Kecerdasan Buatan Mengotomatisasi Pekerjaan yang Membuat Ahli

Ketika perusahaan memutuskan apa yang harus diotomatisasi, mereka biasanya mengukur waktu, biaya, tingkat kesalahan, dan output. Mereka jarang mengukur apa yang diajarkan tugas tersebut kepada orang yang melakukannya. Kekurangan ini penting karena banyak tugas yang tampak berulang atau tidak efisien juga merupakan bagian dari sistem magang yang tidak terlihat, di mana orang menjadi profesional yang kompeten.

Seorang analis junior yang membangun model pertama, seorang pengembang yang melacak bug dasar, seorang agen dukungan yang menangani keluhan umum, dan seorang pengacara yang menyiapkan memo penelitian awal, semua menghasilkan pekerjaan. Mereka juga belajar bagaimana informasi saling terkait, detail mana yang penting, di mana kesalahan muncul, dan kapan pola yang familiar tidak lagi berlaku. Jika kecerdasan buatan menghilangkan tugas tanpa menggantikan proses pembelajaran, organisasi mungkin memperoleh kecepatan hari ini sementara melemahkan keahlian yang dibutuhkan nanti.

Pertanyaan tenaga kerja sebenarnya lebih besar daripada apakah kecerdasan buatan akan mengurangi perekrutan tingkat pemula. Pemimpin perlu bertanya apa yang terjadi pada loop praktek yang sebelumnya mengubah karyawan yang tidak berpengalaman menjadi orang yang mampu menghakimi, memperbaiki, dan mengawasi sistem cerdas.

Keahlian Dibangun Melalui Koreksi

Keahlian sering digambarkan sebagai pengetahuan, tetapi pengetahuan saja tidak cukup. Orang yang berpengalaman telah menghadapi cukup kasus untuk mengenali sinyal lemah, memperhatikan kombinasi yang tidak biasa, dan memahami kapan jawaban standar tidak aman. Kemampuan itu berkembang melalui siklus berulang dari mencoba pekerjaan, menerima umpan balik, memperbaiki kesalahan, dan melihat konsekuensi keputusan.

Banyak tugas junior berharga tepat karena mereka menciptakan siklus tersebut. Membuat draf pertama analisis memaksa seseorang untuk memutuskan apa yang relevan. Membersihkan data mengungkapkan bagaimana informasi nyata tidak sempurna. Menangani kasus pelanggan yang sederhana mengajarkan pola normal, yang kemudian membuat kasus abnormal lebih mudah dikenali. Mengulas output selesai seorang ahli tidak menciptakan kedalaman yang sama karena pilihan sulit telah dibuat dan disembunyikan.

Kecerdasan buatan dapat mempercepat siklus tersebut. Draf pertama tiba sebelum karyawan memiliki kerangka masalah. Asisten kode mengusulkan solusi sebelum pengembang melacak kegagalan. Alat penelitian merangkum bukti sebelum analis memiliki kesempatan untuk membandingkan sumber. Output mungkin lebih baik dan lebih cepat, tetapi karyawan menerima lebih sedikit kesempatan untuk membangun model internal tentang mengapa itu benar.

Kecerdasan Buatan Dapat Mempercepat Pembelajaran, tetapi Desainnya Penting

Risiko itu tidak tak terhindarkan. Beberapa bukti terkuat tentang kecerdasan buatan generatif di tempat kerja menunjukkan bahwa itu dapat membantu karyawan yang kurang berpengalaman belajar lebih cepat ketika digunakan sebagai panduan daripada sebagai pengganti partisipasi.

Sebuah studi NBER tentang 5.179 agen dukungan pelanggan menemukan bahwa akses ke asisten kecerdasan buatan generatif meningkatkan produktivitas sebesar 14 persen rata-rata, dengan perbaikan 34 persen di antara pekerja pemula dan kurang terampil. Peneliti menemukan bukti yang menunjukkan bahwa sistem tersebut membantu menyebarkan praktik agen yang lebih kuat dan memindahkan pekerja baru ke kurva pengalaman lebih cepat.

