1. Pekerjaan tidak pernah selesai, tetapi kita juga tidak ingin cepat selesai
Cerita umum mengatakan: jika AI membuat pekerjaan lebih cepat, manusia akan punya lebih banyak waktu kosong.
Dalam praktik, bisa terjadi kebalikannya. Ketika riset, brainstorming, penulisan spesifikasi, implementasi, perbaikan, dan verifikasi bisa didelegasikan secara berantai, kapasitas yang bebas tidak selalu menjadi waktu kosong.
Ia berubah menjadi waktu untuk menciptakan ide baru.
Ide muncul saat berjalan. Ide lain muncul saat pergi bermain. Kita membahasnya dengan AI lewat ponsel, mengubahnya menjadi spesifikasi, lalu menyerahkannya ke agen implementasi. Saat pulang, sesuatu sudah bergerak maju.
Rasanya bukan pekerjaan yang menyerbu hidup, tetapi dunia nyata berubah menjadi peta untuk memanen ide.
Dan berbeda dari gim biasa, pemain sendiri bisa menambahkan konten endgame.
Seperti permen karet yang tidak pernah kehilangan rasa.
2. Bahkan batas lima jam terasa seperti cooldown, bukan akhir
Dokumentasi Anthropic saat ini menjelaskan batas penggunaan berbasis sesi yang direset setiap lima jam pada paket Claude berbayar, di samping batas mingguan terpisah yang direset pada waktu tetap untuk setiap akun.[1]
Hal menariknya: mencapai batas tidak selalu berarti “pekerjaan hari ini selesai”.
Jika tugas dipecah dengan baik, satu jalur dapat berhenti sementara tugas independen lain berjalan. Setelah batas direset, jalur pertama bisa dilanjutkan. Batas terasa seperti stamina atau cooldown dalam gim.
Ini bukan tentang mengakali batas atau ketentuan layanan. Ini tentang menyusun pekerjaan yang diizinkan menjadi unit independen dan memakai waktu tunggu untuk dependensi atau ide berikutnya.
Model mental berubah dari “AI berhenti” menjadi “pekerja ini sedang istirahat; jalankan lini lain”.
3. Hukum Parkinson meluas dari waktu ke penciptaan ide
Parkinson's Law biasanya diringkas sebagai “pekerjaan berkembang untuk mengisi waktu yang tersedia”. Frasa itu berasal dari esai satir tahun 1955, dan penelitian kemudian juga menguji variasi efeknya pada tingkat individu.[2]
AI mengubah polanya.
Dulu tugas delapan jam bisa memakan delapan jam penuh. Jika AI memampatkan eksekusi menjadi satu jam, tujuh jam sisanya tidak otomatis kosong.
Waktu itu bisa dipakai mencari masalah baru, menambah fitur, menghubungkan layanan lain, menaikkan standar kualitas, atau menghidupkan kembali ide yang dulu terlalu mahal.
Jadi bukan hanya pekerjaan lama yang mengisi waktu.
Pekerjaan baru tumbuh dari waktu yang dibebaskan oleh efisiensi.
Semakin cepat AI, semakin kemampuan manusia untuk menemukan dan membayangkan menjadi mesin produksi.
4. Produktivitas yang lebih tinggi bisa menciptakan lebih banyak permintaan pekerjaan: rebound ala Jevons
Di sini analogi dengan Jevons paradox dan rebound effect berguna.
Konsep ini berasal dari ekonomi energi: ketika efisiensi menurunkan biaya efektif penggunaan, konsumsi dapat meningkat dan mengimbangi sebagian penghematan yang diharapkan. Besarnya rebound tergantung konteks dan “backfire” kuat bukan hukum universal.[3]
Menerapkannya secara literal sebagai hukum ilmiah kerja AI akan berlebihan. Sebagai analogi, sangat cocok.
Jika satu implementasi perlu tiga hari, sembilan dari sepuluh ide mungkin mati.
Jika cukup tiga puluh menit instruksi dan review, sembilan ide itu bisa hidup kembali.
Produktivitas sepuluh kali lipat tidak otomatis berarti kebutuhan kerja menjadi sepersepuluh. Pekerjaan yang sebelumnya tidak layak bisa menjadi layak.
Semakin rendah biaya eksekusi, semakin lebar permintaan terhadap ide.
AI dapat menghapus pekerjaan sekaligus menciptakan lebih banyak pekerjaan yang layak dilakukan.
5. Mengapa begitu menyenangkan? Otonomi, kompetensi, dan feedback cepat
Self-Determination Theory mengidentifikasi otonomi, kompetensi, dan keterhubungan sebagai kebutuhan psikologis dasar yang berkaitan dengan motivasi dan kesejahteraan, serta membedakan motivasi otonom dari bentuk motivasi yang lebih terkontrol.[4][5]
Proyek pribadi dengan AI sangat sering menyentuh bahan-bahan itu.
Bukan mengisi spreadsheet yang diberikan orang lain.
