Martin Nababan 
Mendesain Ulang Pekerjaan agar Manusia dan AI Menghasilkan Nilai yang Lebih Besar
Executive Summary
Banyak organisasi memulai transformasi Artificial Intelligence (AI) dengan pola yang hampir sama. Mereka membeli aplikasi, menyediakan lisensi, membentuk tim proyek, dan menyelenggarakan pelatihan. Langkah tersebut penting, tetapi belum cukup untuk mengubah cara perusahaan bekerja.
Beberapa bulan setelah teknologi diperkenalkan, organisasi sering menemukan situasi yang membingungkan. Laporan dapat dibuat lebih cepat, tetapi rapat tetap panjang. Informasi bertambah, sementara mutu keputusan belum tentu membaik. Karyawan memiliki alat baru, tetapi pekerjaan lama tidak berkurang. Dalam sejumlah kasus, mereka justru harus memeriksa lebih banyak dokumen yang dihasilkan secara otomatis.
Masalahnya tidak selalu terletak pada kemampuan teknologi. Hambatan terbesar sering muncul karena AI dimasukkan ke dalam proses lama, uraian pekerjaan lama, pembagian kewenangan lama, dan ukuran kinerja yang belum diperbarui.
AI baru menghasilkan nilai ketika organisasi mendesain ulang pekerjaan secara menyeluruh. Perusahaan perlu menentukan tugas yang dapat diotomatisasi, aktivitas yang dapat diperkuat AI, pekerjaan manusia yang harus ditingkatkan nilainya, peran baru yang perlu diciptakan, serta keputusan yang tetap membutuhkan pertimbangan manusia.
Artikel ini menawarkan kerangka Automate, Augment, Elevate, Create, dan Protect. Kerangka tersebut membantu organisasi membedah pekerjaan pada tingkat tugas sebelum mengubah jabatan, struktur, kompetensi, atau kebutuhan tenaga kerja.
Perubahan tugas kemudian harus diterjemahkan menjadi perubahan peran. Seorang analis tidak lagi cukup menjadi pengumpul data. Ia perlu berkembang menjadi penafsir informasi dan penasihat bisnis. Staf administrasi dapat beralih menjadi pengelola pengecualian, yaitu menangani kasus yang tidak dapat diselesaikan oleh sistem. Manajer perlu bergerak dari pengawas aktivitas menjadi pengarah hasil, mutu keputusan, dan pembelajaran tim. Human Capital harus berkembang dari penyelenggara program menjadi arsitek kapabilitas organisasi.
Dua case study menunjukkan bagaimana prinsip tersebut dapat diterapkan dalam konteks berbeda. Morgan Stanley menggunakan AI untuk membantu penasihat keuangan mencari pengetahuan, mendokumentasikan pertemuan, dan menyiapkan komunikasi lanjutan. Perubahan itu memberi penasihat lebih banyak ruang untuk memahami kebutuhan klien, menilai risiko, dan membangun kepercayaan. Siemens menggunakan Industrial Copilot untuk membantu pekerjaan rekayasa, pemrograman otomasi, operasi, dan pemeliharaan. Teknologi mengurangi beban berulang, sedangkan teknisi tetap memegang validasi, penyelesaian masalah, serta tanggung jawab keselamatan.
Kedua kasus memperlihatkan bahwa transformasi AI bukan proyek teknologi yang berdiri sendiri. Keberhasilannya bergantung pada kejelasan pembagian tugas, kesiapan kompetensi, dukungan manajer, integrasi proses, ukuran keberhasilan yang tepat, dan tata kelola yang dapat dipercaya.
AI tidak mengubah organisasi hanya karena digunakan. Organisasi berubah ketika pekerjaan, peran, kompetensi, kepemimpinan, dan tanggung jawab ikut dibangun ulang.
Pendahuluan — Ketika Teknologi Baru Masuk ke Organisasi Lama
Sebuah perusahaan baru saja meluncurkan program AI generatif. Acara peresmiannya berlangsung penuh optimisme. Para pemimpin menerima presentasi mengenai potensi produktivitas. Karyawan mengikuti pelatihan penggunaan aplikasi. Setiap unit diminta menemukan proses yang dapat dipercepat.
Tiga bulan kemudian, jumlah dokumen meningkat.
Materi rapat menjadi lebih panjang karena hampir semua orang kini dapat menghasilkan ringkasan, analisis, dan presentasi dalam waktu singkat. Pesan elektronik bertambah. Sebagian tugas selesai lebih cepat, tetapi hasilnya harus diperiksa berulang kali. Ketika sistem memberikan informasi yang keliru, tidak ada kesepakatan mengenai siapa yang harus bertanggung jawab.
Karyawan mulai bertanya apakah AI akan meringankan pekerjaan atau justru menambah target. Manajer belum memiliki standar yang seragam untuk menilai kualitas keluaran. Unit teknologi merasa telah menyediakan alat. Human Capital menilai pelatihan telah dilaksanakan. Namun, belum ada pihak yang memegang mandat menyeluruh untuk mendesain kembali sistem kerja.
Keadaan tersebut menggambarkan paradoks yang mulai terlihat di banyak organisasi. Teknologi berubah lebih cepat daripada cara perusahaan mengatur pekerjaan.
AI tidak otomatis menghasilkan transformasi. Perubahan baru terjadi ketika organisasi memikirkan kembali cara informasi diperoleh, tugas dibagi, keputusan dibuat, kinerja dinilai, dan tanggung jawab dijalankan.
Proses ini hampir selalu berlangsung dalam suasana yang belum sepenuhnya pasti. Pemimpin harus mengambil keputusan ketika manfaat, risiko, dan dampak terhadap tenaga kerja masih berkembang. Mereka perlu bergerak cukup cepat untuk menjaga momentum, tetapi tidak boleh mengabaikan kualitas, keamanan, atau kepercayaan.
