Banyak orang tidak merasa sedang memakai AI. Mereka merasa sedang memakai aplikasi biasa. Mengetik dengan auto-complete. Menerima rekomendasi video. Memakai filter foto. Mencari rute tercepat. Membalas email dengan saran kalimat. Menggunakan template desain. Menerjemahkan chat. Menghapus background foto produk. Meminta ringkasan meeting. Menyusun caption. Menemukan barang di marketplace. Semua terasa seperti fitur, bukan AI.
Ini salah satu perubahan paling penting dalam kehidupan digital sekarang: AI berhenti terlihat sebagai teknologi khusus dan mulai larut menjadi workflow. Ketika sebuah teknologi sudah menyatu dengan kebiasaan, orang tidak lagi menyebut namanya. Tidak ada yang bilang “saya menggunakan teknologi kompresi gambar” setiap kali mengirim foto. Tidak ada yang bilang “saya menggunakan algoritma routing” saat membuka peta. AI sedang menuju titik yang sama.
Di permukaan, ini membuat AI lebih mudah diadopsi. Orang tidak perlu paham konsep besar untuk merasakan manfaatnya. Di bawah permukaan, ini membuat risiko lebih sulit dikenali. Kalau orang tidak sadar sedang memakai AI, mereka juga tidak sadar kapan harus mengecek, kapan harus membatasi data, dan kapan harus mempertanyakan hasilnya.
Fitur yang Terasa Biasa Bisa Mengubah Cara Kerja
Perubahan workflow sering tidak terjadi lewat satu momen besar. Ia terjadi lewat akumulasi fitur kecil. Dulu, orang menulis email dari nol. Sekarang ada saran kalimat. Dulu, orang membuat caption sendiri. Sekarang ada draft otomatis. Dulu, orang mencari file manual. Sekarang ada pencarian semantik. Dulu, orang membaca dokumen panjang. Sekarang ada ringkasan. Dulu, orang mengedit foto secara manual. Sekarang satu tombol bisa memperbaiki cahaya atau menghapus latar.
Setiap fitur kecil menghemat sedikit waktu. Tetapi jika dikalikan sehari, seminggu, dan sebulan, cara kerja berubah. Orang menjadi lebih cepat membuat draft, lebih jarang memulai dari nol, lebih sering mengandalkan rekomendasi, dan lebih mudah menerima struktur yang disediakan aplikasi.
Masalahnya, kecepatan ini bisa membuat orang melewati tahap berpikir. Karena sudah ada draft, orang langsung mengedit sedikit. Karena ada rekomendasi, orang memilih salah satu. Karena ada ringkasan, orang tidak membaca penuh. Karena ada template, orang tidak bertanya apakah formatnya cocok. AI tidak selalu mengambil keputusan, tetapi ia mengarahkan jalur awal keputusan.
AI yang Tidak Terlihat Justru Paling Kuat
AI yang paling dibicarakan publik biasanya chatbot. Tapi AI yang paling memengaruhi perilaku sering berada di belakang layar. Rekomendasi feed mengatur apa yang kita lihat. Sistem ranking marketplace mengatur produk apa yang muncul. Filter spam mengatur email apa yang masuk. Sistem fraud detection mengatur transaksi yang dicurigai. Auto-categorization mengatur file dan pesan. Search suggestion mengatur pertanyaan yang kita ketik.
Karena tidak terlihat, AI jenis ini jarang diperdebatkan oleh pengguna biasa. Orang hanya menerima hasil: video berikutnya, produk yang direkomendasikan, rute yang disarankan, harga dinamis, akun yang muncul, iklan yang mengikuti, atau konten yang menghilang.
Di titik ini, pertanyaan tentang AI tidak bisa hanya “apakah kamu memakai ChatGPT?” Pertanyaan yang lebih tepat adalah: seberapa banyak workflow kamu sudah dibentuk oleh sistem otomatis yang memilih, menyusun, memprioritaskan, dan menyarankan sesuatu sebelum kamu sadar sedang memilih?
