Bayangkan seseorang di departemen lain di perusahaanmu baru saja menggunakan agen AI. Hasil kerja mereka jadi dua kali lipat dalam semalam. Pekerjaan mulai mengalir ke kamu dengan kecepatan dua kali lebih cepat. Tapi kamu masih pakai Excel. Kamu masih tidak punya akses ke data utama perusahaan. Dalam semalam, kamu jadi hambatan — titik lemah dalam rantai yang tiba-tiba bergerak lebih cepat.
“Ini akan mengekspos titik terlemah dalam organisasi,” kata Eric Bradlow dari Wharton School. “Jika peningkatan efisiensi terjadi di sini tapi tidak di sini,” katanya sambil menggerakkan tangan, “masalah akan membesar dan akan terlihat dengan cepat.”
Masalah hambatan itu sedang terjadi di perusahaan-perusahaan Amerika — dan penyebab utamanya bukan teknologi. Tapi karena perusahaan tidak melakukan kerja keras untuk mempersiapkan orang-orang yang seharusnya bekerja berdampingan dengan AI.
### Masalah 7%
Angkanya jelas. Di sektor korporat, konsultan dan analis melihat pola yang mirip dan mengkhawatirkan. Menurut laporan Tren Teknologi terbaru Deloitte, IT menghabiskan sekitar 93% dari anggaran adopsi AI. Hanya 7% perusahaan yang membuat kemajuan berarti dalam merancang bagaimana manusia dan AI benar-benar bekerja sama.
“Sembilan puluh tiga banding tujuh bukanlah tingkat usaha yang tepat,” kata Lara Abrash, ketua Deloitte AS. “Perusahaan harus menghabiskan waktu yang sama banyaknya untuk tenaga kerja seperti untuk teknologi. Dan kita lihat kebanyakan perusahaan fokus lebih banyak ke teknologi.”
Ketidakseimbangan yang sama muncul dalam penelitian adopsi AI Wharton. Bradlow mengatakan mereka menemukan “lubang donat” di tengah kebanyakan organisasi besar: para eksekutif berinvestasi besar di AI, pekerja muda sudah terbiasa pakai AI, tapi manajer menengah yang harus mengatur perubahan alur kerja adalah yang menolak — atau tertinggal.
### Mengapa perusahaan sering salah
Alasan ketidakseimbangan ini tidak misterius. Investasi teknologi lebih jelas: kamu bisa tunjukkan contoh penggunaan, ukur hasilnya, atau perlihatkan angka ke dewan direksi. Transformasi tenaga kerja lebih berantakan, lambat, dan sulit diukur.
“Sedikit lebih mudah untuk memahami apa yang perlu dilakukan dengan teknologi,” kata Abrash. “Lebih sulit untuk menghadapi tenaga kerja.” Ini bukan hanya masalah “khusus AI,” tambahnya.
Linda Hill, profesor di Harvard Business School, menempatkannya dalam konteks kepemimpinan yang lebih luas. Dalam bukunya “Genius at Scale”, dia berargumen bahwa model kepemimpinan yang hebat sedang berubah — dan banyak eksekutif masih pakai cara lama.
“Kepemimpinan tradisional itu: tegas, tampil percaya diri. Ini tujuannya. Ikut saya, semuanya akan baik,” kata Jason Wild, rekan penulisnya. Masalahnya dengan pendekatan itu sekarang, tambahnya, “dunia benar-benar berubah sangat cepat.”
Hill dan Wild menyebut keterampilan baru yang dibutuhkan sebagai “wayfinding” — berbeda dengan metode lama “pathfinding”. Pathfinder menetapkan tujuan dan mencapainya. Wayfinder menavigasi dalam kabut.
### Apa yang terjadi jika mengabaikan persiapan manusia
Konsekuensi mengabaikan sisi tenaga kerja dalam AI bukanlah hal sepele. Abrash menggambarkannya dengan jelas.
“Tenaga kerja itu seperti antigen dalam tubuhmu,” katanya. “Mereka bisa melawan sesuatu yang tidak mereka inginkan… Jika mereka tidak lihat bagaimana AI membuat pekerjaan mereka lebih baik, mereka akan jadi antigen itu dan akan melawannya.”
Perlawanan itu langsung mengarah ke kegagalan adopsi — perusahaan habis banyak uang untuk alat AI yang dihindari, diabaikan, atau disabotase oleh karyawan. Tapi ada risiko yang lebih halus dan berbahaya: ketika manusia dikeluarkan dari proses tanpa desain yang jelas untuk apa yang harus mereka lakukan, AI beroperasi tanpa pemeriksaan.
“Kamu bisa berakhir dengan halusinasi AI dan hasil buruk karena tidak ada manusia dalam prosesnya,” peringat Abrash. “Ini masalah merek dan reputasi. Harus dilakukan bersamaan.”
Bradlow menambahkan dimensi presisi yang sering diabaikan. Di industri berisiko tinggi — kedirgantaraan, ilmu hayati, regulasi keuangan — “akurasi 90% tidak oke. 95% tidak oke. Bahkan 99% mungkin tidak oke. Kamu mungkin butuh 99,999% akurat.” Melatih agen AI mencapai tingkat itu membutuhkan pengawasan, koreksi, dan umpan balik manusia yang kebanyakan perusahaan belum bangun.
