Dalam banyak rapat tentang AI, urutannya hampir selalu sama.
AI akan mengotomatisasi pekerjaan. Pekerjaan berkurang. Headcount turun. Biaya ikut turun.
Logikanya tampak sederhana:
Namun, pernyataan Jamie Dimon dalam earnings call JPMorgan Chase kuartal kedua 2026 menunjukkan gambaran yang lebih rumit.
JPMorgan secara terbuka mengharapkan AI menciptakan efisiensi besar di sejumlah bagian perusahaan. Dimon menyebut hampir 1.000 use case AI, dengan sekitar 50 use case yang dianggap paling penting, mencakup risk, fraud, marketing, hedging, prospecting, note-taking, idea generation, dan document reading.
Ia juga mengatakan bahwa di beberapa area tertentu, JPMorgan telah mengurangi pekerjaan hingga 30–40 persen. Namun, sebagian besar pekerja terdampak ditawari peran lain di dalam perusahaan.
Artinya, ini bukan sekadar cerita tentang pemangkasan headcount.
Pada saat yang sama, Dimon mengingatkan bahwa manfaat AI tidak secara otomatis akan menjadi margin tambahan yang dapat dinikmati JPMorgan. Dalam industri yang kompetitif, efisiensi yang dihasilkan AI pada akhirnya cenderung diteruskan kepada pelanggan, melalui biaya yang lebih rendah, layanan yang lebih baik, atau kesalahan yang lebih sedikit.
“The ultimate beneficiary of AI will be our customers.”
Ini adalah sinyal yang perlu diperhatikan.
AI dapat menciptakan efisiensi besar tanpa otomatis menciptakan penghematan biaya struktural atau keunggulan margin bagi perusahaan.
Efisiensi proses bukan penghematan biaya organisasi
Dalam earnings call yang sama, JPMorgan menaikkan outlook adjusted expenses 2026 menjadi sekitar US$107,5 miliar.
Kenaikan ini tidak tepat jika langsung dikaitkan dengan AI. CFO Jeremy Barnum menjelaskan bahwa peningkatan tersebut terutama berasal dari biaya terkait volume dan pendapatan yang lebih tinggi, seiring aktivitas bisnis yang kuat dan pertumbuhan pendapatan di atas ekspektasi.
Jadi, JPMorgan bukan contoh bahwa AI menyebabkan biaya perusahaan naik.
Tetapi JPMorgan adalah contoh yang lebih berguna: bahkan ketika AI sudah menghasilkan efisiensi nyata, perusahaan tetap dapat terus meningkatkan investasi, kapasitas, dan biaya operasionalnya.
Ini masuk akal.
Ketika teknologi membuat proses lebih murah atau lebih cepat, perusahaan tidak selalu memilih untuk mengurangi biaya. Mereka mungkin memilih melayani lebih banyak pelanggan, mempercepat inovasi produk, meningkatkan kualitas layanan, memperkuat kontrol risiko, atau berinvestasi lebih agresif untuk mempertahankan posisi kompetitif.
Biaya tidak selalu hilang. Kadang, ia berubah bentuk atau dipakai kembali untuk memperbesar kapasitas organisasi.
Bottleneck berpindah ke orkestrasi
AI dapat menurunkan biaya eksekusi pada pekerjaan yang berulang dan memiliki aturan jelas.
Namun, ketika eksekusi menjadi lebih murah, masalah berikutnya menjadi semakin penting: siapa yang memberi arah?
Siapa yang menentukan data yang boleh dipakai? Siapa yang membangun konteks bisnis? Siapa yang menetapkan batas keputusan AI? Siapa yang memeriksa hasilnya? Dan siapa yang bertanggung jawab ketika AI menghasilkan keputusan atau rekomendasi yang salah?
Ini adalah kerja orkestrasi.
Di luar apa yang disampaikan JPMorgan, ada implikasi yang lebih luas, yaitu AI tidak otomatis memahami proses bisnis hanya karena mendapat akses ke dokumen, basis pengetahuan, atau aplikasi internal. Ia memerlukan konteks yang rapi, data yang dapat dipercaya, aturan keputusan, jalur eskalasi, dan pengawasan manusia.
Tanpa itu, AI mungkin mempercepat pekerjaan. Tetapi ia juga dapat mempercepat kesalahan, memperbanyak output yang harus dikoreksi, dan menciptakan pekerjaan baru untuk manusia yang mengawasi hasilnya.
Ketika eksekusi menjadi murah, kemampuan memberi arah menjadi lebih bernilai.
Pengurangan headcount bukan satu-satunya strategi AI
Ada risiko ketika organisasi langsung menerjemahkan otomatisasi menjadi target pengurangan tenaga kerja.
Banyak pengetahuan penting belum tersimpan dalam sistem. Ia ada pada orang-orang yang memahami pengecualian proses, kebutuhan pelanggan, pola risiko, dan kenyataan operasional di lapangan.
Jika peran dihilangkan terlalu cepat, organisasi dapat kehilangan konteks yang diperlukan agar sistem AI bekerja secara andal.
Pernyataan Dimon tentang pekerja yang direlokasi memberi sinyal lain yang penting: pada tahap awal transformasi AI, organisasi mungkin lebih membutuhkan redistribusi kapasitas daripada sekadar pengurangan kapasitas.
Pertanyaan yang lebih tepat bukan:
“Berapa banyak orang yang dapat digantikan AI?”
Melainkan:
“Pekerjaan mana yang harus dikurangi, pekerjaan mana yang harus diperkuat, dan kemampuan baru apa yang harus dibangun?”
Apa yang perlu diukur
Istilah “AI saving cost” terlalu sering dipakai sebagai asumsi awal.
AI memang dapat menurunkan biaya, terutama pada proses yang berulang, jelas, berisiko rendah, dan memiliki data serta aturan yang baik. Tetapi penghematan itu bukan konsekuensi otomatis dari membeli model atau meluncurkan chatbot internal.
Untuk setiap inisiatif AI, organisasi perlu melihat setidaknya empat lapisan biaya:
- biaya eksekusi dengan AI;
- biaya menyiapkan data, konteks, dan integrasi;
- biaya pengawasan, koreksi, dan human review;
- biaya risiko ketika sistem menghasilkan kesalahan.
Pengukuran ini membantu membedakan dua hal yang sering tercampur: efisiensi pada satu aktivitas dan penghematan biaya pada tingkat organisasi.
Keduanya dapat terjadi bersamaan. Tetapi satu tidak otomatis menjamin yang lain.
AI bukan sekadar mesin penghemat biaya. Ia adalah teknologi yang mengubah cara biaya, kapasitas, dan keunggulan kompetitif didistribusikan.
Sumber utama: JPMorgan Chase Q2 FY2026 Earnings Call Transcript, Yahoo Finance.