Tidak Merasa Memakai AI Membuat Literasi Menjadi Tertinggal
Jika orang merasa tidak memakai AI, mereka tidak merasa perlu belajar batasnya. Ini problem besar. Mereka tidak tahu bahwa ringkasan bisa salah. Tidak tahu bahwa rekomendasi bisa bias. Tidak tahu bahwa auto-complete bisa mengubah maksud kalimat. Tidak tahu bahwa filter bisa mempercantik secara berlebihan. Tidak tahu bahwa chatbot bisa mengarang. Tidak tahu bahwa memasukkan data pribadi ke alat publik bisa berisiko.
Literasi AI tidak harus dimulai dari teori teknis. Ia bisa dimulai dari pertanyaan sederhana: fitur ini menghasilkan apa, berdasarkan data apa, bisa salah di bagian mana, dan siapa yang bertanggung jawab kalau hasilnya dipakai?
Sayangnya, banyak edukasi AI terlalu ekstrem. Satu kubu menjual AI sebagai mesin ajaib. Kubu lain menggambarkan AI sebagai ancaman total. Di antara keduanya, pengguna biasa butuh literasi yang lebih waras: gunakan, tapi pahami batas; manfaatkan, tapi cek ulang; percepat kerja, tapi jangan serahkan penilaian.
Workflow Berubah Lebih Cepat daripada Bahasa Kita
Salah satu alasan orang tidak merasa memakai AI adalah karena bahasa sehari-hari belum mengikuti perubahan. Kita masih berkata “gue edit foto”, padahal sebagian edit dilakukan fitur otomatis. Kita berkata “gue bikin caption”, padahal draft awal dibantu AI. Kita berkata “gue cari barang”, padahal hasilnya disusun sistem rekomendasi. Kita berkata “gue nulis email”, padahal kalimatnya dibantu auto-suggestion.
Ini bukan soal mengoreksi bahasa. Ini soal kesadaran. Ketika workflow berubah tetapi bahasa tidak berubah, organisasi dan masyarakat terlambat membaca dampaknya. Perusahaan mengira karyawan belum memakai AI, padahal sudah. Sekolah mengira murid hanya memakai internet, padahal sudah memakai asisten generatif. Orang tua mengira anak hanya menonton video, padahal feed-nya dibentuk sistem rekomendasi. UMKM mengira hanya memakai aplikasi desain, padahal materi jualannya dibantu AI.
Bahasa yang tertinggal membuat kebijakan tertinggal.
Adopsi AI Tidak Selalu Dimulai dari Niat Mengadopsi
OECD dalam laporan tentang adopsi AI oleh UKM menyebut bahwa adopsi AI pada usaha kecil dan menengah masih relatif rendah dibanding teknologi digital lain dan perusahaan besar. Pada saat yang sama, laporan itu juga menunjukkan potensi AI untuk produktivitas dan inovasi bisnis. Referensi: OECD, AI Adoption by Small and Medium-Sized Enterprises.
Di lapangan, angka adopsi formal bisa berbeda dengan adopsi fungsional. Sebuah bisnis mungkin tidak menyatakan sudah memakai AI. Tapi adminnya memakai auto-reply, desain produknya memakai fitur AI, caption dibuat dengan chatbot, foto diperbaiki otomatis, dan laporan disusun dengan bantuan ringkasan. Apakah bisnis itu memakai AI? Secara formal mungkin tidak. Secara workflow, jelas iya.
Inilah tantangan pengukuran. Jika kita hanya bertanya “apakah Anda memakai AI?”, banyak orang menjawab tidak. Jika kita bertanya “apakah Anda memakai fitur yang membantu menulis, meringkas, menerjemahkan, merekomendasikan, mengedit, atau mengelompokkan otomatis?”, jawabannya bisa berbeda.
AI adoption bukan hanya soal nama tool. Ia soal perubahan alur kerja.
Tempat Kerja Menjadi Laboratorium Tanpa Label
Microsoft dan LinkedIn melaporkan pada 2024 bahwa 92% knowledge workers di Indonesia menggunakan generative AI di tempat kerja. Ini menunjukkan bahwa pekerja Indonesia sangat cepat bereksperimen dengan AI, sering kali lebih cepat daripada kebijakan resmi perusahaan. Referensi: Microsoft Indonesia, Work Trend Index 2024.
