ChatGPT, AI generatif, RPA, Codex.
Dalam beberapa tahun terakhir, alat untuk mengotomatiskan pekerjaan jumlahnya meledak.
Draf tulisan bisa dibuatkan AI. Rekap Excel juga bisa ditanyakan ke AI. Pakai RPA (robot perangkat lunak yang mengulang klik dan ketikan yang biasanya dilakukan orang di komputer), operasi di layar dan pemindahan data dari satu tempat ke tempat lain pun bisa diotomatiskan. Dengan AI yang benar-benar menjalankan tugas seperti Codex, pekerjaan dalam jumlah besar bisa didorong maju sekaligus: artikel, landing page, kode, dokumen, pengolahan data, sampai usulan perbaikan.
Tapi coba lihat ke lapangan. Pekerjaan seperti ini masih ada.
- Buka Excel
- Salin
- Tempel
- Cek dengan mata
- Ketik ulang ke sistem lain
- Cek lagi apakah ada kesalahan
- Konfirmasi lagi di rapat
- Dapat permintaan revisi, lalu benerin lagi secara manual
Ini bisa disebut kerja tombak bambu di era AI. (Di Jepang, "tombak bambu" berasal dari masa akhir perang, saat warga sipil dilatih melawan senjata modern dengan bambu runcing: tenaganya habis banyak, tapi alatnya salah.)
Tentu saja, Excel sendiri bukan masalahnya. Justru Excel itu hebat. Sebagai lembar kerja, untuk rekap, database sederhana, formulir, grafik, tabel pengecekan, tabel pengelolaan, sekaligus tempat mengungsi sementara di setiap kantor, Excel sampai sekarang masih sangat bisa diandalkan.
Masalahnya bukan memakai Excel.
Masalahnya adalah pekerjaan yang bisa dikerjakan Excel masih terus dijalankan dengan tangan, mata, tekad, dan rapat konfirmasi.
Kalau dilihat dari angka pemakaian, kita masih di tahap awal
Mungkin kamu berpikir, "Bukannya sekarang semua orang sudah pakai AI dan RPA?"
Memang, ChatGPT sudah sangat dikenal. Menurut Reuters, perkiraan Sensor Tower menyebut aplikasi ChatGPT mencapai 1 miliar pengguna aktif bulanan di seluruh dunia pada Mei 2026.
Di sisi lain, orang yang sudah bisa menyerahkan bagian eksekusi pekerjaan ke AI dan otomatisasi masih sangat sedikit.
Menurut Axios, Codex dari OpenAI punya lebih dari 5 juta pengguna aktif mingguan per Juni 2026. Sekitar seperlimanya disebut pekerja pengetahuan.
Ini alat AI penjalan tugas dari OpenAI yang bisa dipakai di seluruh dunia, tapi penggunanya cuma lebih dari 5 juta per minggu. Itu lebih sedikit dari jumlah penduduk Prefektur Aichi, wilayah Toyota di Jepang tengah.
Dibandingkan aplikasi ChatGPT yang 1 miliar per bulan, Codex yang lebih dari 5 juta per minggu jelas jauh lebih kecil.
Jadi ada kesenjangan seperti ini:
- Orang yang bertanya ke AI makin banyak
- Orang yang minta AI memperbaiki tulisan juga makin banyak
- Tapi orang yang menyerahkan pekerjaan ke AI masih sedikit
- Apalagi yang bisa menyerahkannya dalam potongan yang cukup jelas untuk dieksekusi AI, lebih sedikit lagi
Di sinilah ada ruang bisnis yang besar.
Tingkat adopsi RPA juga masih jauh dari tinggi
RPA juga sama.
RPA adalah cara membuat robot perangkat lunak menggantikan pekerjaan rutin yang dikerjakan orang di komputer. Input data, pemindahan data, rekap, verifikasi, pembuatan formulir, dan pekerjaan lintas banyak sistem sangat cocok dengan kerja manual di Excel.
Namun, dalam survei Startear Raise tahun 2024, tingkat adopsi RPA di seluruh perusahaan Jepang adalah 13.04%. Di perusahaan kecil dan menengah hanya 8.51%, dan bahkan di perusahaan besar cuma 27.69%.
