Beberapa tahun lalu hasil AI gampang dikenali.
Bahasanya terlalu rapi.
Struktur kaku.
Kata-katanya generik.
Gambar punya jari aneh.
Code kelihatan template.
Sekarang makin susah.
Tulisan AI bisa dibuat lebih natural.
Presentasi lebih rapi.
Gambar makin realistis.
Code makin bagus.
Voice makin meyakinkan.
Dengan sedikit edit manusia, batasnya makin kabur.
Di kantor, pertanyaan lama mulai kehilangan value.
“Ini dibuat AI atau manusia?”
Pertanyaan baru lebih penting:
“Ini bagus nggak?”
“Benar nggak?”
“Bisa dipertanggungjawabkan nggak?”
Kalau output akhirnya memenuhi standar, siapa yang mengetik kalimat pertama mungkin bukan hal utama.
Tapi bukan berarti provenance tidak penting sama sekali.
Ada konteks di mana kita tetap perlu tahu AI dipakai.
Education.
Legal.
Research.
Regulated work.
Creative rights.
Tapi dalam banyak pekerjaan sehari-hari, penilaian akan bergeser dari proses produksi ke kualitas judgement.
AI membuat polish menjadi murah
Dulu tulisan rapi memberi signal skill.
Deck profesional memberi signal effort.
Code cepat memberi signal kemampuan.
Sekarang signal itu melemah.
AI bisa membuat output terlihat polished.
Ini mengubah cara kita menilai talent.
Misalnya kandidat kerja diberi take-home assignment.
Kalau semua kandidat boleh AI, hasil final bisa sama-sama rapi.
Recruiter harus melihat hal lain.
Reasoning.
Decision.
Trade-off.
Ability to explain.
Source verification.
Iteration.
Ini sebenarnya lebih dekat ke pekerjaan nyata.
Perusahaan tidak membayar orang untuk mengetik.
Mereka membayar untuk membuat keputusan yang benar.
AI memaksa kita mengingat itu.
Output adalah bukti.
Belum tentu bukti kemampuan.
Maka interview dan assessment perlu berubah.
Jelaskan kenapa
Satu kalimat sederhana bisa jadi test terbaik.
“Kenapa lo pilih ini?”
Kalau seseorang benar-benar memahami pekerjaan, dia bisa menjelaskan.
Kalau hanya mengambil output AI tanpa mengerti, biasanya mulai kelihatan.
Kenapa struktur ini?
Kenapa angka ini?
Kenapa asumsi ini?
Apa alternatif?
Apa yang paling risky?
Apa yang lo ubah dari output awal?
Pertanyaan seperti ini lebih sulit di-fake.
Bukan mustahil.
Tapi memaksa kandidat menunjukkan ownership.
Di kantor juga begitu.
Manager tidak perlu melarang AI.
Minta employee defend work.
“Walk me through.”
Kalau reasoning solid, tool yang dipakai bukan masalah besar.
Kalau reasoning kosong, output bagus tidak cukup.
Kualitas judgement naik nilainya.
Skill produksi dasar tidak hilang
Ada argumen ekstrem.
Kalau AI bisa menulis, manusia tidak perlu belajar menulis.
Salah.
Kalau tidak paham writing, bagaimana menilai output?
Kalau tidak paham coding, bagaimana review code?
Kalau tidak paham design, bagaimana tahu layout buruk?
AI menggeser skill dasar dari produksi manual ke quality control dan direction.
Tetap perlu.
Bahkan orang yang sangat bergantung AI butuh internal benchmark.
Kalau tidak, setiap output terlihat sama bagus.
Ini bahaya besar.
AI menghasilkan confidence.
Manusia perlu calibration.
Skill dasar memberi calibration.
Semakin bagus AI, semakin sulit mendeteksi error lewat tampilan.
Kita perlu domain understanding.
Human taste menjadi pembeda
Di creative work, taste makin penting.
AI bisa menghasilkan 100 opsi.
Mana yang dipilih?
Itu judgement.
Brand.
Context.
Audience.
Timing.
Cultural nuance.
Taste.
Semua manusia.
Designer masa depan mungkin menghasilkan lebih sedikit pixel secara manual.
Tapi lebih banyak memilih, mengarahkan, dan menyusun.
Writer bisa mengetik lebih sedikit.
Tapi lebih banyak mengedit.
Marketing bisa membuat lebih banyak variant.
Tapi harus tahu mana yang punya point of view.
AI membuat supply output berlimpah.
Scarcity pindah ke selection.
Kalau semua orang bisa menghasilkan, kemampuan memilih jadi premium.
