Pemimpin pemikiran
Kepercayaan operasional sebagai hambatan: alasan sebenarnya karyawan menolak AI di tempat kerja

Poin utamaKesenjangan kepercayaan operasional menyebabkan resistensi AI lebih daripada kesiapan…
Lihat selengkapnya
- Kesenjangan kepercayaan operasional menyebabkan resistensi AI lebih daripada kesiapan keterampilan atau teknologi.
- AI memperkuat alur kerja yang bermasalah alih-alih memperbaiki model operasi yang rusak dalam skala besar.
- Adopsi berkelanjutan memerlukan perancangan ulang pekerjaan dengan batas keputusan manusia-AI yang jelas dan akuntabilitas.
AI telah menjadi kekuatan dominan selama beberapa tahun terakhir, mengubah dasar-dasar cara kerja dilakukan. Menatap ke depan, para eksekutif masih sangat optimistis, dengan 92% perusahaan berencana untuk meningkatkan investasi mereka pada AI paling lambat pada 2028. Namun, sikap karyawan terhadap AI jauh lebih beragam.
Menurut laporan terbaru, 52% pekerja khawatir tentang bagaimana AI akan mempengaruhi tempat kerja dan 32% lainnya percaya bahwa itu akan mengarah pada berkurangnya peluang kerja. Resistensi terhadap AI di tempat kerja adalah hambatan umum, namun persisten, untuk adopsi AI yang sukses. Ini juga merupakan hambatan yang sering dikaitkan dengan kesenjangan dalam keterampilan karyawan atau kesiapan teknis organisasi. Memang benar bahwa kedua faktor tersebut memainkan peran dalam memicu resistensi terhadap AI. Namun, akar sebenarnya dari masalah ini adalah kepercayaan operasional.
Di Mana Resistensi dan Risiko AI Benar-Benar Berada
Resistensi adalah gejala dari ketidakpastian – tentang bagaimana AI akan mengubah pengambilan keputusan, siapa yang bertanggung jawab ketika terjadi kesalahan, atau apa kendali dan pengaman yang ada. Runtuhnya kepercayaan terhadap cara kerja sistem ini tidak hanya mempengaruhi karyawan saja. Pemberi kerja juga tidak kebal.
Deloitte baru-baru ini menemukan bahwa sementara 42% perusahaan percaya bahwa strategi bisnis mereka sangat siap untuk adopsi AI, mereka juga merasa kurang siap dalam hal infrastruktur, data, risiko, dan talenta. Tidak peduli tingkat senioritas, kurangnya kendali atas data atau kehilangan data, kepatuhan terhadap standar industri, dan potensi gangguan pada alur kerja yang mapan menjadi kekhawatiran utama. Kekhawatiran ini sangat valid di industri yang diatur secara ketat di mana keputusan AI yang salah membawa konsekuensi yang jauh lebih besar.
Ada juga risiko nyata dalam mengotomatisasi alur kerja yang sudah rusak atau tidak memiliki struktur tata kelola yang jelas. Dalam skenario ini, AI menjadi fokus kegagalan, seringkali menciptakan lebih banyak gesekan dan memperkuat kesalahan eksekusi yang sudah ada. Bagaimanapun, sistem yang buruk tetap buruk bahkan jika didukung oleh AI. AI tidak memperbaiki sistem yang rusak. AI justru menjalankan prosesnya lebih cepat. Di sinilah perusahaan cenderung mengalami hambatan yang sebenarnya.
Banyak orang melihat alat AI itu sendiri sebagai sumber risiko utama. Namun, risiko sebenarnya berada di dalam model operasional tempat alat tersebut diperkenalkan. Dalam praktiknya, ancaman yang lebih besar datang dari menambahkan AI ke model operasional yang tidak pernah dirancang untuk mendukung otomatisasi lanjutan dari awal. Terutama dalam skala besar. Pendekatan ini adalah resep untuk mempercepat masalah yang sama yang organisasi coba selesaikan.
AI Tersemat dan Faktor Penilaian Manusia
AI berada pada posisi terbaik ketika tidak menghilangkan penilaian manusia dari persamaan, tetapi mendistribusikan kembali di mana penilaian berada dan bagaimana itu didukung. Dengan pendekatan ini, batas keputusan lebih jelas, lebih konsisten, dan lebih dapat diskalakan, dengan AI beroperasi sebagai alat untuk membantu organisasi mendistribusikan kekayaan keahlian manusia mereka lebih efektif dan efisien.
Kita masih jauh dari era AI di mana input manusia tidak lagi diperlukan. Namun, industri telah mencapai titik di mana penilaian manusia perlu diterapkan secara berbeda, dan lebih penuh pertimbangan, untuk memanfaatkan AI sebaik mungkin. Standar emas hubungan manusia-AI adalah di mana teknologi dengan cepat menyediakan wawasan dan konteks berdasarkan data untuk membantu pekerja dalam pengambilan keputusan tingkat tinggi dan membebaskan waktu untuk pekerjaan yang benar-benar penting.
