Ada situasi yang mulai aneh di banyak kantor.
Seorang employee memakai AI, menyelesaikan pekerjaan lebih cepat, mengurangi revisi, dan bisa menangani scope lebih besar.
Tapi saat performance review, yang dinilai masih hal lama.
Berapa jam kerja.
Berapa dokumen yang dibuat.
Berapa ticket yang disentuh.
Berapa meeting yang dihadiri.
Berapa banyak task yang selesai.
Kalau AI mengubah cara kerja tapi KPI tetap mengukur aktivitas lama, organisasi bisa gagal melihat produktivitas yang sebenarnya.
Lebih buruk lagi, KPI lama bisa mendorong orang mempertahankan proses yang sudah tidak masuk akal.
Ini problem yang kelihatannya administratif.
Padahal efeknya strategis.
Teknologi baru tidak otomatis menghasilkan produktivitas kalau sistem measurement masih memaksa perilaku lama.
AI bisa membuat satu pekerjaan selesai 40 menit.
Kalau KPI tetap menghargai “jam yang dihabiskan”, employee justru punya insentif untuk tidak terlihat terlalu cepat.
Kalau customer service dinilai dari jumlah ticket yang disentuh, mereka bisa menolak escalation kompleks yang sebenarnya jauh lebih bernilai.
Kalau developer dinilai dari jumlah code atau ticket, AI bisa membuat volume naik tanpa quality naik.
Metric menentukan perilaku.
Dan di era AI, metric yang salah bisa membuat teknologi bagus menghasilkan organisasi yang aneh.
KPI lama lahir dari constraint lama
Setiap metric punya sejarah.
Call center mengukur handle time karena capacity manusia terbatas.
Sales mengukur aktivitas karena aktivitas dulu berkorelasi dengan opportunity.
Content team mengukur output karena produksi konten mahal.
Developer mengukur velocity karena delivery perlu dipantau.
Tidak semua KPI salah.
Masalahnya, relationship antara activity dan value bisa berubah ketika AI mengambil sebagian pekerjaan.
Misalnya content.
Dulu satu writer mampu membuat empat artikel berkualitas seminggu.
Sekarang AI membantu research, outline, dan first draft.
Kalau perusahaan hanya menaikkan target menjadi dua belas artikel, mereka menganggap productivity sama dengan volume.
Padahal mungkin opportunity lebih besar ada pada quality.
Writer bisa menggunakan waktu untuk field research.
Interview.
Fact-check.
Distribution.
Update.
Insight.
Kalau KPI masih “jumlah artikel”, employee akan mengejar jumlah.
AI membuat supply murah.
Metric justru mendorong produksi lebih banyak sesuatu yang mungkin tidak dibutuhkan.
Ini salah satu risiko terbesar dari KPI lama.
Mereka membuat perusahaan mengoptimalkan bottleneck yang sudah hilang.
Time saved bukan output final
Banyak business case AI menggunakan kalimat:
“Tool ini menghemat tiga jam per minggu per employee.”
Useful.
Tapi itu leading metric.
Bukan outcome.
Apa yang terjadi dengan tiga jam?
Dipakai menangani lebih banyak customer?
Mengurangi overtime?
Mempercepat project?
Belajar?
Membuat quality lebih tinggi?
Atau sekadar berpindah ke meeting lain?
Kalau tidak tahu, productivity belum selesai diukur.
McKinsey pada 2026 menyoroti gap serupa ketika perusahaan mempercepat aktivitas dengan AI tetapi operating model dan underlying workflow tetap sama. Hampir 90 persen organisasi dalam salah satu survei operasional mereka setidaknya bereksperimen dengan AI, namun hanya sebagian kecil yang melaporkan sudah scale secara enterprise.
Activity tinggi.
Outcome belum otomatis.
KPI harus membantu melihat transisi tersebut.
Kalau hanya mengukur usage, perusahaan tahu AI dipakai.
Belum tahu AI berguna.
Jumlah prompt adalah vanity metric
Banyak dashboard AI enterprise punya metric yang mudah diambil.
Active users.
Prompt per day.
Tokens.
Sessions.
License utilization.
Bagus untuk operasi.
Buruk kalau dipakai sebagai bukti transformation.
Employee bisa membuat 500 prompt dan tidak menghasilkan value.
Employee lain bisa punya satu automation yang menghemat proses berjam-jam tanpa pernah membuka chat.
Siapa lebih produktif?
Usage tidak menjawab.
KPI harus naik satu layer.
Cycle time.
Quality.
Revenue.
Conversion.
Cost-to-serve.
Error.
Rework.
Decision latency.
Customer satisfaction.
Capacity.
Risk.
Pilih sesuai workflow.
AI usage tetap boleh dipantau.
Tapi sebagai diagnostic.
Bukan North Star.
Ini mirip laptop.
Kita tidak menilai produktivitas employee dari jumlah klik mouse.