Dalam keadaan seperti itu, tim tidak selalu membutuhkan pemimpin yang memiliki seluruh jawaban. Mereka membutuhkan pemimpin yang mampu menjelaskan arah, membedakan fakta dari asumsi, membuka ruang bagi perbedaan pandangan, dan memperbaiki keputusan ketika bukti baru muncul.
Ketidakpastian bukan sekadar ujian bagi teknologi. Ketidakpastian memperlihatkan kualitas organisasi dan karakter pemimpin yang mengarahkannya.
Chapter 1. Teknologi Baru, Pekerjaan Lama
Kesalahan awal dalam banyak transformasi AI adalah memperlakukan teknologi sebagai tambahan alat, bukan sebagai kesempatan untuk memikirkan kembali pekerjaan.
Laporan yang dahulu dibuat secara manual kini dapat disusun dalam hitungan menit. Namun, tidak ada yang menilai apakah laporan tersebut masih diperlukan. Proses persetujuan telah dipindahkan ke sistem digital, tetapi jumlah lapisannya tidak berkurang. Dashboard menyediakan semakin banyak indikator, sementara manajer belum memahami informasi mana yang benar-benar membantu keputusan.
Situasi ini memperlihatkan perbedaan antara empat tingkat perubahan.
Digitalisasi adalah memindahkan informasi atau proses manual ke dalam bentuk digital. Formulir kertas, misalnya, berubah menjadi formulir elektronik.
Otomatisasi menggunakan teknologi untuk menjalankan pekerjaan rutin dengan intervensi manusia yang lebih sedikit. Sistem dapat memindahkan data, mengirim pemberitahuan, atau membuat dokumen standar.
Augmentasi memperbesar kemampuan manusia. AI membantu menemukan informasi, membaca pola, menyiapkan pilihan, dan mengenali potensi risiko sehingga seseorang dapat bekerja dengan wawasan yang lebih baik.
Transformasi mengubah cara organisasi menciptakan nilai. Pada tahap ini, proses, peran, kewenangan, kompetensi, ukuran kinerja, dan pengalaman pelanggan ikut diperbarui.
Perusahaan dapat melakukan digitalisasi tanpa mengalami transformasi. Organisasi juga dapat mengotomatisasi banyak aktivitas tanpa memperbaiki hasil yang diterima pelanggan.
Laporan yang selesai lebih cepat tidak memiliki banyak arti apabila keputusan masih tertunda. Bertambahnya data juga tidak otomatis meningkatkan kualitas penilaian apabila orang yang menggunakannya tidak memahami konteks.
Karena itu, penerapan AI perlu dimulai dari persoalan bisnis yang nyata. Apakah pelanggan menerima layanan yang lebih baik? Apakah risiko dapat dideteksi lebih awal? Apakah tenaga profesional memiliki lebih banyak waktu untuk menangani persoalan penting? Apakah keputusan menjadi lebih akurat dan mudah dipertanggungjawabkan?
Tanpa hubungan yang jelas dengan hasil tersebut, AI hanya akan mempercepat pekerjaan lama yang mungkin sudah tidak relevan.
Chapter 2. Unit Dasar Transformasi adalah Tugas
Jabatan sering terlalu besar untuk dijadikan titik awal perubahan. Satu jabatan terdiri atas berbagai tugas dengan tingkat kompleksitas, risiko, dan kebutuhan interaksi manusia yang berbeda.
Seorang analis dapat menghabiskan waktu untuk mengumpulkan data, membersihkan informasi, mencari referensi, menjalankan perhitungan, menguji asumsi, berdiskusi dengan unit bisnis, dan menyusun rekomendasi.
Sebagian aktivitas dapat diotomatisasi. Beberapa dapat diperkuat dengan AI. Sisanya membutuhkan pengalaman, penilaian, komunikasi, dan pertanggungjawaban manusia.
Karena itu, organisasi sebaiknya memetakan pekerjaan pada tingkat tugas sebelum mengubah jabatan, struktur, atau jumlah tenaga kerja. Pendekatan ini membantu perusahaan menghindari kesimpulan yang terlalu cepat bahwa sebuah profesi dapat digantikan secara utuh hanya karena beberapa aktivitasnya dapat dilakukan oleh teknologi.
Kerangka berikut membagi tugas ke dalam lima kategori. Tujuannya bukan menciptakan klasifikasi yang kaku, melainkan membantu organisasi memahami pembagian peran antara manusia dan AI secara lebih jernih.
Tabel 1. Kerangka Mendesain Ulang Tugas dalam Organisasi Berbasis AI
No. | Kategori dan Karakter Tugas | Pembagian Peran Manusia–AI | Tindakan, Ukuran Keberhasilan, dan Risiko |
|---|---|---|---|
1 | Automate — Tugas rutin, berulang, berbasis aturan, dan memiliki variasi rendah | AI menjalankan proses standar. Manusia menangani pengecualian dan memperbaiki alur kerja | Sederhanakan proses sebelum otomatisasi. Ukur waktu, biaya, dan kesalahan. Risiko utamanya adalah mempercepat proses yang sejak awal tidak efisien |
2 | Augment — Tugas yang membutuhkan analisis, pencarian informasi, prediksi, atau pengenalan pola | AI menyediakan ringkasan, alternatif, dan rekomendasi. Manusia menilai konteks serta menentukan keputusan | Integrasikan AI ke dalam alur kerja. Ukur kualitas keputusan, kecepatan respons, dan akurasi. Waspadai ketergantungan berlebihan terhadap keluaran sistem |
3 | Elevate — Tugas yang membutuhkan empati, kreativitas, negosiasi, dan pemecahan masalah | AI mengurangi beban administratif. Manusia berfokus pada relasi, inovasi, dan persoalan bernilai tinggi | Alihkan waktu yang dihemat kepada pekerjaan yang lebih bermakna. Ukur kepuasan pelanggan dan porsi aktivitas strategis. Hindari munculnya administrasi baru |
4 | Create — Tugas dan peran baru akibat teknologi, data, serta model bisnis | AI menjadi bagian dari sistem yang dikelola. Manusia merancang, menguji, mengawasi, dan mengevaluasinya | Bentuk kompetensi, kewenangan, serta jalur karier baru. Ukur kemampuan inovasi. Risiko muncul apabila peran baru tidak memiliki mandat yang jelas |
5 | Protect — Tugas yang berdampak pada keselamatan, hak, reputasi, atau kehidupan seseorang | AI hanya memberi masukan. Manusia memegang pemeriksaan, keputusan, dan tanggung jawab akhir | Terapkan pengawasan, audit, dokumentasi, dan eskalasi. Ukur kepatuhan, keadilan, serta jumlah insiden. Jangan menyerahkan keputusan sensitif sepenuhnya kepada sistem |
Sumber Data: Diolah dari publikasi International Labour Organization, Organisation for Economic Co-operation and Development, Massachusetts Institute of Technology, National Institute of Standards and Technology, serta World Economic Forum, 2022–2025.