Ini berlaku di banyak bidang.
Code.
Research.
Design.
Writing.
Strategy.
Analyst.
Volume tidak lagi menjadi signal kualitas.
Human contribution bisa ada di framing, bukan output
Kadang bagian paling bernilai terjadi sebelum AI bekerja.
Memilih problem.
Menentukan scope.
Memberi context.
Menetapkan constraint.
Membuat criteria.
Ini semua framing.
AI kemudian menghasilkan.
Kalau framing bagus, output bagus.
Jadi ketika menilai seseorang, jangan cuma lihat hasil akhir.
Lihat pertanyaan yang mereka pilih.
Misalnya analyst diminta:
“Cari opportunity baru.”
AI bisa memberi 50 ide.
Analyst bagus mempersempit.
“Untuk customer kita, dengan margin minimum sekian dan deployment kurang dari tiga bulan, opportunity mana paling realistis?”
Pertanyaan lebih tajam.
Output lebih berguna.
Framing adalah skill.
AI tidak otomatis tahu tujuan organisasi.
Manusia yang memberi.
Verification menjadi skill utama
AI bisa membuat satu kesalahan kecil di tengah output panjang.
Kalau orang tidak cek, problem.
Maka kemampuan verifikasi naik.
Source.
Calculation.
Assumption.
Citation.
Policy.
Data.
Manager harus mulai menilai:
Apakah employee punya process cek?
Bukan apakah dia pakai AI.
Misalnya report bagus.
Ada data external.
Employee bisa menunjukkan source.
Bagus.
Kalau source tidak ada, red flag.
Coding agent membuat code.
Ada test.
Review.
Security check.
Bagus.
Tidak ada test, hanya “AI bilang works”, red flag.
AI usage yang mature punya verification layer.
Ini bisa menjadi standar profesional.
Bukan anti-AI.
Justru cara menggunakan AI dengan benar.
Pekerjaan kolaboratif makin sulit diatribusi
Dulu dokumen punya author.
Sekarang satu report mungkin hasil kombinasi.
Manusia buat outline.
AI research.
Manusia pilih source.
AI draft.
Manusia rewrite.
AI proofread.
Manager edit.
Siapa author?
Jawabannya: workflow.
Attribution individual makin rumit.
Ini memengaruhi performance review.
Kalau satu employee output-nya 3x, apakah karena skill?
Karena model?
Karena template team?
Karena data?
Semua.
Perusahaan perlu menilai contribution lebih luas.
Impact.
Ownership.
Collaboration.
Process improvement.
Judgement.
Bukan jumlah halaman.
AI membuat production metric mudah dimanipulasi.
KPI harus naik level.
“Bikin 20 artikel” bukan sulit lagi.
“Bikin content yang benar-benar menaikkan qualified traffic” lebih meaningful.
“Bikin 100 leads” bisa otomatis.
“Bikin leads yang convert” beda.
Outcome > output.
Originality juga perlu didefinisikan ulang
Kalau AI membantu hampir semua orang, apa arti original?
Bukan berarti setiap kata harus ditulis sendiri.
Originality bisa datang dari insight.
Data.
Experience.
Opinion.
Combination.
Field observation.
AI bisa bantu bentuk.
Tapi substance bisa manusia.
Ini relevan untuk media dan marketing.
Internet akan penuh content yang structurally bagus tapi insight tipis.
Yang menonjol justru yang punya pengalaman nyata.
“Gue lihat ini di lapangan.”
“Kami mencoba dan gagal.”
“Data internal menunjukkan.”
“Customer bilang.”
AI tidak punya first-hand experience kecuali diberikan data.
Human reality menjadi differentiator.
Semakin mudah generate, semakin mahal reality.
Kepercayaan akan bergeser ke provenance
Walau sulit membedakan AI dan manusia dari hasil, provenance bisa membantu.
Siapa publisher?
Apa reputasinya?
Ada source?
Ada author accountability?
Ada data?
Ada methodology?
Ini lebih reliable daripada mencoba menebak gaya tulisan.
AI detector punya keterbatasan.
False positive bisa terjadi.
Tulisan manusia bisa dituduh AI.
Tulisan AI bisa lolos.
Jadi jangan bangun trust dari “kelihatan AI atau tidak”.
Bangun dari evidence.
Buat perusahaan, ini berarti documentation.
Siapa approve.
Source apa.
Version.
Review.
Untuk kerja penting, audit trail lebih berguna daripada detector.
Di education, process evidence juga lebih berguna.
Draft.
Oral defense.
Discussion.
Bukan sekadar scan AI.
