Perdebatan tentang otomatisasi dan AI agent sering terjebak pada satu pertanyaan lama: pekerjaan apa yang akan hilang? Namun dalam praktik bisnis global, pertanyaan yang lebih relevan mulai bergeser menjadi: fungsi kerja apa yang akan dipecah ulang antara manusia dan sistem AI, dan bagaimana organisasi mengukur produktivitas setelah pembagian itu berubah?
Pergeseran ini penting bagi Indonesia. Di banyak sektor, dari layanan keuangan, ritel, manufaktur, logistik, hingga layanan publik, adopsi AI kemungkinan tidak datang sebagai gelombang penggantian total pekerja. Yang lebih mungkin terjadi adalah rekayasa ulang proses kerja: sebagian tugas administratif, analitis dasar, dokumentasi, pencarian informasi, dan koordinasi rutin diambil alih atau dipercepat oleh AI agent, sementara manusia berfokus pada penilaian, negosiasi, konteks lokal, empati, dan akuntabilitas.
Dengan kata lain, isu utamanya bukan sekadar jumlah pekerjaan, melainkan arsitektur pekerjaan. Bagi perusahaan, ini adalah agenda desain organisasi. Bagi pemerintah dan lembaga pendidikan, ini adalah agenda kesiapan SDM.
Dari “job replacement” ke “task redesign”
Secara global, perusahaan teknologi besar, konsultan manajemen, dan pelaku industri mulai membingkai AI sebagai alat untuk mengotomatisasi tugas, bukan selalu profesi secara utuh. Seorang analis, staf operasional, customer service, atau tenaga administrasi jarang hanya melakukan satu jenis aktivitas. Dalam satu hari kerja, mereka bisa mengumpulkan data, menyusun ringkasan, menjawab pertanyaan, memverifikasi dokumen, berkoordinasi dengan tim, dan mengambil keputusan berdasarkan pengecualian.
AI agent cenderung paling efektif pada bagian pekerjaan yang memiliki pola, aturan, dan volume tinggi. Sebaliknya, manusia tetap lebih unggul pada area yang membutuhkan:
- penilaian dalam situasi ambigu,
- pemahaman konteks sosial dan budaya,
- interaksi yang menuntut kepercayaan,
- pengambilan keputusan dengan konsekuensi hukum atau reputasi,
- kreativitas yang terkait strategi dan prioritas bisnis.
Karena itu, desain ulang peran menjadi lebih berguna daripada label “pekerjaan aman” versus “pekerjaan terancam”. Satu jabatan bisa tetap ada, tetapi komposisi tugasnya berubah signifikan. Dalam konteks Indonesia, perubahan ini kemungkinan akan terasa lebih dulu di perusahaan besar dan sektor formal yang sudah memiliki infrastruktur data, SOP, dan sistem digital yang relatif matang.
Fungsi mana yang realistis dibagi antara manusia dan AI agent?
Untuk membaca dampaknya secara konkret, pembagian fungsi dapat dilihat dalam tiga lapisan.
- Lapisan otomatisasi penuh untuk tugas rutin. Ini mencakup penyusunan draft awal email, ringkasan rapat, klasifikasi tiket layanan, ekstraksi data dari dokumen, penjadwalan, atau pembuatan laporan standar. Pada lapisan ini, AI agent berperan sebagai mesin eksekusi.
- Lapisan kolaborasi manusia-AI. Di sini AI menyiapkan opsi, manusia memverifikasi dan memutuskan. Contohnya analisis awal risiko kredit, rekomendasi inventori, deteksi anomali transaksi, atau penyusunan materi presentasi. Model ini kemungkinan menjadi bentuk adopsi paling luas dalam jangka menengah.
- Lapisan kendali manusia. Untuk keputusan yang menyangkut kepatuhan, etika, relasi pelanggan strategis, sengketa, atau kebijakan SDM, manusia tetap menjadi pengambil keputusan utama. AI berfungsi sebagai alat bantu, bukan pengganti otoritas.
Pembagian ini penting karena banyak organisasi gagal bukan karena teknologinya lemah, melainkan karena mereka mencoba mengotomatisasi proses yang sebenarnya belum rapi. Jika SOP tidak jelas, data tidak konsisten, dan tanggung jawab tidak terdefinisi, AI agent justru dapat mempercepat kekacauan.
Metrik produktivitas baru: tidak cukup hanya menghitung output
Salah satu tantangan terbesar adalah cara mengukur produktivitas setelah AI masuk ke alur kerja. Metrik lama seperti jumlah dokumen yang diproses atau waktu penyelesaian tugas tetap penting, tetapi tidak lagi cukup. Ketika AI dapat menghasilkan output lebih cepat, organisasi perlu memastikan bahwa kecepatan tidak dibayar dengan penurunan kualitas, akurasi, atau kontrol risiko.
Setidaknya ada lima kelompok metrik yang lebih relevan.
- Kecepatan siklus kerja. Misalnya waktu dari permintaan masuk hingga respons pertama, atau waktu dari draft ke final. Ini menunjukkan apakah AI benar-benar mengurangi friksi operasional.
- Kualitas hasil. Bukan hanya volume output, tetapi tingkat kesalahan, kebutuhan revisi, konsistensi format, dan kepatuhan terhadap standar internal.
- Rasio eskalasi ke manusia. Metrik ini penting untuk melihat batas kemampuan AI agent. Jika terlalu banyak kasus harus diambil alih manusia, otomatisasi mungkin belum efisien atau prosesnya salah dirancang.
