Agen AI, Robot, dan Kita: Kemitraan Teknologi di Era AI

• Pekerjaan masa depan akan dibentuk ulang sebagai kemitraan antara manusia, agen, dan robot; dengan teknologi saat ini, sekitar 57% jam kerja dapat diotomatisasi, tetapi ini hanya potensi teknis dan bukan prediksi penurunan lapangan kerja
• Lebih dari 70% keterampilan yang diminta pemberi kerja saat ini digunakan baik untuk tugas yang dapat diotomatisasi maupun yang tidak, sehingga sebagian besar keterampilan tetap relevan meski cara penerapannya berubah
• Permintaan untuk kelancaran AI (kemampuan menggunakan dan mengelola alat AI) meningkat 7 kali lipat dalam 2 tahun, menjadikannya keterampilan dengan pertumbuhan tercepat dalam lowongan kerja
• Hingga 2030, hal ini berpotensi menciptakan sekitar US$2,9 triliun nilai ekonomi di AS saja, dan untuk mencapainya perlu mendesain ulang seluruh workflow, bukan hanya tugas individual
• Menurut Skill Change Index, keterampilan digital dan pemrosesan informasi akan mengalami perubahan terbesar, sedangkan keterampilan perawatan dan dukungan diperkirakan mengalami perubahan paling kecil

---

Ikhtisar utama

• Pekerjaan masa depan akan beralih ke kemitraan berbasis AI antara manusia, agen, dan robot
• Dengan teknologi saat ini, sekitar 57% jam kerja di AS secara teoretis dapat diotomatisasi, tetapi ini adalah potensi teknis dan adopsi nyata diperkirakan memerlukan waktu puluhan tahun
• Beberapa peran akan menyusut, sebagian akan tumbuh atau berubah, dan peran baru diperkirakan akan muncul
• Lebih dari 70% keterampilan yang diminta pemberi kerja digunakan untuk tugas yang dapat dan tidak dapat diotomatisasi, sehingga sebagian besar keterampilan tetap valid meski konteks penerapannya berubah
• Skill Change Index mengukur tingkat paparan tiap keterampilan terhadap otomatisasi dalam 5 tahun ke depan; keterampilan digital dan pemrosesan informasi akan paling terdampak, sementara keterampilan perawatan diperkirakan mengalami perubahan paling kecil
• Permintaan untuk kelancaran AI meningkat hampir 7 kali dalam 2 tahun, mencatat laju pertumbuhan tercepat di lowongan kerja AS
• Hingga 2030, hal ini dapat menciptakan sekitar US$2,9 triliun nilai ekonomi di AS, dan untuk itu organisasi harus menyiapkan tenaga kerja serta mendesain ulang seluruh workflow, bukan hanya tugas individual

AI mendefinisikan ulang batas-batas pekerjaan

• Peningkatan otonomi dan kapabilitas agen serta robot

  • Di masa lalu, mesin dirancang untuk mengikuti aturan sehingga hanya beroperasi sesuai yang telah ditentukan sebelumnya
  • Dengan hadirnya AI, agen dan robot yang menjalankan tugas kognitif dan fisik belajar dari dataset besar sehingga memperoleh kapabilitas yang lebih luas
  • Mereka dapat merespons beragam input termasuk bahasa alami, dan mampu beradaptasi dengan konteks alih-alih mengandalkan aturan yang ditetapkan sebelumnya
  • Dengan teknologi saat ini, sekitar 57% jam kerja di AS secara teoretis dapat diotomatisasi, tetapi adopsi nyata bergantung pada kebijakan, biaya tenaga kerja, biaya implementasi, waktu pengembangan, dan faktor lain
  • Elektrifikasi membutuhkan lebih dari 30 tahun untuk menyebar luas, robot industri juga menempuh lintasan puluhan tahun yang serupa, dan pada 2023 hanya sekitar seperlima perusahaan yang menjalankan sebagian besar aplikasinya di cloud

• AI berdampak pada semua jenis pekerjaan

  • Pekerjaan nonfisik mencakup sekitar dua pertiga jam kerja di AS
  • Sekitar sepertiga dari pekerjaan nonfisik memerlukan keterampilan sosial dan emosional yang masih belum dapat dicapai AI
  • Sisanya adalah pekerjaan seperti penalaran dan pemrosesan informasi yang cocok untuk otomatisasi, dan mencakup sekitar 40% dari total upah di AS
  • Pekerjaan fisik mencakup sekitar 35% jam kerja di AS; meski robot telah berkembang, sebagian besar pekerjaan fisik masih memerlukan keterampilan motorik halus, ketangkasan tangan, dan kesadaran situasional yang belum dapat direplikasi teknologi secara andal
  • Bagi sekitar 40% tenaga kerja AS, pekerjaan fisik mencakup lebih dari setengah jam kerja mereka (seperti pengemudi, pekerja konstruksi, koki, dan asisten medis)
  • Perkembangan robot diperkirakan akan mengubah beberapa jenis pekerjaan, termasuk sebagian peran bergaji rendah di produksi dan persiapan makanan
  • Robot juga akan terus menangani pekerjaan yang berbahaya atau mustahil bagi manusia, seperti pekerjaan bawah air, pencarian dan penyelamatan, serta inspeksi lingkungan berbahaya