Artinya, sebagian besar perusahaan Jepang belum memakai RPA.
Survei yang sama juga menanyakan masalah sebelum mengadopsi RPA: peringkat 1 adalah "pekerjaan manualnya banyak (input, pemindahan data, pendaftaran, dan sebagainya)" dan peringkat 2 adalah "kesalahan akibat kerja manual banyak".
Ini cukup menggambarkan keadaan.
Di lapangan, kerja manualnya banyak. Kesalahannya juga banyak. Kekurangan tenaga kerja pula. Meski begitu, adopsi RPA baru sekitar 13%.
Jadi kebutuhannya ada ("kerja manualnya banyak, kami ingin mengotomatiskannya"), tapi kenyataannya banyak perusahaan masih terjebak di kerja manual.
Kesalahan orang baru diatasi dengan desain sistem, bukan dengan menyalahkan karakter
Hal ini juga berkaitan dengan pelatihan orang baru.
Di tempat kerja, hal seperti ini sering terjadi:
- Orang baru salah input data
- Orang baru salah menulis nama file
- Orang baru salah menyimpan di folder
- Orang baru melewatkan butir pengecekan
- Orang baru memakai format lama
- Orang baru salah paham soal tenggat atau kepada siapa harus meminta
Lalu orang-orang di sekitarnya berkata:
"Orang baru banyak salahnya." "Cek yang benar dong." "Kan sudah pernah dibilangin." "Kenapa salahnya itu-itu lagi?"
Tapi yang perlu dipikirkan di sini bukan cuma karakter atau ketelitian orang barunya.
Yang justru harus dilihat adalah apakah strukturnya memang membuat orang baru gampang salah.
Orang baru belum tahu latar belakang pekerjaannya. Belum tahu aturan tak tertulisnya. Belum tahu kebiasaan pendahulunya. Belum tahu kenapa kolom itu yang dilihat, kenapa nama filenya begitu, kenapa pengecekan itu perlu.
Kalau dalam keadaan begitu mereka dilempar ke input bebas, cek dengan mata, penjelasan lisan, penyalinan manual, dan pengecekan yang bergantung pada orang tertentu, wajar kalau kesalahan muncul.
Daripada memarahi setiap kali, lebih baik dari awal membuat sistem yang sulit untuk salah.
Misalnya, perbaikan seperti ini sudah membawa perubahan besar:
- Pakai dropdown, bukan ketik manual
- Pakai pilihan, bukan isian bebas
- Pasang aturan input untuk tanggal dan nominal
- Munculkan peringatan kalau kolom wajib kosong
- Buat nama file otomatis
- Tetapkan lokasi penyimpanan
- Buat format lama tidak bisa dipakai
- Cek otomatis apakah isian saling bertentangan
- Tampilkan hanya daftar kandidat kesalahan
- Tampilkan layar konfirmasi sebelum mengirim
- Simpan log setelah pekerjaan selesai
- Ubah kesalahan yang sering terjadi jadi daftar periksa
Ini bukan soal memanjakan orang baru.
Ini soal menanamkan apa yang perlu diajarkan ke dalam sistem.
Daripada bilang "hati-hati" ke orang, lebih cepat membuat alur yang kecil kemungkinan salah, dengan aturan input Excel, VBA (bahasa makro bawaan Excel), RPA, formulir, daftar periksa, dan peninjauan oleh AI.
Dan itu juga lebih enak bagi orang baru.
Mereka tidak perlu dimarahi tiap kali. Pembimbingnya tidak perlu mengulang peringatan yang sama terus. Atasan juga tidak terlalu kewalahan membereskan sisa kesalahan.
Jadi, menjadikan pencegahan kesalahan sebagai sistem bukan sekadar soal efisiensi.
Ini desain keamanan yang menurunkan beban mental orang baru maupun yang mengajarinya.
Kalau kamu bilang "orang baru banyak salahnya", yang pertama dicek bukan kepribadian mereka.
Tapi apakah pekerjaan itu didesain seperti tombak bambu yang mengundang kesalahan.
AI generatif pun masih mandek di tingkat perusahaan
Pada AI generatif juga ada jarak antara rasa pemakaian pribadi dan kenyataan adopsi di perusahaan.
