Mengapa produktivitas tidak meledak meski AI sudah diadopsi [Artikel terjemahan]

1. Paradoks produktivitas Brynjolfsson, versi era GenAI

• Bahkan saat IT dan PC diadopsi pada 1990-an, indikator produktivitas hampir tidak naik sebanding dengan investasinya. Inti dari paradoks produktivitas Brynjolfsson adalah bahwa tanpa pelengkap seperti restrukturisasi organisasi, redesain pekerjaan, dan perubahan keterampilan, teknologi saja tidak akan meningkatkan produktivitas.
• Saat ini pun AI generatif telah diadopsi secara masif, tetapi produktivitas ekonomi secara keseluruhan maupun perubahan struktural di perusahaan masih terbatas. Tulisan ini merangkumnya sebagai “High Adoption, Low Transformation”.

2. MIT NANDA: GenAI Divide (kesenjangan AI generatif)

• Laporan MIT NANDA menyebutkan bahwa meski miliaran dolar telah diinvestasikan ke GenAI, “hanya sekitar 5% perusahaan yang menghasilkan nilai bisnis nyata (ROI), sementara 95% sisanya tidak mengalami perbaikan pendapatan maupun produktivitas”, dan mengajukan konsep GenAI Divide.
• Kesenjangan ini bukan terutama ditentukan oleh kemampuan teknis, melainkan oleh “apakah perusahaan membangun sistem berbasis agen yang bisa belajar, mengingat, dan beradaptasi, lalu mengintegrasikannya secara mendalam ke alur kerja nyata untuk menghasilkan kinerja”. Saat ini, perubahan struktural yang bermakna masih terutama terkonsentrasi di industri berbasis informasi seperti teknologi dan media.

3. Mengapa 95% gagal

1. Kesenjangan pembelajaran (Learning Gap)

   • Banyak AI enterprise masih berupa alat statis sehingga tidak dapat mengumpulkan dan belajar dari umpan balik pengguna, tidak mampu beradaptasi dengan konteks maupun melakukan peningkatan jangka panjang. Akibatnya, karyawan memakai AI konsumen untuk tugas sederhana, sementara untuk pekerjaan penting dan kompleks mereka tetap bergantung pada manusia.

2. Keterputusan pilot–produksi

   • Perusahaan besar memang banyak menjalankan pilot (POC), tetapi proporsi yang benar-benar sampai ke deployment skala perusahaan sangat rendah. Dari AI enterprise kustom, hanya sekitar 5% yang benar-benar berhasil masuk ke produksi.
   • Alasan utamanya adalah “alatnya tidak cocok dengan proses kerja nyata”, sehingga masalahnya bukan pada infrastruktur atau regulasi, melainkan integrasi workflow dan desain organisasi.

3. Ekonomi Shadow AI

   • Karena alat internal resmi tidak efisien atau aturannya terlalu ketat, karyawan diam-diam memakai langganan pribadi LLM atau copilot untuk menyelesaikan pekerjaan nyata. Fenomena “Shadow AI” pun meluas.
   • Ini dapat dibaca sebagai sinyal adanya permintaan tersembunyi yang sangat besar terhadap “alat yang fleksibel, intuitif, dipersonalisasi, dan benar-benar menyatu ke dalam workflow nyata”.

4. Makalah Canaries: sinyal awal AI dalam perekrutan pekerja pemula

• Makalah tim Brynjolfsson “Canaries in the Coal Mine?” menganalisis data upah dan ketenagakerjaan frekuensi tinggi, dan menunjukkan bahwa setelah adopsi AI generatif, perekrutan pekerja usia 22–25 tahun menurun secara signifikan di pekerjaan dengan paparan AI tinggi (pengembangan perangkat lunak, call center/layanan pelanggan, dll.).
• Khususnya pada pekerjaan di mana AI lebih sering digunakan untuk “otomatisasi” daripada sekadar “bantuan”, penurunan perekrutan pekerja muda terlihat lebih besar, yang menunjukkan bahwa pada tahap awal AI memang sedang langsung menggantikan sebagian pekerjaan entry-level.

5. Mengapa pekerja baru yang paling terdampak

• LLM saat ini kuat dalam pengetahuan formal yang terdokumentasi baik di buku teks maupun dokumen, serta dalam pekerjaan berulang berbasis pola. Namun, LLM belum mampu menggantikan dengan baik “kiat” para ahli senior yang bertumpu pada pengalaman lapangan dan pengetahuan tacit.
• Secara tradisional, peran pekerja baru dan junior banyak berisi “tugas yang mengikuti aturan dan manual yang terdokumentasi”. Bagian inilah yang cepat diotomatisasi oleh kombinasi LLM + toolchain, sehingga terlihat pola bahwa dalam jabatan yang sama, pekerja awal karier menerima guncangan ketenagakerjaan yang lebih besar dibanding pekerja berpengalaman.