• Manusia tetap tak tergantikan

  • Pada tingkat kapabilitas saat ini, agen dapat menangani 44% jam kerja di AS, sementara robot 13%
  • Untuk memperluas otomatisasi lebih jauh dibutuhkan kapabilitas yang saat ini hanya dimiliki manusia, seperti menafsirkan niat dan emosi (untuk agen) serta kontrol motorik halus (untuk robot)
  • Seiring kemajuan teknologi, sebagian peran diperkirakan menyusut, peran lain meluas atau bergeser fokus, dan peran baru akan tercipta
  • Contoh radiologi: dari 2017 hingga 2024, lapangan kerja radiolog tumbuh sekitar 3% per tahun meski AI berkembang, karena AI meningkatkan akurasi dan efisiensi sehingga dokter dapat fokus pada pengambilan keputusan kompleks dan perawatan pasien
    • Mayo Clinic telah memperluas staf radiologinya lebih dari 50% sejak 2016 sambil menerapkan ratusan model AI
  • AI juga sedang menciptakan jenis pekerjaan dan peran baru (misalnya engineer perangkat lunak yang membuat dan menyempurnakan agen, serta desainer dan kreator yang menghasilkan konten baru dengan alat generatif)

7 jenis pekerjaan

• Sekitar 800 pekerjaan dianalisis berdasarkan potensi otomatisasi fisik dan nonfisik, lalu diklasifikasikan ke dalam 7 jenis
• Pekerjaan dengan potensi otomatisasi terendah diklasifikasikan sebagai berpusat pada manusia (people-centric), sedangkan pekerjaan dengan proporsi tugas yang dapat diotomatisasi tinggi diklasifikasikan sebagai berpusat pada agen (agent-centric) atau berpusat pada robot (robot-centric)
• Peran yang menggabungkan 2 atau 3 elemen secara seimbang diklasifikasikan sebagai tipe campuran atau hibrida

• Peran berpusat pada manusia

  • Ditemukan di bidang layanan kesehatan, bangunan dan pemeliharaan, serta mencakup sekitar sepertiga lapangan kerja di AS
  • Gaji tahunan rata-rata sekitar US$71.000
  • Aktivitas fisik yang tidak dapat direplikasi dengan teknologi saat ini mencakup sekitar setengah dari jam kerja

• Peran berpusat pada agen dan berpusat pada robot

  • Ini adalah peran dengan potensi otomatisasi tertinggi dan mencakup sekitar 40% dari seluruh pekerjaan
  • Sebagian besar adalah peran berpusat pada agen dalam layanan hukum dan administratif, dengan gaji tahunan rata-rata sekitar US$70.000, termasuk pekerjaan kognitif skala besar seperti penyusunan dokumen yang secara teknis dapat ditangani sistem AI
  • Peran berpusat pada robot (seperti pengemudi dan operator mesin) menuntut fisik tinggi dan terkadang berbahaya, dengan gaji tahunan rata-rata sekitar US$42.000
  • Peran agen-robot mencakup sekitar 2% dari seluruh pekerja dengan gaji tahunan rata-rata sekitar US$49.000; pekerjaan fisik mencakup 53% jam kerja dan umumnya ditemukan di lingkungan produksi seperti manufaktur dan operasi logistik otomatis, tempat kecerdasan perangkat lunak mengarahkan sistem fisik

• Peran hibrida

  • Mencakup beragam pekerjaan yang menggabungkan manusia, agen, dan robot, serta mempekerjakan sekitar sepertiga tenaga kerja
  • Tingkat gaji, intensitas fisik, dan potensi otomatisasinya sangat bervariasi, tetapi manusia tetap penting di semua lingkungan
  • Peran manusia-agen: seperti guru, insinyur, dan profesional keuangan, yang pekerjaannya dapat ditingkatkan dengan alat digital dan AI; gaji tahunan rata-rata US$74.000, dan mencakup sekitar seperlima pekerja AS
  • Peran manusia-robot: ditemukan dalam pemeliharaan dan konstruksi, tempat mesin menambah tenaga dan presisi pada upaya manusia; pekerjaan fisik mencakup sekitar 81% jam kerja, gaji tahunan rata-rata US$54.000, dan mewakili kurang dari 1% pekerja AS
  • Peran manusia-agen-robot: ditemukan di transportasi, pertanian, dan layanan makanan, tempat tiga bentuk tenaga kerja berpadu hampir setara; pekerjaan fisik mencakup sekitar 43% jam kerja, gaji tahunan rata-rata US$60.000, dan mewakili sekitar 5% pekerja AS

