Kesimpulan lima detik
Semakin kuat AI, semakin kecil nilai manusia bergantung pada kemampuan “membangun semuanya sendiri”.
Yang semakin penting adalah cepat menyadari bahwa sesuatu terasa salah, menjelaskan alasannya, mengubah rasa janggal itu menjadi tujuan dan batasan, membiarkan AI mencari serta mengimplementasikan solusi, lalu manusia menilai hasil nyata sekali lagi.
Siklusnya menjadi:
mendeteksi rasa janggal → berdiskusi dan mendiagnosis → merancang dari nol → mengimplementasikan → memeriksa hasil nyata → mendeteksi rasa janggal berikutnya.
Dari luar, ini bisa terlihat seperti CEO yang kerjaannya cuma mengeluh.
Namun jika manusia tidak mengatur setiap piksel dan baris kode, ini bukan micromanagement klasik. Ini lebih mirip manusia memegang fungsi tujuan dan standar kualitas, sementara pencarian dan eksekusi didelegasikan kepada AI.
1. Semuanya dimulai dari halaman depan yang rapi tetapi tetap sangat membosankan
Bayangkan sebuah halaman depan dengan kategori dan jumlah artikel yang tersusun rapi.
Tidak ada yang rusak. Struktur informasinya bisa dijelaskan.
Tetapi reaksi pertama tetap:
“Bosan.”
Keluhan seperti ini menyebalkan karena bukan bug biasa. Pengujian lulus, spesifikasi mungkin terpenuhi, tetapi tidak ada dorongan untuk mengeklik.
Ketika dibahas bersama AI percakapan, rasa tidak nyaman yang samar bisa berubah menjadi diagnosis.
Pengelola menampilkan inventaris: 98 artikel di sini, 78 di sana. Pengunjung baru tidak memikirkan inventaris lebih dulu.
Mereka memikirkan:
“Ada sesuatu yang menarik buat saya?” “Kalau masalah saya ini, harus masuk ke mana?” “Saya tidak punya tujuan. Bisa tidak saya sekadar menemukan sesuatu?”
Saat seluruh masalah diserahkan ke AI perencana nol-ke-satu, jawabannya bisa berubah dari “buat kategori lebih cantik” menjadi “biarkan pembaca masuk dari kondisi dan kebutuhannya.”
Ini bukan sekadar merapikan CSS.
Ini mendefinisikan ulang fungsi halaman depan.
2. Peran manusia mulai terlihat seperti pelanggan yang menyebalkan
Saat AI juga bisa mengimplementasikan, ucapan manusia mulai terdengar aneh.
“Ini terlihat murahan.” “Secara teknis benar, tapi saya tidak mau mengeklik.” “Fiturnya ada, tapi pengalamannya mati.” “Tidak bisa dibuat lebih menarik?”
Kalau dipotong dari konteks, ini terdengar seperti pelanggan mimpi buruk.
Micromanagement yang sebenarnya justru seperti:
“Jaraknya 12 piksel.” “Harus tepat tiga kolom.” “Kalimat ini di titik ini.”
Itu mengunci solusi sebelum eksplorasi.
Pembagian kerja yang lebih baik membuat manusia memegang evaluasi: bagus atau tidak, sesuai tujuan atau tidak, bagian mana yang terasa salah.
Cara memperbaikinya diberi ruang lebih besar kepada AI perencana dan AI implementasi.
Jadi “pelanggan cerewet” itu sebenarnya sedang merangkap pemilik produk, editor, direktur kreatif, dan penjamin mutu.
Keyboard lebih sepi, tanggung jawab lebih berat.
3. Rasa janggal adalah sensor bernilai tinggi, tetapi bukan spesifikasi
“Saya benci ini” bisa menjadi sinyal penting.
Namun berbahaya jika langsung dikirim ke agen implementasi.
Itu bisa cuma selera pribadi atau efek samping perubahan lain. AI yang patuh bisa menjalankan keluhan buruk dengan sempurna dan merusak keseluruhan produk.
Diskusi perlu mengubah reaksi menjadi hal yang dapat diuji:
- gejala: apa yang memicu rasa janggal
- kemungkinan sebab: mengapa terasa salah
- pembaca: siapa yang dirugikan
- kondisi yang diinginkan: apa yang seharusnya bisa dilakukan
- batasan: apa yang tidak boleh rusak
- penerimaan: bukti apa yang dianggap perbaikan
“Halaman depan membosankan” berubah menjadi:
“Taksonomi milik pengelola terlalu dominan, sehingga pengunjung baru sulit menjelajah dari kebutuhan atau suasana mereka sendiri. Kita butuh pintu masuk berbasis kebutuhan, bukan pajangan inventaris.”
Sekarang keluhan menjadi input desain.
4. Diskusi mengubah selera pribadi menjadi hipotesis yang bisa dibantah
Rasa janggal tidak boleh diperlakukan sebagai kebenaran mutlak.
