Dalam beberapa minggu ini, Accenture jadi berita besar karena menghubungkan kemungkinan naik jabatan bagi manajer senior dengan penggunaan alat AI internal. Di pasar yang fokus pada otomatisasi dan efisiensi, karyawan diharapkan untuk mengintegrasikan AI ke dalam alur kerja harian mereka. Sekarang, penggunaannya bisa membentuk jalur karir.
Kebijakan itu mencerminkan sesuatu yang lebih besar yang terjadi di perusahaan-perusahaan Amerika. Perusahaan tidak hanya memakai AI untuk mengotomatisasi tugas. Mereka menggunakannya untuk menaikkan ekspektasi tentang seberapa banyak kerja yang harus dihasilkan manusia.
Ini bukan salah sepenuhnya. Pengukuran itu penting untuk disiplin dan kinerja. Alat AI bisa mengurangi hambatan, menghilangkan tugas bernilai rendah, dan memperjelas tujuan. Jika dipakai dengan bijak, mereka dapat meningkatkan kemampuan manusia.
Kesalahannya ada di tempat lain.
Bahaya muncul ketika output yang lebih tinggi disalahartikan sebagai kinerja yang berkelanjutan. Saat organisasi menyamakan peningkatan produktivitas dengan kenaikan ekspektasi yang permanen, mereka seperti meminjam dari cadangan biologis. Utangnya dibayar nanti dalam bentuk ketidakpedulian, pergantian karyawan, dan kemampuan beradaptasi yang menurun.
AI bisa menggandakan output. Biologi manusia tidak bisa.
Logika yang mendorong peningkatan ini bisa dimengerti. Jika alat generatif memungkinkan seorang konsultan menganalisis data dua kali lipat lebih banyak, kenapa tidak menyesuaikan target? Jika asisten coding mempercepat waktu pengembangan, kenapa tidak mengatur ulang jadwal? Jika dashboard mengukur kinerja secara real time, kenapa tidak menyesuaikan ekspektasi dengan tepat?
Masalahnya adalah percepatan mesin tidak otomatis memperluas kapasitas manusia.
Kinerja manusia mengikuti kurva yang tidak linear. Stres ringan bisa mempertajam perhatian. Stres kronis merusak memori, penilaian, dan regulasi emosi. Energi itu terbatas. Kapasitas pemulihan terbatas. Bandwidth emosional terbatas. Ketika AI meningkatkan kecepatan dan volume kerja, sistem biologis tidak bisa mengikuti secara paralel.
Teknologi bisa memadatkan tugas. Ia tidak bisa memadatkan waktu pemulihan.
Saat perusahaan menggunakan AI untuk memproses informasi dua kali lipat lebih banyak, menghadiri rapat dua kali lipat lebih banyak, dan menghasilkan deliverable dua kali lipat lebih banyak, godaannya adalah memperlakukan lonjakan itu sebagai standar baru. Apa yang dulu luar biasa menjadi hal yang diharapkan. Apa yang dulu sementara menjadi permanen.
Seiring waktu, ketidakcocokan itu menghasilkan konsekuensi yang bisa ditebak. Siklus kelelahan meningkat. Ketidakhadiran kerja naik. Pemecahan masalah kreatif menyempit saat beban kognitif menumpuk. Usaha sukarela menurun. Alat yang dirancang untuk membuka produktivitas justru mulai mengikis kapasitas yang menopangnya.
Efek ini membawa konsekuensi ekonomi yang bisa diukur.
Pergantian karyawan bukanlah gangguan budaya biasa. Mengganti pekerja pengetahuan yang terampil bisa menghabiskan biaya yang signifikan dari kompensasi tahunan, jika biaya rekrutmen, waktu onboarding, produktivitas yang hilang, dan gangguan tim dimasukkan. Jika reset ekspektasi yang didorong AI meningkatkan perginya karyawan walau sedikit, keuntungan finansial dari output yang lebih tinggi bisa cepat diimbangi oleh biaya penggantian dan memori institusional yang melemah.
Volatilitas produktivitas juga memengaruhi kualitas pendapatan. Pekerja yang beroperasi di dekat batas fisiologis cenderung menghasilkan ledakan output tinggi yang singkat, diikuti kelelahan, ketidakpedulian, atau cuti panjang. Volatilitas itu memperumit perencanaan dan melemahkan prediktabilitas operasional. Di industri yang padat pengetahuan, nilai berkelanjutan lebih sedikit bergantung pada output mentah dan lebih pada penilaian, inovasi, dan pemecahan masalah kolaboratif. Kemampuan itu menurun ketika batasan biologis diabaikan.