Desain pekerjaan itu penting. Agen menerima saran selama percakapan pelanggan yang nyata, tetapi mereka masih harus menafsirkan situasi, memilih bagaimana merespons, dan mengamati hasilnya. Loop pembelajaran tetap utuh. Kecerdasan buatan menambah akses tepat waktu ke pola ahli tanpa sepenuhnya menghilangkan karyawan dari keputusan.

Hal itu berbeda dari alur kerja di mana sistem menyelesaikan tugas dan karyawan melakukan persetujuan cepat di akhir. Ketika orang tetap aktif dalam diagnosis, pilihan, dan konsekuensi, kecerdasan buatan dapat berfungsi sebagai pelatih. Ketika mereka dikurangi untuk menerima output yang sudah jadi, teknologi mungkin meningkatkan produksi jangka pendek sementara melakukan sedikit untuk kemampuan jangka panjang.

Otomatisasi Mencapai Tugas yang Membangun Modal Manusia

Mudah untuk menganggap bahwa kecerdasan buatan akan menghilangkan hanya pekerjaan berulang yang tidak memerlukan keterampilan. Bukti saat ini menunjukkan pola yang lebih rumit.

Indeks Ekonomi Anthropic Januari 2026 menemukan bahwa tugas yang diliput oleh Claude cenderung memerlukan lebih banyak pendidikan daripada rata-rata ekonomi. Dalam sebuah perkiraan eksperimental, peneliti menemukan bahwa menghilangkan tugas yang diliput oleh kecerdasan buatan dari pekerjaan akan menghasilkan efek deskilling pada pekerjaan karena banyak tugas yang diliput mewakili komponen pendidikan tinggi dari peran. Anthropic berhati-hati untuk mengatakan bahwa ini bukanlah prediksi, karena pekerjaan mungkin berkembang dan tugas baru mungkin muncul, tetapi temuan tersebut harus mengubah cara perusahaan berpikir tentang otomatisasi.

Rutin dan pengembangan tidaklah berlawanan. Menyiapkan analisis dapat menjadi rutin bagi karyawan yang berpengalaman sementara tetap menjadi praktek esensial bagi karyawan junior. Membuat kontrak standar, memperbaiki kesalahan yang familiar, membuat prakiraan, dan meninjau riwayat pelanggan mungkin dapat diotomatisasi, tetapi mereka juga memperkenalkan karyawan pada struktur profesi.

Hal ini menciptakan masalah strategis. Tugas yang paling mudah diotomatisasi mungkin juga tugas melalui mana karyawan baru belajar konteks yang dibutuhkan untuk menangani tugas yang sulit nanti.

Paradoks Verifikasi

Banyak organisasi merespons dengan mengatakan bahwa orang akan berpindah dari produksi ke verifikasi. Kecerdasan buatan akan menghasilkan pekerjaan, sementara manusia akan memeriksa akurasi, menerapkan konteks, dan tetap bertanggung jawab. Ini terdengar masuk akal, tetapi itu mengandung paradoks: verifikasi itu sendiri memerlukan keahlian yang dibuat oleh pekerjaan yang diotomatisasi.

Sebuah studi Microsoft Research (MSFT ) yang melibatkan 319 pekerja pengetahuan dan 936 contoh penggunaan kecerdasan buatan generatif menemukan bahwa kepercayaan yang lebih besar pada kecerdasan buatan terkait dengan upaya berpikir kritis yang lebih sedikit. Studi tersebut juga menemukan bahwa kecerdasan buatan menggeser pemikiran kritis ke arah verifikasi, integrasi, dan tata kelola tugas. Kegiatan tersebut berharga, tetapi seseorang tidak dapat memverifikasi dengan baik tanpa pengetahuan domain yang cukup untuk mengenali apa yang mungkin hilang.

Seorang karyawan yang tidak berpengalaman dapat memeriksa apakah jawaban jelas tidak konsisten atau tidak didukung. Jauh lebih sulit untuk memperhatikan bahwa analisis menggunakan kerangka yang salah, mengabaikan kendala operasional, atau mencapai kesimpulan yang masuk akal untuk alasan yang salah. Output kecerdasan buatan yang sudah jadi dapat menyembunyikan kurangnya pemahaman karena terlihat lengkap sebelum karyawan mengembangkan penilaian untuk menanyainya.

