Ada satu momen kecil yang mulai sering terjadi.
Lo buka laptop.
Ada sesuatu yang sebenarnya bisa dikerjakan sendiri.
Email pendek.
Rumus sederhana.
Ide headline.
Penjelasan konsep.
Tapi tangan otomatis buka AI.
“Bantu gue.”
Tidak ada yang salah.
AI memang dibuat untuk membantu.
Masalahnya muncul ketika “dibantu” pelan-pelan berubah jadi “nggak bisa mulai tanpa dibantu”.
Ini bukan isu moral.
Bukan nostalgia bahwa orang dulu lebih rajin.
Ini masalah capability.
Kalau setiap bagian berpikir selalu di-offload, manusia bisa kehilangan kesempatan melatih skill yang justru diperlukan untuk mengecek AI.
Riset 2026 mulai mencoba mengukur problem ini lebih serius. Paper tentang Offloading Score menemukan pengguna bisa menyerahkan porsi cognitive effort lebih besar ke AI, terutama ketika berada di bawah tekanan waktu. Studi lain tentang critical thinking juga menemukan pola campuran: AI bisa membantu speed dan learning, tapi ketergantungan berlebihan berkaitan dengan berkurangnya productive struggle dan kesabaran untuk reasoning mandiri.
Kesimpulannya bukan “jangan pakai AI”.
Kesimpulannya lebih subtle.
Pakai.
Tapi tetap punya otot sendiri.
AI sebaiknya mengurangi friction, bukan menghapus seluruh proses berpikir
Bayangkan belajar bahasa.
Kalau setiap kalimat langsung diterjemahkan AI, komunikasi cepat.
Tapi vocabulary tumbuh lebih lambat.
Kalau sesekali mencoba sendiri lalu membandingkan, skill naik.
Coding sama.
Kalau setiap error dilempar:
“Fix this.”
Bug mungkin selesai.
Tapi debugging instinct tidak tumbuh.
Writing.
Kalau AI selalu membuat first draft, lo bisa kehilangan rasa membangun argument dari nol.
Ini bukan berarti first draft AI selalu buruk.
Untuk pekerjaan dengan deadline, sangat practical.
Tapi learning dan production punya tujuan berbeda.
Saat production, efficiency penting.
Saat learning, struggle kadang value.
Kita perlu tahu sedang berada di mode mana.
Ini salah satu discipline baru era AI.
Kalau semua situasi diperlakukan sebagai production, capability pribadi stagnan.
Gunakan AI setelah berpikir sebentar
Rule sederhana yang cukup berguna:
Jangan selalu bertanya dulu.
Coba bentuk jawaban.
Lima menit.
Sepuluh.
Tulis hypothesis.
Kemudian AI.
Kenapa?
Supaya lo punya baseline.
Bisa compare.
Kalau AI memberi jawaban berbeda, otak lo aktif.
“Kenapa?”
Kalau AI dari awal, framing-nya bisa mengambil alih.
Lo hanya mengikuti.
Ini cognitive anchoring.
AI memberi jalan.
User berjalan di jalan itu.
Padahal mungkin ada jalan lain.
Dengan punya initial thought, lo lebih kritis.
Tidak harus setiap task.
Task routine nggak perlu heroism.
Tapi untuk skill yang ingin dibangun, sangat berguna.
Think first, then augment.
Bukan selalu generate first.
Minta AI mengkritik, bukan hanya menjawab
Cara pakai AI yang membuat ketergantungan tinggi biasanya:
“Kasih jawaban.”
Cara lain:
“Ini jawaban gue. Cari kelemahannya.”
“Kasih tiga counterargument.”
“Jangan selesaikan. Kasih hint.”
“Tanya gue satu per satu.”
“Buat quiz.”
“Mana assumption yang belum gue cek?”
AI berubah dari replacement menjadi sparring partner.
Ini powerful.
Model sangat bagus menghasilkan perspektif tambahan.
Gunakan untuk challenge.
Bukan selalu substitute.
Dalam pembelajaran, tutor yang langsung memberi jawaban tidak selalu tutor terbaik.
Kadang pertanyaan lebih valuable.
User perlu mendesain interaction seperti itu.
AI bisa menjadi mesin critical thinking jika kita meminta.
Bisa juga menjadi mesin menghindari thinking.
Interface sama.
Behavior beda.
Verifikasi adalah muscle yang harus sengaja dipakai
Semakin sering AI benar, semakin mudah malas cek.
Ini automation bias.
Kita mulai percaya karena biasanya works.
Lalu satu kali high-stakes error lolos.
Maka verification harus proporsional dengan consequence.
Ide makan siang?
Nggak perlu cross-check tiga sumber.
Legal contract?
Check.
Financial number?
Check.
Medical?
Check professional source.
Code production?
Test.
Career decision?
Jangan satu chatbot.
Calibrated verification.
Bukan skeptis total.
Bukan percaya total.
Skill ini harus dilatih.
