“Kalau dulu satu minggu bisa tiga proposal, sekarang harusnya enam dong.”

“Kalau AI bantu content, kenapa cuma publish empat?”

“Kalau coding lebih cepat, sprint bisa ditambah.”

Productivity gain yang tadinya terasa seperti bonus berubah jadi baseline baru.

Ini bukan hal aneh.

Teknologi hampir selalu bekerja seperti itu.

Ketika mesin membuat produksi lebih cepat, perusahaan menaikkan output.

Ketika spreadsheet mempercepat perhitungan, orang tidak pulang lebih cepat.

Mereka membuat analisis lebih banyak.

AI cuma versi terbaru.

Yang berbeda adalah kecepatannya.

Ekspektasi naik sebelum organisasi benar-benar memahami batasnya.

Produktivitas tidak otomatis menjadi waktu luang

Narasi populer AI sering bilang:

AI menghemat waktu.

Benar.

Tapi waktu yang dihemat pergi ke mana?

Ada beberapa kemungkinan.

Orang pulang lebih cepat.

Orang belajar.

Orang mengerjakan pekerjaan lebih strategis.

Perusahaan menerima lebih banyak project.

Target dinaikkan.

Headcount ditahan.

Seringnya campuran.

Ini yang jarang dibahas saat orang menghitung ROI AI.

“Task ini hemat dua jam.”

Bagus.

Apakah dua jam itu benar-benar saved?

Atau hanya dipindah ke task lain?

Dari perspektif perusahaan, tetap value.

Dari perspektif karyawan, pengalaman bisa beda.

Kalau seluruh waktu hemat diisi workload baru, AI terasa bukan seperti bantuan.

Terasa seperti treadmill yang dipercepat.

Ini bisa menciptakan resistance yang tidak terlihat.

Employee tetap pakai AI.

Tapi tidak excited.

Mereka merasa tool hanya membuat ekspektasi naik.

Orang bisa mulai menyembunyikan efisiensi

Ini fenomena yang masuk akal.

Kalau setiap kali employee menemukan cara lebih cepat lalu target dinaikkan, lama-lama incentive-nya berubah.

Kenapa harus bilang kerjaan yang dulu empat jam sekarang satu jam?

Nanti dapat tiga task tambahan.

Maka productivity gain disembunyikan.

Employee tetap menyelesaikan lebih cepat.

Tapi tidak melaporkan.

Sisa waktu dipakai untuk buffer.

Belajar.

Istirahat.

Atau pekerjaan lain.

Dari sisi manajemen, ini terlihat seperti underutilization.

Dari sisi employee, ini self-protection.

Organisasi perlu hati-hati menciptakan incentive.

Kalau semua efficiency langsung dikonversi menjadi target, orang tidak akan transparan soal improvement.

Padahal perusahaan butuh learning.

Workflow apa yang terbukti lebih cepat?

Prompt mana yang bagus?

Automation mana yang worth it?

Kalau employee takut berbagi, knowledge tidak menyebar.

Jadi productivity sharing harus punya benefit untuk employee juga.

Misalnya sebagian waktu hemat dialokasikan ke learning.

Process improvement.

Quality.

Innovation.

Bukan selalu volume.

AI meningkatkan output, tapi quality control tetap punya speed limit

Ini bottleneck yang sering muncul.

AI bisa membuat 20 draft.

Manusia tetap harus membaca.

AI bisa menghasilkan 100 ide campaign.

Tim tetap harus memilih.

AI bisa menulis code.

Testing tetap perlu.

AI bisa merangkum 50 vendor.

Procurement tetap harus mengambil keputusan.

Output generation melesat.

Judgement capacity tidak.

Ini membuat perusahaan salah menghitung target.

“Kalau drafting 5x lebih cepat, output final harus 5x.”

Belum tentu.

Karena draft hanya satu bagian proses.

Ada review.

Approval.

Coordination.

Customer feedback.

Implementation.

Decision.

Semua punya bottleneck.

AI menghilangkan satu bottleneck.

Bukan seluruh workflow.

Kalau target dinaikkan berdasarkan speed satu step, downstream overload.

Akhirnya quality turun.

Tim editing tenggelam.

Manager jadi bottleneck.

Client menerima lebih banyak tapi lebih buruk.

Productivity seharusnya dihitung end-to-end.

Bukan satu task.

Target naik bisa masuk akal kalau value juga naik

Bukan berarti target tidak boleh dinaikkan.

Kalau teknologi benar-benar meningkatkan capacity, perusahaan wajar mengharapkan output lebih tinggi.

Bisnis bukan program kesejahteraan.

Tapi target harus berdasarkan evidence.

Bukan asumsi “ada AI berarti dua kali cepat”.

Ambil data.

Sebelum AI, cycle time berapa?

Setelah AI, berapa?

Error rate?

Rework?

Quality?

Customer outcome?

Burnout?

Cost?