Penelitian tentang “jagged technological frontier” membuat masalah tersebut lebih konkrit. Dalam sebuah eksperimen dengan 758 konsultan, pengguna kecerdasan buatan menyelesaikan tugas dalam kemampuan teknologi 25,1 persen lebih cepat dan menghasilkan hasil yang lebih dari 40 persen lebih baik. Pada tugas di luar kemampuan tersebut, bagaimanapun, pengguna kecerdasan buatan 19 poin persentase kurang mungkin mencapai solusi yang benar daripada peserta yang bekerja tanpa kecerdasan buatan.

Kemampuan kritis sebenarnya bukanlah menggunakan kecerdasan buatan. Ini adalah mengenali kapan sistem beroperasi di luar batas kinerja yang dapat diandalkan. Batas tersebut jarang jelas, dan belajar untuk melihatnya memerlukan pengalaman dengan kasus sukses dan kegagalan.

Risiko Suksesi yang Tersembunyi

Laporan Masa Depan Pekerjaan Forum Ekonomi Dunia 2025 menemukan bahwa pengusaha mengharapkan 39 persen dari keterampilan inti pekerja akan berubah pada tahun 2030. Ini juga menemukan bahwa 63 persen dari pengusaha sudah melihat kesenjangan keterampilan sebagai hambatan utama bagi transformasi, sementara 77 persen berencana untuk meningkatkan keterampilan karyawan dan 41 persen mengharapkan untuk mengurangi jumlah tenaga kerja karena kecerdasan buatan mengotomatisasi tugas.

Strategi ini mungkin bertentangan jika organisasi menghilangkan terlalu banyak pekerjaan yang membentuk keterampilan. Sebuah perusahaan dapat mengurangi perekrutan junior, mengandalkan karyawan senior untuk mengawasi kecerdasan buatan, dan masih melaporkan produktivitas yang kuat selama beberapa tahun. Kelemahan muncul kemudian, ketika karyawan berpengalaman meninggalkan, permintaan meningkat, atau organisasi membutuhkan karyawan yang mampu menangani situasi yang belum pernah dilihat oleh sistem.

Ahli senior juga dapat menjadi keterbatasan operasional baru. Jika kecerdasan buatan meningkatkan volume pekerjaan sementara hanya sekelompok kecil yang dapat memverifikasi output yang sulit, orang-orang tersebut menghabiskan lebih banyak waktu untuk meninjau dan memperbaiki daripada mengajar. Perusahaan memperoleh kapasitas produksi tetapi mengkonsentrasikan penilaian di tangan yang lebih sedikit.

Tidak ada organisasi yang dapat mengotomatisasi magang dan kemudian menganggap bahwa mereka akan terus membeli pengalaman dari pasar. Jika banyak perusahaan mengikuti strategi yang sama, kolam bakat berpengalaman di luar akhirnya menjadi lebih tipis dan lebih mahal.

Ukur Nilai Pengembangan Pekerjaan

Sebelum mengotomatisasi tugas, perusahaan harus mengevaluasinya pada dua dimensi. Yang pertama adalah nilai output: seberapa penting, berbiaya, dan sensitif waktu hasilnya? Yang kedua adalah nilai pengembangan: apa kemampuan yang dibangun oleh pelaksanaan tugas?

Tugas dengan nilai output rendah dan nilai pengembangan rendah adalah kandidat yang jelas untuk otomatisasi penuh. Mengformat dokumen rutin atau memindahkan informasi antar sistem mungkin mengajarkan sedikit setelah kompetensi dasar telah dicapai.

Tugas dengan nilai output tinggi tetapi nilai pengembangan rendah dapat sering diotomatisasi dengan kontrol yang tepat. Organisasi masih membutuhkan tata kelola karena hasilnya penting, tetapi mempertahankan proses manual mungkin tidak banyak memberikan kontribusi pada pertumbuhan karyawan.