### Keterampilan nyata yang akan penting
Apa yang bisa dibawa manusia yang mesin tidak bisa? Abrash menyebut survei Deloitte tentang tim berkinerja tinggi menghasilkan enam kemampuan manusia kritis. Tiga yang utama:
Pertama, rasa ingin tahu — dorongan untuk menghasilkan pertanyaan baru, bukan hanya memproses yang sudah ada. “Mesin tidak dirancang untuk punya rasa ingin tahu,” katanya.
Kedua, kecerdasan emosional dan sosial. Mesin bisa simulasi empati, tapi tidak bisa merasakan tekanan tim, klien yang stres, atau tenaga kerja yang menyerap perubahan besar. “Kita butuh EQ dalam tenaga kerja,” kata Abrash.
Ketiga, pemikiran divergen — kapasitas manusia unik untuk menghasilkan banyak solusi, bukan berkonsentrasi pada satu. “Teknologi akan cerdas dan mengarahkanmu ke satu solusi. Begitulah cara kerjanya. Manusia tidak seperti itu.”
Hill menggemakan ide itu dalam konteks kepemimpinan. Kreativitas manusia tidak bisa dipisah-pisah. “Kamu butuh semua orang bisa berinovasi.”
Bradlow bicara tentang anaknya yang kuliah, yang sedang memikirkan karir. “Semua temannya berpikir, ‘Jadi pekerjaan apa yang akan ada untukku dalam dua tahun? Apa yang sebenarnya akan dicari perusahaan?’” Dia akui bahwa jalur karir lama mungkin tidak ada lagi.
“Ada tantangan besar di sumber daya manusia — saya sebut saja tantangan kesehatan mental — yaitu orang-orang harus berpikir, ‘Apakah saya punya masa depan kerja? Seperti apa?’” Bradlow mengatakan dia akan bangga jika anaknya jadi tukang listrik, tapi dia pikir tergesa-gesa masuk ke karir yang ‘tahan AI’ adalah pandangan sempit.
### Peran kepemimpinan yang tidak ada yang rekrut
Penelitian Hill dan Wild mengidentifikasi jenis pemimpin yang semakin kritis dan langka: yang mereka sebut “penjembatan” (bridger). Ini adalah orang yang menerjemahkan batas-batas organisasi — antara IT dan operasi, antara startup dan sistem lama, antara tim teknologi dan unit bisnis.
“Kami tidak punya orang yang tahu cara menjembatani,” kata Wild tentang keluhan eksekutif. Keterampilan ini langka.
Di Delta, contohnya, seorang pemimpin yang mencoba membangun sistem boarding pass biometrik dengan startup Clear harus menavigasi departemen IT maskapai sendiri, regulator federal TSA, dan toleransi risiko startup — secara bersamaan. Pekerjaan ini tidak terlihat, jarang dihargai, dan sering dianggap remeh.
“Tidak ada jabatan ‘penjembatan’,” katanya. “Tapi Chief of Staff, RevOps, Forward Deployed Engineer — itu semua peran penjembatan.” Wild bilang dia hampir bisa menarik garis antara perusahaan yang investasi di peran penjembatan dan yang “mem-PHK orang-orang itu,” dan mereka akan menyesal nanti.
### Sisi positif yang tidak dihargai
Di balik narasi buruk, ada cerita pendapatan yang tersembunyi — dan mungkin lebih besar.
James Crowley dari Accenture, partner penelitian Bradlow, mengatakan kerangka produktivitas AI yang dominan meleset. “Kami mencoba beralih dari percakapan produktivitas ke percakapan pendapatan dan potensi.” Dalam pemodelan perusahaan hipotesis $60 miliar, peneliti memperkirakan sekitar $6 miliar pertumbuhan pendapatan tahunan potensial dari AI yang diterapkan baik, artinya produktivitas lebih tinggi dari pekerja yang dialihkan akan menghasilkan pendapatan lebih besar, bukan pengurangan tenaga kerja.
“Keuntungan di sisi pendapatan pada akhirnya akan jauh lebih besar daripada keuntungan di sisi efisiensi dan produktivitas,” kata Bradlow. “Ini tentang perusahaan melakukan hal yang sebelumnya tidak bisa dilakukan.”
Abrash memberikan ilustrasi konkret. Operasi penggantian lutut dulu mengharuskan ahli bedah menggergaji tulang secara manual — proses yang tidak presisi. Hari ini, sistem robotik menangani pemotongan dengan presisi berdasarkan ribuan prosedur sebelumnya, sementara ahli bedah manusia fokus sepenuhnya pada penilaian, penilaian risiko, dan keputusan yang membutuhkan pikiran manusia. “Ada serangkaian pekerjaan yang tidak perlu lagi dilakukan seseorang,” katanya. “Dan itu memposisikan mereka untuk melakukan hal yang lebih bernilai.”
Perusahaan yang paling mungkin kesulitan bukanlah yang gagal membeli alat AI yang tepat. Tapi yang memperlakukan tenaga kerja sebagai pikiran tambahan — menghabiskan 94% anggaran untuk teknologi dan 6% untuk orang yang harus menggunakannya.
“Kamu punya alat yang lebih baik daripada penjelajah dulu,” kata Hill. “Kamu memang punya data. Kamu punya semua teknologi baru untuk membantu kita memahami hal-hal lebih cepat. Tapi tugas emosional, karena kita manusia, untuk mengatasi itu — mengingat jumlah kecemasan yang ada di dunia saat ini — itu adalah tantangan yang sangat rumit untuk para pemimpin.”