6. Implikasi bagi masa depan kerja

• Transisi AI lebih tepat dipahami bukan sebagai “penurunan total jumlah pekerjaan”, melainkan sebagai proses realokasi di mana sebagian tugas diserap AI, sebagian tugas baru muncul, dan keunggulan relatif manusia bergeser ke ranah seperti pengetahuan implisit, koordinasi, dan penilaian.
• Karena itu, dari sisi pendidikan dan perancangan karier, kemampuan seperti “memahami konteks lapangan, menyusun struktur masalah, menyelaraskan kepentingan, dan keahlian majemuk per domain” kemungkinan akan menjadi lebih penting dibanding kemampuan yang bertumpu pada jawaban baku dan hafalan.

7. Strategi eksekusi untuk founder AI

1. Dari generasi sederhana → beralih ke pembelajaran dan agen

   • Inti dari GenAI Divide bukanlah performa model, melainkan apakah ada sistem berbasis agen yang memungkinkan “pembelajaran berkelanjutan, memori, adaptasi, dan orkestrasi”.
   • Ditekankan bahwa tim yang mampu menstrukturkan umpan balik pengguna dan log penggunaan nyata, lalu membangun “sistem hidup” yang makin lama makin memahami workflow dan menyesuaikan diri secara otomatis, akan memiliki keunggulan yang sangat besar.

2. Rancang untuk workflow, bukan sekadar pengguna (persona)

   • Banyak produk AI enterprise menghadapi masalah “demo-nya mengesankan, tetapi dibuang karena tidak cocok dengan cara kerja tim yang sesungguhnya”.
   • Produk yang berhasil akan menggali secara mendalam alur kerja detail, struktur otorisasi, dan kebutuhan kepatuhan di industri atau fungsi kerja tertentu, lalu menyerap ke dalamnya secara alami. Prioritasnya bukan UX yang mencolok, melainkan “tidak mudah lepas dari produksi nyata”.

3. Gunakan Shadow AI sebagai aset riset

   • Dengan mengamati prompt dan kombinasi alat apa yang dipakai karyawan secara pribadi, perusahaan dapat memahami kebutuhan nyata yang belum tercermin di alat resmi organisasi, seperti kecepatan, keleluasaan, dan tingkat otomatisasi.
   • Dari sudut pandang startup, pola “Shadow AI” ini dapat berfungsi sekaligus sebagai saluran riset pengguna berskala besar dan petunjuk positioning produk.

4. Peluang lebih besar di back office daripada di sisi depan yang mencolok

   • Banyak perusahaan lebih dulu menambahkan AI ke area yang terlihat seperti pemasaran dan penjualan, tetapi MIT menunjukkan bahwa ROI nyata justru lebih besar di fungsi belakang yang berbasis proses seperti keuangan, pengadaan, dan operasional.
   • Area ini kaya data dan memiliki banyak logika bisnis berbasis aturan, sehingga solusi agen/otomatisasi yang dirancang dengan baik lebih mudah langsung menghasilkan penghematan biaya dan pengurangan kesalahan.

5. Bukan “menjual software”, melainkan berpikir seperti mitra BPO

   • Pelanggan perusahaan yang sukses memperlakukan vendor AI bukan sebagai penjual lisensi, melainkan seperti “mitra business process outsourcing”, sehingga mereka menuntut kustomisasi mendalam, kontrak berbasis hasil, dan kerja sama operasional yang erat.
   • Karena itu, argumennya adalah founder juga perlu merancang produknya bukan sebagai alat yang sekadar dipasang, melainkan sebagai “layanan/kemitraan yang ikut bertanggung jawab atas hasil”, agar bisa menciptakan deal enterprise berskala besar dan hambatan masuk jangka panjang (moat).

8. Ringkasan: paradoks yang berubah, peluang yang ikut berubah

• Di era AI generatif, paradoks produktivitas masih tetap berlaku, tetapi lokasi “pelengkap yang kurang” telah berubah. Kini pelengkap itu berada sekaligus di dalam produk (pembelajaran, memori, orkestrasi) dan di dalam perusahaan (pembelian berbasis layanan, kepemilikan yang terdistribusi, KPI yang berorientasi hasil).
• Pesan utamanya adalah bahwa hanya founder yang mampu merancang dua lapisan ini secara bersamaan yang dapat mengubah “demo yang keren” menjadi “keunggulan kompetitif yang berkelanjutan dan peningkatan produktivitas yang benar-benar terlihat dalam statistik”, serta mewujudkan revolusi AI bukan sekadar sebagai peristiwa teknologi, melainkan sebagai transformasi ekonomi yang berevolusi bersama organisasi dan individu.