Dalam survei Nikkei Research yang dilaporkan Reuters pada Juli 2024, sekitar 24% perusahaan Jepang sudah mengadopsi AI, 35% berencana, dan 41% tidak berencana.
Artinya, seramai apa pun AI diberitakan, kalau dilihat per perusahaan, yang sudah mengadopsi sekitar satu dari empat. Sekitar 40% menjawab "tidak ada rencana memakainya".
Di sini pun polanya sama.
Jadi bahan pembicaraan. Tapi belum masuk ke pekerjaan nyata.
Dianggap berguna. Tapi belum bisa dimasukkan ke alur kerja.
Orang yang pernah mencoba ChatGPT memang bertambah, tapi yang benar-benar memecah pekerjaan lalu menyerahkannya ke AI, RPA, VBA, atau Codex masih sedikit.
Jadi, kenapa semua orang masih kerja Excel manual?
Alasannya bukan sekadar karena malas.
Ada lima alasan utama.
1. Tidak bisa memecah pekerjaan
Untuk mengotomatiskan, pekerjaan harus dipecah dulu.
Misalnya, untuk mengotomatiskan pemindahan data di Excel, kita harus menentukan hal-hal seperti ini:
- Di mana data inputnya
- Ke mana outputnya
- Kolom mana dipindahkan ke kolom mana
- Apa saja pola pengecualiannya
- Kalau terjadi error, berhenti atau cukup dicatat di log
- Bagian mana yang dicek manusia di akhir
Tanpa penataan ini, VBA, RPA, maupun AI tidak bisa digerakkan.
Banyak orang bisa mengerjakan tugasnya. Tapi kesulitan menyusun tugas itu secara terstruktur dan menyerahkannya ke mesin dalam bentuk yang bisa dipakai.
Mereka berhenti di sini.
2. Pekerjaan di lapangan bergantung pada orang tertentu
Kerja manual di Excel hampir selalu menjadi bergantung pada satu orang.
"Itu dikerjakan si anu." "Diwarisi dari pendahulu." "Sel ini sebaiknya jangan disentuh." "Nggak tahu kenapa rumusnya begini." "Tiap bulan ya begini saja langkahnya, kira-kira."
Kalau sudah begini, sebelum bicara otomatisasi pun makna pekerjaannya tidak jelas.
Kalau RPA dipasang tanpa tahu maknanya, hasilnya cuma "percepatan pekerjaan misterius".
Otomatisasi bukan menggantikan pekerjaan dengan mesin. Pertama-tama, buat makna pekerjaan itu terlihat.
3. Orang yang bisa VBA atau RPA sedikit
Yang bisa fungsi Excel lumayan banyak, tapi begitu masuk VBA dan makro, jumlahnya turun drastis.
Data publik yang andal tentang tingkat pemakaian VBA sulit ditemukan. Namun, dari pengamatan di lapangan, banyak orang bisa Excel, tapi yang mampu membangun alur kerja dengan VBA sangat sedikit.
Lagi pula, kalaupun ada yang bisa VBA, pekerjaan cenderung menumpuk di orang itu.
Akibatnya begini:
- Kerja manualnya banyak
- Orang yang bisa mengotomatiskan sedikit
- Permintaan hanya berkumpul di yang bisa
- Orang itu jadi tukang serabutan kantor
- Tidak ada yang bisa merawatnya
- Akhirnya balik lagi ke manual
Kebun binatang penuh lubang. (Ini julukan saya untuk kantor yang kekurangan orang dan ditambal sana-sini.)
4. AI hanya dipakai sebagai "teman konsultasi"
Bahkan orang yang memakai ChatGPT pun kebanyakan masih memakainya untuk konsultasi.
- Tolong perbaiki tulisan ini
- Tolong ringkaskan
- Tolong beri ide
- Tolong tuliskan email
Itu juga berguna.
Tapi kalau berhenti di sini, AI hanya jadi buku catatan yang praktis.
Kekuatan sebenarnya ada setelah itu.