Kelima kategori tersebut dapat muncul dalam satu proses. Dalam pelayanan pelanggan, misalnya, AI mungkin mencatat percakapan secara otomatis, membantu mengelompokkan masalah, dan menyusun alternatif penyelesaian. Karyawan kemudian menggunakan waktunya untuk memahami kebutuhan pelanggan serta menangani kasus yang tidak dapat diselesaikan melalui aturan standar.
Pada proses yang sama, organisasi dapat membutuhkan peran baru untuk menilai kualitas keluaran sistem. Keputusan yang memengaruhi hak pelanggan tetap berada dalam kategori Protect.
Kesalahan yang perlu dihindari adalah memulai transformasi dari target pengurangan tenaga kerja. Langkah awal seharusnya memahami tugas yang dilakukan, nilai yang dihasilkan, risiko yang menyertainya, dan bentuk tanggung jawab yang diperlukan.
Dengan pendekatan ini, desain pekerjaan tidak berhenti pada penghematan waktu. Organisasi dapat meningkatkan mutu keputusan sekaligus menjaga kepercayaan.
Chapter 3. Mendesain Ulang Peran, Bukan Sekadar Menambah Alat
Setelah tugas dipetakan, organisasi perlu menerjemahkan hasilnya ke dalam desain peran.
Uraian pekerjaan tradisional biasanya menggambarkan kumpulan aktivitas yang relatif stabil. Dalam lingkungan berbasis AI, komposisi kegiatan dapat berubah lebih cepat daripada siklus pembaruan jabatan.
Seorang analis yang sebelumnya menggunakan sebagian besar waktunya untuk mengumpulkan dan mengolah data mungkin kini memperoleh analisis awal dalam hitungan menit. Namun, waktu yang dilepaskan tidak otomatis menghasilkan manfaat.
Perusahaan perlu menentukan pekerjaan bernilai lebih tinggi yang harus dilakukan analis tersebut. Ia dapat lebih banyak berdiskusi dengan unit bisnis, menguji asumsi, membandingkan skenario, menjelaskan ketidakpastian, dan menyusun rekomendasi yang lebih tajam.
Perubahan serupa terjadi pada peran lain. Staf administrasi dapat berkembang menjadi pengelola pengecualian, yaitu orang yang menangani kasus di luar proses standar. Profesional Human Capital dapat bergerak dari pengelola program menjadi perancang kapabilitas. Manajer beralih dari pemeriksa aktivitas menjadi pengarah prioritas, kualitas hasil, dan pembelajaran.
Desain peran perlu memperbarui lima unsur penting: kewenangan, tanggung jawab, kompetensi, ukuran kinerja, dan hubungan kerja.
Apabila AI memberikan rekomendasi tetapi tidak jelas siapa yang dapat menyetujui, keputusan akan melambat. Jika seseorang diminta bertanggung jawab tanpa memahami cara sistem menghasilkan keluaran, akuntabilitas hanya menjadi formalitas.
Masalah lain muncul apabila indikator kinerja tidak berubah. Ketika orang tetap dinilai berdasarkan volume, kemampuan AI akan digunakan untuk menghasilkan lebih banyak dokumen meskipun manfaatnya kecil.
Setiap peran perlu memiliki batas yang terang. Keputusan apa yang boleh dibantu AI? Kapan hasilnya harus diuji? Siapa yang menangani pengecualian? Siapa yang berwenang menolak rekomendasi sistem? Siapa yang memikul konsekuensi apabila keputusan menimbulkan kerugian?
Jawaban atas pertanyaan tersebut mengubah AI dari aplikasi tambahan menjadi bagian dari sistem kerja yang dapat dipertanggungjawabkan.
Chapter 4. Dari Kompetensi Individu Menuju Kapabilitas Organisasi
Pelatihan AI penting, tetapi pelatihan belum dapat disebut transformasi.
Kompetensi individu adalah kemampuan seseorang menjalankan pekerjaan. Kapabilitas organisasi merupakan kemampuan kolektif perusahaan menghasilkan sesuatu secara konsisten, meskipun tekanan, orang, dan situasi berubah.
Seorang karyawan dapat mahir menggunakan AI. Namun, kemampuannya tidak akan menghasilkan dampak berarti apabila data perusahaan buruk, proses tidak jelas, akses teknologi terbatas, atau keputusan harus melewati terlalu banyak lapisan.
Kapabilitas berbasis AI membutuhkan data yang layak, alur kerja yang terdefinisi, teknologi yang dapat diakses, kompetensi yang relevan, budaya belajar, kepemimpinan, tata kelola, dan mekanisme evaluasi.
Di sinilah Human Capital memiliki peran strategis.
Reskilling adalah pengembangan kemampuan baru agar seseorang dapat berpindah ke pekerjaan yang berubah secara mendasar.
Upskilling meningkatkan kemampuan supaya seseorang dapat menjalankan pekerjaannya pada tingkat yang lebih tinggi.
Talent mobility mengatur perpindahan talenta antarperan atau unit sesuai kemampuan dan kebutuhan organisasi.