- Produktivitas per pekerja yang diperluas. Bukan sekadar output per kepala, melainkan output per pekerja dengan dukungan AI. Ini membantu membedakan peningkatan karena alat dari peningkatan karena beban kerja berlebih.
- Indikator risiko dan kepercayaan. Termasuk insiden kepatuhan, keluhan pelanggan, bias keputusan, dan audit trail. Untuk sektor yang diatur ketat, metrik ini bisa sama pentingnya dengan efisiensi.
Dalam konteks Indonesia, perusahaan perlu berhati-hati agar tidak mengadopsi metrik yang terlalu sempit. Jika keberhasilan AI hanya diukur dari pengurangan biaya tenaga kerja, organisasi berisiko mengabaikan kualitas layanan, keamanan data, dan ketahanan operasional. Produktivitas baru seharusnya dibaca sebagai kombinasi efisiensi, kualitas, dan kemampuan skala.
Implikasi bagi SDM: peran baru, bukan hanya pelatihan baru
Transformasi ini menuntut perubahan pada fungsi HR dan manajemen talenta. Reskilling sering dibicarakan, tetapi sering pula dipersempit menjadi pelatihan penggunaan alat AI. Padahal kebutuhan yang lebih mendasar adalah mendefinisikan ulang peran kerja.
Beberapa kompetensi yang kemungkinan makin dibutuhkan antara lain:
- kemampuan merumuskan masalah dan instruksi kerja yang jelas,
- verifikasi hasil AI dan penilaian kualitas,
- literasi data dasar,
- pemahaman etika, privasi, dan kepatuhan,
- kolaborasi lintas fungsi antara bisnis, operasional, dan teknologi.
Ini berarti reskilling di Indonesia tidak cukup jika hanya berfokus pada coding atau penggunaan aplikasi generatif. Banyak pekerja justru akan lebih membutuhkan keterampilan supervisi AI: memeriksa output, mengenali kesalahan, memahami kapan harus mengabaikan rekomendasi sistem, dan mendokumentasikan keputusan.
Di sisi lain, ada risiko kesenjangan baru. Pekerja dengan akses pada pelatihan, perangkat, dan lingkungan kerja digital akan lebih cepat beradaptasi. Sementara itu, pekerja di sektor informal, UMKM, atau daerah dengan infrastruktur digital terbatas bisa tertinggal. Karena itu, agenda kesiapan SDM nasional tidak bisa hanya bertumpu pada perusahaan besar di kota-kota utama.
Apa artinya bagi bisnis dan kebijakan di Indonesia?
Bagi dunia usaha, langkah paling rasional bukan langsung mengejar otomatisasi maksimum, melainkan memetakan proses yang paling siap untuk dipecah antara manusia dan AI. Prioritas awal biasanya ada pada fungsi back-office, layanan internal, knowledge work berulang, dan customer support tingkat pertama. Pendekatan bertahap lebih aman dibanding transformasi besar tanpa tata kelola yang jelas.
Bagi pembuat kebijakan, ada setidaknya tiga area perhatian. Pertama, standar kompetensi kerja perlu diperbarui agar memasukkan kolaborasi manusia-AI sebagai kemampuan dasar baru. Kedua, sistem pelatihan vokasi dan pendidikan tinggi perlu lebih responsif terhadap perubahan tugas, bukan hanya perubahan jabatan. Ketiga, kerangka tata kelola AI di tempat kerja perlu cukup jelas untuk melindungi pekerja dan konsumen, tanpa menutup ruang inovasi.
Masih ada banyak ketidakpastian mengenai kecepatan adopsi AI agent di Indonesia. Tingkat kesiapan antarindustri berbeda, begitu pula kemampuan investasi dan kualitas datanya. Karena itu, klaim bahwa AI akan segera menggantikan sebagian besar pekerjaan perlu dibaca dengan hati-hati. Yang lebih dapat diamati adalah munculnya pola baru: pekerjaan dipecah, alur kerja dirancang ulang, dan nilai manusia bergeser ke area yang lebih sulit dikodifikasi.
Kesimpulan: produktivitas masa depan adalah desain organisasi
Narasi penggantian kerja terlalu sempit untuk menjelaskan fase transformasi yang sedang berlangsung. Otomatisasi dan AI agent lebih tepat dipahami sebagai pendorong desain ulang peran. Pertanyaan kuncinya bukan hanya siapa yang digantikan, tetapi tugas mana yang diotomatisasi, siapa yang memegang keputusan akhir, dan metrik apa yang digunakan untuk menilai keberhasilan.
Untuk Indonesia, tantangannya bersifat ganda: meningkatkan produktivitas tanpa memperlebar kesenjangan keterampilan. Itu menuntut strategi yang lebih presisi dari sekadar membeli teknologi. Perusahaan perlu merancang ulang proses dan peran. Lembaga pendidikan perlu menyiapkan kompetensi supervisi AI. Pemerintah perlu memastikan transisi ini tidak hanya menguntungkan organisasi yang paling siap secara digital.
Pada akhirnya, masa depan kerja kemungkinan bukan dunia tanpa manusia, melainkan dunia kerja di mana manusia yang mampu bekerja efektif dengan AI akan memiliki keunggulan lebih besar. Di situlah pertaruhan produktivitas baru Indonesia akan ditentukan.