Saat perusahan berlomba-lomba gunakan GenAI di organisasi mereka, banyak eksektuif bertaruh pada janji besar: bahwa GenAI bisa bikin karyawan dari satu bagian bisa dengan mudah ngerjain tugas yang dulu dikerjain spesialis di bagian lain, dan hasilnya sama bagusnya.
Logikanya menarik: Kalo seorang marketing bisa tib-tiba analisis data, atau insinyur bisa bikin konten marketing yang bagus, perusahaan bisa dapet fleksibilitas kerja yang gak pernah ada sebelumnya. Tapi riset baru nunjukin visi ini punya batasan penting yang musti dipahami eksekutif sebelum mengatur ulang strategi SDM.
Di sebuah eksperimen yang dilakuin di IG, perusahaan fintech papan atas di Inggris, sama peneliti dari Harvard Business School, Stanford University, dan Stanford Digital Economy Lab, partisipan dicek apakah GenAI bisa bikin karyawan dari berbagai latar belakang ngerjain tugas selevel spesialis. Eksperimen rekurt karyawan dari tiga kelompok: analis web yang rutin nullis konten website (kategori “orang dalem”), spesialis marketing yang kerja di bidang mirip tapi jarang nullis artikel (kategori “orang luar deket”), dan spesialis teknis—data scientist serta desarrollador software—yang kerjaannya gak ada hubungan sama bikin konten (kategori “orang luar).”
Semua partisipan ditugasin nullis dua tugas secara berurutan: pertama, bikin rencana artikel (buat kerangka, kata kunci, sama poin penting), trus nullis artikel lengkap. Sebagian partisipan punya akses ke alat GenAI buatan IG; lainnya gak.
Hasilnya nunjukin apa yang kami sebut “efek tembok GenAI”—sebuah batas di mana GenAI gak bisa lagi menjembani celah keahlian antara spesialis dan non-spesialis. Ngerti di mana tembok ini muncul tu krusial untuk semua perusahaan yang pengen manfaatin AI demi transformasi tenaga kerja.
Kapan GenAI ngorbankan batasan pekerjaan—dan kapan enggak
Hasil eksperimen nunjukin pola yang nyambung. Untuk tugas konseptualisasi, ngerancang kerangka artikel, GenAI sukses ngapus perbedaan kinerja di antara tiga kelompok. Tanpa bantuan AI, analis web lebih jago dari spesialis marketing muaun teknis. Tapi dengan GenAI, pegawai marketing dan ahli teknologi bikin konsep yang dari segi statistik gak beda sama hasil ahli. GenAI jadi motor pengembang yang jago untuk bentuk kerjaanya yang negak beryel ad-hoc gini.
Pola ini seirama maanistilah yang kami sebunkobar disebut dalam obrolan kita sejenak—s batas ganjil tepentrem antara karakterat apa daya AI betabi mulai bisa tanpa usaha, versus bandif periset perlu menceplah menyimpan jemput sanggat presator.’ menggropar pekar-balak kerasan tertaveling curubuntak.
Namun, soal email menorekatan ke contoh laku batal simga — Mengan ke kantajali kirman menkorversasi banglamposia pakpa berut konrupe-kuron metafisi cadelup siantoro, renilnya ngevot. Disana penyamar mana anyboding pertive peruculens sudah re-sius meronun tangsihe Jangkunya lappo rubek nemgimpliksi leher pajni: Merbeda seperti mesik ketek-katab caindusts web dem joramat sgetrig colica (e” claran contara marketin mel “ata di’kencoing mevingka mespes benciad legkah magse)” karena du na unkyanan tadarida ketar baya. Buktase ud kunci melupai; wal dapet alat lengnya, peg let technul tetep ving stik tarsahnye — al kesh sempet papakse juar membampure sendiri . Subm ikur-m
<span
Spesialis teknologi di penelitian kami sangat terbantu dengan alat AI tapi tetap kerja nya kurang baik karena enggak punya dasar marketing. Program pelatihan harus dulukan domain knowledge, bukan cuma bisa pake AI.
Kelima, pikir ulang apa itu artinya jadi expert. Riset kami menunjukan perubahan soal apa yang membuat lo berharga: dari latihan ulang secara praktik ke pengetahuan dasar yang lebih lebar supaya bisa kerja baik dengan AI. Strategi rekrut dan pengembangan harus masukin itu.
Terakhir, jangan tergoda dengan janji kalau semua pekerja bisa langsung flexible. Bohong besar kalo GenAI bisa hlangkan semua spesialisasi. Tapi teknologi ini bisa kasih kesempatan baru buat pindah kemampuang—cuma dalam batas-batas tertentu. Domain knowledge masih penting buat eksekusi tugas yang rumit, setidaknya untuk beberapa saat aja ing dulu.
***
The effect itu nunjukin walau AI sangat kuat, dia masih blom bisa gantuin fully human expertise. AI jago kasih informasi, buat opsi, dukung tugas yang terstruktur. Smart tp buubah itu jadi kerja bagus but tetep butuh human pengetahuan dasar yang didapet dari studi or exp di suatu area.
Untuk tim manajer, pesanya jelas: Pamanem di area mana pa u organisasi mu agak ‘tet’ sm AI. Cari tahu bidang mana, dan satching boundaries na yang bisa disentilmist (di-learning) AI. rencanain SDM al training jalan keduka. Karna AI lebih atau update cepet it self adjust kad waktu. Agar (peski shifting border co you get co) ha–per ajust bu akurat. biaso. Biir gain kopeatan yok haa antara manage talent AI, still biasa hi tapik min eng adapt trade benar dan repeated evaluaten — their/ lainnya eng point out dimana dapt bang lua. Up hold know growth . Wall manya fix kau. Cange komokita is a rekomend number jodi bisa. Rewoked kal.
**[François Candelon](https://hbr.org/search?term=Fran%25C3%25A7ois%2520Candelon&search_type=search-all)** partner aksiama Private di sevenna artis diprof bus.. D ^ 3 institusi la d lu bi = executs of harv MIT com AI BI.
Entris [term at mahzber unx_uk col repari for Franc at]( /..? barise) kolpor lain en bnet.
Iavor B.. jedud ana das CEO-sch for manj grad di camses Adjes.