Mengulas ‘Bagaimana Orang Menggunakan ChatGPT’

Saya Ilya Romanov dan saya bekerja pada produk AI dalam mode stealth. Dalam artikel saya sebelumnya, saya membahas tentang laporan MIT yang cukup mengganggu tentang AI dan garis bawah pendapatan. Laporan lain yang cukup heboh keluar—“Bagaimana Orang Menggunakan ChatGPT”. Pembukaannya yang cukup berani “Secara keseluruhan, kami menemukan bahwa ChatGPT memberikan nilai ekonomi melalui dukungan keputusan, yang sangat penting dalam pekerjaan yang intensif pengetahuan” membuat saya bertanya-tanya apakah—akhirnya—ada bukti yang terbukti bahwa AI menambahkan nilai yang nyata pada proses kerja dan garis bawah pendapatan. Mari kita lihat lebih dalam!

Laporan dan Tim

‘Bagaimana Orang Menggunakan ChatGPT’ disiapkan oleh peneliti OpenAI dan ekonom Harvard David Deming. Kombinasi keahlian mereka dalam teknik AI, analisis data yang menjaga privasi, dan kebijakan ekonomi memungkinkan pembuatan studi empiris skala besar ini tentang ChatGPT.

Studi ini menggunakan kolam percakapan dengan ChatGPT yang cukup mengesankan, yaitu 1,5 juta percakapan. Tim menggunakan corong yang menjaga privasi untuk membuat pengguna anonim sambil masih memahami niat di balik pesan. Secara esensial, setiap percakapan ChatGPT ditarik melalui filter otomatis yang menghapus nama atau detail pribadi sebelum peneliti melihatnya. Label mesin yang dibersihkan (seperti topik atau niat) dianalisis. Untuk menghubungkan latar belakang demografi dasar, seperti pendidikan atau pekerjaan, tim bekerja dalam lingkungan clean-room yang aman di mana mereka hanya dapat menarik data agregat tentang grup pengguna setidaknya 100 orang, sehingga tidak ada individu atau pesan yang dapat diidentifikasi atau diidentifikasi kembali.

Temuan

Pernyataan yang cukup berani dalam ‘Abstrak’ adalah salah satu wawasan kunci tentang bagaimana AI memberikan nilai dalam ekonomi modern. Berbeda dengan banyak solusi ‘otomatisasi semuanya’ yang muncul belakangan, ChatGPT digunakan terutama sebagai alat dukungan keputusan daripada platform otomatisasi tugas murni. Laporan ini memperkenalkan dua jenis tugas yang diberikan pengguna kepada ChatGPT: ‘Bertanya’ dan ‘Mengerjakan’. Yang pertama merujuk pada pekerjaan seperti mencari informasi, memberikan saran atau membimbing untuk keputusan yang lebih baik (‘Apa perbedaan antara korelasi dan kausalitas?’). Yang terakhir sebenarnya melakukan tugas tertentu seperti mengirim email, menulis laporan, dan bahkan membuat kode (‘Tulis email kepada manajer saya mengatakan saya tidak dapat menghubungi Penjualan, meskipun saya menelepon beberapa kali.’).

Menariknya, laporan ini membedakan antara percakapan kerja dan non-kerja. Semua percakapan non-kerja membentuk sekitar 70% pada tahun 2025, menunjukkan peningkatan yang cukup tajam dari 53% pada tahun 2024. Interaksi pribadi sebagian besar berpusat pada tugas sehari-hari (saran ‘bagaimana’ dan bimbingan) dan bantuan penulisan (penyuntingan atau terjemahan). Peningkatan ini dan konteks penggunaan memposisikan ChatGPT sebagai teman sehari-hari—baru—untuk eksplorasi, pekerjaan kreatif, dan pengambilan keputusan di luar tempat kerja.

Laporan ini mengungkapkan bahwa 49% dari semua pesan adalah ‘Bertanya’ dibandingkan dengan hanya 40% prompt ‘Mengerjakan’. Triknya adalah bahwa pesan ‘Bertanya’ tumbuh lebih cepat dan menerima peringkat kepuasan yang lebih tinggi dari pengguna ChatGPT. Pada Juli 2024, ‘Bertanya’ dan ‘Mengerjakan’ hampir sama, masing-masing 46% dari semua pesan ChatGPT. Pada Juni 2025, ‘Bertanya’ telah meningkat menjadi 51,6%, yang berarti kenaikan absolut 5,6 poin persentase yang diterjemahkan menjadi kenaikan relatif 12%, sementara ‘Mengerjakan’ turun menjadi 34,6%, yang berarti penurunan relatif -25%.

