Belajar AI dari Masalah, Bukan dari Tools
Praktisi FP&A yang menulis tentang AI, dunia kerja, cara berpikir, dan peran manusia dalam mengambil keputusan.
·waktu baca 7 menit
Tulisan dari Bayu Istantoro tidak mewakili pandangan dari redaksi kumparan
PerbesarBelajar AI dari masalah dapat menjadi pendekatan yang lebih sederhana daripada mencoba mengikuti setiap tools, istilah, dan teknologi baru yang terus bermunculan.
Hampir setiap minggu muncul teknologi AI baru dengan kemampuan yang semakin beragam. Ada yang dapat membantu menulis, membaca dokumen, membuat presentasi, menganalisis data, menghasilkan gambar, hingga menjalankan beberapa pekerjaan secara otomatis. Bagi orang yang baru ingin belajar, banyaknya pilihan ini justru dapat menimbulkan kebingungan karena seolah-olah ada begitu banyak tools, istilah, dan keterampilan yang harus dikuasai terlebih dahulu. Belum selesai memahami satu aplikasi, sudah muncul aplikasi lain dengan kemampuan yang terlihat lebih canggih.
Situasi ini membuat belajar AI mudah berubah menjadi kegiatan mengejar teknologi. Orang mencoba berbagai tools, mempelajari prompt, mengikuti tutorial, lalu berpindah ke teknologi berikutnya karena takut tertinggal. Pengetahuan bertambah, tetapi setelah kembali ke pekerjaan sehari-hari, belum tentu ada banyak hal yang benar-benar berubah. Laporan masih dibuat dengan proses yang sama, data masih dipindahkan secara manual, dokumen masih dicari satu per satu, dan pekerjaan berulang tetap menghabiskan waktu.
Di sinilah menurut saya ada cara pandang yang perlu dibalik. Belajar AI tidak harus dimulai dengan memahami semua kemampuan AI. Kita bisa memulainya dari sesuatu yang jauh lebih dekat: memahami pekerjaan sendiri, menemukan masalah yang benar-benar terjadi, lalu mencari bagian mana yang dapat dilakukan dengan cara yang lebih efektif. Dengan urutan seperti itu, AI tidak lagi menjadi sesuatu yang harus dipelajari karena sedang populer, tetapi menjadi alat yang memiliki alasan untuk digunakan.
Masalah Pekerjaan Lebih Bertahan Lama daripada Tools
Tools akan terus berubah, sementara masalah dasar dalam pekerjaan cenderung bertahan lebih lama. Perusahaan tetap perlu mencari informasi, membaca dokumen, mengolah data, membuat laporan, melayani pelanggan, memantau kinerja, dan mengambil keputusan. Teknologi yang digunakan untuk melakukan semua itu dapat berganti, tetapi kebutuhan di balik pekerjaan tersebut tidak berubah secepat nama aplikasinya. Karena itu, memahami masalah sebenarnya memiliki umur manfaat yang lebih panjang dibandingkan sekadar menguasai satu tools.
Bayangkan seseorang menghabiskan beberapa jam setiap minggu untuk membuat laporan. Ia menerima beberapa file, menggabungkan data, memperbaiki format, memeriksa kelengkapan, membandingkan dengan periode sebelumnya, lalu menulis penjelasan atas perubahan yang terjadi. Jika titik awalnya adalah teknologi, pertanyaannya mungkin menjadi, “AI apa yang bisa membuat laporan?” Padahal pertanyaan itu terlalu cepat karena belum menjelaskan bagian mana dari proses tersebut yang sebenarnya menjadi masalah.