Ketika AI diterapkan sebagai inisiatif mandiri, perbaikan hanya inkremental. Ini kemungkinan akan mempercepat tugas berulang atau mengurangi upaya manual di area seperti pekerjaan administratif, tetapi itu hanya menggores permukaan nilai AI. Transformasi yang sebenarnya terjadi ketika AI disematkan langsung ke dalam alur kerja, mengatur bagaimana informasi bergerak, dari atas ke bawah.
Kejelasan adalah Kunci untuk Adopsi AI yang Berkelanjutan
Hanya 41% orang di AS yang mau mempercayai AI. Mengingat sistem ini mempengaruhi cara karyawan bekerja, cara kinerja mereka dinilai, dan prospek pekerjaan mereka di masa depan, keraguan itu tidak mengejutkan, tetapi tidak bisa dibiarkan berlanjut. Perusahaan harus memperoleh dukungan dan persetujuan karyawan, dan pelatihan saja tidak bisa memikul beban. Kejelasan operasional adalah kunci.
Karyawan harus memahami di mana AI memberikan kontribusi pada rekomendasi dan di mana penilaian manusia tetap berwenang dari awal. Mereka juga perlu tahu siapa yang bertanggung jawab atas keputusan ketika AI terlibat. Transparansi memudahkan pemeriksaan keandalan hasil AI dan membentuk rasa kontrol dan akuntabilitas, begitu juga dengan protokol pengambilalihan yang jelas. Elemen-elemen ini adalah fondasi dari kepercayaan operasional yang kuat. Tanpa unsur-unsur ini, bahkan sistem yang dirancang dengan baik pun dapat mengalami kesulitan, dengan pekerja meragukan rekomendasi, atau bahkan meninggalkan teknologi sepenuhnya demi proses manual asli. Ini hanya mengurangi nilai keseluruhan investasi AI dan memperkuat persepsi bahwa AI lebih mengganggu daripada memberdayakan.
Menangani dinamika ini sejak awal penerapan adalah penting. Organisasi yang melihat kesuksesan terbesar dengan adopsi AI tidak memperlakukan AI sebagai penerapan satu kali atau proyek IT yang terisolasi. Sebaliknya, mereka mendekatinya sebagai evolusi model operasional – dimulai dengan memikirkan kembali alur kerja, mendefinisikan kembali peran, dan membentuk akuntabilitas bersama di seluruh bisnis.
Pemimpin bisnis, tim teknis, dan mitra platform masing-masing membawa potongan yang berbeda dari teka-teki. Tantangan bukanlah keahlian, melainkan keselarasan. Pemimpin bisnis memahami hasil mana yang paling penting dan bagaimana mereka terkait dengan strategi jangka panjang. Insinyur dan pemimpin IT memahami kemampuan dan keterbatasan teknologi. Mitra platform membawa pengalaman dunia nyata dalam menerapkan AI di lingkungan produksi. Ketika kelompok-kelompok ini merancang alur kerja bersama, AI menjadi dapat dijalankan. Jika tidak, AI tetap sebatas teori.
Persepsi bahwa AI adalah sesuatu yang dipaksakan, bukan alat bantu bermanfaat yang dikembangkan dengan input dari orang-orang yang akan menggunakannya adalah penggerak signifikan lain di balik resistensi tempat kerja. Melibatkan tim garis depan dalam perancangan ulang alur kerja mengubah anggapan tersebut. Karyawan diberi kesempatan untuk mengidentifikasi masalah yang paling memengaruhi pekerjaan mereka dan menjadi kontributor aktif dalam menentukan bagaimana AI diterapkan sehari-hari.
Hasil nyata akan selalu lebih kuat daripada bantuan yang dijanjikan. Jika karyawan melihat bukti nyata bahwa AI membuat kehidupan kerja mereka lebih baik — apakah itu menghilangkan pekerjaan rutin yang membosankan atau membantu mereka memperdalam pekerjaan terampil yang mereka minati – mereka lebih mungkin untuk terlibat dengannya. Faktanya, ketika kepercayaan pada AI tinggi, kemungkinan pekerja menggunakan teknologi itu setiap hari 2,8 kali lebih besar, dan mereka menghemat rata-rata 2 jam per minggu, menurut Deloitte.
Resistensi AI pada akhirnya adalah tantangan operasional. Organisasi yang melampaui itu tidak akan menjadi mereka yang memiliki model paling canggih, tetapi mereka yang merancang ulang bagaimana pekerjaan sebenarnya dilakukan dan membuat pekerjaan itu dapat dijalankan, akuntabel, dan jelas.
Perubahan ini tidak terjadi dalam isolasi. Ini memerlukan komitmen untuk kolaborasi lintas fungsional di seluruh perusahaan dan kemauan untuk beradaptasi dan memikirkan kembali proses lama. Setelah sistem internal dioptimalkan untuk sesuai dengan cara orang yang menggunakan sistem tersebut benar-benar bekerja, kepercayaan, dukungan, dan adopsi yang berkelanjutan secara alami mengikuti.