Workforce planning memastikan perusahaan mempunyai jumlah serta komposisi kompetensi yang dibutuhkan pada masa depan.
Career architecture menghubungkan peran, tingkat tanggung jawab, kompetensi, dan jalur perkembangan karier.
Seluruh sistem tersebut perlu diperbarui ketika AI mengubah isi pekerjaan. Pelatihan tidak cukup mengajarkan cara menyusun instruksi kepada aplikasi. Karyawan juga perlu belajar memeriksa sumber, mengenali bias, memahami keterbatasan model, menjaga kerahasiaan data, dan menentukan kapan suatu keluaran tidak layak digunakan.
Sebagian besar pekerja tidak harus menjadi ahli teknis AI. Namun, mereka perlu memahami cara menggunakan teknologi dengan aman, cara menguji kualitas hasil, serta cara menghubungkan informasi dengan konteks bisnis.
Human Capital masa depan bukan sekadar penyedia kelas. Fungsinya adalah memastikan organisasi mengetahui kemampuan yang akan dibutuhkan, memiliki cara untuk membangunnya, dan menyediakan jalur perkembangan yang adil ketika pekerjaan berubah.
Chapter 5. Pemimpin dan Manajer Lini sebagai Penerjemah Transformasi
Transformasi tidak hidup di dalam dokumen strategi. Transformasi berlangsung dalam keputusan dan percakapan sehari-hari di dalam tim.
Manajer lini menentukan apakah AI digunakan untuk memperbaiki hasil atau sekadar memperbanyak output. Mereka membagi pekerjaan, memeriksa kualitas, memberikan umpan balik, melindungi data, dan memastikan bahwa efisiensi menghasilkan manfaat nyata.
Dalam masa turbulensi, tanggung jawab tersebut menjadi lebih berat. Pemimpin harus bergerak ketika informasi belum lengkap. Ia perlu membedakan fakta yang sudah tersedia, asumsi yang masih harus diuji, dan keputusan yang tidak dapat ditunda.
Respons awal pemimpin memengaruhi suasana tim. Reaksi berlebihan dapat memperbesar kecemasan. Sikap terlalu lambat membuat orang merasa tidak ada pihak yang memegang kendali.
Ketenangan bukan berarti tidak merasa takut. Ketenangan adalah kemampuan mengelola emosi agar penilaian tetap rasional.
Kejujuran juga menjadi dasar kepercayaan. Ketika informasi ditahan terlalu lama, rumor akan mengisi ruang kosong. Pemimpin tidak perlu berpura-pura mengetahui semuanya. Ia dapat menjelaskan apa yang telah diketahui, bagian yang masih dianalisis, keputusan sementara yang diambil, serta waktu penyampaian informasi berikutnya.
Transformasi juga membutuhkan psychological safety, yaitu kondisi ketika anggota tim merasa aman untuk mengakui kesalahan, mengemukakan risiko, atau berbeda pendapat tanpa takut dipermalukan.
Rasa aman menjadi penting karena keluaran AI dapat terlihat meyakinkan meskipun keliru. Organisasi membutuhkan orang yang berani mempertanyakan jawaban sistem, terutama ketika hasilnya tidak sesuai dengan keadaan lapangan.
Empati tidak berarti menurunkan standar. Empati membantu orang mencapai standar dalam kondisi yang realistis, adil, dan bermartabat.
Tim tidak selalu membutuhkan pemimpin dengan jawaban sempurna. Mereka membutuhkan pemimpin yang hadir, memberikan arah, menjaga kejelasan, mendengarkan pandangan berbeda, dan ikut menanggung konsekuensi keputusan.
Chapter 6. Tata Kelola agar Kecepatan Tidak Mengalahkan Kebijaksanaan
AI dapat membantu organisasi bergerak lebih cepat. Tanpa tata kelola, kecepatan yang sama dapat memperbesar kesalahan.
AI governance atau tata kelola AI adalah sistem kebijakan, tanggung jawab, proses, dan pengawasan yang memastikan AI digunakan secara aman, adil, transparan, serta dapat dipertanggungjawabkan.
Tata kelola perlu menjawab data apa yang boleh digunakan, keputusan apa yang dapat dibantu AI, dan tindakan apa yang tidak boleh diotomatisasi. Organisasi juga harus menentukan siapa yang memeriksa hasil, siapa yang menangani kesalahan, dan siapa yang memegang tanggung jawab akhir.
Konsep human-in-the-loop mempertahankan keterlibatan manusia dalam pemeriksaan atau pengambilan keputusan, terutama pada proses yang berdampak besar.
Namun, kehadiran manusia tidak boleh sekadar menjadi simbol. Pemeriksa harus mempunyai pengetahuan, waktu, informasi, dan kewenangan untuk menolak rekomendasi sistem.
Tata kelola juga memerlukan pencatatan yang baik. Organisasi perlu mengetahui data yang digunakan, versi sistem yang menghasilkan keluaran, alasan suatu rekomendasi diterima atau ditolak, serta tindakan yang dilakukan ketika masalah ditemukan.
Pengawasan bukan penghambat inovasi. Tata kelola adalah fondasi yang memungkinkan teknologi diperluas tanpa mengorbankan keselamatan, keadilan, dan kepercayaan.
Dua Case Study Best Practices
Morgan Stanley — Mendesain Ulang Pekerjaan agar Penasihat Lebih Hadir bagi Klien
Masalah Bisnis
Morgan Stanley Wealth Management memiliki kumpulan pengetahuan internal yang sangat besar, mulai dari riset pasar, pandangan investasi, kebijakan, produk, hingga materi layanan. Bagi penasihat keuangan, menemukan informasi yang tepat di tengah banyaknya dokumen dapat menyita waktu.
Persoalan lain muncul setelah pertemuan dengan klien. Penasihat harus membuat catatan, merangkum kebutuhan, mencatat tindak lanjut, memperbarui sistem hubungan pelanggan, dan menyiapkan komunikasi berikutnya.
