Ketika AI Membuat Kita Lebih Cepat Tapi Tidak Lebih Pintar Dan Apa yang Harus Dilakukan Pemimpin

Banyak orang berpikir bahwa AI menawarkan solusi untuk berbagai tantangan bisnis. AI dapat membantu dalam coding, memperbaiki alur kerja, dan berfungsi sebagai asisten analisis. Namun, meskipun organisasi bergerak lebih cepat, mereka juga berpikir lebih sedikit. Jadi, risiko nyata yang ditimbulkan AI bukanlah penggantian pekerjaan, melainkan erosi pengetahuan.

Penelitian telah membuktikannya. SBS Swiss Business School menemukan bahwa ketergantungan yang meningkat pada AI terkait dengan kemampuan berpikir kritis yang menurun.

Erosi ini memiliki konsekuensi serius, karena keterampilan yang membuat penilaian manusia berharga semakin melemah ketika tim bergantung pada output mesin tanpa memahami bagaimana itu bekerja. Penalaran yang melemah, asumsi yang tidak tertantang, dan pengawasan model yang melemah tidak sama dengan efisiensi AI, melainkan meningkatkan kerapuhan bisnis.

Kejahatan Pemahaman Kemampuan AI

Organisasi merayakan output yang lebih cepat sebagai bukti adopsi AI yang sukses. Namun, kecepatan adalah ukuran yang menyesatkan. Apa yang banyak tim sebut sebagai kemampuan AI sebenarnya semakin salah diartikan sebagai kemampuan memahami prompt. Namun, pekerja perlu dapat mempercayai jawaban yang diberikan.

Jika output terdengar benar, banyak orang menganggap itu benar. Verifikasi model dilupakan, dan asumsi tidak diperiksa. Kemudian, pekerja mulai bergantung pada AI untuk kesimpulan yang sebelumnya memerlukan penalaran.

Sebuah penelitian 2025 mendukung pola ini. Penelitian tersebut menemukan “korelasi negatif yang signifikan antara penggunaan alat AI yang sering dan kemampuan berpikir kritis, yang diperantarai oleh peningkatan offloading kognitif.” Dan partisipan yang lebih muda, yang paling nyaman dengan antarmuka AI, menunjukkan skor berpikir kritis yang lebih rendah daripada partisipan yang lebih tua.

Poin ini juga didukung oleh temuan di The Economic Times, yang menemukan bahwa kemampuan AI yang sebenarnya tidak berasal dari memahami prompt. Kemampuan AI sebenarnya berasal dari keterampilan manusia yang menafsirkan, menantang, dan mengkontekstualisasikan output mesin, dan kemampuan AI berasal dari berpikir kritis, penalaran analitis, pemecahan masalah kreatif, dan kecerdasan emosional. Tanpa keterampilan tersebut, pengguna menjadi konsumen pasif konten AI, bukan pengambil keputusan aktif.

Yang mengkhawatirkan, offloading kognitif ini telah diamati pada tingkat neural. The Economic Times melaporkan tentang sebuah studi di MIT Media Lab dan menemukan bahwa partisipan yang sering menggunakan ChatGPT menunjukkan retensi memori yang berkurang, skor kinerja yang lebih rendah, dan aktivitas otak yang berkurang ketika mencoba tanpa bantuan AI. Seperti yang dikatakan oleh peneliti, “Kenyamanan ini datang dengan biaya kognitif.” Mahasiswa yang menggunakan AI performa lebih buruk “pada semua tingkat: neural, linguistik, dan skor.”

Hasil ini membantu menjelaskan apa yang dihancurkan oleh jalan pintas AI. Mereka melemahkan keterampilan kognitif yang profesional andalkan setiap hari:

• Penalaran analitis
• Pengujian hipotesis
• Insting debugging
• Intuisi domain

Penelitian terbaru ini akhirnya memperjelas kerugian AI yang diabaikan pada tingkat manusia. Dan ini menjadi masalah yang lebih besar dalam keputusan yang berisiko tinggi, seperti risiko, peramalan, dan alokasi sumber daya, yang semua memerlukan pemahaman kontekstual. Semakin sedikit orang memahami logika di balik desain model, semakin tidak pasti keputusan menjadi.