Perubahan kebutuhan keterampilan

• Hasil analisis lowongan kerja menunjukkan sekitar 6.800 keterampilan sering disebut dalam lebih dari 11 juta lowongan
• Di hampir semua pekerjaan, hingga 2030 akan ada setidaknya satu keterampilan yang sangat berubah dalam kuartil teratas
• Pada sepertiga pekerjaan, lebih dari 10% keterampilan diperkirakan mengalami perubahan besar

• Kebutuhan keterampilan yang makin spesifik dan terspesialisasi

  • Jumlah keterampilan unik yang terkait dengan tiap pekerjaan meningkat dari rata-rata 54 menjadi 64 dalam 10 tahun, menunjukkan cara pemberi kerja mendeskripsikan peran menjadi lebih spesifik
  • Bidang bergaji tinggi cenderung memerlukan lebih banyak keterampilan dan spesialisasi yang lebih besar
    • Lowongan untuk data scientist dan ekonom mencantumkan lebih dari 90 keterampilan unik
    • Pengemudi mobil mencantumkan kurang dari 10
  • Pekerjaan bergaji tinggi menekankan keterampilan manajemen, informasi, dan digital
  • Peran bergaji rendah berfokus pada pekerjaan langsung, pengoperasian peralatan, serta pemberian perawatan dan dukungan

• Keterampilan yang dapat ditransfer dan 8 keterampilan berfrekuensi tinggi

  • Tiap gelombang perubahan keterampilan telah mengubah cara pekerja bekerja, tetapi perbedaan saat ini adalah kecepatannya
  • Hingga 2023, permintaan akan keterampilan terkait AI tumbuh dengan laju yang mirip dengan keterampilan digital lain seperti cloud computing dan keamanan siber
  • Setelah munculnya AI generatif, laju ini meningkat tajam: sekitar 600 keterampilan baru muncul dalam lowongan selama 2 tahun terakhir (sekitar sepertiga dari total tambahan dalam 10 tahun terakhir), dan banyak di antaranya terhubung dengan AI serta teknologi terkait
  • Perubahan yang cepat meningkatkan nilai keterampilan yang dapat ditransfer
  • Meski spesialisasi meningkat, 8 keterampilan berfrekuensi tinggi (komunikasi, hubungan pelanggan, menulis, pemecahan masalah, kepemimpinan, manajemen, operasional, dan orientasi pada detail) tetap relevan lintas industri dan tingkat upah
  • Keterampilan-keterampilan ini membentuk jaringan penghubung pasar tenaga kerja dan menjadi inti pengembangan tenaga kerja
  • Banyak keterampilan lain juga dapat ditransfer antarpekerjaan: misalnya, lebih dari separuh keterampilan yang dibutuhkan untuk Account Executive juga muncul pada 175 pekerjaan lain

• Lonjakan cepat permintaan AI Fluency

  • Permintaan untuk AI Fluency (kemampuan menggunakan dan mengelola alat AI) melonjak hampir 7 kali lipat dalam 2 tahun hingga pertengahan 2025
  • Kini muncul sebagai persyaratan pada pekerjaan yang dijalani sekitar 7 juta pekerja
  • Permintaan untuk keterampilan AI teknis (membangun dan menerapkan sistem AI) juga tumbuh, tetapi dengan laju yang lebih lambat
  • 75% permintaan keterampilan AI terkonsentrasi di tiga kelompok pekerjaan: komputasi dan matematika, manajemen, serta bisnis dan keuangan
  • Sisanya muncul di 10 kelompok pekerjaan lain seperti arsitektur dan rekayasa, instalasi, pemeliharaan dan perbaikan, serta pendidikan
  • Pada 9 kelompok pekerjaan seperti konstruksi, transportasi, dan layanan makanan (sekitar 40% tenaga kerja, dengan pendapatan median di bawah rata-rata), permintaan keterampilan terkait AI terbatas
  • Pemberi kerja juga meningkatkan permintaan untuk kapabilitas yang berdekatan dengan AI seperti optimasi proses, quality assurance, dan pelatihan
  • Sebaliknya, penyebutan dalam lowongan untuk bidang yang sudah dikerjakan dengan baik oleh mesin atau sangat ditingkatkan olehnya (riset, menulis, matematika sederhana) sedang menurun, meski keterampilan ini tetap penting bagi sebagian besar tenaga kerja

• Sebagian besar keterampilan manusia tetap relevan, tetapi cara penggunaannya berubah