Pekerjaan tersebut penting untuk menjaga kualitas layanan serta kepatuhan. Namun, jika sebagian besar perhatian penasihat terserap pada pencatatan dan pencarian dokumen, waktu untuk mendengar klien menjadi berkurang.
Teknologi dan Perubahan Tugas
Morgan Stanley mengembangkan rangkaian AI @ Morgan Stanley, termasuk sistem pencarian pengetahuan internal dan AI @ Morgan Stanley Debrief.
Dengan persetujuan klien, Debrief dapat membantu mencatat pertemuan, menyusun ringkasan, mengidentifikasi tindak lanjut, menyiapkan draf pesan, dan memasukkan catatan ke dalam sistem pengelolaan hubungan pelanggan. Penasihat tetap memeriksa, memperbaiki, serta menentukan apakah hasil tersebut layak digunakan.
Perubahan ini mencakup beberapa kategori dalam kerangka desain tugas. Pencarian informasi dan pencatatan standar berada pada area Automate serta Augment. Waktu yang dilepaskan digunakan untuk Elevate, yaitu memahami tujuan klien, menilai risiko, menjelaskan pilihan, dan membangun hubungan.
Persetujuan klien, pemeriksaan catatan, keputusan investasi, serta tanggung jawab profesional tetap berada dalam kategori Protect.
Desain Ulang Peran
Penasihat tidak lagi hanya menjadi penghubung antara klien dan kumpulan informasi perusahaan. Perannya bergerak ke arah penafsir kebutuhan, pemberi konteks, dan penjaga kualitas nasihat.
AI dapat menemukan dokumen dan menyusun ringkasan, tetapi tidak memahami seluruh riwayat keluarga, kekhawatiran, toleransi risiko, atau perubahan prioritas seseorang. Penasihat tetap harus menghubungkan informasi dengan keputusan yang relevan bagi kehidupan klien.
Peran manajer juga berubah. Manajer tidak cukup memantau seberapa sering alat digunakan. Mereka perlu mengevaluasi apakah penggunaan AI meningkatkan kesiapan penasihat, kualitas interaksi, ketepatan dokumentasi, dan konsistensi layanan.
Kompetensi dan Kapabilitas Organisasi
Penggunaan AI membutuhkan kemampuan baru. Penasihat harus mampu memeriksa sumber, mengenali ringkasan yang kehilangan konteks, memperbaiki draf, menjaga kerahasiaan, dan menjelaskan keputusan dengan bahasa yang dapat dipahami klien.
Kapabilitas tersebut tidak dapat dibangun melalui satu pelatihan. Perusahaan membutuhkan basis pengetahuan yang terawat, akses yang terkontrol, standar pemeriksaan, mekanisme umpan balik, dan pembaruan berkelanjutan ketika sistem atau regulasi berubah.
Tata Kelola dan Ukuran Keberhasilan
Morgan Stanley menempatkan teknologi di dalam lingkungan internal yang dikendalikan. Namun, kehadiran sistem tidak memindahkan tanggung jawab profesional kepada AI.
Keberhasilan tidak cukup diukur dari jumlah ringkasan atau waktu yang dihemat. Organisasi perlu melihat ketepatan dokumentasi, kualitas tindak lanjut, kepuasan klien, tingkat koreksi, perlindungan data, dan jumlah masalah kepatuhan.
Tabel 2. Desain Ulang Pekerjaan Penasihat Keuangan di Morgan Stanley
No. | Dimensi Perubahan | Desain Manusia–AI | Implikasi Organisasi dan Ukuran Keberhasilan |
|---|---|---|---|
1 | Pencarian pengetahuan | AI menemukan dan merangkum materi internal. Penasihat menilai relevansi serta konteks | Kelola kualitas sumber dan hak akses. Ukur waktu pencarian, ketepatan jawaban, serta tingkat koreksi |
2 | Dokumentasi pertemuan | AI menyusun catatan dan tindak lanjut dengan persetujuan klien. Penasihat memeriksa hasil | Tetapkan standar persetujuan, privasi, dan penyimpanan. Ukur kelengkapan catatan serta kesalahan dokumentasi |
3 | Komunikasi lanjutan | AI menyiapkan draf. Penasihat menentukan isi akhir, nada, dan kelayakannya | Berikan pedoman pemeriksaan. Ukur kecepatan tindak lanjut serta kualitas komunikasi |
4 | Peran penasihat | Beban administratif berkurang. Perhatian diarahkan kepada kebutuhan, risiko, dan kepercayaan klien | Perbarui kompetensi serta ukuran kinerja. Nilai kualitas hubungan, bukan hanya volume aktivitas |
5 | Kepemimpinan dan tata kelola | Manajer mengawasi mutu penggunaan, sedangkan penasihat memegang tanggung jawab profesional | Bangun evaluasi, eskalasi, audit, dan pembelajaran dari kesalahan |
Sumber Data: Diolah dari publikasi resmi Morgan Stanley mengenai AI @ Morgan Stanley dan AI @ Morgan Stanley Debrief, 2023–2025.
Pelajaran Strategis
Morgan Stanley menunjukkan bahwa augmentasi terbaik tidak hanya membuat pekerjaan lebih cepat. Teknologi seharusnya mengembalikan perhatian manusia kepada bagian pekerjaan yang paling bernilai.
Dalam kasus ini, nilai tersebut bukan semata-mata kemampuan menemukan informasi. Nilainya terletak pada percakapan yang lebih utuh, rekomendasi yang lebih kontekstual, dan kepercayaan yang dijaga melalui pertanggungjawaban profesional.
Siemens — Mendesain Ulang Pekerjaan Teknis tanpa Mengurangi Disiplin Keselamatan
Masalah Bisnis
Lingkungan industri menghadapi tekanan yang berbeda dari layanan keuangan. Pabrik perlu meningkatkan produktivitas, menangani kekurangan tenaga ahli, mengurangi waktu henti, dan menjaga keselamatan pada saat yang sama.