Ketika pekerjaannya dilihat lebih dekat, jawabannya bisa berbeda. Mungkin sebagian besar waktu justru habis untuk menggabungkan file. Mungkin datanya selalu memiliki format yang tidak konsisten. Mungkin analisis sebenarnya hanya membutuhkan waktu singkat, tetapi orang harus menghabiskan berjam-jam untuk menyiapkan data sebelum bisa mulai berpikir. Jika itu persoalannya, belum tentu solusi pertama yang dibutuhkan adalah AI generatif. Bisa jadi yang lebih penting adalah memperbaiki sumber data atau mengotomatisasi proses yang berulang.
Cara berpikir seperti ini membuat teknologi ditempatkan setelah masalah, bukan sebaliknya. Kita tidak lagi mencari pekerjaan untuk sebuah tools, tetapi mencari tools karena ada pekerjaan yang memang perlu diperbaiki. Perbedaannya terlihat sederhana, tetapi menentukan apakah penggunaan AI benar-benar mengubah cara kerja atau hanya menambah aplikasi baru di atas proses lama.
Pekerjaan Berulang Bisa Menjadi Tempat Terbaik untuk Memulai
Salah satu tanda paling sederhana untuk menemukan peluang penggunaan AI adalah memperhatikan pekerjaan yang terus berulang. Ada aktivitas yang setiap hari, setiap minggu, atau setiap bulan dilakukan dengan pola hampir sama: membaca dokumen dengan struktur serupa, membuat ringkasan, mengelompokkan informasi, membandingkan data, menyiapkan draft, atau mencari informasi tertentu dari banyak sumber. Pekerjaan seperti ini sering tidak terasa sebagai “masalah besar”, tetapi akumulasi waktunya bisa cukup material.
Namun pekerjaan berulang juga perlu dibedah sebelum diotomatisasi. Tidak semua bagian di dalamnya memiliki karakter yang sama. Ada pekerjaan yang hanya mengikuti aturan tertentu, ada yang membutuhkan interpretasi, dan ada pula yang membutuhkan judgment karena konteksnya berubah dari satu kasus ke kasus lain. Memisahkan ketiganya membantu kita memahami bagian mana yang aman dipercepat dan bagian mana yang tetap membutuhkan manusia.
Misalnya, AI dapat membantu membaca puluhan dokumen dan membuat ringkasan awal mengenai poin yang sering muncul. Itu dapat menghemat waktu dibandingkan membaca semuanya dari halaman pertama sampai terakhir. Tetapi jika ringkasan tersebut akan digunakan sebagai dasar keputusan, seseorang tetap perlu memeriksa dokumen penting, memahami konteks, dan memastikan tidak ada informasi material yang terlewat. Penggunaan AI menjadi lebih masuk akal ketika pembagian tugas antara mesin dan manusia dibuat jelas.
Hal yang sama berlaku dalam analisis data. AI dapat membantu mencari pola, membuat penjelasan awal, atau mengusulkan kemungkinan penyebab perubahan. Namun orang yang memahami bisnis tetap perlu menentukan apakah pola tersebut masuk akal, apakah datanya dapat dipercaya, dan apakah ada kondisi lapangan yang tidak tercermin dalam angka. AI mempercepat sebagian proses, tetapi tidak menghilangkan kebutuhan untuk memahami pekerjaan yang sedang dilakukan.
Jangan Mengotomatisasi Proses yang Belum Dipahami
Kemudahan AI juga membawa godaan lain: pekerjaan yang terlihat manual ingin segera dibuat otomatis. Masalahnya, proses manual tidak selalu menjadi lambat karena kekurangan teknologi. Kadang-kadang proses tersebut memang dirancang dengan buruk sejak awal. Ada tahapan yang tidak lagi diperlukan, data dikumpulkan berkali-kali, orang yang sama melakukan pemeriksaan berulang, atau laporan dibuat tanpa pernah benar-benar digunakan.
Jika proses seperti ini langsung diberi AI, organisasi mungkin hanya membuat proses yang buruk berjalan lebih cepat. Sebuah laporan yang tidak relevan tetap tidak relevan meskipun selesai dalam lima menit. Rapat yang tidak memiliki tujuan jelas tetap tidak efektif meskipun AI menghasilkan notulen yang sangat rapi. Data yang definisinya berbeda antarunit tetap akan menimbulkan kebingungan meskipun analisisnya dibuat dengan model yang lebih canggih.
