Unlock the Editor’s Digest secara gratis
Roula Khalaf, Editor dari FT, memilih cerita favoritnya dalam newsletter mingguan ini.
Generative AI adalah teknologi transformatif yang memiliki potensi untuk mendefinisikan ulang sifat kerja. Memahami peranannya di tempat kerja, dan apa yang membuatnya berbeda dari otomatisasi masa lalu, memerlukan pergeseran dari apa yang bisa dilakukan AI menjadi apa yang seharusnya dilakukan.
Analisis tipikal mengenai dampak GenAI pada pekerja sering kali berfokus pada apakah teknologi tersebut dapat melakukan pekerjaan tertentu. Studi-studi tersebut sering kali memecah pekerjaan dan menilai bagian-bagian tugas konstituen yang bisa dieksekusi oleh teknologi tersebut. Misalnya, tugas umum untuk seorang perwakilan layanan pelanggan di pusat panggilan meliputi berinteraksi dengan pelanggan, mencatat interaksi, dan menyelesaikan atau mengalihkan masalah. GenAI dapat menangani tugas-tugas ini, mengimplikasikan bahwa teknologi tersebut bisa menggantikan pekerja-pekerja tersebut.
Namun, pertimbangkan pekerjaan yang mungkin pada awalnya tampak setara: seorang operator telepon layanan darurat. Kedua pekerjaan tersebut memiliki banyak tugas yang serupa. Haruskah kita mengharapkan mereka menghadapi tingkat risiko otomatisasi yang sama? Jawabannya lebih rumit daripada kemampuan teknis semata. Di luar pertimbangan etis, mengotomatisasi peran-peran semacam itu memperkenalkan trade-off kompleks yang melibatkan ekonomi, desain tugas, dan ketergantungan operasional.
Penulisnya
Laurence Ales adalah dekan senior pendidikan dan profesor ekonomi di Tepper School of Business Carnegie Mellon University
Christophe Combemale adalah asisten profesor riset, teknik dan kebijakan publik di Carnegie Mellon dan CEO Valdos Consulting
Kami percaya bahwa organisasi harus mempertimbangkan empat pertanyaan kunci saat mempertimbangkan otomatisasi.
Pertama, seberapa kompleks tugas tersebut? Kompleksitas adalah salah satu pendorong utama biaya tenaga kerja manusia dan AI. Operator layanan darurat memecahkan berbagai masalah, melibatkan tingkat kompleksitas yang melampaui interaksi berulang dari seorang perwakilan layanan pelanggan. Secara umum, semakin kompleks tugasnya, semakin kecil kemungkinan untuk diotomatisasi, karena manusia — untuk saat ini — lebih baik daripada mesin dalam menangani kompleksitas yang meningkat.
Kedua, seberapa sering tugas tersebut dilakukan? Semakin sering, semakin besar kemungkinan untuk diotomatisasi. Mesin memiliki keunggulan yang jelas dalam mempertahankan kecepatan selama periode yang panjang. Interaksi yang sering diulang dengan klien memperkuat argumen ekonomi untuk penggantian AI terhadap perwakilan layanan pelanggan.
Financial Times Global MBA Ranking © Getty Images
Artikel ini berasal dari laporan dan peringkat MBA 2025
Ketiga, seberapa terhubung tugas-tugas tersebut? Dalam menyediakan layanan atau menciptakan produk, banyak pekerjaan terlibat dalam rantai tugas yang saling terhubung sering kali diselesaikan oleh pekerja dan mesin yang berbeda. Apa yang terjadi selama serah terima antara tugas sering kali terabaikan. Biaya fragmentasi muncul dari ketidakefisienan dan kesalahan dalam proses serah terima.
Tugas awal untuk seorang perwakilan layanan pelanggan melibatkan berbicara dengan pelanggan, sementara tugas terakhir adalah menyelesaikan masalah mereka. Ketika pekerja atau mesin yang berbeda terlibat, serah terima antara tugas-tugas ini dapat mahal. Jika pekerja yang menangani penyelesaian akhir tidak berinteraksi dengan pelanggan pada awalnya, waktu tambahan akan diperlukan untuk meninjau semua informasi yang telah terkumpul sebelumnya.
Biaya fragmentasi yang tinggi seharusnya menahan perusahaan untuk membagi tugas antara manusia dan generative AI, bahkan jika secara teknis memungkinkan. Mengotomatisasi panggilan triase awal dalam layanan darurat mungkin terlihat hemat biaya, tetapi informasi penting bisa hilang selama transisi dari AI ke operator manusia.
Keempat, saat melaksanakan tugas, berapa biaya kegagalan? Kesalahan oleh operator layanan darurat menimbulkan risiko yang signifikan, terutama dalam situasi hidup-mati. Dan GenAI bisa kurang presisi daripada beberapa bentuk otomatisasi masa lalu.
Video: AI sedang mengubah dunia kerja, apakah kita siap? | FT Working It
Pertanyaan-pertanyaan ini harus memandu perusahaan yang mempertimbangkan otomatisasi dan membantu menjelaskan mengapa GenAI memengaruhi beberapa pekerjaan lebih dari yang lain. Pertimbangkan programmer komputer, misalnya. Contoh kodifikasi yang luas dan terdokumentasi dengan baik memungkinkan GenAI untuk memberikan solusi efektif bahkan untuk tugas-tugas kompleks. Tingkat frekuensi dan repetitifitas yang tinggi dari banyak tugas pemrograman cocok dengan GenAI.
Jauh sebelum GenAI, pemrogram membagi proyek pemrograman besar, dan inovasi seperti platform pengembangan terdistribusi dan desain modular telah mengurangi biaya fragmentasi. Lingkungan pengujian yang aman menjaga biaya kegagalan rendah, karena banyak kesalahan dalam kode yang dihasilkan GenAI dapat dideteksi dengan biaya yang terjangkau. Dalam kerangka kerja kami, fitur-fitur ini membantu menjelaskan mengapa para pemrogram, yang tradisionalnya menjadi penerima manfaat otomatisasi, menghadapi gangguan yang meningkat dari GenAI.
Bacaan lanjutan
Generative AI, Penerimaan, dan Struktur Tugas, oleh L Ales, C Combemale, & K Ramayya (2024, SSRN 4786671).
Bagaimana Cara Kerjanya: Teori Umum Implikasi Tenaga Kerja Perubahan Teknologi, oleh L Ales, C Combemale, ER Fuchs, dan K Whitefoot (2024, SSRN 4615324).
Empat pertanyaan di atas menggarisbawahi apa yang membuat generative AI unik sebagai teknologi otomatisasi. Saat berkembang, GenAI menunjukkan kemampuannya untuk mengelola tugas-tugas kompleks dengan kecepatan tinggi, menjadikannya lebih serbaguna daripada otomatisasi tradisional. Dengan menawarkan antarmuka yang mulus dan kemampuan pemrosesan bahasa alami, GenAI secara progresif menurunkan biaya fragmentasi dibandingkan dengan otomatisasi tradisional. Namun, ketidakpastian yang mengelilingi output GenAI berpotensi meningkatkan risiko kegagalan dalam sebuah tugas.
Generative AI adalah teknologi transformatif dengan potensi untuk mengubah pasar tenaga kerja. Dampak akhirnya dan kemungkinan adopsinya dipengaruhi oleh struktur tugas dalam suatu pekerjaan tertentu. Kompleksitas tugas, frekuensi mereka, biaya fragmentasi, dan biaya kegagalan, bersama-sama, memengaruhi keseimbangan antara penghematan biaya yang jelas dan biaya tersembunyi.