Di Balik Efisiensi AI, Ada Proses Belajar yang Ikut Hilang

Dok: Ai

Efisiensi AI di dunia kerja sedang mengubah cara banyak pekerjaan kantor diselesaikan. Ringkasan rapat dapat dibuat dalam hitungan detik. Draf laporan muncul tanpa harus dimulai dari halaman kosong. Data dapat dikelompokkan, dibandingkan, dan dijelaskan jauh lebih cepat daripada sebelumnya.

Bagi perusahaan, efisiensi AI di dunia kerja terlihat sebagai kemajuan yang sulit ditolak. Waktu pengerjaan berkurang, pekerjaan rutin dapat ditekan, dan pegawai memiliki lebih banyak ruang untuk menangani pekerjaan yang dianggap lebih penting.

Namun, ada satu dampak yang jarang masuk dalam perhitungan efisiensi. Sebagian pekerjaan rutin sebenarnya merupakan tempat seseorang belajar memahami cara kerja, memeriksa detail, mengenali kesalahan, dan membangun pertanyaan.

Ketika tugas-tugas tersebut langsung diambil alih oleh AI, yang hilang bukan hanya waktu pengerjaan. Kesempatan untuk membangun ketelitian, memahami proses, menemukan ketidaksesuaian, dan melatih kemampuan berpikir juga dapat ikut berkurang.

Dampak efisiensi AI di dunia kerja ini tidak selalu langsung terlihat. Laporan tetap selesai, presentasi tetap dibuat, dan produktivitas bahkan mungkin meningkat. Namun, di balik hasil yang lebih cepat, organisasi dapat perlahan kehilangan proses belajar yang selama ini membentuk kemampuan manusia.

Pekerjaan Rutin Tidak Selalu Tidak Bernilai

Pekerjaan awal di kantor sering dianggap sederhana. Memeriksa data, menyusun rekap, membaca dokumen, menyiapkan bahan rapat, atau membuat ringkasan terlihat seperti tugas administratif yang layak diotomatisasi.

Sebagian memang demikian. Tidak ada alasan mempertahankan pekerjaan berulang yang bisa diselesaikan lebih cepat dengan teknologi.

Namun nilai sebuah pekerjaan tidak hanya terletak pada hasil akhirnya. Ada pengalaman yang terbentuk selama proses mengerjakannya.

Orang yang berulang kali memeriksa laporan mulai mengenali angka yang tidak wajar. Orang yang menyusun ringkasan belajar membedakan informasi penting dari hal yang hanya menambah panjang dokumen. Orang yang mengolah data mulai memahami bahwa satu angka bisa memiliki arti berbeda tergantung sumber dan konteksnya.

Di bagian keuangan, misalnya, seseorang tidak hanya belajar memindahkan angka ke laporan. Ia perlahan memahami mengapa pendapatan bisa naik tetapi kas belum tentu membaik, mengapa piutang yang terus tumbuh perlu diperhatikan, dan mengapa biaya yang terlihat tinggi belum tentu berarti pemborosan.

Pengetahuan seperti itu tidak selalu diajarkan melalui buku atau pelatihan. Ia terbentuk dari pertemuan berulang dengan detail pekerjaan.

Jika proses tersebut langsung dilewati, seseorang mungkin mampu menghasilkan laporan lebih cepat, tetapi belum tentu memahami apa yang sedang dilaporkan.

Organisasi Bisa Menghemat Waktu, tetapi Kehilangan Konteks

Banyak perusahaan mengukur keberhasilan AI dari jumlah waktu yang berhasil dihemat. Pekerjaan dua jam selesai dalam 15 menit. Satu orang bisa menghasilkan lebih banyak dokumen. Proses yang sebelumnya manual menjadi otomatis.

Ukuran ini penting, tetapi belum lengkap.

Pertanyaan berikutnya adalah: apa yang dilakukan manusia setelah waktunya berhasil dihemat?

Apakah mereka menggunakan waktu itu untuk memeriksa hasil, memahami masalah, berdiskusi dengan unit lain, dan memperbaiki keputusan? Atau mereka hanya diminta menghasilkan lebih banyak output dalam waktu yang sama?

Jika yang terjadi adalah pilihan kedua, AI tidak benar-benar menciptakan ruang untuk berpikir. Ia hanya menaikkan volume pekerjaan.

Risiko lain muncul ketika hasil dari AI diterima tanpa cukup pemahaman. Ringkasan terlihat meyakinkan, analisis tampak runtut, dan bahasa terdengar profesional. Padahal orang yang menggunakan hasil tersebut belum tentu mampu menjelaskan asumsi, sumber data, atau kelemahan kesimpulannya.

Organisasi akhirnya memiliki lebih banyak jawaban, tetapi tidak selalu memiliki lebih banyak pemahaman.

Jawaban yang Mudah Bisa Mengikis Kemampuan Bertanya

Berpikir kritis tidak dimulai dari kemampuan menjawab. Ia dimulai dari kemampuan menyadari bahwa ada sesuatu yang belum jelas.