  • Sekitar 72% keterampilan dibutuhkan baik untuk pekerjaan yang bisa dilakukan AI maupun pekerjaan yang harus dilakukan manusia
  • Sejumlah kecil keterampilan diperkirakan tetap unik bagi manusia, berakar pada empati, kreativitas, dan pemahaman kontekstual, seperti penyelesaian konflik antarmanusia dan design thinking
  • Di sisi lain spektrum, ada keterampilan yang kemungkinan besar akan menjadi didominasi AI, seperti entri data, pemrosesan keuangan, dan kontrol peralatan
    • Di area ini, manusia akan mundur dari pekerjaan langsung dan fokus pada perancangan, verifikasi hasil, serta penanganan pengecualian
  • Di area tengah yang luas di antara kedua ujung tersebut, manusia dan AI bekerja berdampingan
    • Terbentuk kemitraan teknologi: mesin menangani tugas rutin, sementara manusia membingkai masalah, memberi instruksi kepada agen AI dan robot, menafsirkan hasil, dan mengambil keputusan
    • Manusia menyediakan penilaian dan pemahaman kontekstual yang masih kurang pada mesin, menggabungkan kolaborasi dan pengawasan

Skill Change Index (SCI)

• SCI adalah indikator berbobot waktu yang mengukur tingkat paparan potensial otomatisasi untuk tiap keterampilan dalam berbagai skenario adopsi
• Di antara 100 keterampilan yang paling banyak diminati, dampak AI sangat bervariasi
  • Keterampilan berpusat pada manusia seperti coaching memiliki paparan otomatisasi paling rendah
  • Keterampilan manual dan rutin seperti pemrosesan faktur memiliki paparan paling tinggi
  • Keterampilan seperti quality assurance berada di tengah distribusi, yaitu area ketika AI bukan menggantikan keterampilan, melainkan mengubah cara keterampilan itu digunakan

• Paparan 7.000 keterampilan

  • Keterampilan digital dan pemrosesan informasi menempati peringkat tertinggi dalam SCI, mencerminkan peningkatan kemampuan AI dalam memproses dan menganalisis data
  • Keterampilan perawatan dan dukungan diperkirakan mengalami perubahan paling sedikit

• Tiga jalur evolusi keterampilan

  • Keterampilan dengan paparan tinggi (kuartil teratas): kemungkinan besar permintaannya menurun; terutama keterampilan spesialis yang sudah dikerjakan dengan baik oleh AI, seperti proses akuntansi dan pemrograman bahasa tertentu
  • Keterampilan kuartil menengah: lebih mungkin berevolusi dalam sifat dan cara penerapannya daripada sekadar naik atau turun permintaannya; terutama keterampilan yang dapat ditransfer yang menggabungkan penilaian manusia dan alat digital, termasuk AI Fluency; keterampilan seperti menulis dan riset akan diterapkan manusia dengan cara baru
  • Keterampilan dengan paparan rendah (kuartil terbawah): kemungkinan besar bertahan; terutama keterampilan yang berbasis koneksi manusia dan perawatan seperti kepemimpinan dan keterampilan kesehatan

Nilai ekonomi dan perancangan ulang workflow

• Otomatisasi berbasis AI berpotensi menciptakan nilai ekonomi tahunan sekitar US$2,9 triliun di Amerika Serikat hingga 2030 dalam skenario adopsi menengah
• Untuk mewujudkan manfaat ini, yang diperlukan bukan otomatisasi tugas individual, melainkan perancangan ulang seluruh workflow agar manusia, agen, dan robot dapat berkolaborasi secara efektif

• Sebagian besar perusahaan masih belum mencapai manfaat nyata

  • Sekitar 90% perusahaan menjawab bahwa mereka telah berinvestasi pada AI, tetapi perusahaan yang melaporkan manfaat terukur jumlahnya kurang dari 40%
  • Penyebab kesenjangan: banyak proyek masih berada pada tahap pilot/uji coba, atau organisasi masih menerapkan AI pada tugas individual alih-alih merancang ulang seluruh workflow
  • Contoh: perbedaan antara bank yang memberi chatbot sementara kepada karyawan untuk dipakai ad hoc versus menempatkan agen khusus dalam proses yang dirancang ulang bersama manusia untuk persetujuan, pemrosesan, dan pengelolaan pinjaman

• Distribusi manfaat produktivitas

  • Analisis terhadap 190 proses bisnis di seluruh ekonomi AS
  • Sekitar 60% potensi peningkatan produktivitas terkonsentrasi pada workflow terkait domain spesifik sektor (aktivitas inti tiap industri)
    • Manufaktur: manajemen rantai pasok
    • Layanan kesehatan: diagnosis klinis dan perawatan pasien
    • Keuangan: kepatuhan regulasi dan manajemen risiko
  • Manfaat tambahan muncul dari fungsi lintas fungsi yang mendukung semua sektor, seperti TI, keuangan, dan layanan administratif

Studi kasus: workflow dengan AI terintegrasi

• Tinjau 80 contoh implementasi yang mendesain ulang workflow dengan AI sebagai pusatnya
• Manajer dan pakar makin beralih ke peran orkestrator·validator, bukan eksekutor
• Pakar domain seperti analis data, underwriter, dan insinyur bermitra dengan agen yang menangani analisis awal atau pembuatan draf awal
• Keterampilan manusia yang paling bernilai bergeser ke kemahiran AI, kemampuan beradaptasi, dan evaluasi kritis atas output, sehingga manusia dapat fokus pada pekerjaan bernilai lebih tinggi