Kalau user selalu menerima output tanpa check, lama-lama sense of error turun.
Kalau selalu cek semuanya detail, productivity gain hilang.
Balance.
Risk-based.
Ini sama dengan kerja profesional lain.
AI hanya membuatnya lebih explicit.
Punya beberapa task yang sengaja dikerjakan manual
Ini seperti latihan gym.
Tidak semua jalan harus naik tangga kalau ingin fitness.
Sesekali pilih manual untuk menjaga fundamental.
Writer:
Tulis satu draft tanpa AI setiap minggu.
Developer:
Solve beberapa problem tanpa coding agent.
Analyst:
Hitung atau struktur analysis dulu.
Student:
Kerjakan quiz tanpa AI.
Manager:
Buat keputusan initial sebelum lihat recommendation.
Tujuannya bukan purity.
Calibration.
Lo tahu kemampuan sendiri.
Ini penting saat AI unavailable.
Atau salah.
Atau company policy melarang untuk task tertentu.
Atau interview.
Human resilience.
Dependency terlalu tinggi membuat capability fragile.
Tool mati, kerja berhenti.
Itu risk individual.
Jangan biarkan external cognition menggantikan internal model sepenuhnya.
Gunakan AI untuk hal yang tidak ingin lo jadikan skill inti
Ini practical.
Tidak semua hal layak dipelajari mendalam.
Kalau kerja lo marketing, tidak perlu hafal syntax obscure.
AI bantu.
Kalau sekali setahun perlu formula kompleks, okay.
Offload.
Human brain juga selalu outsource.
Calculator.
Search.
Books.
Colleague.
AI adalah extension.
Masalahnya bukan offloading.
Masalahnya salah memilih apa yang di-offload.
Core skill sebaiknya dipertahankan.
Non-core bisa dilepas lebih banyak.
Tentukan.
Apa yang menjadi career moat lo?
Writing?
Finance judgement?
Coding?
Design taste?
Negotiation?
Jangan outsource seluruh core.
Gunakan AI untuk menghilangkan peripheral friction.
Ini memberi leverage tanpa mengikis identity profesional.
Kalau semua yang bernilai justru AI lakukan, career risk naik.
Catat ketika AI salah
Ini habit kecil yang sangat bagus.
Failure log personal.
AI pernah ngarang source.
Salah angka.
Code loop.
Misread requirement.
Tone terlalu generic.
Kenapa useful?
Lo membangun model mental limitation.
Setiap orang punya use case berbeda.
Generic “AI can hallucinate” terlalu abstrak.
Kalau pernah kena sendiri, lebih ingat.
“Untuk financial table seperti ini, gue harus cek.”
“Kalau research lokal, source-nya suka lemah.”
“Kalau prompt terlalu broad, jawabannya generic.”
Ini experience.
User matang bukan orang yang percaya AI.
User matang tahu di area mana AI-nya layak dipercaya lebih banyak dan lebih sedikit.
Calibration muncul dari failure.
Jangan hide.
Pelajari.
Waktu tekanan tinggi justru saat dependency naik
Penelitian Offloading Score 2026 menemukan reliance meningkat saat peserta berada di bawah time pressure.
Masuk akal.
Deadline.
“Pokoknya beres.”
Kita lebih menerima output.
Ini situasi paling berbahaya karena checking juga berkurang.
Maka workflow professional perlu guardrail.
Deadline tidak boleh menghapus verification untuk high-risk.
Checklist.
Test.
Source.
Peer review.
AI bisa bantu cepat, tapi control tetap.
Jangan bergantung pada willpower ketika panik.
System.
Misalnya setiap financial figure external harus source.
Setiap code critical harus test.
Setiap public claim harus verify.
Rule sederhana menjaga.
Dependency bukan hanya psychological.
Bisa operational.
Perusahaan juga bisa terlalu bergantung pada satu model
Individu punya dependency.
Organisasi juga.
Semua workflow pakai satu vendor.
Model down.
Price naik.
Policy berubah.
Capability hilang.
Perusahaan perlu fallback.
Data portability.
Model switching.
Manual process untuk critical operation.
Ini analogi yang sama.
AI adalah infrastructure.
Critical infrastructure butuh resilience.
Jangan membuat satu point of failure.
User individual juga.
Punya kemampuan dasar.
Punya alternative tool.
Tidak perlu paranoid.
Cukup jangan helpless.
Ketergantungan terlihat ketika kita berhenti bertanya “kenapa”
AI memberi jawaban.
Kalau user langsung copy, hubungan pasif.
Kalau user bertanya:
“Kenapa?”
“Source?”
“Alternative?”
“Kalau assumption berubah?”
Thinking tetap aktif.
Ini indikator sederhana.
Jangan hanya consume answer.
Interrogate.
Terutama saat learning.
AI terbaik bukan yang membuat lo paling cepat selesai.
Kadang yang membuat lo paling banyak memahami.
Tentu pekerjaan nyata punya deadline.
Tidak semua harus jadi seminar filsafat.
