Jebakan Produktivitas AI: Ketika Efisiensi Menggerus Kompetensi

Di tengah hiruk-pikuk integrasi kecerdasan buatan di berbagai sektor, para pemimpin bisnis dan pembuat kebijakan dihadapkan pada paradoks yang jarang disadari: alat yang dirancang untuk meningkatkan produktivitas justru berpotensi menggerus kemampuan belajar dan inovasi jangka panjang. Manu Kapur, Direktur Singapore-ETH Centre, mengingatkan bahwa fokus berlebihan pada efisiensi instan dapat menciptakan kerentanan struktural di masa depan.

Dalam komentarnya yang dimuat di CNA, Kapur menggarisbawahi bahwa AI memang memberikan keuntungan langsung yang menggiurkan—menulis surel, meringkas laporan, menyusun presentasi, hingga merekomendasikan keputusan. Output melonjak, waktu respons menciut, biaya turun, dan indikator kinerja terpenuhi. Namun, di balik gemilangnya angka-angka itu, terdapat risiko tersembunyi: ketika tugas menjadi terlalu mudah, manusia cenderung kehilangan kesempatan untuk membangun pemahaman mendalam yang dapat ditransfer ke situasi baru.

Sebuah studi longitudinal terhadap lebih dari 26.000 siswa China selama 30 bulan mengonfirmasi kekhawatiran ini. Meskipun AI membantu menyelesaikan pekerjaan rumah lebih cepat dan meningkatkan nilai tugas, dampak sebaliknya justru terlihat pada hasil ujian dan pemahaman konseptual para siswa. Temuan ini menjadi peringatan keras bagi dunia usaha yang berinvestasi pada pengembangan karyawan.

Kapur mengilustrasikan dengan contoh seorang pengacara junior yang menggunakan AI untuk menyusun kontrak dalam hitungan menit. Secara permukaan, produktivitas meningkat. Namun, mitra senior tetap harus memeriksa dan menyetujui hasil kerja tersebut karena hanya merekalah yang memiliki pengetahuan domain dan penilaian yang memadai. Jika AI terus-menerus melakukan pekerjaan berat, para junior tidak akan pernah belajar mengapa klausul indemnitas penting, kapan pengecualian kerahasiaan berisiko, atau kapan kewajiban perlindungan data harus dinaikkan levelnya. Semua itu membutuhkan latihan, umpan balik, dan pengulangan—sesuatu yang tidak bisa digantikan oleh AI.

Untuk mengatasi jebakan ini, Kapur mengusulkan pendekatan adopsi dua jalur. Jalur pertama adalah jalur performa, di mana AI digunakan untuk tugas-tugas yang membutuhkan kecepatan dan konsistensi, dengan tata kelola dan pemantauan yang ketat. Jalur kedua adalah jalur pembelajaran, di mana perusahaan secara sengaja menciptakan lingkungan di mana tim karyawan tidak bisa "menitipkan" pemikiran mereka pada AI. Di sini, karyawan harus bereksperimen dengan berbagai solusi, mengkritisi keluaran AI, melakukan evaluasi kegagalan, dan mengembangkan pedoman internal. Perusahaan yang hanya menjalankan jalur pertama akan menuai kemenangan cepat, tetapi akan menemui batas ketika lingkungan berubah. Sebaliknya, perusahaan yang juga mengadopsi jalur kedua akan membangun organisasi yang terus beradaptasi dan unggul.

Bagi Indonesia, pesan ini relevan di tengah gencarnya transformasi digital dan adopsi AI di berbagai sektor, mulai dari perbankan, e-commerce, hingga layanan publik. Tanpa keseimbangan antara efisiensi dan pembelajaran, risiko menciptakan tenaga kerja yang tergantung pada AI namun miskin pemahaman fundamental menjadi nyata. Kapur menekankan bahwa pertanyaan yang tepat bukanlah "Berapa banyak tugas yang bisa digantikan AI?", melainkan "Kapabilitas manusia apa yang harus kita bangun karena AI telah mengubah tugas tersebut?"

Ke depan, ukuran keberhasilan adopsi AI tidak bisa hanya diukur dari tingkat penggunaan atau penghematan biaya jangka pendek. Indikator yang lebih bermakna adalah sejauh mana organisasi dan tenaga kerja mampu terus belajar, beradaptasi, dan berinovasi seiring perubahan teknologi. Jika AI hanya diperlakukan sebagai mesin produktivitas, kita berisiko memperbesar kesuksesan yang tidak produktif—hasil yang mengesankan hari ini, namun rapuh dan tidak adaptif di masa depan.