Mengapa Keterampilan Manusia yang Lemah dalam AI Menciptakan Risiko Tingkat Perusahaan

Divisi Kompetensi Baru Melemahkan Pengawasan

Ketika adopsi AI menjadi luas, divisi mulai muncul di banyak organisasi. Di satu sisi ada inspektor, yang dapat menanyakan, menantang, menafsirkan, dan memperbaiki output. Di sisi lain ada operator yang menerima hasil dengan nilai wajah dan melanjutkan.

Pembagian ini jauh lebih penting daripada yang dipikirkan oleh banyak pemimpin. Pengawasan bergantung pada tim yang dapat menginterogasi asumsi model, bukan hanya jawabannya. Ketika lebih sedikit orang memahami bagaimana sistem bekerja, perubahan kecil dapat tidak terdeteksi, seperti tanda-tanda awal drift model dan perubahan kualitas data.

Ketika tim menerima output AI tanpa menanyakan, kesalahan kecil bergerak ke hilir dan dengan cepat berkompromi. Ketergantungan menjadi satu titik kegagalan. Ini menimbulkan pertanyaan, apa yang terjadi ketika sebuah organisasi mengoutsourcing penilaian lebih cepat daripada membangun pemahaman?

Kesenjangan pengawasan ini juga memacetkan inovasi. Tim yang tidak dapat menginterogasi AI tidak dapat memperbaiki prompt atau mengenali ketika sebuah wawasan baru dan inovatif. Inovasi menjadi terpusat di sekitar kelompok ahli yang semakin kecil, memperlambat kemampuan organisasi untuk beradaptasi.

Inovasi Macet Ketika Rasa Ingin Tahu Manusia Menurun

AI dapat mempercepat dan mengautomasi banyak tugas, tetapi tidak dapat menggantikan insting manusia untuk menanyakan dan mendorong melampaui jawaban yang jelas. Namun, insting ini semakin melemah. Ini dikenal sebagai kemerosotan agensi. Sebuah empat tahap perkembangan dalam cara manusia memindahkan pemikiran ke mesin:

1. Eksperimen: Dengan rasa ingin tahu dan kenyamanan, orang mulai mendelegasikan tugas kecil ke AI. Ini memungkinkan dan efisien.
2. Integrasi: AI menjadi bagian dari tugas sehari-hari. Orang masih memiliki keterampilan dasar tetapi merasa tidak nyaman bekerja dengan bantuan.
3. Ketergantungan: AI mulai membuat keputusan yang kompleks. Pengguna menjadi percaya diri, dan kemampuan kognitif mulai memudar, seringkali tidak terdeteksi.
4. Kecanduan: Juga dikenal sebagai kebutaan yang dipilih. Orang tidak dapat berfungsi secara efektif tanpa AI tetapi tetap yakin akan otonomi mereka.

Perkembangan ini penting karena AI menghancurkan kemampuan untuk mengenali ketika kita kekurangan pengetahuan dan berpikir tentang solusi inovatif untuk masalah baru. Keterampilan tingkat tinggi ini memerlukan latihan konstan. Namun, kenyamanan AI membuatnya mudah untuk mengabaikannya.

Organisasi kemudian menjadi efisien tetapi tidak kreatif. Penelitian dan pengembangan bergantung pada rasa ingin tahu manusia dan skeptisisme, karena keduanya menurun ketika output tidak dipertanyakan. Kehilangan rasa ingin tahu dan agensi ini adalah risiko strategis.

Kehilangan Pengetahuan Tidak Tertulis Membuat Organisasi Rapuh

Dalam tim yang sehat dan fungsional, keahlian mengalir secara horizontal melalui koneksi rekan-rekan dan secara vertikal dari senior ke junior. Namun, ketika pekerja mengirimkan pertanyaan ke AI daripada ke manusia, loop mentorship melemah. Junior berhenti belajar dari dan menyerap keputusan penilaian ahli, dan senior secara bertahap berhenti mendokumentasikan pengetahuan karena AI mengisi celah rutin.

Dalam waktu, pengetahuan inti mengalami kehampaan. Namun, risiko ini membutuhkan waktu untuk muncul, sehingga bisnis terlihat produktif, tetapi fondasinya menjadi rapuh. Ketika model gagal atau anomali muncul, tim tidak lagi memiliki kedalaman domain untuk merespons dengan percaya diri.