Balance.
Task routine boleh cepat.
Complex problem deserve thought.
Skill memilah ini sendiri penting.
Use case pribadi perlu friction kecil
Tech product biasanya ingin frictionless.
Untuk learning, sedikit friction bagus.
Misalnya sebelum AI menampilkan final solution, tulis prediction.
Atau minta model tidak memberi answer langsung.
Paper 2026 tentang cognitive forcing functions menunjukkan meminta pengguna mengevaluasi assumption atau what-if scenario dapat mengurangi overreliance dalam beberapa kondisi eksperimen.
Ini menarik.
Desain interaction bisa membantu critical thinking.
Kita bisa melakukan sendiri.
Prompt:
“Sebelum jawab, minta gue kasih dugaan.”
“Atur jadi tutor mode.”
“Jangan berikan final code sampai gue coba.”
Simple.
AI tidak harus selalu menjadi vending machine jawaban.
Bisa menjadi coach.
Workplace harus memberi ruang untuk belajar, bukan hanya speed
Kalau KPI perusahaan hanya kecepatan, employee akan offload sebanyak mungkin.
Masuk akal.
Skill mungkin tergerus.
Perusahaan perlu balance.
Training.
Manual drill untuk critical skill.
Review.
Postmortem.
Mentoring.
Contoh cybersecurity.
AI bisa membantu incident analysis.
Team tetap harus memahami fundamentals.
Healthcare.
Legal.
Engineering.
High-stakes skill tidak boleh hanya ada di model.
Business continuity.
Jika provider unavailable, human capability perlu.
Ini juga talent pipeline issue.
Kalau junior tidak pernah mengerjakan dasar, senior masa depan dari mana?
AI dependency bukan problem individu saja.
Organization design.
Jangan malu menggunakan AI
Ada sisi sebaliknya.
Takut bergantung sampai menolak semua AI juga tidak produktif.
Pekerja yang insist manual pada semua hal bisa kehilangan leverage.
Tujuan bukan membuktikan manusia bisa sendirian.
Kita sudah lama bekerja dengan tools.
Tujuan adalah agency.
Lo memilih kapan menggunakan.
Bukan otomatis.
Kalau AI jelas lebih baik untuk task routine, pakai.
Save time.
Gunakan waktu untuk higher-value.
Dependency sehat mungkin memang ada.
Kita tergantung internet.
Electricity.
Spreadsheet.
Bukan problem kalau sistem resilient dan skill critical tetap.
AI juga akan menjadi infrastructure.
Yang perlu dijaga adalah agency dan competence.
Bukan independence absolut.
Belajar AI dengan target menjadi lebih capable, bukan sekadar lebih cepat
Ini test yang bagus.
Setelah enam bulan menggunakan AI, apakah lo:
Lebih paham domain?
Lebih bagus menulis?
Lebih cepat menemukan error?
Lebih mampu mengambil project?
Lebih baik bertanya?
Atau hanya lebih cepat submit?
Kalau cuma speed, mungkin usage belum menghasilkan growth personal.
AI seharusnya memperbesar learning velocity.
Minta explanation.
Practice.
Compare.
Experiment.
Use saved time untuk depth.
Jangan semuanya volume.
Career jangka panjang ditentukan capability.
Not daily prompt count.
AI boleh mengerjakan lebih banyak seiring skill lo naik
Dependency tidak harus statis.
Saat beginner, mungkin manual lebih banyak.
Saat expert, bisa delegate lebih banyak karena tahu apa yang harus dicek.
Senior engineer bisa memberi coding agent scope besar.
Karena punya judgement.
Junior mungkin perlu manual practice.
Ini seperti pilot dan autopilot.
Expert bisa menggunakan automation lebih aman karena memahami system.
Ironis.
Semakin capable manusia, semakin banyak dia bisa mempercayakan ke mesin dengan tepat.
Tujuan belajar bukan menghindari delegation.
Tujuan membangun judgement agar delegation aman.
Itu maturity.
Pada akhirnya, kita tidak perlu memilih antara “pakai AI” dan “berpikir sendiri”.
Itu false binary.
Kerja modern adalah kombinasi.
Yang harus dijaga adalah siapa yang memegang arah.
AI bisa mengambil banyak langkah.
Bahkan sebagian reasoning.
Tapi manusia tetap perlu tahu apa tujuan, apa yang penting, kapan jawaban tidak masuk akal, dan kapan harus mengambil kembali kontrol.
Kalau setiap kali bingung kita otomatis menyerahkan semuanya, capability menyusut.
Kalau setiap kali ada AI kita menolak bantuan demi ego, leverage hilang.
Titik sehat ada di tengah:
gunakan AI cukup banyak sampai pekerjaan menjadi lebih baik, tapi tetap latih diri cukup serius sampai suatu hari ketika AI salah, lo bukan orang terakhir di ruangan yang menyadarinya.
Bacaan terkait
Artikel ini berada dalam Future of Work & Careers dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.