Mengapa Organisasi Berbasis AI Merusak Insentif Kerja Tradisional

Kebanyakan pemimpin melihat AI sebagai pendorong efisiensi sederhana: Anda menerapkan modelnya, mengotomatiskan tugas rutin, dan mengambil keuntungannya. Namun, realitas di lapangan tidak terasa seperti akselerasi, melainkan seperti berenang di lumpur. Meskipun 68% pekerja tingkat awal (entry-level) melaporkan peningkatan produktivitas berkat AI, sebanyak 45% juga melaporkan bahwa mereka menghabiskan lebih banyak waktu bekerja sebagai dampaknya.

Gesekan ini terjadi ketika organisasi memperlakukan AI sebagai pengganti langsung dari upaya manusia, alih-alih sebagai katalis untuk merancang ulang pekerjaan itu sendiri. Melakukan sesuatu dengan lebih cepat secara paradoks justru memakan waktu lebih lama. Kita berasumsi bahwa otomatisasi pekerjaan adalah keuntungan efisiensi murni, tetapi pada praktiknya, hal ini menciptakan kendala baru. Hal ini merusak insentif tradisional dan jalur kapabilitas yang telah diandalkan organisasi selama beberapa dekade. Dinamika ini secara fundamental menggeser pembicaraan mengenai apa yang terjadi pada nilai manusia saat AI memasuki struktur organisasi.

Poin-poin penting

• Efisiensi sering kali menciptakan ‘work slop’: Menerapkan AI pada proses yang ada tanpa merancang ulang alur kerja mendorong intensifikasi pekerjaan, bukan sekadar kecepatan murni.
• Jalur tingkat awal retak: Mengotomatiskan tugas rutin mengorbankan model tradisional ‘belajar sambil melakukan’ dan menyebabkan penurunan terukur dalam perekrutan tingkat awal.
• Kebutaan sosioteknis memicu perilaku defensif: Ketika pekerja tidak dapat memahami cara kerja model AI, ketidakpercayaan dan ketakutan akan tergantikan meningkat sehingga secara aktif memperlambat adopsi.
• Insentif memerlukan restrukturisasi makro: Saat AI melampaui kemampuan kognitif manusia, jalur talenta perusahaan dan kebijakan ekonomi makro harus beradaptasi untuk melindungi pekerja yang tergantikan.

Bagaimana adopsi AI menciptakan hambatan kapabilitas baru?

Organisasi yang mencapai hasil finansial terkuat yang didorong oleh AI memiliki kemungkinan dua kali lipat untuk merancang ulang alur kerja, alih-alih sekadar menambahkan alat AI pada cara kerja yang sudah ada. Ketika pemimpin gagal merancang ulang pekerjaan secara sengaja, mereka berisiko menghasilkan ‘work slop’ (pekerjaan asal-asalan). Fenomena ini terjadi ketika AI menghasilkan output berkualitas rendah dalam volume tinggi yang justru menuntut peningkatan pengawasan manusia. Alih-alih membebaskan modal manusia, organisasi malah menciptakan hambatan baru di mana talenta senior menghabiskan lebih banyak waktu meninjau output mesin daripada waktu yang biasa mereka habiskan untuk melakukan pekerjaan tersebut sendiri.

Dinamika ini mengunci ketergantungan struktural yang parah. Jika sebuah organisasi mengotomatiskan tugas-tugas mendasar yang secara tradisional digunakan oleh karyawan junior untuk mempelajari keahlian mereka, hal ini secara mendasar merusak jalur kapabilitas. Secara global, 37% pekerja muda saat ini bekerja pada profesi dengan paparan menengah hingga tinggi terhadap perubahan tugas yang didorong oleh AI. Dampaknya sudah terukur di pasar tenaga kerja. Sebuah analisis yang banyak dikutip oleh Brynjolfsson et al. menemukan penurunan 16% dalam pekerjaan tingkat awal di bidang yang terpapar AI di Amerika Serikat sejak akhir 2022.

Dengan mengoptimalkan throughput secara instan, organisasi secara tidak sengaja menahan talenta masa depan mereka dari repetisi yang dibutuhkan untuk membangun penguasaan. Beban kognitif yang sebelumnya didistribusikan ke basis pekerja tingkat awal yang luas kini terkonsentrasi di puncak. Perusahaan pada dasarnya menukar ketahanan organisasi jangka panjang dengan keuntungan output jangka pendek. Tanpa kerangka kerja yang disengaja untuk menjaga jalur karier awal, perusahaan akan segera menghadapi kekurangan kritis talenta tingkat menengah yang benar-benar memahami mekanika di balik output otomatis tersebut.