AI seharusnya menuju sana.
Kalau mature, usage menjadi background.
Outcome yang bicara.
Customer service memberi contoh paling jelas
Sebelum AI, human agent menangani pertanyaan mudah dan sulit.
KPI bisa berupa ticket handled, average handle time, dan customer satisfaction.
Setelah AI mengambil FAQ dan status order, manusia menerima complaint kompleks.
Kalau KPI tetap average handle time, agent manusia terlihat lambat.
Padahal case-nya memang lebih berat.
Metric harus berubah.
First contact resolution.
Escalation quality.
Retention.
Complex-case satisfaction.
Policy accuracy.
Problem solved.
Ini bukan sekadar perubahan angka.
Ini pengakuan bahwa role berubah.
AI mengubah denominator.
Membandingkan performance before-after tanpa context bisa misleading.
Perusahaan perlu re-baseline.
Apa sekarang unit kerja manusia?
Kalau jawabannya berubah, KPI juga.
Developer juga rentan volume illusion
Coding assistant bisa menghasilkan banyak code.
Kalau manager senang melihat pull request lebih banyak, risk.
Lebih banyak code tidak selalu lebih bagus.
Bisa berarti maintenance lebih besar.
Bug.
Complexity.
Security.
AI membuat production capacity tinggi.
Software engineering perlu metric yang lebih dekat ke outcome.
Lead time.
Deployment frequency.
Failure rate.
Recovery.
Customer impact.
Quality.
Test coverage dengan nuance.
Code review burden.
Jangan reward line count.
Itu sudah buruk sebelum AI.
Sekarang lebih buruk.
AI bisa generate seribu baris dalam menit.
Metric aktivitas menjadi mudah di-game.
Performance management harus fokus value yang sulit dipalsukan oleh volume.
Sales punya problem lain
AI bisa menulis email personalisasi.
Proposal.
Research.
Follow-up.
Jumlah aktivitas bisa naik drastis.
Apakah pipeline ikut sehat?
Belum tentu.
Kalau KPI masih email sent, rep bisa membanjiri prospect.
AI memperbesar spam.
Metric harus ke quality.
Reply.
Meeting.
Qualified opportunity.
Win.
Margin.
Sales cycle.
AI membuat aktivitas lebih murah.
Ketika activity cost turun, activity count kehilangan informasi.
Ini prinsip ekonomi sederhana.
Apa yang dulu scarce bisa menjadi abundant.
KPI harus pindah ke scarcity berikutnya.
Di sales, scarcity-nya mungkin trust dan buyer attention.
Bukan jumlah email.
Produktivitas era AI perlu melihat quality secara eksplisit
Ada alasan perusahaan suka volume metric.
Gampang.
Quality lebih susah.
Tapi AI memaksa.
Kalau output bisa generated murah, quality menjadi pembeda.
Document accuracy.
Customer outcome.
Decision quality.
Error severity.
Approval rate.
Rework.
Human override.
Semua bisa menjadi proxy.
Tidak harus sempurna.
Yang penting jangan hanya volume.
Misalnya legal contract review.
AI mempercepat first pass.
Jangan ukur jumlah contract saja.
Ukur missed issue.
Turnaround.
Escalation.
Business delay.
External counsel cost.
Sekarang productivity lebih lengkap.
Speed plus quality.
Karena speed tanpa quality menciptakan rework.
Dan rework adalah produktivitas palsu.
Manager juga harus berhenti menilai “sibuk”
AI bisa membuat pekerjaan selesai lebih cepat.
Employee yang efektif mungkin terlihat lebih santai.
Kalender tidak penuh.
Tidak lembur.
Output bagus.
Budaya kantor tertentu masih mengaitkan sibuk dengan valuable.
Jam panjang.
Meeting penuh.
Reply malam.
AI menantang itu.
Kalau orang bisa selesai jam lima, apakah dianggap kurang committed?
Kalau iya, perusahaan akan membunuh incentive menggunakan AI.
Employee belajar satu hal:
Jangan terlihat terlalu efisien.
Ini problem cultural.
KPI formal bisa berubah.
Norm informal juga harus.
Management perlu memberi signal bahwa hasil lebih penting daripada performance of busyness.
Di Jakarta, budaya pulang terakhir kadang masih punya nilai simbolik di sebagian kantor.
AI membuat simbol itu semakin nggak relevan.
Presence bukan productivity.
Online indicator bukan outcome.
Perusahaan harus dewasa.
KPI bisa membentuk dua-speed workforce
Riset 2026 tentang penggunaan GenAI dalam system administration menemukan fenomena “performance perception shift”, ketika kecepatan kerja dengan AI mulai mereset ekspektasi terhadap produktivitas. Pekerjaan manual yang memang diperlukan untuk safety atau validation bisa terlihat terlalu lambat dibanding output AI.
Ini risk.