Kalau output naik 30 persen tanpa quality drop, target bisa disesuaikan.

Kalau output naik 2x tapi rework juga naik 2x, productivity sebenarnya flat.

AI membuat angka terlihat bagus di depan.

Organisasi harus melihat belakang.

Volume yang lebih tinggi tidak selalu value yang lebih tinggi.

Marketing bisa publish dua kali lebih banyak.

Kalau engagement turun, buat apa?

Sales bisa kirim proposal lebih banyak.

Kalau conversion turun karena terlalu generic, value nggak naik.

AI membuat produksi murah.

Justru selection jadi lebih penting.

Manager bisa salah melihat AI sebagai “tenaga kerja tambahan gratis”

Ini framing yang berbahaya.

“Kan sekarang ada AI.”

Kalimat ini sering muncul untuk justify tambahan scope.

Padahal AI bukan full employee.

Ia tidak punya accountability.

Context terbatas.

Masih perlu review.

Bisa salah.

Bisa berubah behavior.

Task tertentu sangat membantu.

Task lain tidak.

Manager yang tidak memahami detail kerja bisa overestimate.

Misalnya satu analyst memakai AI untuk membuat draft report.

Draft selesai cepat.

Tapi source verification tetap manual.

Data cleaning tetap manual.

Stakeholder discussion tetap.

Final judgement tetap.

Kalau manager cuma melihat bagian draft, dia mengira workload turun 70 persen.

Padahal mungkin 20 persen.

AI literacy manager penting.

Bukan supaya mereka expert prompt.

Supaya tahu mana pekerjaan yang benar-benar berubah.

Jangan set target dari demo.

Set target dari production.

AI bisa memperbesar perbedaan antara high performer dan average performer

Karyawan yang sudah kuat sering dapat leverage lebih besar dari AI.

Mereka tahu apa output bagus.

Tahu apa yang harus dicek.

Tahu pertanyaan yang tepat.

Tahu kapan model ngawur.

AI mempercepat mereka.

Karyawan yang skill dasarnya lemah bisa menghasilkan output lebih cepat juga, tapi review-nya lemah.

Hasil terlihat polished.

Belum tentu benar.

Kalau perusahaan hanya mengukur volume, orang yang generate banyak terlihat hebat.

Padahal quality debt menumpuk.

Ini problem performance management.

Target era AI harus memasukkan quality.

Accuracy.

Impact.

Decision quality.

Customer result.

Bukan sekadar jumlah.

Kalau KPI terlalu mudah di-game dengan AI, employee akan optimize ke metric.

Manusia selalu begitu.

AI cuma membuat gaming lebih cepat.

Burnout bisa datang dari switching, bukan hanya jam kerja

AI membuat banyak task cepat.

Akibatnya employee melakukan lebih banyak task berbeda dalam sehari.

Jam 9 bikin proposal.

Jam 10 analisis data.

Jam 11 meeting.

Jam 12 review AI output.

Jam 1 client call.

Jam 2 bikin deck.

Jam 3 research.

Jam 4 revise.

Jumlah jam sama.

Context switching naik.

Otak tetap capek.

Bahkan mungkin lebih capek karena work intensity tinggi.

Dulu ada waktu tunggu.

File processing.

Drafting.

Preparation.

Sekarang semuanya instant.

Tidak ada pause.

Workday jadi padat.

Ini seperti jalan tol yang selalu lancar.

Kita akhirnya pergi lebih jauh.

AI menghilangkan friction yang dulu secara tidak sengaja memberi jeda.

Perusahaan perlu sadar.

Productivity bukan hanya speed.

Sustainable pace penting.

Kalau semua minute diisi, error naik.

Decision quality turun.

Creative thinking turun.

Employee mungkin kelihatan produktif beberapa bulan.

Lalu burnout.

Waktu kosong adalah resource, bukan waste

Ini konsep yang sulit buat manajemen.

Kalender kosong terlihat seperti inefficiency.

Padahal pekerjaan knowledge membutuhkan ruang.

Berpikir.

Membaca.

Refleksi.

Ngobrol informal.

Belajar.

AI bisa menciptakan ruang itu.

Jangan semuanya langsung diambil.

Misalnya AI menghemat satu jam per hari.

Perusahaan bisa menetapkan sebagian untuk learning.

Eksperimen.

Process improvement.

Deep work.

Ini investasi.

Karena model dan tool berubah cepat.

Employee butuh waktu adaptasi.

Kalau target naik terus, mereka tidak sempat belajar penggunaan baru.

Ironis.

Perusahaan punya AI tapi capability stagnan karena semua orang sibuk mengejar output.

Efficiency seharusnya membiayai learning.

Bukan hanya volume.

Customer juga bisa menaikkan ekspektasi

Bukan cuma bos.

Client dan customer ikut berubah.

Kalau mereka tahu AI membuat kerja lebih cepat, mereka mulai bertanya:

“Kenapa revisi dua hari?”