• Contoh penjualan: perusahaan teknologi global

  • Berupaya memperluas jangkauan dan memperdalam hubungan pelanggan
  • Dalam model lama, tim penjualan manusia menggunakan metode prioritisasi yang tidak konsisten, memiliki kemampuan terbatas untuk pendekatan yang disesuaikan bagi ribuan akun kecil, dan hanya prospek teratas yang menerima perhatian khusus
  • Mengadopsi beberapa agen AI untuk mengotomatisasi tahap awal proses penjualan
    • Agen prioritas: memberi skor dan memeringkat akun berdasarkan data publik dan data proprietari
    • Agen outreach: menghubungi pelanggan
    • Agen respons pelanggan: mengelola tindak lanjut, mengklasifikasikan lead menjadi tertarik/tidak tertarik/tidak pasti
    • Agen penjadwalan: mengatur panggilan dan pengingat untuk lead berpotensi tinggi
    • Agen handoff: meneruskan berkas ke pakar saat dibutuhkan penilaian manusia
  • Hasil: proyeksi kenaikan pendapatan tahunan 7~12% berkat peningkatan pendapatan baru, cross-sell, dan retensi, serta penghematan waktu 30~50% di seluruh peran penjualan
  • Spesialis business development dapat menghabiskan lebih banyak waktu untuk keterlibatan strategis seperti penulisan proposal, negosiasi kemitraan, dan pembangunan relasi
  • Ke depan, dapat ditambahkan agen coaching (umpan balik real-time untuk tim penjualan) dan agen manajemen (asisten yang menangani tugas administratif rutin)

• Contoh operasi pelanggan: perusahaan utilitas besar

  • Menangani lebih dari 7 juta panggilan dukungan per tahun meski sudah memiliki berbagai opsi self-service di aplikasi dan situs web
  • Sistem interactive voice response yang lama hanya menyelesaikan sekitar 10% pertanyaan, sementara sisanya diteruskan ke petugas layanan pelanggan manusia
  • Menerapkan AI percakapan agentic ke seluruh basis pelanggan
    • Agen panggilan masuk: memverifikasi pelanggan
    • Agen identifikasi niat: memahami tujuan panggilan
    • Agen penjadwalan panggilan: mengelola janji temu
    • Agen self-service: terintegrasi dengan sistem backend
  • Hasil: kini menangani sekitar 40% dari seluruh panggilan dan menyelesaikan lebih dari 80% di antaranya tanpa campur tangan manusia
    • Jika perlu eskalasi, kasus diteruskan bersama detail akun yang telah diverifikasi dan riwayat percakapan untuk memastikan handoff yang mulus
    • Biaya rata-rata per panggilan turun sekitar 50%
    • Skor kepuasan pelanggan naik 6 poin persentase berkat waktu tunggu yang lebih singkat, penanganan yang konsisten, dan penyelesaian yang lebih cepat
    • Petugas manusia menangani masalah yang lebih kompleks, sensitif secara emosional, dan bernilai tinggi
  • Ke depan, dapat ditambahkan agen identifikasi masalah pelanggan (memantau gangguan layanan dan secara proaktif menghubungi pelanggan) serta agen coaching (memberi panduan real-time kepada petugas manusia saat panggilan berlangsung)
  • Diproyeksikan agen AI canggih pada akhirnya dapat menangani 80~90% pertanyaan pelanggan

• Contoh penulisan medis: perusahaan biopharma global

  • Berupaya meningkatkan proses penulisan laporan studi klinis yang mendokumentasikan data keamanan dan efikasi obat baru
  • Dalam model lama, penulis medis secara manual mengumpulkan data studi, menulis laporan panjang, dan mengoordinasikan beberapa siklus peninjauan
  • Kapasitas yang terbatas dan waktu pengerjaan yang panjang membatasi kemampuan untuk memenuhi permintaan submission yang terus meningkat
  • Mengembangkan platform AI yang menyusun ulang workflow untuk penulisan laporan
    • Mensintesis data studi terstruktur dan tidak terstruktur, menghasilkan draf komprehensif dalam hitungan menit, menerapkan template gaya perusahaan dan kepatuhan regulasi, serta meninjau kesalahan sendiri
  • Peran penulis medis bergeser dari penulisan draf manual menjadi berkolaborasi dengan sistem AI dan menerapkan penilaian klinis
  • Hasil: touch time untuk draf pertama yang ditinjau manusia turun sekitar 60%, dan kesalahan berkurang sekitar 50%
    • Jika digabungkan dengan perubahan proses dan teknologi terkait lainnya, upaya menuju peluncuran ke pasar dapat dipersingkat beberapa minggu, dengan potensi peningkatan tambahan
  • Ke depan, agen dapat digunakan untuk mendukung tahap-tahap utama dari perencanaan studi klinis hingga submission: agen perencanaan studi klinis (merakit protokol uji), agen pemetaan data (analisis dan sintesis data), agen penulisan laporan (menghasilkan draf penuh), agen validasi (memeriksa kepatuhan), agen review (memindai kesalahan), dan agen draf submission (membuat dokumen untuk diajukan ke regulator)
  • Jika diterapkan di seluruh siklus studi, timeline dapat dipersingkat beberapa bulan