Tapi di banyak kantor, eksperimen itu tidak diberi label. Seseorang memakai AI untuk menyusun email. Orang lain memakai AI untuk membuat analisis kasar. Tim marketing memakai AI untuk brainstorming. HR memakai AI untuk menulis ulang lowongan. Finance memakai AI untuk menjelaskan formula. Semua berjalan sebagai taktik pribadi.
Perusahaan yang tidak memetakan perubahan ini akan kehilangan dua hal: peluang produktivitas dan kontrol risiko. Peluang hilang karena template, prompt, dan workflow bagus tidak dibagikan. Risiko naik karena data sensitif dan output keliru tidak punya pagar.
Tempat kerja sudah menjadi laboratorium AI. Pertanyaannya bukan apakah eksperimen terjadi, tetapi apakah organisasi cukup dewasa untuk mengakuinya.
Pengguna Biasa Butuh Tanda, Bukan Ceramah
Salah satu cara meningkatkan literasi AI adalah memberi tanda yang mudah dipahami. Kapan sebuah fitur memakai AI? Data apa yang diproses? Apakah hasilnya bisa salah? Apakah pengguna bisa melihat sumber? Apakah pengguna bisa menolak rekomendasi? Apakah ada opsi manual?
Label tidak menyelesaikan semua masalah, tetapi membantu membangun kesadaran. Tanpa tanda, pengguna mengira sistem netral. Padahal setiap rekomendasi punya logika. Setiap ringkasan memilih bagian tertentu. Setiap auto-complete mendorong kalimat ke arah tertentu. Setiap ranking membuat sebagian hal terlihat dan sebagian lain tenggelam.
Desain produk digital yang sehat tidak boleh hanya membuat AI terasa mulus. Ia juga harus membuat AI bisa dipahami.
Kebiasaan Mengecek Akan Menjadi Skill Dasar
Di era AI yang menyatu dengan workflow, skill paling penting bukan hanya bisa prompt. Skill yang lebih mendasar adalah bisa mengecek. Mengecek ringkasan dengan dokumen asli. Mengecek angka dengan sumber. Mengecek saran rute dengan kondisi lokal. Mengecek rekomendasi produk dengan review. Mengecek draft email dengan maksud sebenarnya. Mengecek hasil edit foto dengan realitas produk.
Kebiasaan mengecek terdengar sederhana, tetapi akan menjadi pembeda. Orang yang langsung percaya output AI akan cepat, tetapi rapuh. Orang yang menolak semua AI akan lambat. Orang yang menang adalah yang bisa memakai AI untuk mempercepat, lalu memakai penilaian manusia untuk memvalidasi.
Dalam organisasi, ini harus menjadi budaya. Bukan budaya curiga berlebihan, tetapi budaya verification-first. AI boleh membantu, tapi keputusan tetap punya pemilik.
Catatan Akhir: Ketika AI Menjadi Biasa, Kesadaran Justru Harus Naik
Banyak orang tidak merasa sedang memakai AI karena AI sudah menjadi bagian dari aplikasi biasa. Ini tanda adopsi makin dalam. Tapi semakin tidak terlihat sebuah teknologi, semakin penting kesadaran kritis terhadapnya.
Kita tidak perlu menyebut AI setiap lima menit. Kita juga tidak perlu panik setiap ada fitur otomatis. Tapi kita perlu memahami bahwa workflow sudah berubah. Cara kita menulis, memilih, membeli, belajar, bekerja, dan mengambil keputusan kecil sudah dipengaruhi sistem yang makin pintar, makin halus, dan makin personal.
Pertanyaan masa depan bukan hanya siapa yang memakai AI. Pertanyaan yang lebih jujur adalah: siapa yang sadar bahwa workflow-nya sudah dibentuk AI, dan siapa yang masih mengira semua pilihannya murni berasal dari dirinya sendiri?
Baca juga di undercover.id/: Consumer AI & Everyday Technology, AI Search & Answer Engine, dan Field Notes.