Banyak perusahaan sudah menjalankan AI training. Karyawan diajarkan cara memakai ChatGPT, membuat prompt, merangkum dokumen, menyusun ide, atau mempercepat pekerjaan administratif.
Di minggu pertama, energinya biasanya tinggi. Orang mencoba tools baru. Beberapa workflow terasa lebih cepat. Ada rasa bahwa organisasi akhirnya mulai masuk ke fase AI adoption.
Tetapi beberapa minggu kemudian, pola lama sering kembali.
AI dipakai oleh sebagian orang, tidak dipakai oleh yang lain. Use case muncul secara acak. Manager tidak tahu bagaimana menilai kualitas output AI. Tim belum punya standar kapan AI boleh dipakai, kapan harus dicek ulang, dan siapa yang bertanggung jawab atas keputusan akhir.
Masalahnya bukan training itu tidak penting. Masalahnya training sering diperlakukan sebagai titik akhir, padahal ia hanya titik awal.
Fenomena ini sejalan dengan yang kami bahas di catatan riset tentang angka adopsi AI Indonesia: penggunaan AI di level individu hampir selalu bergerak lebih cepat daripada keputusan adopsi organisasi. Training mempercepat sisi individunya. Sisi organisasinya tidak ikut berubah dengan sendirinya.
AI training menciptakan awareness. Tetapi adoption membutuhkan desain kerja.
Training mengajarkan tool. Adoption mengubah workflow.
Perbedaan paling penting ada di unit perubahannya.
Training biasanya berfokus pada individu: apakah seseorang tahu cara memakai AI tool, membuat prompt yang baik, atau menghasilkan output lebih cepat.
Adoption berfokus pada workflow: bagian mana dari pekerjaan yang berubah, siapa melakukan apa, kapan AI masuk, bagaimana output AI diperiksa, dan bagaimana tim tahu bahwa hasilnya memang lebih baik.
Kalau perusahaan hanya mengukur jumlah orang yang ikut training atau jumlah akun AI yang aktif, mereka baru mengukur aktivitas. Mereka belum mengukur perubahan kerja.
Sebuah tim bisa terlihat aktif memakai AI, tetapi tetap tidak lebih efektif. Output bisa lebih cepat, tetapi kualitas turun. Meeting bisa lebih sedikit, tetapi keputusan makin kabur. Dokumen bisa lebih banyak, tetapi tidak membantu pekerjaan utama.
Adoption tidak terjadi ketika orang memakai AI. Adoption terjadi ketika AI masuk ke workflow yang jelas dan menghasilkan cara kerja yang lebih baik.
Use case yang buruk membuat AI terlihat tidak berguna
Salah satu alasan AI training gagal mengubah kerja adalah karena perusahaan tidak cukup disiplin memilih use case.
Setelah training, orang biasanya diminta mencari sendiri cara memakai AI. Ini terdengar fleksibel, tetapi sering membuat penggunaan AI tersebar ke terlalu banyak hal kecil.
Ada use case yang menarik tetapi tidak penting. Ada use case yang sering dilakukan tetapi terlalu berisiko. Ada use case yang terlihat cepat, tetapi sebenarnya tidak menyentuh bottleneck utama.
AI adoption membutuhkan prioritas. Use case yang baik biasanya punya beberapa ciri: workflow-nya sering berulang, output-nya bisa dicek, risikonya bisa dibatasi, dan dampaknya bisa diamati dalam waktu pendek.
Contohnya, membuat first draft untuk campaign brief bisa menjadi use case awal yang baik. Workflow-nya jelas, output-nya bisa direview oleh manager, risiko bisa dikontrol, dan dampaknya bisa diukur lewat waktu pengerjaan, jumlah revisi, dan kualitas brief.
Sebaliknya, memakai AI untuk keputusan sensitif tanpa review manusia bukan use case awal yang sehat. Bukan karena AI tidak mampu membantu, tetapi karena organisasi belum punya sistem kontrol yang cukup matang.
Workflow perlu dipetakan sebelum didesain ulang
Banyak tim langsung bertanya, "AI bisa dipakai untuk apa?"
Pertanyaan yang lebih baik adalah, "Pekerjaan mana yang saat ini paling perlu diperbaiki?"
Sebelum memasukkan AI, workflow perlu dipetakan. Apa input-nya? Siapa yang mengerjakan? Di mana bottleneck-nya? Bagian mana yang membutuhkan judgment manusia? Bagian mana yang repetitif? Di mana risiko kualitas muncul? Output seperti apa yang dianggap baik?