Mengapa insentif kerja tradisional gagal di organisasi berbasis AI?

Ketika AI menjadi pengganti yang sangat mumpuni untuk pekerjaan kognitif manusia, premi upah untuk tenaga kerja kognitif dibandingkan dengan tenaga kerja manual akan menyusut. Implikasi ekonomi ini melampaui neraca keuangan perusahaan individu. Riset oleh Basteck et al. (2024) menunjukkan bahwa jika adopsi AI secara signifikan mengurangi upah pekerja kognitif, maka sangat optimal dari perspektif ekonomi makro untuk memajaki modal AI dan mensubsidi modal tradisional berdampingan dengan tenaga kerja manual. Perubahan kebijakan makro ini mencerminkan realitas fundamental tentang perubahan nilai upaya manusia di dunia yang terotomatisasi.

Di dalam perusahaan, penyusutan ini memaksa pemikiran ulang besar-besaran mengenai kompensasi dan manajemen kinerja. Jika seorang analis junior memanfaatkan AI untuk menghasilkan volume kode atau salinan yang sama dengan kontributor tingkat menengah, memberi mereka imbalan berdasarkan output mentah tidak lagi relevan. Model historis tentang membayar untuk throughput akan hancur total ketika throughput itu hampir gratis.

Sebaliknya, insentif harus bergeser ke arah penghargaan terhadap penilaian, desain tingkat sistem, dan kemampuan untuk mengatur alur kerja multi-agen yang kompleks. Tenaga kerja itu sendiri menyadari akselerasi ini. Sebuah kerangka kerja World Economic Forum baru-baru ini mengungkapkan bahwa 28% karyawan tingkat awal percaya bahwa setengah atau lebih sedikit dari keterampilan mereka saat ini yang masih akan relevan dalam tiga tahun ke depan. Ketika keterampilan kedaluwarsa pada tingkat seperti ini, organisasi tidak dapat memberikan insentif kepada pekerja untuk berspesialisasi dalam kemahiran teknis yang sempit. Mereka harus memberikan insentif pada kemampuan adaptasi, pengawasan kritis, dan kemampuan untuk mendeteksi kapan AI berhalusinasi atau mengalami penurunan kualitas.

Apa peran emosi antisipatif dalam integrasi AI di tempat kerja?

Adopsi tidak pernah sekadar fungsi utilitas alat. Hal ini sangat bergantung pada kenyamanan psikologis dan keamanan emosional tenaga kerja. Ketika pekerja mempertimbangkan perpindahan mereka di masa depan akibat AI, perasaan takut secara konsisten melampaui perasaan penuh harapan. Emosi antisipatif ini bertindak sebagai hambatan tak kasat mata terhadap upaya transformasi digital. Anda tidak dapat memaksakan adopsi jika secara fundamental tenaga kerja takut pada alat tersebut.

Ketakutan ini diperparah oleh ‘kebutaan sosioteknis’. Istilah ini menggambarkan situasi di mana pengguna gagal memahami mekanisme mendasar dari sebuah sistem AI. Ketika teknologi beroperasi sebagai kotak hitam (black box), hal ini menumbuhkan ketidakpercayaan yang dalam. Pekerja menjadi sangat defensif dan secara aktif menolak disrupsi karena mereka tidak dapat memprediksi bagaimana model mengambil keputusan atau kapan model tersebut akan membuat keahlian spesifik mereka menjadi usang.

Membangun budaya yang berhasil memperluas skala AI dari eksperimen ke infrastruktur mengharuskan pemimpin untuk menghadapi kenyataan emosional ini secara langsung. Pemimpin harus merancang interaksi manusia-AI secara mengalir (fluid). Riset menunjukkan bahwa interaksi yang mengalir secara langsung berkorelasi dengan pemahaman penggunaan AI yang lebih baik dan penerimaan yang lebih luas terhadap sistem AI berbentuk humanoid. Ketika antarmuka terasa transparan dan kolaboratif alih-alih buram dan bermusuhan, gesekan emosional akan berkurang. Organisasi yang mengabaikan dimensi manusia ini akan mendapati investasi teknologi mereka sangat terhambat oleh resistensi tenaga kerja.

Referensi

• World Economic Forum (2024). Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways. https://reports.weforum.org/docs/WEF_Artificial_Intelligence_and_the_Future_of_Entry_Level_Work_2026.pdf
• Basteck, C. et al. (2024). Workers’ incentives and the optimal taxation of AI. https://doi.org/10.1016/j.econlet.2026.113062
• Kim, J. et al. (2024). Understanding AI’s role in society and workplace through technology, trust, and anticipatory emotion factors. https://doi.org/10.1016/j.tele.2026.102405