• Contoh modernisasi IT: bank regional

  • Menggunakan agen AI untuk memodernisasi aplikasi perbankan bagi usaha kecil dan menengah
  • Menargetkan pembaruan berbagai bahasa pemrograman untuk mempercepat kecepatan pengembangan internal
  • Pendekatan lama: dokumentasi manual, refactoring kode, dan pengujian atas jutaan baris kode membutuhkan kerja berbulan-bulan, anggaran besar, dan kapabilitas engineering yang luas
  • Memulai pilot yang menggunakan agen AI untuk berbagai tugas modernisasi
    • Agen evaluasi: memindai codebase legacy untuk mengidentifikasi dependensi
    • Agen fungsional: membuat arsitektur target state
    • Agen coding: memigrasikan kode ke framework baru dan menjalankan pengujian otomatis
  • Developer berkolaborasi dengan 15~20 agen untuk memvalidasi dan menyempurnakan output demi integritas arsitektur, kepatuhan, dan akurasi fungsional
  • Dalam proses modernisasi, aplikasi berubah dari desktop ke mobile, dari on-premises ke cloud, dan dari arsitektur monolitik ke microservices
  • Saat agen AI menangani sebagian besar eksekusi berulang, fokus kerja manusia bergeser ke perencanaan, orkestrasi, dan pengujian
  • Hasil awal: akurasi kode hingga 70%
  • Setelah modul pilot, bank berencana memperluas penggunaan agen ke seluruh upaya modernisasi, dengan perkiraan pengurangan waktu manusia hingga 50%
  • Ke depan, agen rencana modernisasi (koordinasi proses), agen quality assurance, dan agen testing dapat mendukung lebih lanjut

• AI membentuk ulang pekerjaan dan keterampilan manajerial

  • Ketika AI menangani lebih banyak pekerjaan analitis dan dukungan pengambilan keputusan, esensi pekerjaan manajerial bergeser dari mengawasi manusia menjadi mengorkestrasi sistem tempat manusia·agen AI·robot bekerja sama
  • Manajer dapat mengalokasikan kembali waktu ke pekerjaan bernilai lebih tinggi seperti memengaruhi dan mentoring, sambil juga dituntut memiliki kemahiran teknis yang lebih besar
    • Contoh: manajer penjualan dapat menghabiskan lebih banyak waktu untuk melatih tim agar menggunakan insight berbasis AI dan memperkuat relasi
    • Contoh: manajer layanan pelanggan dapat mengawasi tenaga kerja hibrida manusia dan agen AI, serta melatih sistem AI dan karyawan untuk meningkatkan layanan

Pertanyaan kunci untuk pemimpin bisnis

• Menata ulang bisnis untuk nilai masa depan

  • Upaya AI pada tahap awal sering kali berfokus pada peningkatan yang sudah ada, alih-alih memikirkan ulang alur kerja
  • Manfaat yang lebih besar datang dari perancangan ulang proses secara menyeluruh
  • Untuk membangun nilai masa depan, perlu melihat beberapa tahun ke depan lalu bekerja mundur untuk mengidentifikasi peran, keterampilan, dan struktur apa yang perlu berubah terkait AI
  • Pemimpin perlu memilih di mana harus berinvestasi pada perancangan ulang besar sekarang, dan di mana cukup menyempurnakan model saat ini untuk keuntungan jangka pendek

• Mendorong AI sebagai transformasi bisnis inti

  • AI memengaruhi hampir semua fungsi
  • Pemimpin dapat mendekatinya sebagai proyek teknologi atau transformasi bisnis yang lebih luas
  • Jika tanggung jawab didelegasikan ke departemen TI, implementasi mungkin bisa lebih cepat, tetapi perubahan yang berkelanjutan dan keunggulan strategis yang nyata bergantung pada komitmen yang terlihat dari pimpinan senior serta perhatian berkelanjutan pada dampak AI terhadap manusia dan bisnis di seluruh organisasi

• Membangun budaya eksperimen dan pembelajaran

  • Implementasi AI disertai ketidakpastian, terutama pada tahap awal
  • Organisasi yang menguji dan beradaptasi dengan cepat cenderung belajar paling cepat
  • Hal ini ditentukan oleh budaya yang mendukung rasa ingin tahu, pengambilan risiko, belajar dari kegagalan, dan kolaborasi
  • Perubahan budaya memang sulit, tetapi penting untuk transformasi berskala besar yang kemungkinan akan dituntut AI