Mengapa angka ini berubah? Apa penyebab paling mungkin? Apakah datanya dapat dipercaya? Apa yang belum terlihat? Siapa yang terdampak? Apa yang terjadi jika kesimpulan ini salah?

Pertanyaan seperti itu tumbuh ketika seseorang berhadapan langsung dengan masalah. Ia perlu merasa bingung, menemukan ketidaksesuaian, menguji dugaan, lalu mencari penjelasan yang lebih masuk akal.

AI dapat mempersingkat proses tersebut dengan memberikan jawaban awal. Ini berguna, tetapi juga dapat menciptakan kebiasaan baru: mencari jawaban sebelum memahami persoalan.

Akibatnya, orang menjadi cepat meminta kesimpulan, tetapi lambat membangun pertanyaan. Mereka terbiasa menerima struktur yang sudah jadi, bukan menyusun cara berpikirnya sendiri.

Dalam jangka panjang, risikonya bukan sekadar ketergantungan pada teknologi. Yang lebih serius adalah melemahnya kemampuan untuk mengenali kapan sebuah jawaban tidak cukup.

Pekerja Baru Menanggung Risiko Terbesar

Dampak ini paling terasa bagi pekerja yang baru memasuki dunia kerja.

Pekerja berpengalaman masih memiliki ingatan tentang bagaimana laporan disusun, bagaimana kesalahan muncul, dan bagaimana keputusan dibentuk sebelum AI hadir. Mereka memiliki dasar untuk menilai apakah hasil teknologi masuk akal.

Pekerja baru belum tentu memiliki fondasi tersebut.

Jika sejak awal mereka hanya melihat hasil otomatis, mereka bisa kehilangan kesempatan memahami proses dari bawah. Mereka diminta memberi insight tanpa cukup sering berhadapan dengan data mentah. Mereka diminta berpikir strategis, tetapi belum sepenuhnya memahami bagaimana pekerjaan operasional berjalan.

Perusahaan bisa saja memperoleh pegawai yang cepat menggunakan tools, tetapi tidak cukup kuat membaca konteks.

Masalahnya baru terlihat ketika situasi berubah, datanya tidak lengkap, atau persoalannya tidak menyerupai contoh yang pernah diberikan AI. Pada saat itu, kemampuan memahami proses menjadi lebih penting daripada kemampuan menghasilkan output.

Efisiensi Harus Diikuti Desain Ulang Cara Belajar

Jawabannya bukan menolak AI atau mengembalikan semua pekerjaan ke cara manual. Itu tidak masuk akal.

Yang perlu diubah adalah cara organisasi mendesain pekerjaan.

Jika AI membuat draft laporan, pekerja tetap perlu diminta menjelaskan bagian mana yang penting, data apa yang perlu diuji, dan apa dampaknya bagi keputusan. Jika AI merangkum rapat, manusia tetap harus menentukan apa yang disepakati, siapa yang bertanggung jawab, dan risiko apa yang belum dibahas.

Jika AI memberi rekomendasi, pekerja tidak cukup hanya menyampaikan hasilnya. Mereka perlu menguji asumsi, mencari alternatif penjelasan, dan menunjukkan kondisi yang dapat membuat rekomendasi tersebut salah.

Dengan cara ini, tugas rutin memang berkurang, tetapi proses belajar tidak hilang. Ia hanya berubah bentuk.

Peran manajer juga menjadi lebih penting. Manajer tidak cukup menilai apakah pekerjaan selesai lebih cepat. Mereka perlu melihat apakah orang di dalam tim memahami masalah yang sedang dikerjakan.

Jangan Hanya Mengotomatisasi Output

AI seharusnya dipakai untuk mengurangi pekerjaan yang tidak memberi nilai, bukan menghilangkan seluruh proses yang membangun kemampuan.

Perusahaan perlu membedakan dua hal yang sering dianggap sama: pekerjaan manual dan proses belajar. Pekerjaan manual bisa dipangkas. Namun kemampuan untuk memeriksa, mempertanyakan, dan memahami tetap perlu dilatih.

Efisiensi yang baik bukan hanya membuat organisasi menghasilkan lebih banyak dengan sumber daya yang lebih sedikit. Efisiensi yang baik juga membuat manusia memiliki lebih banyak ruang untuk belajar, memahami konteks, dan mengambil keputusan dengan lebih baik.

Jika tidak, perusahaan mungkin mendapatkan produktivitas jangka pendek, tetapi kehilangan kualitas kemampuan dalam jangka panjang.

Di balik efisiensi AI, ada proses belajar yang bisa ikut hilang tanpa disadari. Bukan karena teknologinya salah, tetapi karena organisasi terlalu cepat menghapus pekerjaan tanpa membangun cara baru untuk membentuk kemampuan.

Pada akhirnya, masa depan kerja tidak hanya ditentukan oleh tugas apa yang dapat dilakukan AI. Ia juga ditentukan oleh kemampuan apa yang tetap dipelihara di dalam manusia.