Apa artinya perbedaan ini? Manfaat ekonomi, laporan ini berpendapat, ada dalam pengambilan keputusan yang lebih cepat dan lebih baik dalam pekerjaan yang intensif pengetahuan yang mempercepat produktivitas. Dalam pekerjaan yang intensif pengetahuan, di mana hasil bisnis dipengaruhi langsung oleh kualitas dan kecepatan keputusan, memiliki akses ke informasi yang diproses lebih baik, perspektif alternatif, dan dukungan analitis yang sangat baik dapat meningkatkan secara signifikan kinerja pekerja.

Dasar untuk kesimpulan ini adalah temuan. Di satu sisi, pengguna dengan gelar sarjana sekitar 2 poin persentase lebih mungkin menggunakan ChatGPT untuk ‘Bertanya’ dan 1,6 poin persentase kurang mungkin mengirim pesan ‘Mengerjakan’ dibandingkan dengan pengguna yang kurang terdidik. Dalam hal yang sama, pengguna dalam pekerjaan ilmiah dan teknis yang tinggi lebih mungkin menggunakan AI untuk ‘Bertanya’—47% dari pesan terkait pekerjaan adalah ‘Bertanya’ dalam pekerjaan terkait komputer.

Kemampuan pengambilan keputusan yang tidak terlihat yang jauh melampaui kemampuan otak manusia dapat tercermin dalam uang—bukan dalam bentuk pendapatan OpenAI (sekitar $13 miliar dalam pendapatan tahunan, per awal Agustus tahun ini) tetapi dalam surplus konsumen. Dengan sederhana, surplus konsumen adalah celah antara jumlah maksimum yang orang mau membayar untuk layanan dan harga yang sebenarnya mereka bayar. Misalnya, saya mau membayar $100 untuk langganan bulanan ChatGPT tetapi saya membayar $20, sehingga surplus konsumen adalah $80.

Dalam skala besar, seperti yang ditemukan oleh Collis dan Brynjolfsson (2025), surplus konsumen diperkirakan setidaknya $97 miliar di Amerika Serikat saja. Dan tampaknya dari penelitian mereka bahwa orang perlu dibayar $98, rata-rata, untuk berhenti menggunakan AI generatif selama sebulan. Nilai ChatGPT bagi pengguna dalam konteks kerja dan non-kerja sangat besar, dan aman untuk mengatakan bahwa dalam konteks perusahaan, ada keuntungan keuangan yang lebih besar.

Mengapa Bertanya?

Ketika saya meneliti tim di balik laporan ini dan (kejutan!) mengundang Perplexity untuk berpikir bersama saya tentang laporan ini, saya tidak bisa tidak bertanya-tanya mengapa orang BERTANYA daripada MELAKUKAN dengan ChatGPT.

Untuk menyatakan dalam istilah yang lebih ilmiah, saya ingin merujuk pada penelitian yang dirujuk dalam laporan. Ide dan Talamas (2025) mempresentasikan dua peran AI dalam tempat kerja: Rekan Kerja yang membuat deliverables, yaitu melakukan pekerjaan, dan Kopilot yang meningkatkan pemecahan masalah tanpa output akhir. Data dari ‘Bagaimana orang menggunakan ChatGPT’ mendukung paradigma kopilot: lagi, orang bertanya daripada melakukan dengan ChatGPT (49% vs 40%) dan bertanya sedang meningkat dan ‘Mengambil keputusan dan memecahkan masalah” menduduki peringkat tertinggi dalam setiap kelompok pekerjaan yang disurvei. Dalam satu kalimat, ChatGPT memberikan saran daripada melakukan pekerjaan dalam sebagian besar kasus.

Jadi, AI adalah Kopilot (apakah Microsoft tahu sesuatu ketika menamai alat AI mereka… jika Anda mengerti maksud saya) dalam sebagian besar kasus. Tapi, mengapa? Gulirkan Linkedin dan Anda akan melihat ‘Otomatisasi ini’ dan ‘Otomatisasi itu’.