- Memecah pekerjaan
- Menjadikannya kebutuhan yang terdefinisi
- Menulisnya dalam Markdown (format teks polos yang sederhana)
- Menyerahkannya ke Codex
- Menerapkannya ke GitHub (situs untuk menyimpan dan berbagi kode)
- Menerapkannya ke landing page, artikel, dan aplikasi
- Menjadikannya skrip otomatisasi
- Bahkan membuat butir-butir pengujiannya
Bukan bertanya ke AI, tapi menyerahkan pekerjaan ke AI.
Yang sudah sampai ke tahap ini masih sedikit.
5. Perusahaan takut risiko
Kalau perusahaan memakai AI atau RPA, memang ada risikonya.
- Data pribadi
- Informasi rahasia
- Pengelolaan hak akses
- Keluaran yang salah
- Siapa yang bertanggung jawab
- Keamanan
- Penolakan dari orang di lapangan
- Kesesuaian dengan pekerjaan yang sudah ada
Dengan semua itu, wajar kalau perusahaan berhati-hati.
Tapi berhati-hati berbeda dengan tidak melakukan apa-apa.
Jangan masukkan data pribadi. Proses secara lokal. Coba dengan data contoh. Sisakan peninjauan oleh manusia. Jangan pakai hasil keluaran apa adanya. Simpan log.
Kalau operasionalnya dirancang begini, kita bisa mulai dari kecil tanpa langsung menerapkannya ke seluruh perusahaan.
Masalahnya adalah ketika rasa takut berujung pada "larang semuanya". Kalau begitu, orang di lapangan akan tetap di Excel manual selamanya.
Ekonomi Excel manual masih akan bertahan sebentar lagi
Melihat semua ini, kerja Excel manual di lapangan kemungkinan besar masih akan ada cukup lama.
Alasannya sederhana:
- Adopsi RPA di seluruh perusahaan Jepang sekitar 13%
- Di perusahaan kecil dan menengah di bawah 10%
- AI generatif juga baru diadopsi sekitar satu dari empat perusahaan
- Pengguna mingguan Codex di seluruh dunia hanya lebih dari 5 juta
- Orang yang bisa VBA atau RPA terbatas
- Orang yang bisa memecah pekerjaan dan menyerahkannya ke AI lebih sedikit lagi
Dengan kata lain, dunia belum sepenuhnya memasuki "era AI menjalankan pekerjaan".
Di berita, AI itu hebat. Di media sosial, cerita pemanfaatan AI terus lewat. Tapi di lapangan, salin-tempel, ketik ulang, cek dengan mata, dan konfirmasi di rapat masih ada.
Ini bukan pesimisme. Justru ini peluang.
Yang akan bernilai adalah "tukang ledeng pekerjaan"
Yang bernilai di era AI bukan sekadar orang yang tahu soal AI.
Yang bernilai adalah orang yang bisa mengubah pekerjaan menjadi bentuk yang bisa diserahkan ke AI, RPA, VBA, dan Codex.
Singkatnya, tukang ledeng pekerjaan.
Di lapangan ada pekerjaan yang berserakan. Ada Excel. Ada email. Ada PDF. Ada catatan tulisan tangan. Ada rapat. Ada pengetahuan tak tertulis yang hanya ada di kepala orang tertentu.
Ubah semuanya menjadi hal-hal berikut:
- Tujuan pekerjaan
- Informasi masukan
- Format keluaran
- Kriteria keputusan
- Penanganan pengecualian
- Cara peninjauan
- Bagian yang bisa diotomatiskan
- Bagian yang dilihat manusia
- Instruksi yang diserahkan ke Codex atau RPA
Orang yang bisa menurunkannya sampai tingkat ini akan kuat.
Pekerjaan di era AI bergeser dari "orang yang mengerjakan semuanya sendiri" ke "orang yang mendesain pekerjaan agar bisa diserahkan ke AI".
"Bisa menyerahkan pekerjaan" lebih kuat daripada "bisa memakai AI"
Yang akan membuat perbedaan ke depan bukan apakah kamu pernah memakai AI.
Orang yang pernah memakai AI akan bertambah. Orang yang pernah menyentuh ChatGPT akan bertambah. Kalau cuma membuat teks atau meringkas, banyak orang akan bisa.