• Membangun kepercayaan dan menjamin keamanan

  • AI mengubah cara perusahaan menjaga akuntabilitas dan melakukan pengawasan
  • Fokus bergeser dari memeriksa output satu per satu ke penetapan kebijakan yang jelas, validasi logika AI, penanganan pengecualian, dan penentuan kapan intervensi manusia paling diperlukan
  • Tantangannya adalah menjaga keseimbangan yang tepat antara mempertahankan pengawasan yang memadai untuk mengelola risiko dan menjamin keamanan, tanpa membatasi inovasi dan efisiensi

• Membekali manajer untuk memimpin tim hibrida

  • AI mendefinisikan ulang arti manajemen
  • Dengan otomatisasi pengawasan rutin, manajer dapat lebih fokus pada coaching, memengaruhi, dan orkestrasi tim hibrida yang terdiri dari manusia, agen, dan robot
  • Manajer juga memainkan peran kunci dalam pengujian bias, verifikasi kinerja, dan menjaga integritas
  • Saat otomatisasi mengurangi kontrol langsung, menjaga akuntabilitas atas hasil bisa menjadi lebih sulit
  • Diperlukan metrik kinerja dan sistem umpan balik baru untuk mengevaluasi kontribusi dan interaksi manusia serta mesin

• Menentukan cara memanfaatkan kapasitas yang dibebaskan AI

  • Perusahaan perlu memutuskan bagaimana menggunakan kapasitas yang dibebaskan AI: berinvestasi kembali pada pengembangan tenaga kerja dan pekerjaan bernilai lebih tinggi, atau berfokus pada efisiensi yang lebih besar dan penghematan biaya
  • Sebagian besar akan melakukan keduanya sampai batas tertentu
  • Mengelola transisi ini memerlukan identifikasi peran mana yang dapat berevolusi dan menyediakan jalur pertumbuhan berbasis keterampilan yang jelas bagi karyawan
  • Dengan AI, pembelajaran dan pelatihan berkelanjutan menjadi semakin penting bagi kekuatan organisasi
  • Karena perubahan pekerjaan dan kebutuhan keterampilan berkembang lebih cepat, membantu pekerja memahami bagaimana keterampilan mereka dapat dialihkan ke jenis pekerjaan baru akan membantu memperkuat ketahanan baik bagi individu maupun perusahaan
  • Literasi AI perlu diperluas ke seluruh level organisasi
  • Perusahaan dapat membangun keterampilan ini melalui alat digital, proyek praktik, dan coaching, serta memperluas akses pembelajaran dan membuka peluang baru melalui kemitraan dengan organisasi atau institusi lain

Pertanyaan kunci untuk institusi

• Evolusi pendidikan dan pelatihan

  • Saat kebutuhan keterampilan berubah, pendidikan memainkan peran penting
  • Dasar literasi AI — seperti berpikir kritis, mempertanyakan hasil, menantang asumsi, dan mengenali bias serta kesalahan — perlu dikembangkan sejak sekolah dasar agar orang dapat belajar menggunakan dan mengarahkan teknologi ini secara efektif
  • Kurikulum dapat dirancang ulang untuk menggabungkan pengetahuan teknis dengan keterampilan manusia yang dapat ditransfer seperti kemampuan beradaptasi, berpikir analitis, dan kolaborasi
  • Universitas dapat mengintegrasikan AI ke berbagai disiplin ilmu, dan sekolah vokasi maupun community college dapat memperluas pelatihan kerja terampil
  • AI dapat mendukung pembelajaran yang lebih personal dan berkelanjutan
  • Dengan meningkatnya kebutuhan reskilling, investasi pada pembelajaran sepanjang hayat diperlukan
  • Sistem pendidikan dan pemberi kerja perlu bekerja sama lebih erat melalui program bersama, model yang fleksibel, magang berbayar sambil bekerja, dan sertifikasi cepat untuk membantu orang berpindah antar pekerjaan dan industri

• Sistem yang menghubungkan keterampilan yang dapat ditransfer dengan peluang baru

  • Saat AI mentransformasi pekerjaan, banyak orang perlu berpindah ke profesi yang benar-benar baru
  • Dalam transisi semacam itu, keterampilan yang dapat ditransfer sangat penting, tetapi hanya bermakna jika pasar tenaga kerja dapat mengenali dan menghargainya
  • Hal ini dapat dimungkinkan melalui definisi keterampilan yang jelas, cara yang tepercaya untuk membuktikan kompetensi (tes atau sertifikat yang tervalidasi), dan platform pencocokan yang lebih baik
  • Membangun koneksi antara pemberi kerja, sekolah, dan lembaga sertifikasi dapat memperluas akses terhadap pekerjaan dan peluang