Saya telah memikirkan hal itu juga, ketika saya membaca laporan dan ratusan postingan Linkedin yang antusias dari penggemar AI yang menemukan skrip untuk membuat AI bekerja. Asumsi saya adalah bahwa dominasi jenis Bertanya daripada Melakukan dengan ChatGPT mungkin hanya refleksi dari keterbatasan model saat ini (atau sebelumnya) daripada preferensi masyarakat yang mendasar untuk AI sebagai kopilot. Kemungkinan besar, ketika ada solusi AI yang sangat kuat dan agen, pengguna akan semakin mengadopsi AI sebagai rekan kerja yang sebenarnya daripada hanya sebagai penasihat. Dengan sederhana, orang ingin menggunakan AI sebagai rekan kerja, tetapi masih ada keterbatasan.

Dari pengalaman saya dan apa yang saya dengar selama wawancara CustDev, saya berasumsi bahwa ada satu kelemahan serius yang AI belum bisa atasi. Pertama, AI kekurangan konteks. Kedua, tidak semua pekerjaan dapat dipecah menjadi prompt sederhana (atau saya tidak cukup sabar).

Biarkan saya menjelaskan dua poin ini. Karena AI kekurangan konteks, AI tidak dapat dibiarkan bebas ketika membuat konten. AI perlu dipantau, dan prompt mungkin perlu direvisi untuk hasil yang lebih baik. IBM menjelaskan ide ini dalam istilah ilmiah. Manusia mengumpulkan pemahaman situasional yang kaya berkat persepsi, memori, dan pengalaman dunia nyata yang tidak pernah berhenti, sedangkan asisten AI bekerja hanya dengan memprediksi token berikutnya (~kata) berdasarkan ‘jendela konteks’ input terbaru. AI memiliki memori jangka pendek, dan informasi sebelumnya hilang ketika kapasitas memori terisi.

Model bahasa besar bergelut dengan tugas kompleks multi-langkah. Kinerja dan koherensi memburuk ketika tugas digabungkan, Prompt Drive menjelaskan. Ada pendekatan untuk mengatasi keterbatasan—yaitu pendekatan divide-and-conquer. Namun, pendekatan ini mengakui bahwa tidak ada prompt tunggal yang dapat menangkap semua nuansa, sehingga AI tetap menjadi kopilot yang sangat baik sambil menjadi rekan kerja yang terbatas.

Sekarang, saya telah memikirkan dalam konteks ChatGPT. Apakah rasio ini (49% vs 40%) direplikasi dengan alat AI lain?

• 60% pesan yang dikirim ke Perplexity AI adalah permintaan penelitian daripada pembuatan konten murni, menurut App Labx.
• DeepSeek R1 mendapat skor tinggi sebagai rekan kerja maju untuk tugas logika dan kopilot untuk bantuan rantai pemikiran, menurut laporan internal.
• GitHub Co-pilot (petunjuknya ada di nama, kan?) dirancang untuk saran editor untuk kode, debugging, dan bantuan pembelajaran. Aman untuk mengatakan bahwa perannya adalah membantu daripada melakukan.
• Microsoft Copilot menunjukkan pemisahan yang hampir sama antara Bertanya dan Melakukan, mencerminkan pola penggunaan untuk ChatGPT.

Jadi—apa yang temuan ini tinggalkan bagi kita? Seperti yang saya lihat, AI adalah pendorong yang kuat untuk pekerjaan yang intensif pengetahuan yang mempercepat pengambilan keputusan dan diterjemahkan menjadi penghematan waktu langsung dan keuntungan pendapatan tidak langsung. Untuk menolak AI demi ‘sentuhan manusia’ atau ‘konten unik’ berarti kalah dalam jangka panjang. Orang menggunakan ChatGPT dan asisten AI lain untuk memajukan pengambilan keputusan, bukan untuk menggantikan pengambil keputusan manusia secara keseluruhan.

Apakah pola ini akan berubah? Apakah orang akan melihat kerusakan otak massal karena delegasi pekerjaan yang meningkat kepada AI? Tunggu artikel saya berikutnya tentang bagaimana AI mempengaruhi otak manusia dan kemampuan kognitif.