Teknisi serta engineer sering menghabiskan waktu untuk mencari dokumentasi, menulis atau memeriksa kode, menelusuri penyebab gangguan, dan menyusun tindakan pemeliharaan. Sebagian aktivitas bersifat berulang, tetapi kesalahannya dapat memengaruhi produksi, mutu, biaya, bahkan keselamatan manusia.
Karena itu, penggunaan AI di lingkungan industri tidak cukup hanya cepat. Sistem harus memahami konteks teknis dan ditempatkan di dalam batas pengawasan yang jelas.
Teknologi dan Perubahan Tugas
Siemens mengembangkan Industrial Copilot untuk mendukung berbagai tahap dalam rantai nilai industri, mulai dari desain dan rekayasa hingga operasi serta layanan.
Salah satu penerapannya membantu engineer menghasilkan dan menjelaskan kode untuk Programmable Logic Controller (PLC) menggunakan bahasa alami. Siemens juga memperluas penggunaannya untuk pencarian dokumentasi, diagnosis gangguan, pengujian kode, serta dukungan pemeliharaan.
Dalam kerangka desain tugas, pembuatan dokumentasi dan bagian tertentu dari pengkodean berada pada kategori Automate. Analisis gangguan, pencarian pengetahuan, dan rekomendasi pemeliharaan masuk ke area Augment.
Aktivitas teknisi kemudian bergerak ke Elevate, yaitu validasi, pemecahan masalah, analisis kondisi lapangan, dan perbaikan proses. Kebutuhan terhadap pengelola sistem, evaluator kualitas, serta integrator industri menciptakan area Create.
Keputusan terkait keselamatan, pengoperasian mesin, dan tindakan berisiko tinggi tetap berada dalam kategori Protect.
Desain Ulang Peran
Peran teknisi tidak berhenti pada pelaksanaan manual. Ia berkembang menjadi validator teknis, pengelola pengecualian, pemecah masalah, dan penjaga keselamatan proses.
AI dapat menghasilkan kode yang terlihat benar, tetapi engineer tetap harus memastikan kesesuaiannya dengan desain mesin, konfigurasi pabrik, standar pelanggan, dan kondisi operasi.
Operator juga tidak hanya menerima rekomendasi. Ia perlu menghubungkan data digital dengan suara mesin, getaran, kondisi lingkungan, riwayat gangguan, serta pengalaman lapangan.
Supervisor memiliki tanggung jawab baru. Ia harus menentukan tugas yang boleh dibantu AI, tingkat pemeriksaan yang diperlukan, kewenangan untuk menjalankan perubahan, dan jalur eskalasi ketika hasil sistem diragukan.
Kompetensi dan Kapabilitas Organisasi
Industrial Copilot dapat membantu tenaga junior menemukan pengetahuan lebih cepat. Namun, kemudahan tersebut membawa risiko baru. Jika engineer menerima keluaran tanpa memahami prinsip dasar, perusahaan mungkin memperoleh efisiensi jangka pendek tetapi kehilangan kedalaman kemampuan teknis.
Karena itu, pelatihan perlu menggabungkan literasi AI, dasar-dasar rekayasa, keselamatan, diagnosis, dan pengujian. Teknologi harus digunakan untuk mempercepat proses belajar, bukan menggantikan pemahaman.
Kapabilitas organisasi juga bergantung pada mutu dokumentasi, integrasi data mesin, pengendalian versi, hak akses, prosedur perubahan, dan pencatatan keputusan.
Tata Kelola dan Ukuran Keberhasilan
Dalam lingkungan industri, human-in-the-loop harus memiliki arti nyata. Engineer atau teknisi yang memeriksa rekomendasi wajib memiliki kompetensi dan kewenangan untuk menghentikan penerapan apabila risikonya belum dapat diterima.
Keberhasilan tidak boleh hanya dihitung dari kecepatan penulisan kode. Organisasi perlu mengukur tingkat kesalahan, waktu pengujian, keandalan mesin, waktu henti, keselamatan, jumlah pekerjaan ulang, dan perkembangan kompetensi tenaga kerja.
Semakin besar otonomi sistem, semakin penting kejelasan batas, pengujian, pemantauan, serta kemampuan manusia untuk mengambil alih kendali.
Tabel 3. Desain Ulang Pekerjaan Rekayasa dan Operasi melalui Siemens Industrial Copilot
No. | Dimensi Perubahan | Desain Manusia–AI | Implikasi Organisasi dan Ukuran Keberhasilan |
|---|---|---|---|
1 | Pemrograman otomasi | AI membantu menghasilkan dan menjelaskan kode. Engineer menentukan kebutuhan serta melakukan pengujian | Tetapkan standar validasi dan pengendalian versi. Ukur waktu pengembangan, kesalahan, dan pekerjaan ulang |
2 | Diagnosis dan dokumentasi | AI mencari informasi serta menyusun alternatif. Teknisi memeriksa kesesuaian dengan kondisi lapangan | Jaga kualitas dokumentasi dan data mesin. Ukur kecepatan diagnosis serta ketepatan tindakan |
3 | Operasi dan pemeliharaan | AI membaca pola dan memberi rekomendasi. Operator atau teknisi memutuskan tindakan | Bangun mekanisme eskalasi. Ukur waktu henti, keandalan, keselamatan, dan kegagalan prediksi |
4 | Peran dan kompetensi | Teknisi bergeser menjadi validator, pemecah masalah, dan pengelola pengecualian | Perbarui pelatihan, sertifikasi, serta jalur karier. Nilai kemampuan teknis dan kualitas keputusan |
5 | Kepemimpinan dan tata kelola | Supervisor menetapkan batas penggunaan, pemeriksaan, dan otorisasi | Audit perubahan, dokumentasikan keputusan, dan ukur kepatuhan terhadap prosedur keselamatan |
Sumber Data: Diolah dari publikasi resmi Siemens mengenai Industrial Copilot, Industrial AI Agents, dan solusi pemeliharaan berbasis AI, 2023–2025.