“Saya tidak suka” dan “ini buruk bagi pengguna” adalah dua pernyataan berbeda.
Karena itu, keluhan perlu diuji dengan riset, prinsip desain, contoh tandingan, dan data penggunaan nyata.
Apakah masalahnya terlalu banyak informasi?
Atau informasi diatur dari sudut pandang pengelola?
Apakah tidak ada pintu masuk bagi orang yang datang tanpa tujuan?
Apakah pengguna lama justru lebih menyukai daftar padat?
Langkah ini menjaga intuisi manusia tanpa mengubah selera seseorang menjadi hukum produk.
Rasa janggal adalah sensor.
Diskusi adalah diagnosis.
Implementasi adalah terapi.
Jangan masuk ruang operasi hanya karena sensor berbunyi sekali.
5. “Buat seperti berjalan di toko besar lalu menemukan sesuatu yang tidak dicari” sebenarnya instruksi yang kuat
“Buat lebih menarik” membuka ruang pencarian terlalu luas.
Sebaliknya, “buat terasa seperti berjalan di toko besar dan tiba-tiba menemukan sesuatu yang tidak kita rencanakan” menyampaikan pengalaman yang jelas:
penemuan tak sengaja, eksplorasi, pergerakan, rasa ingin tahu, dan paparan pada hal berguna di luar tujuan awal.
Tujuannya bukan menyalin warna, kartu, atau tata letak perusahaan lain.
Naikkan contoh itu satu tingkat abstraksi: “menciptakan penemuan di luar tujuan utama”.
Contoh konkret seharusnya mengunci arah, bukan solusi.
AI tetap punya ruang untuk mendesain.
6. Memisahkan perencanaan nol-ke-satu dari implementasi membuat sistem lebih kuat
Bug yang sudah diketahui tidak butuh rapat strategi besar.
Temukan sebab, perbaiki, uji.
Tetapi “membuat halaman depan menjadi menarik dari akarnya” lebih dekat ke pekerjaan nol-ke-satu. Di sini satu putaran perencanaan yang kuat sebelum implementasi bisa sangat berharga.
AI percakapan mendiagnosis dan mendefinisikan kebutuhan.
AI perencana mengeksplorasi struktur dan alternatif.
Agen implementasi menulis kode, menguji, dan memeriksa regresi.
Manusia memegang tujuan, batasan, prioritas, dan keputusan penerimaan.
Tidak perlu rapat AI yang hanya menghasilkan dokumen rencana tanpa akhir.
Perencanaan bernilai jika tersambung ke eksekusi.
7. Riset juga tidak mengatakan bahwa manusia plus AI otomatis menjadi tim terbaik
Meta-analisis Nature Human Behaviour tahun 2024 merangkum 106 eksperimen dan 370 ukuran efek yang langsung membandingkan manusia saja, AI saja, dan kombinasi manusia-AI.[1]
Rata-rata, kombinasi manusia-AI mengungguli manusia saja.
Namun kombinasi tersebut kalah dari kondisi terbaik antara manusia saja atau AI saja.
Menambahkan manusia di akhir tidak otomatis memperbaiki hasil.
Analisis yang sama juga menemukan kerugian lebih besar pada tugas pengambilan keputusan dan hasil yang relatif lebih menjanjikan pada tugas penciptaan.
Pertanyaan utamanya bukan “pakai AI atau tidak?”
Melainkan:
Siapa mengerjakan bagian mana?
Pembagian tugas itu sendiri adalah variabel kinerja.
8. Batas kemampuan AI berbentuk bergerigi
Eksperimen Organization Science tahun 2026 terhadap 758 pekerja pengetahuan menggunakan tugas konsultasi yang realistis.[2]
Pada 18 tugas di dalam batas kemampuan AI, pengguna AI menyelesaikan 12,2% lebih banyak tugas, bekerja 25,1% lebih cepat, dan menghasilkan kualitas lebih tinggi.
Namun pada satu tugas manajerial kompleks di luar batas tersebut, pengguna AI memiliki peluang 19% lebih rendah untuk mencapai jawaban yang benar.
Dua pekerjaan yang sama-sama terlihat “intelektual” bagi manusia bisa berada di sisi kemampuan AI yang berbeda.
Secara praktis, berikan AI eksplorasi skala besar, draf, sintesis, implementasi, dan pemeriksaan mekanis.
Manusia mempertahankan niat, trade-off penting, konsistensi sistem, dan kemampuan menangkap bahwa sesuatu terasa salah.
9. Memindahkan manusia dari pembuat draf pertama menjadi editor cocok dengan bukti produktivitas lain
Eksperimen Science tahun 2023 pada 453 profesional menemukan bahwa akses ke AI generatif pada tugas menulis mengurangi waktu penyelesaian rata-rata 40% dan menaikkan kualitas penilaian 18%.[3]
Studi The Quarterly Journal of Economics tahun 2025 terhadap 5.172 agen layanan pelanggan menemukan peningkatan rata-rata 15% dalam masalah yang diselesaikan per jam, dengan manfaat lebih besar untuk pekerja yang kurang berpengalaman.[4]
Penelitian ini tidak membuktikan bahwa perusahaan bisa berjalan hanya dengan CEO berkata “ini terasa salah”.