• Respons ekonomi lokal dan komunitas

  • Dampak AI sangat berbeda menurut industri dan wilayah
  • Memahami perbedaan ini melalui data adalah langkah pertama untuk tindakan yang efektif
  • Dengan gambaran yang jelas tentang di mana perubahan terjadi, kelompok industri, pendidik, lembaga ketenagakerjaan, dan serikat pekerja dapat berkolaborasi untuk menyusun pelatihan dan strategi transisi kerja yang sesuai dengan kebutuhan lokal

Definisi istilah

• Adoption: Penerapan AI dan teknologi otomasi ke aktivitas kerja nyata dan alur kerja dalam konteks organisasi atau tenaga kerja, yang menentukan seberapa besar, seberapa cepat, dan seberapa luas potensi otomasi dapat ditangkap
• Agents: Mesin yang melakukan aktivitas kerja di dunia digital, yang memperkuat atau menggantikan kapabilitas nonfisik manusia seperti generasi bahasa alami, penalaran sosial dan emosional, serta kreativitas
• AI-powered agents: Agen yang ditenagai AI, sehingga dapat bertindak lebih otonom dan melakukan orkestrasi alur kerja; juga disebut agentic AI
• AI-powered robots: Robot yang ditenagai AI, sehingga dapat bertindak lebih otonom dan melakukan orkestrasi alur kerja
• Artificial Intelligence, AI: Kemampuan perangkat lunak untuk melakukan tugas yang secara tradisional memerlukan kecerdasan manusia, yang berpotensi memperkuat atau menggantikan kapabilitas manusia
• Capabilities: Kemampuan fisik atau nonfisik yang mendukung penerapan teknologi, dinilai berdasarkan tingkat kinerja setara manusia yang dibutuhkan untuk melakukan aktivitas kerja; kapabilitas nonfisik mencakup kapabilitas kognitif (bahasa alami, penalaran logis, kreativitas, navigasi, dll.) serta sosial dan emosional
• Generative AI: Aplikasi AI yang menerima data tidak terstruktur sebagai input dan menghasilkan data tidak terstruktur melalui foundation model (jaringan saraf tiruan berskala besar yang dilatih pada beragam data dalam jumlah sangat besar)
• Nonphysical work: Pekerjaan yang melibatkan kapabilitas kognitif atau sosial/emosional, bukan gerakan fisik, seperti pemecahan masalah, pemrosesan informasi, penciptaan, dan kolaborasi dengan orang lain
• Occupations: Kumpulan pekerjaan yang berbagi tugas atau aktivitas kerja serupa yang dapat dijelaskan dari sisi keterampilan, konteks kerja, dan kualifikasi lainnya; di Amerika Serikat digunakan sistem Standard Occupational Classification yang dikelola oleh Bureau of Labor Statistics
• Physical work: Pekerjaan yang melibatkan interaksi langsung dengan dunia fisik dan memerlukan kapabilitas berbasis gerakan seperti keterampilan motorik kasar, keterampilan motorik halus, dan mobilitas; umumnya mencakup manipulasi atau pemindahan objek, alat, dan mesin, perakitan atau penempatan material, serta pelaksanaan tindakan yang bergantung pada kekuatan atau ketangkasan manusia
• Robots: Mesin yang melakukan aktivitas kerja di dunia fisik, yang memperkuat atau menggantikan kapabilitas fisik manusia seperti keterampilan motorik kasar, keterampilan motorik halus, dan mobilitas
• Skills: Pengetahuan, kapabilitas, dan atribut yang digunakan seseorang untuk melakukan aktivitas kerja, sering kali diperoleh melalui pendidikan formal, pelatihan, dan pengalaman kerja; Lightcast dan ESCO menyediakan sistem klasifikasi keterampilan yang digerakkan pasar
• Technical automation potential: Persentase jam kerja yang secara teoretis dapat diotomatisasi pada tingkat kapabilitas teknis tertentu; potensi otomasi teknis di seluruh ekonomi AS dinilai melalui analisis aktivitas kerja terperinci di tiap profesi; menggunakan basis data yang diterbitkan Bureau of Labor Statistics AS dan O*NET untuk memecah sekitar 800 profesi menjadi sekitar 2.000 aktivitas, lalu menentukan kapabilitas yang dibutuhkan untuk tiap aktivitas berdasarkan cara manusia saat ini melakukannya di tempat kerja
• Work activities: Tindakan kerja yang dapat diamati dan menunjukkan apa yang dilakukan seseorang untuk mencapai tujuan suatu profesi; di Amerika Serikat, O*NET mengklasifikasikannya secara resmi sebagai Detailed Work Activities (DWA)
• Workflows: Rangkaian terstruktur dari aktivitas kerja yang secara kolektif mendorong kemajuan pekerjaan menuju tujuan yang ditentukan, dipandu oleh proses seperti aturan, dependensi, dan aliran informasi, serta melibatkan manusia dan teknologi