Pelajaran Strategis
Siemens menunjukkan bahwa augmentasi di lingkungan industri harus berjalan bersama disiplin rekayasa.
AI dapat mempercepat pencarian, pengkodean, diagnosis, dan pemeliharaan. Namun, keselamatan serta keandalan tetap membutuhkan manusia yang memahami mesin, mampu membaca keadaan lapangan, dan berani menghentikan proses ketika hasil sistem tidak meyakinkan.
Teknologi menjadi bernilai ketika memperluas kemampuan teknisi, bukan ketika membuat organisasi kehilangan pengetahuan dasarnya.
Kesimpulan dari Dua Case Study
Morgan Stanley dan Siemens bekerja dalam lingkungan yang berbeda. Morgan Stanley bertumpu pada kepercayaan antara penasihat dan klien. Siemens beroperasi dalam sistem teknis yang menuntut ketelitian, keandalan, serta keselamatan.
Meski konteksnya berbeda, pola transformasinya serupa.
Keduanya memulai dari masalah bisnis, bukan dari daya tarik aplikasi. Tugas berulang dipisahkan dari aktivitas yang membutuhkan penilaian. AI ditempatkan di dalam alur kerja. Peran manusia dinaikkan menuju pekerjaan yang lebih kontekstual. Manajer memperoleh tanggung jawab baru untuk mengawasi kualitas. Tata kelola dibangun agar teknologi tidak mengaburkan akuntabilitas.
Perbedaan utamanya berada pada nilai yang harus dilindungi. Morgan Stanley menjaga kepercayaan, privasi, dan kualitas nasihat. Siemens menjaga keandalan, pengetahuan teknis, dan keselamatan operasi.
Tabel 4. Prinsip Mendesain Organisasi yang Diperkuat AI
No. | Prinsip | Bukti dari Kedua Case Study | Implikasi dan Indikator Implementasi |
|---|---|---|---|
1 | Mulai dari masalah bisnis | Morgan Stanley mengurangi beban pencarian serta dokumentasi. Siemens mempercepat rekayasa, diagnosis, dan pemeliharaan | Setiap use case perlu memiliki masalah, pemilik, manfaat, risiko, dan target yang jelas |
2 | Petakan tugas sebelum mengubah jabatan | Aktivitas rutin dibantu AI, sedangkan nasihat, validasi, serta keputusan tetap berada pada manusia | Gunakan kerangka Automate, Augment, Elevate, Create, dan Protect |
3 | Desain ulang peran dan kompetensi | Penasihat menjadi penafsir kebutuhan klien. Teknisi berkembang menjadi validator dan pemecah masalah | Perbarui uraian peran, pelatihan, ukuran kinerja, serta jalur karier |
4 | Perkuat peran manajer | Manajer memeriksa kualitas layanan dan penggunaan AI. Supervisor mengatur batas teknis serta eskalasi | Ukur kualitas keputusan, kepatuhan, pembelajaran, dan kemampuan menangani pengecualian |
5 | Pertahankan tanggung jawab manusia | Penasihat memegang nasihat profesional. Engineer serta operator memegang validasi dan keselamatan | Keputusan berdampak tinggi harus memiliki pemilik manusia yang berwenang |
6 | Ukur nilai, bukan sekadar kecepatan | Efisiensi harus memperbaiki pengalaman klien, ketepatan dokumentasi, keandalan mesin, atau keselamatan | Gunakan indikator kualitas, kepuasan, koreksi, waktu henti, insiden, dan perkembangan kompetensi |
Sumber Data: Analisis atas case study Morgan Stanley dan Siemens berdasarkan publikasi resmi perusahaan, 2023–2025.
Tabel tersebut memperlihatkan bahwa perusahaan tidak harus menggunakan teknologi yang sama. Hal yang perlu ditiru adalah cara berpikirnya.
Organisasi perlu memahami masalah, membedah tugas, memperbarui peran, mengembangkan kemampuan, memperkuat manajer, dan menetapkan tanggung jawab sebelum penggunaan AI diperluas.
Kedua kasus juga menunjukkan bahwa kualitas transformasi tidak ditentukan oleh seberapa banyak aktivitas yang diambil alih teknologi. Hal yang lebih penting adalah apakah pekerjaan manusia menjadi lebih bernilai, keputusan menjadi lebih baik, dan risiko dapat dikelola dengan lebih dewasa.
Penutup — Organisasi yang Memahami Pekerjaan Manusia
Setiap gelombang teknologi membawa godaan yang sama: mengukur kemajuan berdasarkan jumlah aplikasi, proses yang diotomatisasi, atau biaya yang dapat dikurangi.
Ukuran tersebut penting, tetapi tidak cukup.
Masa depan organisasi tidak ditentukan oleh banyaknya pekerjaan yang diserahkan kepada AI. Masa depan ditentukan oleh kemampuan perusahaan menggunakan teknologi agar manusia bekerja dengan lebih cerdas, bertanggung jawab, dan bermakna.
Transformasi yang sehat memperjelas bagian yang dapat dijalankan mesin, pekerjaan yang perlu dipimpin manusia, serta cara keduanya berkolaborasi tanpa mengaburkan tanggung jawab.
Pemimpin tidak harus berpura-pura memiliki seluruh jawaban. Ia perlu memberikan arah, mengatakan apa yang diketahui, mengakui apa yang belum jelas, dan menjaga agar orang berani menyampaikan risiko.
Human Capital juga tidak cukup hanya menyiapkan pelatihan. Fungsi ini perlu membangun ulang kompetensi, mobilitas, jalur karier, ukuran kinerja, dan pengalaman kerja. Manajer lini kemudian menerjemahkan perubahan tersebut ke dalam keputusan sehari-hari.