Karena itu, pertanyaan sebelum memakai AI seharusnya bukan hanya “Apa yang bisa diotomatisasi?”, tetapi juga “Mengapa pekerjaan ini dilakukan dengan cara seperti ini?” Pertanyaan tersebut memaksa kita melihat tujuan akhir sebuah pekerjaan, siapa yang menggunakan hasilnya, bagian mana yang menciptakan nilai, dan bagian mana yang hanya merupakan warisan proses lama. Kadang-kadang hasilnya memang membutuhkan AI. Kadang-kadang kita justru menemukan bahwa beberapa tahapan cukup dihilangkan.
Di titik ini, belajar AI mulai berubah menjadi belajar tentang desain pekerjaan. Kita tidak sekadar mempelajari cara memberikan instruksi kepada mesin, tetapi memahami hubungan antara input, proses, output, dan kebutuhan orang yang menggunakan hasilnya. Kemampuan seperti ini lebih sulit usang karena tetap berguna meskipun teknologi yang dipakai nantinya berubah.
Belajar dari Satu Masalah Nyata
Cara belajar seperti ini juga membuat AI terasa lebih sederhana. Kita tidak perlu menunggu sampai memahami semua istilah sebelum mulai menggunakannya. Ambil satu pekerjaan nyata yang memang dilakukan berulang, pahami bagaimana prosesnya berjalan, lalu coba perbaiki satu bagian kecil. Setelah itu, lihat apakah waktu benar-benar berkurang, hasil menjadi lebih konsisten, atau pekerjaan manusia dapat dipindahkan ke bagian yang membutuhkan lebih banyak pemikiran.
Dari eksperimen kecil tersebut, banyak konsep AI justru akan dipahami secara lebih alami. Ketika hasilnya keliru, kita mulai belajar pentingnya kualitas input. Ketika jawabannya terlalu umum, kita memahami mengapa konteks dan instruksi perlu diperjelas. Ketika output terlihat meyakinkan tetapi ternyata salah, kita belajar mengenai pentingnya validasi. Ketika sebuah proses mulai dilakukan berulang kali dengan pola yang sama, kita mulai memahami mengapa workflow dan otomatisasi menjadi relevan.
Dengan cara ini, istilah teknis datang setelah kebutuhan muncul. Kita mempelajarinya karena sedang mencoba menyelesaikan sesuatu, bukan sekadar karena istilah itu sedang ramai dibicarakan. Proses belajar menjadi lebih dekat dengan realitas pekerjaan dan hasilnya juga lebih mudah dinilai: apakah pekerjaan benar-benar menjadi lebih baik atau tidak.
Mungkin inilah bagian yang sering hilang dari pembicaraan tentang kemampuan AI. Kita terlalu sibuk membahas seberapa canggih teknologinya, sementara manfaat akhirnya selalu kembali pada persoalan yang cukup sederhana: apakah teknologi tersebut membantu manusia bekerja dengan cara yang lebih efektif.
AI akan terus berkembang, dan hampir pasti akan ada tools baru yang menggantikan tools yang kita gunakan hari ini. Mengejar semuanya mungkin tidak realistis. Yang lebih penting adalah membangun kebiasaan melihat pekerjaan secara kritis, memahami di mana waktu terbuang, menemukan masalah yang berulang, dan mengetahui bagian mana yang layak dibantu teknologi.
Karena kemampuan menggunakan AI mungkin akan semakin mudah dimiliki banyak orang. Namun kemampuan memahami masalah apa yang layak diselesaikan, lalu merancang cara kerja yang lebih baik untuk menyelesaikannya, kemungkinan akan tetap jauh lebih bernilai.