Tidak semua task bisa dipercepat sama.
Security review.
Physical inspection.
Negotiation.
Deep validation.
Human conversation.
Kalau KPI dibuat berdasarkan speed AI pada task tertentu, pekerjaan lain dihukum.
Tim menjadi dua-speed.
Yang output-nya mudah di-AI-kan terlihat produktif.
Yang pekerjaannya butuh judgement dan verification terlihat lambat.
Padahal value bisa kebalik.
KPI perlu memperhitungkan task nature.
Jangan satu target “productivity uplift 30 persen” untuk semua fungsi.
Itu angka yang enak di slide.
Bisa merusak lapangan.
AI productivity perlu baseline sebelum tool
Banyak perusahaan membeli AI lalu baru mau mengukur.
Sulit.
Tidak ada baseline.
Berapa lama proses dulu?
Error?
Cost?
Volume?
Quality?
Kalau data tidak ada, ROI jadi cerita.
Sebelum automate workflow, ambil baseline sederhana.
Tidak perlu penelitian ilmiah.
Dua minggu data bisa membantu.
Cycle time.
Human time.
Exception.
Outcome.
Lalu deploy.
Compare.
Dengan cara ini, KPI baru grounded.
Perusahaan tahu improvement nyata.
Bukan perasaan.
Ini juga membantu memilih use case.
Workflow yang tidak punya metric mungkin belum dipahami cukup baik.
Measurement discipline memperbaiki transformation.
Bukan hanya membuktikan.
KPI juga harus mengukur decision speed
Untuk banyak knowledge work, output akhirnya adalah keputusan.
Approve.
Prioritize.
Invest.
Launch.
Stop.
Hire.
Price.
AI bisa mempercepat analysis.
Kalau keputusan tetap lambat karena hierarchy, productivity tertahan.
Maka time-to-decision bisa menjadi metric penting.
Berapa lama dari information ready sampai decision?
Berapa layer approval?
Berapa kali decision dibalik?
AI membuka kesempatan mengurangi latency.
Kalau metric tidak melihat, perusahaan terus fokus pada document production.
Padahal mungkin document sudah bukan bottleneck.
Decision adalah.
Ini membawa transformation ke operating model.
Bukan sekadar task automation.
KPI yang bagus membuat AI dan manusia saling melengkapi
Tujuannya bukan mencari metric untuk membuktikan AI hebat.
Tujuannya membuat perilaku benar.
AI menangani volume.
Manusia menangani judgement.
KPI seharusnya menghargai keduanya.
Automation rate plus exception resolution.
Speed plus quality.
Revenue plus margin.
Productivity plus employee sustainability.
Kalau metric hanya satu dimensi, orang optimize sempit.
AI mempercepat optimization itu.
Goodhart’s Law makin terasa.
Ketika metric menjadi target, ia berhenti menjadi metric yang baik.
AI memberi kemampuan menghasilkan angka aktivitas sangat cepat.
Jadi KPI harus lebih dekat ke value.
Perusahaan perlu berani menghapus metric lama
KPI punya inertia.
Sudah ada di dashboard.
Board terbiasa.
HR system.
Bonus.
Semua tergantung.
Mengubah metric terasa berisiko.
Tapi mempertahankan metric yang tidak lagi merepresentasikan kerja lebih berisiko.
Mulai per workflow.
Apa yang sekarang dilakukan AI?
Apa yang tetap manusia?
Apa outcome?
Apa failure?
Dari sana metric baru.
Tidak perlu rewrite seluruh performance system satu malam.
Tapi jangan menunggu lima tahun.
AI sudah mengubah task sekarang.
Measurement harus mengejar.
Produktivitas bukan soal siapa paling banyak menghasilkan
Era AI membuat output berlimpah.
Report.
Email.
Code.
Slide.
Content.
Semua lebih murah.
Maka produktivitas harus didefinisikan ulang sebagai value per resource, bukan sheer volume.
Apakah customer lebih cepat selesai?
Apakah decision lebih baik?
Apakah margin naik?
Apakah risk turun?
Apakah employee bisa menangani scope lebih besar tanpa burnout?
Itu lebih meaningful.
Kalau KPI masih menghargai banyaknya kerja yang terlihat, AI akan membuat semua orang terlihat sibuk dengan sangat efisien.
Perusahaan mendapatkan lebih banyak dokumen.
Lebih banyak message.
Lebih banyak dashboard.
Lebih banyak output.
Belum tentu lebih banyak hasil.
Dan mungkin itu salah satu ujian paling konkret transformasi AI 2026:
Bukan apakah tool bisa membuat orang bekerja lebih cepat.
Tapi apakah perusahaan cukup berani mengubah cara menilai kerja setelah kecepatan bukan lagi satu-satunya hal yang langka.
Bacaan terkait
Artikel ini berada dalam Business Transformation dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Reports dan analisis mendalam.