AI mungkin dapat menghasilkan lebih banyak jawaban. Namun, organisasi tetap membutuhkan manusia untuk menentukan pertanyaan yang layak diajukan, risiko yang tidak boleh diabaikan, dan nilai yang harus dipertahankan.
Organisasi masa depan bukan organisasi tanpa manusia, melainkan organisasi yang akhirnya memahami pekerjaan apa yang paling layak dilakukan oleh manusia.
Referensi
- Work for a Brighter Future: Global Commission on the Future of Work, International Labour Organization, International Labour Office, 2019.
- The Impact of Artificial Intelligence on the Labour Market: What Do We Know So Far?, Marguerita Lane dan Anne Saint-Martin, OECD Publishing, 2021.
- The Work of the Future: Building Better Jobs in an Age of Intelligent Machines, David Autor, David Mindell, dan Elisabeth Reynolds, Massachusetts Institute of Technology Press, 2022.
- OECD Employment Outlook 2023: Artificial Intelligence and the Labour Market, Organisation for Economic Co-operation and Development, OECD Publishing, 2023.
- Artificial Intelligence Risk Management Framework 1.0, Elham Tabassi, National Institute of Standards and Technology, 2023.
- Generative AI and Jobs: A Global Analysis of Potential Effects on Job Quantity and Quality, Paweł Gmyrek, Janine Berg, dan David Bescond, International Labour Organization, 2023.
- Key Milestone in Innovation Journey with OpenAI, Morgan Stanley Wealth Management, Morgan Stanley, 2023.
- Siemens and Microsoft Partner to Drive Cross-Industry AI Adoption, Siemens AG dan Microsoft Corporation, Siemens AG, 2023.
- Using AI in the Workplace: Opportunities, Risks and Policy Responses, Marguerita Lane, Morgan Williams, dan Stijn Broecke, OECD Publishing, 2024.
- Artificial Intelligence and the Changing Demand for Skills in the Labour Market, Andrew Green, OECD Publishing, 2024.
- Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, Chloe Autio dan National Institute of Standards and Technology, National Institute of Standards and Technology, 2024.
- Launch of AI @ Morgan Stanley Debrief, Morgan Stanley Wealth Management, Morgan Stanley, 2024.
- Scaling the Roll-Out of Generative AI with Siemens Industrial Copilot, Siemens AG, Siemens AG, 2024.
- Future of Jobs Report 2025, World Economic Forum, World Economic Forum, 2025.
- Siemens Introduces AI Agents for Industrial Automation, Siemens AG, Siemens AG, 2025.
- Compendium of Best Practices for the Human-Centred Adoption of Safe, Secure and Trustworthy AI in the World of Work, Organisation for Economic Co-operation and Development, OECD Publishing, 2025.
Daftar Singkatan
Tabel 5. Daftar Singkatan
No. | Singkatan | Kepanjangan | Penjelasan |
|---|---|---|---|
1 | AI | Artificial Intelligence | Teknologi yang membantu sistem melakukan analisis, prediksi, pengenalan pola, dan pembuatan konten |
2 | BOD | Board of Directors | Dewan direksi yang bertanggung jawab atas arah strategis serta pengelolaan perusahaan |
3 | HC | Human Capital | Fungsi yang mengelola kapabilitas, talenta, kepemimpinan, dan pengalaman kerja |
4 | ILO | International Labour Organization | Organisasi internasional yang menangani isu pekerjaan dan ketenagakerjaan |
5 | MIT | Massachusetts Institute of Technology | Institusi pendidikan dan penelitian di bidang teknologi, ekonomi, serta organisasi |
6 | NIST | National Institute of Standards and Technology | Institusi yang mengembangkan standar dan kerangka pengelolaan risiko teknologi |
7 | OECD | Organisation for Economic Co-operation and Development | Organisasi internasional yang menyusun penelitian serta rekomendasi kebijakan |
8 | PLC | Programmable Logic Controller | Komputer industri yang digunakan untuk mengendalikan mesin dan proses otomasi |
9 | WEF | World Economic Forum | Organisasi internasional yang membahas ekonomi, pekerjaan, serta perubahan teknologi |
Daftar Istilah
Tabel 6. Daftar Istilah
No. | Istilah | Penjelasan Singkat dan Tegas |
|---|---|---|
1 | Augmentasi | Penggunaan teknologi untuk memperbesar kemampuan manusia |
2 | Otomatisasi | Penggunaan teknologi untuk menjalankan tugas manual atau berulang |
3 | Digitalisasi | Perubahan informasi atau proses manual menjadi bentuk digital |
4 | Transformasi | Perubahan mendasar pada cara organisasi bekerja dan menciptakan nilai |
5 | Reskilling | Pengembangan kemampuan baru untuk menjalankan pekerjaan yang berubah |
6 | Upskilling | Peningkatan kemampuan agar seseorang bekerja pada tingkat yang lebih tinggi |
7 | Talent Mobility | Perpindahan talenta antarperan atau unit berdasarkan kemampuan serta kebutuhan |
8 | Workforce Planning | Perencanaan jumlah, komposisi, dan kompetensi tenaga kerja masa depan |
9 | Career Architecture | Struktur peran, kompetensi, tingkat tanggung jawab, dan jalur karier |
10 | Human-in-the-Loop | Keterlibatan manusia dalam pemeriksaan atau keputusan berbasis AI |
11 | AI Governance | Kebijakan, tanggung jawab, kontrol, dan pengawasan dalam penggunaan AI |
12 | Organizational Capability | Kemampuan kolektif organisasi menghasilkan sesuatu secara konsisten |
13 | Job Redesign | Perubahan tugas, tanggung jawab, kewenangan, dan hubungan kerja |
14 | Psychological Safety | Kondisi ketika anggota tim aman menyampaikan kesalahan, risiko, dan perbedaan pandangan |
15 | Bias Otomatisasi | Kecenderungan menerima rekomendasi teknologi tanpa pemeriksaan kritis |
16 | Scenario Planning | Metode menyiapkan keputusan berdasarkan beberapa kemungkinan masa depan |
