Dilema Produktivitas AI: Kerja Lebih Cepat, Keterampilan Lebih Lemah

Saya mulai menyadari pertukaran ini di tempat paling kecil yang mungkin: kotak masuk saya. Ringkasan AI-nya rapi, balasan yang disarankan terdengar sopan, dan keputusan-keputusan kecil yang biasanya menggerogoti pagi hari tiba-tiba menghilang. Menjelang makan siang, saya bergerak lebih cepat, tetapi saya mengingat lebih sedikit. Kesepakatan aneh dalam kerja pengetahuan yang dibantu AI bukanlah bahwa AI gagal. Justru AI sering bekerja cukup baik sehingga membuat kita lupa bagian mana dari pekerjaan itu yang selama ini menjaga ketajaman kita. Kita terus memperlakukan produktivitas sebagai satu angka tunggal, seolah-olah email yang selesai, laporan yang diringkas, dan keputusan yang dapat dipertanggungjawabkan semuanya masuk ke keranjang yang sama. Padahal tidak. Sebagian tugas hanyalah gesekan, dan hal yang manusiawi adalah mengotomatiskannya. Tugas lain adalah gesekan dengan kurikulum tersembunyi di dalamnya.

Kesepakatan yang tersembunyi di dalam kotak masuk

yang rapi Business Science Daily menggambarkan pertukaran ini dengan keterusterangan yang berguna. Ringkasannya tentang riset AI di tempat kerja melaporkan bahwa AI meningkatkan produktivitas sebesar 12,2% dan kualitas sebesar 40%+, sambil menurunkan akurasi sebesar 19 poin persentase. Kombinasi itu terdengar bertentangan hanya jika kita menganggap kualitas dan akurasi adalah hal yang sama. Padahal tidak. Sebuah dokumen bisa terbaca lebih baik tetapi tetap memuat fakta yang salah. Memo keputusan bisa terlihat lebih lengkap sambil diam-diam mewarisi asumsi yang keliru. AI sangat pandai menghaluskan permukaan pekerjaan, itulah sebabnya ia terasa seperti kemajuan pada saat itu. Pertanyaan yang tidak nyaman adalah apa yang sebenarnya sedang dioptimalkan oleh tim. Jika pekerjaannya adalah draf pertama, ringkasan rutin, atau lingkar komunikasi yang berulang, kecepatan adalah hadiah. Jika pekerjaannya adalah penilaian, penafsiran, atau akuntabilitas, kecepatan bisa menjadi kamuflase. Alat itu mungkin menghapus perjuangan yang tampak, tetapi sekaligus menghapus latihan yang membangun keahlian.

Asisten tidak selalu menjadi guru Studi Lex localis tentang kolaborasi

manusia-AI memberi bentuk yang lebih praktis pada masalah ini. Dalam tugas menulis, meringkas, mendukung keputusan, dan memecahkan masalah, studi itu menemukan bahwa bantuan AI mempercepat penyelesaian tugas sebesar 32 hingga 39%, dengan pemula paling banyak diuntungkan dalam tugas yang terstruktur. Namun studi yang sama menemukan bahwa tugas dengan kompleksitas tinggi mengalami peningkatan kesalahan sebesar 15 hingga 25%. Perbedaan itu seharusnya dicetak di dinding setiap rapat peluncuran AI. Pemula dapat bergerak lebih cepat dengan AI, terutama ketika tugasnya memiliki templat yang jelas. Namun ketika tugasnya kompleks, risikonya bukan sekadar AI membuat kesalahan. Risikonya adalah manusia tidak lagi menyadari kesalahan mana yang penting. Lex localis mengelompokkan kesalahan berulang sebagai fakta yang dihalusinasikan, masalah logika, sitasi yang dibuat-buat, penghilangan informasi, dan asumsi yang bias. Perhatikan betapa banyak di antaranya membutuhkan pikiran manusia yang aktif untuk menangkapnya. Pemeriksa ejaan bisa menangkap salah ketik. Ia tidak bisa memberi tahu Anda bahwa argumen itu dengan sopan telah berjalan menuju jurang. Inilah sebabnya metafora yang lebih baik untuk AI di tempat kerja bukanlah pengganti atau sihir. Ia seperti pusat kebugaran dengan peralatan bertenaga. Jika digunakan dengan baik, ia memungkinkan orang mencoba angkatan yang lebih sulit. Jika digunakan secara pasif, ia membiarkan mesin melakukan gerakan sementara orangnya keliru menganggap gerakan sebagai kekuatan.

Tempat kerja sedang memilih apa yang ingin diukur

MIT Technology Review membingkai adopsi AI sebagai keputusan bisnis yang terjebak antara skeptisisme dan rasa takut tertinggal, dengan dana investasi terus mengalir sementara para pemimpin mencari bukti ekonomi. Itu kerangka yang lebih sehat daripada panik atau sensasi berlebihan. Intinya bukan apakah pekerja pengetahuan harus menggunakan AI. Mereka sudah menggunakannya, dan banyak yang memang sebaiknya demikian. Pertanyaan desain yang sebenarnya adalah di mana manusia harus tetap melambat. Tim dapat menggunakan AI untuk menghapus beban administratif, menghasilkan alternatif, membandingkan draf, dan memaksa kejelasan. Mereka juga dapat mewajibkan pemeriksaan manusia untuk klaim, sumber, keputusan, dan apa pun yang membentuk kebijakan, perekrutan, riset, keuangan, atau komunikasi publik. Jebakan budayanya adalah berpura-pura bahwa setiap tugas harus menjadi lebih mudah. Sebagian memang seharusnya. Tidak ada orang yang menjadi lebih bijak dengan memformat catatan rapat secara manual untuk keseribu kalinya. Namun orang memang menjadi lebih tajam dengan bergulat menghadapi ambiguitas, membuat klaim, mempertahankannya, dan merevisinya setelah berhadapan dengan bukti. Jadi tim AI yang paling matang mungkin bukan yang memiliki tingkat otomatisasi tertinggi. Mereka mungkin adalah tim yang memiliki batas paling jelas antara gesekan yang layak dihapus dan gesekan yang layak dipertahankan. Metrik produktivitas berikutnya seharusnya tidak hanya bertanya berapa banyak pekerjaan yang selesai. Ia juga harus bertanya apa yang dipelajari pekerja saat melakukannya. Bagi pembaca, langkah yang berguna itu kecil dan langsung: audit satu alur kerja. Tandai bagian-bagian ketika AI menghemat perhatian, lalu tandai bagian-bagian ketika perhatian justru menjadi inti. Masa depan kerja pengetahuan tidak akan ditentukan oleh apakah kita menggunakan asisten. Ia akan ditentukan oleh apakah kita masih melatih penilaian yang seharusnya dilayani oleh para asisten itu.