Kategori yang paling diabaikan berisi tugas dengan nilai output yang sederhana tetapi nilai pengembangan yang tinggi. Draf pertama karyawan junior mungkin tidak penting secara komersial karena seorang senior akan merevisinya, namun menghasilkannya menciptakan perbandingan yang berharga antara penalaran awal dan umpan balik ahli. Menghilangkan langkah tersebut menghemat waktu tetapi juga menghilangkan praktek.

Tugas dengan nilai output tinggi dan nilai pengembangan tinggi seharusnya biasanya ditingkatkan daripada diotomatisasi sepenuhnya. Karyawan dapat menggunakan kecerdasan buatan untuk penelitian, pilihan, dan kritik, tetapi mereka harus mempertahankan tanggung jawab yang signifikan untuk membingkai masalah, menjelaskan keputusan, dan belajar dari hasilnya.

Bangun Lapisan Magang Secara Sengaja

Setelah tugas pengembangan telah diidentifikasi, perusahaan dapat merancang ulang tugas tersebut daripada mempertahankan alur kerja yang tidak efisien secara utuh. Tujuan bukanlah membuat karyawan mengulangi setiap proses manual dari masa lalu. Ini adalah untuk merekayasa ulang pengalaman yang membangun penilaian dalam bentuk yang lebih cepat dan lebih disengaja.

Salah satu pilihan adalah mempertahankan pemikiran pertama. Sebelum melihat rekomendasi kecerdasan buatan, karyawan merekam diagnosis awal, prakiraan, atau keputusan. Sistem kemudian dapat memberikan alternatif, dan karyawan harus menjelaskan di mana keduanya berbeda dan pendekatan mana yang akan mereka gunakan.

Organisasi juga dapat membangun perpustakaan kegagalan kecerdasan buatan, kasus tepi, dan keputusan yang dipertanyakan. Mengulas hanya output yang sukses mengajarkan karyawan untuk mempercayai sistem. Mempelajari di mana sistem gagal membantu mereka mengenali kondisi yang memerlukan eskalasi, bukti tambahan, atau intervensi manusia.

Manajer harus mengevaluasi apakah pembelajaran dipindahkan di luar alat. Apakah karyawan dapat menjelaskan alasan di balik output akhir? Apakah mereka dapat mengidentifikasi asumsi yang akan membuatnya salah? Apakah mereka dapat beradaptasi ketika konteks berubah atau kecerdasan buatan tidak tersedia? Pertanyaan-pertanyaan ini mengungkapkan lebih banyak tentang kesiapan daripada jumlah prompt yang digunakan atau tugas yang diselesaikan.

Yang paling penting, karyawan junior masih membutuhkan tanggung jawab yang nyata. Simulasi dan praktek terstruktur membantu, tetapi keahlian juga bergantung pada konsekuensi, umpan balik, dan kontak dengan kompleksitas yang nyata. Kecerdasan buatan harus membuat pengalaman tersebut lebih aman dan lebih sering, bukan menghilangkannya sepenuhnya.

Keunggulan Tenaga Kerja Akan Datang dari Keahlian yang Lebih Cepat

Organisasi yang paling kuat tidak akan menjadi mereka yang mengotomatisasi jumlah tugas junior terbesar. Mereka akan menjadi mereka yang menghilangkan upaya rendah sementara mempercepat pengembangan orang-orang yang dapat menggunakan, menantang, dan mengawasi kecerdasan buatan dengan bertanggung jawab.

Ini memerlukan definisi yang lebih luas tentang pengembalian otomatisasi. Waktu yang dihemat dan output yang dihasilkan penting, tetapi pemimpin harus juga mengukur apakah alur kerja baru memperkuat atau melemahkan pasokan keahlian organisasi di masa depan. Proses yang mengurangi biaya sementara merusak pipa keahlian mungkin hanya efisien dalam jangka pendek.

Sebelum menyetujui proyek otomatisasi berikutnya, pemimpin harus bertanya satu pertanyaan tambahan: apa yang dipelajari orang dengan melakukan pekerjaan ini, dan di mana pembelajaran itu akan terjadi setelah pekerjaan diotomatisasi?

Jawabannya akan menentukan apakah kecerdasan buatan hanya menghasilkan lebih banyak output atau membantu menghasilkan generasi ahli berikutnya.