Sebuah studi kasus tentang sebuah firma akuntansi yang diterbitkan di The Vicious Circles of Skill Erosion menemukan bahwa ketergantungan jangka panjang pada otomasi kognitif menciptakan penurunan signifikan dalam keahlian manusia. Ketika pekerja lebih mempercayai fungsi otomatis, kesadaran mereka tentang aktivitas, pemeliharaan kompetensi, dan penilaian output semua melemah. Peneliti mencatat bahwa erosi keterampilan ini tidak terdeteksi oleh karyawan dan manajer, meninggalkan tim tidak siap ketika sistem gagal.

Apa yang Harus Dilakukan Pemimpin untuk Mengembalikan Kedalaman dan Melindungi dari Ketergantungan Berlebihan

Perusahaan tidak dapat memperlambat adopsi AI, tetapi mereka dapat memperkuat penilaian manusia, yang membuat AI lebih dapat diandalkan. Ini dimulai dengan mendefinisikan kembali kemampuan AI di seluruh organisasi, karena kemampuan memahami prompt bukanlah kemampuan yang sebenarnya. Kemampuan yang sebenarnya termasuk memahami penalaran model dan mengetahui kapan harus menggantikan output mesin.

Untuk memahami ini, karyawan perlu dilatih tentang bagaimana model menyederhanakan konteks, bagaimana drift muncul dalam pekerjaan sehari-hari, dan perbedaan antara output yang terdengar percaya diri dan output yang terdengar masuk akal. Setelah dasar ini terletak, pemimpin dapat membangun kembali penalaran kritis ke dalam alur kerja sehari-hari dengan memperbolehkan verifikasi, seperti:

• Asumsi apa yang dibuat oleh model ini?
• Apa yang membuat output ini salah?
• Apakah ini bertentangan dengan apa yang kita ketahui dari pengalaman?

Analisis kritis ini hanya membutuhkan beberapa menit tetapi melawan krisis offloading kognitif, membantu menjaga karyawan dan output model AI tetap terkendali.

Cara terbaik bagi bisnis untuk mengajar karyawannya adalah pada sistem nyata. Terlalu sering, pelatihan fokus pada skenario ideal. Namun, bisnis tidak memiliki skenario seperti itu; mereka memiliki sistem di mana data tidak lengkap, konteks ambigu, dan penilaian manusia penting.

Misalnya, jika sebuah perusahaan logistik telah melatih tim rutingnya hanya pada dataset yang bersih di mana AI bekerja dengan sempurna, pekerja akan sangat tidak siap. Kondisi dunia nyata, seperti gangguan cuaca, dapat menyebabkan model AI menghasilkan instruksi yang salah. Jika karyawan tidak pernah melihat sistem berperilaku dengan cara yang tidak pasti, mereka tidak akan mengenali tanda-tanda awal drift atau tahu kapan harus campur tangan. Dalam kasus ini, masalahnya bukanlah model, melainkan pelatihan yang tidak memadai. Sangat penting untuk melatih karyawan pada AI yang mereka miliki, termasuk skenario drift, output yang ambigu, data parsial, dan kegagalan. Itulah tempat kemampuan manusia dibangun kembali.

Untuk memastikan pelatihan tersebut praktis, pemimpin bisnis perlu mengukur kemampuan manusia, bukan hanya hasil sistem. Organisasi biasanya melacak akurasi model atau metrik penghematan biaya tetapi jarang memantau perilaku yang menunjukkan pengawasan manusia yang kuat. Apakah karyawan mendokumentasikan mengapa mereka mempercayai output model? Apakah mereka menaikkan hasil yang tidak biasa? Tindakan yang dapat diamati ini menunjukkan apakah penalaran diperkuat atau melemah. Ketika pemimpin mengenali dan menghargai orang-orang yang memperbaiki prompt melalui penalaran mendalam atau mengangkat keraguan yang valid tentang output AI, mereka memperkuat kebiasaan yang membuat penerapan AI tangguh.

AI akan terus mempercepat. Bagian itu tidak dapat diperdebatkan. Pertanyaannya adalah apakah tim mempertahankan keterampilan yang diperlukan untuk menanyakan, memperbaiki, dan mengarahkan AI ketika sesuatu salah. Itulah tempat perbedaan akan muncul. Organisasi yang berinvestasi pada penilaian manusia sekarang akan mendapatkan nilai nyata dari AI, bukan efisiensi yang rapuh. Semua orang lain membangun di atas pasir.