Namun arahnya konsisten:
ketika draf, pemrosesan berulang, dan pembuatan opsi menjadi murah, waktu manusia lebih mudah dialihkan ke memutuskan apa yang harus dibuat, dipertahankan, dan ditolak.
Keterampilan langsung tidak hilang.
Ia hanya berhenti menjadi satu-satunya hambatan.
10. Jebakan terbesar adalah memperbaiki setiap keluhan sampai terjebak pada optimum lokal
Perbaiki kartu.
Perbaiki iklan.
Perbaiki rekomendasi.
Perbaiki pencarian.
Setiap bagian membaik.
Produk keseluruhan malah makin berisik.
Ini sangat mungkin terjadi.
Sistem yang digerakkan keluhan membutuhkan lapisan audit global terpisah.
Siapa yang datang?
Untuk apa?
Apa tindakan pertama?
Apa yang seharusnya ditemukan berikutnya?
Apa yang harus dibawa pulang?
Fitur apa yang mungkin sebaiknya dihapus?
Optimasi lokal dan arah sistem adalah pekerjaan berbeda.
Selain itu, manusia juga bisa tertarik mengikuti keluaran AI. Eksperimen menunjukkan loop umpan balik manusia-AI dapat mengubah dan memperbesar bias penilaian manusia.[5]
“AI juga setuju” bukan bukti.
Kembali ke riset, perilaku nyata, contoh tandingan, dan realitas di luar loop.
11. “Pokoknya bikin bagus” hanya bekerja setelah konteks bersama terkumpul
Tanpa konteks, “bikin bagus” adalah lotre.
Dengan konteks yang cukup, ia menjadi singkatan.
Sistem perlu mengetahui:
tujuan, anti-tujuan, batasan, pengalaman acuan, dan bukti penerimaan.
Contoh:
Gejala: halaman depan rapi tetapi mati.
Alasan: taksonomi pengelola mendominasi.
Tujuan: pembaca masuk dari kebutuhan atau keadaan mereka.
Acuan: menjelajah toko besar dan menemukan sesuatu yang tak terduga.
Jangan: menyalin situs lain piksel demi piksel.
Selesai ketika: pengunjung baru menemukan konten dari pintu masuk berbasis kebutuhan dan perilaku nyata menunjukkan penemuan serta navigasi lanjutan membaik.
Ini bukan delegasi buta.
Ini konteks yang dikompresi.
12. Jika AI implementasi mati, seluruh pengembangan tidak boleh ikut mati otak
Bayangkan aplikasi implementasi berhenti tepat sebelum waktu kerja penting.
Jika berpikir dan mengeksekusi melekat, semuanya berhenti.
Arsitektur yang lebih baik memisahkan antrean berpikir dari antrean eksekusi.
Walau agen kode tidak tersedia, tim masih bisa:
mengumpulkan rasa janggal, mendiagnosis, meneliti, memprioritaskan, mendefinisikan batasan, dan menulis kriteria penerimaan.
Saat eksekusi kembali, AI implementasi tidak menghabiskan waktu mahal untuk mencari tahu masalahnya.
Ia memakan pekerjaan yang sudah siap.
Ini memang optimasi biaya.
Tetapi yang lebih penting adalah ketahanan.
Gangguan satu penyedia tidak boleh menjadi mati otak organisasi.
13. CEO era AI tidak perlu mengetahui semua solusi
Anda tidak perlu menulis setiap baris kode.
Tidak perlu menggambar antarmuka sempurna pada percobaan pertama.
Tidak perlu mengetahui solusi sebelum pencarian dimulai.
Tetapi Anda perlu memegang:
“Ini salah.”
“Ini alasannya.”
“Orang ini harus mendapatkan hasil yang lebih baik di sini.”
“Hal-hal ini tidak boleh rusak.”
“Hasil ini sudah layak diterima.”
AI dapat membuat banyak solusi, mengimplementasikannya, dan memeriksa banyak hal.
Namun jika definisi “bagus” juga sepenuhnya dialihdayakan, sistem kehilangan target optimasinya.
Pekerjaan manusia tidak sekadar menghilang.
Ia terkompresi ke hulu.
Kalimat eksekutif baru menjadi:
“Bukan ini. Alasannya ini. Arahnya ke sana. Cari cara terbaik untuk mencapainya.”
“Pokoknya bikin bagus” mulai menjadi teknologi sungguhan.
Referensi
[1] Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
[2] Dell’Acqua, F., et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
[3] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
[4] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
[5] Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359. https://doi.org/10.1038/s41562-024-02077-2