Tapi yang bisa melakukan hal berikut masih sedikit:
- Memecah pekerjaannya sendiri
- Memilih pekerjaan manual sebagai kandidat otomatisasi
- Menentukan kolom Excel mana yang dipakai
- Mendefinisikan penanganan pengecualian
- Membuat Markdown yang akan diserahkan ke AI
- Memberi Codex syarat penyelesaian
- Menerapkannya ke landing page, artikel, dan aplikasi
- Melihat hasilnya lalu memperbaiki
Di sinilah perbedaan muncul.
Jadi keunggulan ke depan bukan pada "pengguna AI", tapi pada "perancang eksekusi AI".
Pekerjaan manual yang pertama kali perlu dilihat
Lalu, dari mana sebaiknya mulai mengotomatiskan?
Yang pertama perlu dilihat adalah pekerjaan seperti berikut.
1. Pekerjaan yang berulang tiap bulan, tiap minggu, atau tiap hari
Pekerjaan yang sering berulang lebih mudah terasa manfaat otomatisasinya.
Walau cuma 1 jam per bulan, setahun jadi 12 jam. Kalau dikerjakan beberapa orang, totalnya makin besar.
2. Pekerjaan yang banyak salin dan tempel
Salin-tempel adalah kandidat otomatisasi. Hampir tidak ada gunanya dikerjakan manusia.
Tapi kalau banyak kasus pengecualian yang butuh penilaian, mulailah dari semi-otomatis, bukan otomatis penuh.
3. Pekerjaan yang banyak cek dengan mata
Cek dengan mata itu melelahkan. Kesalahan juga muncul.
Kalau kondisi pengecekannya jelas, bisa dikurangi banyak dengan fungsi Excel, VBA, Python, AI, atau RPA.
4. Pekerjaan yang dikonfirmasi di setiap rapat
Hal yang dikonfirmasi di setiap rapat besar kemungkinan bisa dijadikan tabel atau daftar periksa sebelumnya.
Cukup mengubah dari "ditanyakan di rapat" menjadi "diisi dulu sebelumnya", efisiensinya sudah naik banyak.
5. Pekerjaan yang hanya dipahami pendahulu
Pekerjaan yang hanya dipahami pendahulu itu berbahaya.
Pertama, jadikan dokumen standar. Setelah itu, cari bagian yang bisa diotomatiskan.
Otomatisasi tanpa standardisasi itu berbahaya. Kamu hanya mempercepat pekerjaan yang tidak jelas maknanya.
6. Pekerjaan yang sering membuat orang baru salah
Pekerjaan yang sering membuat orang baru salah prioritasnya tinggi untuk otomatisasi dan standardisasi.
Sebab di sana biasanya ada salah satu dari ini:
- Aturannya adalah pengetahuan tak tertulis
- Kolom inputnya terlalu bebas
- Kriteria keputusan tidak dituliskan
- Penanganan pengecualian bergantung pada ingatan orang
- Butir pengecekannya terlalu banyak
- Baru ketahuan setelah kesalahan terjadi
Ini lebih merupakan masalah desain pekerjaan daripada masalah orang barunya.
Tempat orang baru salah, orang berpengalaman pun bisa salah kalau sedang capek. Tempat orang baru tersendat, serah terima juga akan tersendat. Bagian yang tidak dipahami orang baru berarti belum dituangkan ke dokumen standar.
Karena itu, kesalahan orang baru adalah log debug yang berharga. (Log debug adalah catatan yang dibaca programmer untuk mencari letak kesalahan program.)
Jangan melihatnya sebagai "salah lagi", tapi lihat sebagai "di bagian ini manusia dituntut terlalu banyak perhatian".
Dengan sudut pandang itu saja, melatih orang jadi jauh lebih ringan.
Langkah kecil untuk keluar dari kerja tombak bambu
Tidak perlu tiba-tiba melakukan transformasi digital seluruh perusahaan.
Mulai saja dari yang kecil.
Langkah 1: pilih satu pekerjaan manual
Pilih satu pekerjaan Excel yang kamu lakukan tiap bulan. Pemindahan data, rekap, pengecekan, pemeriksaan nama file, atau pembuatan daftar PDF sudah cukup.