Karyawan yang transparan justru lebih mudah dipercaya
Budaya perusahaan berpengaruh.
Kalau penggunaan AI dianggap memalukan, employee akan menyembunyikan.
Kalau dianggap normal tapi accountable, mereka bisa bilang:
“Gue pakai AI buat draft, lalu gue cek data dan rewrite bagian ini.”
Ini sehat.
Manager tahu process.
Employee tidak perlu pura-pura manual.
Learning bisa dibagi.
Prompt bagus bisa dishare.
Error bisa dibahas.
Transparansi meningkatkan capability.
Tentu ada task yang punya restriction.
Tapi default culture sebaiknya tidak memperlakukan AI sebagai cheating di dunia kerja.
Perusahaan membeli AI agar dipakai.
Yang dinilai harus outcome.
Bukan purity process.
Ada pekerjaan yang memang perlu human-only
Nuance penting.
Tidak semua output bisa diperlakukan sama.
Ada konteks legal.
Medical.
Judicial.
Government.
Education assessment.
Art.
Personal communication.
Kadang penting tahu siapa yang menghasilkan.
Misalnya surat personal ke keluarga berbeda dari email marketing.
Karya seni punya isu authorship.
Academic submission punya rules.
Legal opinion punya professional responsibility.
Jadi pertanyaan provenance tetap relevan.
Bukan universal.
Perusahaan harus menetapkan kapan disclosure dibutuhkan.
Internal draft mungkin tidak.
External research report mungkin iya.
Customer service AI mungkin perlu disclosure dalam kondisi tertentu.
Context determines.
Jangan jadikan satu rule untuk semua.
“Human-made” sendiri bisa menjadi premium
Saat synthetic content melimpah, sesuatu yang benar-benar dibuat manusia bisa punya nilai premium.
Handmade sudah lama punya value meskipun mesin bisa memproduksi lebih cepat.
Human-made content mungkin begitu.
Live performance.
Personal essay.
Craft.
Art.
Consultation.
People pay for connection.
AI tidak menghapus itu.
Justru scarcity bisa menaikkan value.
Di dunia kerja, premium human contribution mungkin muncul di trust-heavy task.
Negotiation.
Leadership.
Client relationship.
High-stakes judgement.
Culture.
AI membantu.
Tapi orang ingin tahu ada manusia accountable.
“Kalau salah, gue ngomong ke siapa?”
Accountability sangat manusiawi.
Yang dinilai akhirnya kemampuan menghasilkan hasil lewat sistem
Mungkin kita perlu berhenti membedakan terlalu keras:
Manusia vs AI.
Pekerjaan modern memang sudah sistemik.
Orang pakai spreadsheet.
Search.
Template.
Software.
Data.
Sekarang AI.
Seorang profesional dinilai dari kemampuan menggunakan semua resource untuk menghasilkan outcome.
Bukan dari jumlah langkah yang dikerjakan manual.
Tentu skill dasar penting.
Tapi manual effort bukan virtue dengan sendirinya.
Kalau AI bisa menghemat dua jam tanpa menurunkan quality, pakai.
Yang penting orang tetap mengerti.
Tetap cek.
Tetap bertanggung jawab.
Ini mungkin definisi kompetensi baru.
Bukan “gue bisa tanpa AI.”
Bukan juga “AI bisa semuanya.”
Tapi:
“Gue tahu kapan pakai AI, kapan jangan, bagaimana memverifikasi, dan gue tetap accountable atas hasil.”
Itu lebih valuable.
Karena semakin sulit membedakan output manusia dan AI, kita akan berhenti mencoba menebak dari permukaan.
Kita akan menilai sesuatu yang lebih fundamental.
Apakah hasilnya benar?
Apakah berguna?
Apakah punya insight?
Apakah bisa dijelaskan?
Apakah orang di belakangnya bisa mempertanggungjawabkan?
Kalau semua jawabannya iya, mungkin pertanyaan siapa yang mengetik kata pertama memang tidak sepenting dulu.
Ada konsekuensi lain buat teamwork: credit harus lebih jujur. Kalau satu orang membangun template, evaluation, dan workflow yang kemudian dipakai seluruh tim, kontribusinya tidak terlihat dari jumlah output pribadi. Perusahaan perlu belajar menghargai orang yang membuat sistem kerja lebih baik, bukan cuma orang yang paling banyak menghasilkan dokumen. Di era AI, leverage sering muncul dari desain proses, dan itu juga bentuk kerja yang layak dinilai.
Bacaan terkait
Artikel ini berada dalam Field Notes dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Field Notes Undercover.id.