Dinamika “meminjam dari cadangan biologis” mirip dengan leverage keuangan. Saat perusahaan menambah utang tanpa memperkuat arus kas dasar, mereka memperbesar pengembalian jangka pendek tetapi meningkatkan kerapuhan jangka panjang. Meningkatkan ekspektasi output tanpa memperkuat pemulihan, otonomi, dan kepercayaan menciptakan ketidakseimbangan serupa. Organisasi mungkin mencatat keuntungan kuartalan yang mengesankan sementara diam-diam menguras modal manusia yang mendukung kinerja masa depan.
Ada juga risiko kepatuhan dan reputasi. Saat perusahaan mengumpulkan lebih banyak data perilaku dan biometrik melalui sistem AI dan teknologi yang bisa dipakai, regulator memperhatikan lebih cermat perlindungan privasi dan disabilitas. Pelanggaran yang melibatkan data kesehatan atau perilaku bisa cepat berubah menjadi kerusakan reputasi dan erosi nilai pasar. Tata kelola modal manusia semakin menjadi bagian dari pengawasan fidusia, bukan sekadar urusan sumber daya manusia.
Ini semua tidak berarti harus meninggalkan metrik. Perbedaannya terletak pada bagaimana metrik itu digunakan.
AI seharusnya menghilangkan hambatan, bukan menaikkan batas biologis secara permanen. Ia harus memperluas kapasitas strategis, bukan memadatkan waktu pemulihan. Metrik bisa mendisiplinkan kinerja, tetapi mereka tidak bisa menghilangkan batasan fisiologis.
Kepercayaan memainkan peran penting. Lingkungan dengan kepercayaan tinggi mengurangi biaya koordinasi dan mempercepat eksekusi. Ketika pemantauan terasa transparan dan mendukung, adopsi cenderung mengikuti. Ketika terasa seperti mengekstrak, respons stres meningkat dan motivasi intrinsik menurun. Pengawasan mungkin meningkatkan output yang terlihat dalam jangka pendek, tetapi bisa diam-diam menaikkan struktur biaya jangka panjang organisasi.
Investor semakin mengamati stabilitas dan ketahanan tenaga kerja sebagai pendorong kinerja yang tahan lama. Pengungkapan modal manusia sekarang berada di samping laporan keuangan dalam mengevaluasi penciptaan nilai jangka panjang. Strategi yang dibangun dengan menggandakan output melalui AI tanpa memperkuat pemulihan, otonomi, dan kepercayaan berisiko menciptakan organisasi yang rapuh yang pecah di bawah tekanan.
Dewan dan tim eksekutif harus menanyakan pertanyaan yang lebih ketat seiring adopsi AI yang semakin cepat. Apakah peningkatan produktivitas datang dari penghapusan hambatan atau peningkatan ekspektasi? Apakah siklus pemulihan dibangun ke dalam sistem kinerja? Apakah kita memperkuat daya tahan modal manusia atau menggunakannya untuk keuntungan jangka pendek? Dalam jangka waktu tiga hingga lima tahun, pendekatan mana yang menghasilkan pengembalian yang lebih stabil?
Perusahaan yang paling mungkin sukses di era AI bukanlah mereka yang menuntut kelipatan produktivitas terbesar. Mereka adalah perusahaan yang menyelaraskan percepatan teknologi dengan keberlanjutan biologis.
Itu membutuhkan disiplin desain. Artinya membangun siklus pemulihan ke dalam sistem kinerja. Artinya mengukur nilai dalam horizon multi-tahun daripada menghargai lonjakan kuartalan. Dan artinya menyadari bahwa meskipun AI bisa memperluas kapasitas analitis dan memadatkan garis waktu, ia tidak bisa menulis ulang batas fisiologi manusia.
Organisasi yang mengabaikan batasan itu mungkin mencapai keuntungan jangka pendek yang mengesankan. Mereka mungkin juga menemukan bahwa hambatan sebenarnya di era kecerdasan buatan bukanlah kemampuan teknologi.
Melainkan sistem biologis yang diharapkan untuk mengikutinya.
Pendapat yang diungkapkan dalam artikel komentar Fortune.com adalah pandangan penulisnya saja dan tidak selalu mencerminkan pendapat dan keyakinan Fortune.