“Bukannya pakai AI?”

“Bisa bikin tiga opsi lagi?”

Ekspektasi industri naik.

Agency mengalami ini.

Developer.

Consultant.

Designer.

Writer.

Researcher.

Pekerjaan yang terlihat AI-able dianggap harus instant.

Padahal proses final tetap butuh judgement.

Ini menciptakan pressure baru.

Perusahaan perlu mengedukasi customer soal value.

Harga tidak harus turun hanya karena draft lebih cepat.

Customer membayar outcome.

Expertise.

Risk.

Quality.

Accountability.

AI menurunkan cost beberapa step.

Tidak otomatis menurunkan nilai seluruh pekerjaan.

Kalau industri gagal menjelaskan, price pressure meningkat.

Kemudian target internal makin brutal.

AI sebenarnya memberi pilihan strategic

Perusahaan bisa menggunakan productivity gain dengan beberapa cara.

Naikkan volume.

Turunkan cost.

Naikkan quality.

Percepat turnaround.

Kurangi overtime.

Masuk market baru.

Buat service baru.

Semua valid.

Jangan otomatis pilih volume.

Kadang quality lebih valuable.

Misalnya legal team.

AI menghemat waktu research.

Mereka bisa memakai waktu itu untuk review lebih dalam.

Bukan menangani dua kali lebih banyak contract.

Customer service.

AI mengurangi ticket rutin.

Human agent bisa fokus kasus kompleks.

Bukan sekadar menaikkan quota.

Strategy menentukan bagaimana productivity gain didistribusikan.

Kalau tidak ada strategy, default-nya selalu “lebih banyak”.

Karena lebih banyak gampang diukur.

Quality lebih susah.

Target era AI perlu reset lebih hati-hati

Perusahaan seharusnya punya fase learning.

Jangan hari pertama beli AI, bulan berikutnya target naik 50 persen.

Lihat dulu.

Task mana yang benar-benar berubah.

Berapa adoption.

Apa error.

Apa bottleneck baru.

Apa training yang dibutuhkan.

Setelah pola stabil, baru KPI diubah.

Kalau KPI berubah terlalu cepat, employee akan mengejar metric sambil masih belajar tool.

Hasilnya chaos.

Ada juga perbedaan individu.

AI membantu copywriter berbeda dengan finance analyst.

Tidak bisa satu target.

“Semua fungsi harus produktivitas naik 30 persen.”

Itu slogan.

Bukan management.

AI adalah leverage, bukan magic ratio.

Perusahaan perlu menerima variability.

Bahkan use case yang sama bisa beda antarteam.

Productivity gain harus punya pembagian yang terasa fair

Ini akhirnya soal trust.

Kalau employee melihat semua benefit AI masuk perusahaan sementara semua cost masuk ke mereka, resentment tumbuh.

Benefit perusahaan:

Revenue naik.

Headcount cost turun.

Output naik.

Cost turun.

Cost employee:

Target naik.

Monitoring naik.

Skill pressure naik.

Job insecurity naik.

Kalau balance terlalu berat sebelah, adoption jadi defensif.

Perusahaan bisa membagi benefit.

Training budget.

Flexible time.

Bonus berbasis productivity.

Career progression.

Reduced repetitive work.

Better tooling.

Lower overtime.

Tidak harus semua berupa uang.

Yang penting employee merasa AI juga memperbaiki pengalaman kerja.

Bukan cuma memperbesar target.

Kalau tidak, mereka akan menggunakan AI karena harus.

Bukan karena percaya.

Kecepatan bukan tujuan akhir

AI membuat banyak pekerjaan cepat.

Itu fakta.

Tapi perusahaan perlu menahan satu refleks:

Jangan setiap detik yang dihemat langsung dijual kembali sebagai workload.

Kadang waktu hemat sebaiknya menjadi quality.

Kadang learning.

Kadang recovery.

Kadang experiment.

Kadang memang volume.

Pilih.

Jangan otomatis.

Kalau AI bisa membuat satu orang mengerjakan pekerjaan lebih banyak, organisasi perlu bertanya apa yang terjadi pada manusia itu.

Apakah mereka berkembang?

Atau cuma berlari lebih cepat?

Karena target selalu punya kemampuan mengejar produktivitas.

Hari ini AI menghemat dua jam.

Besok dua jam itu sudah masuk baseline.

Lusa orang lupa bahwa pekerjaan dulu lebih lambat.

Yang tersisa hanya ekspektasi baru.

Ini bukan alasan menolak AI.

Justru alasan mengelola produktivitas dengan lebih cerdas.

AI seharusnya membuat pekerjaan lebih bernilai.

Bukan hanya lebih padat.

Kalau semua productivity gain berakhir menjadi lebih banyak task di kalender yang sama, mungkin teknologi kita memang makin pintar.

Tapi cara kita mengelola kerja belum ikut pintar.