Consulting Group, "When Using AI Leads to Brain Fry," summarizing Harvard Business Review article by Julie Bedard et al., 2026. https://www.bcg.com/news/5march2026-when-using-ai-leads-brain-fry
- Emma Woollacott, "Your customers are not keen on that customer service chatbot you introduced," ITPro, 2026. https://www.itpro.com/technology/artificial-intelligence/your-customers-arent-keen-on-that-customer-service-chatbot-you-introduced-heres-why
- MIT NANDA, "The GenAI Divide: State of AI in Business 2025," mirrored copy. https://www.pi.inc/docs/356103613275648