Tanpa pemetaan ini, AI mudah ditempelkan ke pekerjaan yang salah. Ia menjadi tambahan aktivitas, bukan perbaikan sistem kerja.
Workflow redesign berarti tim secara sadar menentukan peran AI dan peran manusia. AI mungkin membantu membuat draft, membandingkan alternatif, menemukan pola, atau merangkum input. Manusia tetap menentukan konteks, standar kualitas, keputusan akhir, dan akuntabilitas.
Ini penting karena AI adoption bukan soal mengganti manusia dengan tool. AI adoption yang sehat adalah pembagian kerja baru antara manusia dan AI.
Manager adalah aktor penting dalam AI adoption
AI adoption sering diperlakukan sebagai urusan individu atau tim teknologi. Padahal manager memegang peran besar.
Manager yang menentukan prioritas kerja. Manager yang melihat bottleneck. Manager yang menetapkan standar kualitas. Manager juga yang bisa membuat praktik AI menjadi kebiasaan tim, bukan eksperimen personal.
Tanpa peran manager, penggunaan AI mudah menjadi tidak konsisten. Satu orang memakai AI untuk draft. Orang lain tidak percaya output AI. Ada yang memakai AI untuk data sensitif. Ada yang menolak AI karena tidak jelas ekspektasinya.
Manager tidak harus menjadi ahli AI paling teknis. Tetapi manager perlu bisa menjawab beberapa pertanyaan operasional:
- Workflow mana yang boleh dibantu AI?
- Output AI seperti apa yang harus direview?
- Risiko apa yang perlu dicegah?
- Apa standar kualitas yang dipakai tim?
- Bagaimana tim tahu bahwa AI benar-benar membantu?
Di sinilah guardrails menjadi penting.
Responsible use harus menjadi bagian dari workflow
Responsible use sering dibahas sebagai kebijakan besar. Itu penting, tetapi dalam pekerjaan sehari-hari, responsible use harus diterjemahkan menjadi praktik yang bisa dijalankan.
Misalnya, data apa yang tidak boleh dimasukkan ke AI tool. Jenis output apa yang wajib diverifikasi. Kapan AI boleh membantu membuat rekomendasi. Kapan manusia harus mengambil keputusan akhir. Siapa yang bertanggung jawab jika output AI dipakai dalam pekerjaan.
Guardrails yang terlalu abstrak tidak membantu tim. Guardrails yang terlalu kaku juga membuat orang kembali ke cara lama.
Yang dibutuhkan adalah guardrails yang dekat dengan workflow. Bukan hanya "gunakan AI secara bertanggung jawab", tetapi "untuk workflow ini, AI boleh membantu di tahap ini, output harus dicek dengan cara ini, dan keputusan akhir tetap ada pada role ini."
Measurement harus membedakan usage dan impact
Banyak organisasi berhenti di metrik usage: berapa orang memakai AI, berapa prompt dibuat, atau berapa lisensi aktif.
Metrik itu berguna, tetapi tidak cukup.
Pertanyaan yang lebih penting adalah: apakah pekerjaan menjadi lebih baik?
Untuk menjawab itu, perusahaan perlu mengukur sebelum dan sesudah. Waktu pengerjaan bisa menjadi salah satu metrik, tetapi bukan satu-satunya. Kualitas output, jumlah revisi, risiko error, kejelasan keputusan, dan kepuasan stakeholder juga perlu dilihat.
Kalau AI membuat pekerjaan lebih cepat tetapi menambah revisi, dampaknya belum tentu positif. Kalau AI membuat output lebih banyak tetapi manager harus menghabiskan waktu lebih lama untuk memperbaiki, adoption belum berhasil.
AI adoption perlu diukur sebagai perubahan workflow, bukan sebagai aktivitas penggunaan tool.
Kesimpulan
AI training tetap penting. Tetapi training saja tidak cukup untuk mengubah cara kerja tim.
Perusahaan membutuhkan sistem adoption yang lebih lengkap: memilih use case yang tepat, memetakan workflow, mendesain ulang peran manusia dan AI, menetapkan guardrails, melibatkan manager, dan mengukur dampaknya.
Pertanyaan utamanya bukan lagi, "Apakah tim kita sudah bisa memakai AI?"
Pertanyaan yang lebih penting adalah, "Workflow mana yang berubah menjadi lebih baik karena AI?"