Kita sendiri memilih apa yang menarik.
Dalam beberapa menit spesifikasi terbentuk.
Tak lama kemudian ada sesuatu yang benar-benar berjalan.
Jika rusak, diperbaiki.
Jika prosesnya diperbaiki, manfaatnya terus terasa di eksekusi berikutnya.
Otonomi, rasa mampu, dan feedback jelas berulang dalam siklus pendek.
Di gim, experience bar adalah angka.
Dalam pengembangan AI, experience bar adalah sesuatu yang kemarin belum ada dan hari ini berjalan otomatis.
Itu sangat kuat.
6. Mengapa bisa lebih kuat daripada gim: kita bisa membangun endgame sendiri
Setiap gim konvensional, sebesar apa pun, tetap hidup di dunia yang disiapkan pengembangnya.
Kalahkan bos terakhir, lengkapi gear, selesaikan konten sulit, lalu suatu saat bisa muncul “sudah tidak ada yang dikerjakan”.
Dalam proyek pribadi berbasis AI, saat itulah kita membuat quest baru.
Sudah membuat situs? Lokalkan. Sudah? Distribusikan. Sudah? Ukur respons. Sudah? Gunakan respons untuk menghasilkan ide berikutnya secara otomatis. Itu juga sudah otomatis? Tambahkan audio, video, pasar baru, produk baru.
Setiap konten selesai, pemain sendiri merilis DLC baru.
Ini mirip Minecraft atau Factorio, tetapi sistemnya memengaruhi pembaca, pelanggan, pendapatan, pembelajaran, dan waktu nyata.
Realitas memberikan feedback.
Itulah sebabnya rasanya tahan lama.
7. Peran naik sendiri: dari PM ke PO lalu ke pengelola bisnis
Awalnya kita bertindak seperti Project Manager:
Bagaimana menyelesaikannya? Di mana bottleneck? Siapa melakukan apa?
Lalu bergeser ke Product Manager / Product Owner:
Apa yang sebaiknya dibuat? Nilai apa yang diberikan ke pengguna? Peningkatan mana yang didahulukan?
Ketika AI juga menangani pemecahan tugas, pembagian, implementasi, dan verifikasi awal, pertanyaan manusia naik lagi:
Produk mana yang mendapat sumber daya? Pasar mana yang dibesarkan? Lini mana yang dihentikan? Sistem mana yang dihubungkan? Kemampuan perusahaan berikutnya apa?
Pada tahap ini, kita tidak lagi memperbaiki satu fitur.
Kita sedang mendesain perusahaan kecil.
| Lapisan | Pertanyaan manusia |
|---|---|
| Implementer | Bagaimana membuatnya? |
| PM | Bagaimana menyelesaikannya? |
| PdM / PO | Apa yang dibuat? |
| Eksekutif | Ke mana sumber daya dialokasikan? |
| Portofolio | Apa yang dibesarkan dan dihentikan? |
AI tidak secara ajaib “menaikkan jabatan” manusia.
Delegasi membuat lapisan abstraksi yang dulu membutuhkan tim dan modal menjadi bisa disentuh satu orang.
Itulah yang menarik.
8. Satu orang tetap bisa punya bagan organisasi
Tahap berikutnya lebih aneh lagi: manusia tidak harus mengelola setiap pekerja AI secara langsung.
Strukturnya bisa seperti:
- Manusia: tujuan, prioritas, selera, keputusan akhir
- AI percakapan: riset, brainstorming, draft spesifikasi
- AI manajer: pemecahan, dependensi, dispatch, rencana integrasi
- Agen coding: implementasi, tes, perbaikan
- Lapisan monitoring: readback, diff, deteksi kegagalan
Bukan manusia → pekerja AI.
Tetapi manusia → manajer AI → pekerja AI.
Ketika ini berjalan, manusia makin jauh dari micromanagement dan makin dekat dengan pertanyaan “apa yang harus dilakukan perusahaan berikutnya?”
Nol pegawai.
Bagan organisasi cukup rumit.
Perusahaan satu orang masa depan adalah makhluk aneh.
9. “Tambah agen paralel” kurang penting dibanding “jangan biarkan mereka bertabrakan”
Lebih banyak pekerja AI menciptakan masalah baru.
Sepuluh pekerja supercepat yang semuanya memperbaiki kabel yang sama tidak akan sepuluh kali lebih cepat.
Mungkin malah merusaknya lebih cepat.
Studi 2026 tentang pull request agen AI di GitHub menemukan concurrency yang tinggi dan, pada sampel yang dianalisis, tingkat konflik tekstual lebih tinggi pada pasangan paralel lintas agen dibanding pasangan paralel dalam agen yang sama.[6]
Studi 2026 lain mengusulkan CAID: delegasi terpusat, eksekusi asinkron, workspace terisolasi, dan integrasi terstruktur. Pada tugas evaluasinya, pendekatan ini mengungguli baseline agen tunggal.[7]
Jadi yang penting bukan hanya jumlah agen:
- jangan edit tanggung jawab yang sama bersamaan
- buat batas yang jelas
- lihat dependensi lebih dulu
- isolasi workspace
- integrasikan dan tes di akhir
Bottleneck berikutnya bukan compute.