Langkah 2: tulis langkah kerjanya dengan kata-kata
Tulis langkahnya seolah-olah kamu menjelaskannya ke orang lain.
- File mana yang dibuka
- Kolom mana yang dilihat
- Dengan kondisi apa memutuskan
- Hasilnya ditaruh di mana
- Pengecualian ditangani bagaimana
Langkah 3: tanya AI bagian mana yang bisa diotomatiskan
Tanyakan seperti ini ke ChatGPT atau sejenisnya:
Dari langkah kerja ini, tolong pisahkan bagian yang bisa diotomatiskan dengan fungsi Excel, VBA, RPA, Python, atau AI generatif. Tidak perlu otomatis penuh, semi-otomatis juga tidak apa-apa. Tolong usulkan mulai dari yang risikonya paling rendah.
Langkah 4: mulai dengan semi-otomatis
Jangan langsung otomatis penuh dari awal.
Mulai dengan membuat tabel pengecekan. Tampilkan hanya kandidat kesalahan. Rekap dengan satu tombol. Otomatiskan hanya pengecekan sebelum memindahkan data.
Segini saja sudah cukup.
Langkah 5: kalau berhasil, jadikan templat
Kalau satu sudah jadi, jadikan templat.
- Panduan prosedur
- Daftar periksa
- Kode VBA
- Skenario RPA
- Prompt AI
- Markdown untuk dimasukkan ke Codex
Kalau semua ini kamu simpan, pekerjaan pribadimu berubah jadi aset.
Hati-hati jadi tukang serabutan di kantor
Tapi ada satu peringatan: orang yang bisa mengotomatiskan di dalam perusahaan perlu waspada.
Makin kamu bisa melihat masalah, makin kamu disuruh mengambilnya. Makin kamu bisa membuat, makin kamu disuruh memikulnya. Makin kamu bisa memperbaiki, makin kamu jadi tukang serabutan.
Ini sering terjadi di kebun binatang penuh lubang.
Perusahaan tidak menyediakan waktu untuk standardisasi, penanggung jawab, penilaian kinerja, maupun sistem perawatan, lalu membiarkan perbaikan diserap hanya oleh individu yang mampu.
Akibatnya, orang yang bisa memperbaiki jadi kelelahan.
Karena itu, kalau mengusulkan perbaikan di kantor, empat hal ini harus dibawa sekaligus:
- Siapa yang memutuskan
- Siapa yang mengoperasikan
- Siapa yang merawat
- Sampai mana bagianmu
Kalau memperbaiki dengan membiarkan hal-hal ini kabur, niat baikmu akan terkuras.
Di kantor, keluarkan tenaga seminimal mungkin. Di aset milik sendiri, kerahkan segalanya.
Pemisahan ini penting.
Penutup: selama semua orang kerja Excel manual, bangunlah pipanya
AI sudah hebat. RPA ada. VBA ada. Codex ada.
Tapi kalau dilihat dari angka pemakaian, orang yang sudah bisa menyerahkan bagian eksekusi pekerjaannya masih sedikit.
Aplikasi ChatGPT sudah menyebar sampai skala 1 miliar pengguna per bulan. Sementara Codex hanya lebih dari 5 juta per minggu. Adopsi RPA di seluruh perusahaan Jepang 13.04%. Perusahaan Jepang yang sudah mengadopsi AI sekitar 24%.
Artinya, dunia belum berubah sepenuhnya.
Banyak tempat kerja masih membuka Excel, salin-tempel, cek dengan mata, dan konfirmasi di rapat.
Ini ketinggalan. Tapi ini juga peluang.
Yang akan bernilai ke depan bukan orang yang sekadar mengutak-atik AI. Tapi orang yang memecah pekerjaan dan mengubahnya ke bentuk yang bisa diserahkan ke AI, RPA, VBA, dan Codex.
Selama semua orang kerja Excel manual, kita bangun pipanya.
Selama rapat monyet sibuk salin-tempel, kita alirkan Markdown di belakang layar. ("Rapat monyet" adalah candaan saya untuk rapat tak berguna yang isinya semua orang cuma salin-tempel manual.) Selama ekonomi Excel manual masih ada, kita bangun pabrik eksekusi AI.
Itulah strategi menang saat ini.