Tetapi desain organisasi.
Saat AI manajer menangani lapisan itu, manusia benar-benar terdorong ke kursi CEO.
10. Sumber daya langka bergeser dari waktu coding ke perhatian, selera, dan arah
Ketika AI dapat menangani implementasi dalam jumlah besar, kelangkaan berubah.
Bukan volume kode.
Bahkan ide dapat dihasilkan massal.
Yang langka akhirnya adalah penilaian:
Apa yang benar-benar menarik? Apa yang jelek atau tidak konsisten? Sejauh apa sudah cukup? Apakah layak dilakukan sekarang? Apa yang harus dibuang? Apa yang perlu diverifikasi? Kegagalan mana yang insidental dan mana yang menandakan sistem rusak?
Manajemen bukan melakukan 100 hal hanya karena AI bisa melakukan 100.
Dalam dunia di mana 100 hal mungkin, manajemen adalah memilih tiga yang benar-benar penting.
Bottleneck berpindah.
Dari eksekusi ke arah.
11. Jebakan endgame tanpa batas: kita juga harus mendesain kondisi game over
Konten tanpa akhir itu luar biasa.
Tetapi tanpa akhir juga bisa berbahaya.
AI bisa berjalan 24 jam. Manusia tidak perlu.
Kita bisa mengurangi tidur karena proyek terlalu menyenangkan, memperluas scope selamanya karena semuanya tampak mungkin, mengirim terlalu banyak perubahan sebelum verifikasi, kehilangan jejak siapa menyentuh apa.
Otomasi yang dibuat demi kebebasan bisa berubah menjadi perusahaan eksploitatif pribadi berperforma tinggi.
Solusinya juga bisa dianggap desain gim:
- gate untuk perubahan destruktif
- jangan edit tanggung jawab sama secara paralel
- readback hasil
- tes jalur penting
- siapkan pemulihan
- anggap tidur dan hidup manusia sebagai dependensi
- simpan backlog “seru, tapi bukan sekarang”
Tujuannya bukan mengurangi pekerjaan.
Tujuannya menjaga permainan tetap menyenangkan dalam jangka panjang.
12. Kesimpulan: bukan pekerjaan yang otomatis menyenangkan; pekerjaan yang memungkinkan kita memperluas dunia sendiri yang menyenangkan
Saat seseorang merasa “ternyata kerja bisa menyenangkan”, yang menyenangkan kemungkinan bukan kerja secara umum.
Bukan berjam-jam mengerjakan tugas yang ditentukan orang lain.
Yang menyenangkan adalah menemukan masalah sendiri, memilih tujuan berikutnya, mendelegasikan eksekusi, melihat sesuatu nyata muncul, dan memakai hasilnya untuk menciptakan hal berikutnya.
Siklus itu menyenangkan.
Seseorang yang dulu berpikir sebagai PM tentang “bagaimana memperbaiki” dapat beralih ke “perusahaan seperti apa yang kita bangun” ketika AI menangani pemecahan dan implementasi.
Saat AI manajer mulai mendistribusikan pekerjaan ke AI pekerja, manusia naik satu lapisan lagi.
Pertanyaan terakhir sangat sederhana:
Apa yang seru untuk dibuat berikutnya?
Dalam gim biasa, studio yang menjawab.
Dalam gim ini, pemain yang menjawab.
Karena itu tidak berakhir.
Dan justru itu yang paling menyenangkan.
- Anthropic Help Center, “What is the Max plan?” / “How do usage and length limits work?” — five-hour session resets and separate weekly usage limits. and https://support.claude.com/en/articles/11647753-how-do-usage-and-length-limits-work support.claude.com
- Brannon, L. A., Hershberger, P. J., & Brock, T. C. (1999). “Timeless demonstrations of Parkinson's first law.” Psychonomic Bulletin & Review, 6(1), 148–156 pubmed.ncbi.nlm.nih.gov
- Sorrell, S. (2009). “Jevons’ Paradox revisited: The evidence for backfire from improved energy efficiency.” Energy Policy, 37(4), 1456–1469; see also later reviews of rebound effects sciencedirect.com
- American Psychological Association, “Self-determination theory: A quarter century of human motivation research. apa.org
- Gagné, M., & Deci, E. L. (2005). “Self-determination theory and work motivation.” Journal of Organizational Behavior, 26(4), 331–362 selfdeterminationtheory.org
- Xu, G., Subramanian, A., & Karthik, N. (2026). “AI Agent Pull Requests on GitHub: Frequency, Structure, and Merge Conflict Rates.” arXiv:2607.04697 arxiv.org
- Geng, J., & Neubig, G. (2026). “Effective Strategies for Asynchronous Software Engineering Agents.” arXiv:2603.21489 arxiv.org
