Pertanyaan yang paling sering saya terima beberapa tahun terakhir ini kurang lebih sama : "AI itu sebenarnya sudah bisa apa?" Yang bertanya biasanya bukan orang teknis, dan sudah bosan dengan 2 jenis jawaban yang beredar : yang bilang semua pekerjaan akan hilang tahun depan, dan yang bilang ini hanya autocomplete yang mahal. Dua-duanya menurut saya ada benarnya, akan tetapi dua-duanya tidak menjawab pertanyaan yang lebih praktis : besok di kantor, ini bisa dipakai untuk apa.
Jadi di artikel ini saya coba jawab yang di tengah : apa yang sudah bisa dipakai setiap hari, apa yang masih sering salah, siapa yang paling terbantu, dan kenapa di kantor kita kemungkinan besar belum terasa apa-apa. Scope-nya saya batasi di pekerjaan kantor sehari-hari, yaitu email, dokumen, data, dan laporan. Kita tidak membahas AI untuk coding, gambar, ataupun robot, karena itu cerita yang berbeda.
Oya sebagai konteks, beberapa tahun terakhir ini saya menjalankan perusahaan yang produknya menggunakan AI. Sehingga contoh-contoh di bawah sebagian besar dari yang saya lihat langsung, dan sebagian dari yang saya pakai sendiri.
Sebagai gambaran awal, anggap saja pagi ini kita punya 40 email yang belum dibalas, 1 kontrak 60 halaman yang harus diringkas sebelum meeting jam 2, dan 1 file Excel kiriman cabang yang nama kotanya ditulis dalam 12 versi berbeda. Dengan bantuan AI, ketiganya bisa selesai hari ini dalam kurang lebih 20 menit. Akan tetapi hasilnya juga bisa salah, dan kita baru tahu kalau dicek. Kurang lebih itu jawaban paling jujur untuk pertanyaan di judul, dan sisanya di bawah adalah contoh dan penjelasannya.
Apa yang Sudah Bisa Dipakai Setiap Hari?
Daftar ini bukan daftar demo. Ini yang setiap hari benar-benar dikerjakan orang dengan AI, dari yang paling sering sampai yang paling jarang disebut.
Membaca dokumen panjang. Kontrak, laporan tahunan, notulen meeting 3 jam, tumpukan jawaban survei. Hasilnya sangat tergantung pada pertanyaannya. Apabila kita hanya minta "tolong ringkas", hasilnya hampir selalu hambar. Hasilnya baru berguna kalau pertanyaannya spesifik : pasal denda keterlambatan ada di bagian mana, siapa berjanji apa, angka mana yang berubah dari versi bulan lalu, ada tidak klausul yang merugikan kalau kita mau berhenti di tengah kontrak.
Merapikan yang berantakan. Notulen yang diketik asal-asalan menjadi daftar tugas dengan nama dan tenggatnya. 3.000 baris data dengan format campur aduk menjadi 1 format. Rekaman menjadi transkrip, transkrip menjadi tema. 200 keluhan customer menjadi 10 kelompok masalah. Pekerjaan seperti ini biasanya menghabiskan 1 sore penuh, dan hampir tidak ada yang suka mengerjakannya.
Draft pertama. Proposal, email yang susah ditulis, balasan komplain, kerangka presentasi, deskripsi lowongan, materi training. Hasilnya jarang bisa langsung dipakai, dan sebaiknya memang tidak langsung dipakai. Akan tetapi bagian yang paling menghabiskan waktu biasanya justru memulainya, dan bagian itu yang hilang, karena kita sudah punya draft untuk diperbaiki. Kita pada umumnya jauh lebih cepat memperbaiki yang sudah ada dibanding mulai dari nol.
Menjelaskan ulang. Tempel paragraf dari tim IT atau legal yang tidak kita mengerti, minta dijelaskan dengan bahasa awam. Kemudian tanya 1 hal lagi : kalau saya setuju dengan ini, risikonya untuk saya apa. Ini pemakaian yang paling sering saya lihat dan paling jarang diakui, karena tidak ada yang mau mengaku kurang mengerti isi dokumen yang dia tanda tangani sendiri.
Bahasa. Terjemahan yang tidak kaku, 2 arah, dan nadanya bisa diatur. Bahan yang sama bisa menjadi email formal ke klien di Tokyo dan caption santai untuk Instagram. Untuk yang pekerjaannya lintas negara, ini saja sudah terasa setiap hari.
Teman berpikir. Ini yang paling jarang disebut, dan menurut saya paling berharga. Kita sedang memikirkan 1 keputusan, kita tulis situasinya panjang lebar, lalu minta AI menyusun alasan kenapa rencana kita akan gagal. Tujuannya supaya titik lemahnya ketemu lebih dulu, sebelum rencananya dipresentasikan. AI-nya tidak dipakai untuk memutuskan, hanya untuk menguji.
Kenapa Banyak yang Mencoba, Lalu Kecewa?
Kalau kita pernah mencoba lalu merasa biasa saja, saya hampir bisa menebak kejadiannya : buka ChatGPT, ketik 1 kalimat pendek, keluar jawaban yang terdengar rapi tetapi kosong, lalu tutup sambil berpikir "oh, begini saja".
Menurut saya masalahnya ada di cara kita memperlakukannya. Kebanyakan orang memakai AI seperti search engine : 1 pertanyaan pendek, berharap 1 jawaban benar. Padahal cara kerjanya lebih mirip intern yang cepat, rajin, tidak kenal capek, dan baru masuk hari ini, sehingga tidak tahu apa-apa tentang kantor kita.
Kita tidak akan menyuruh intern baru "buatkan proposal" lalu hasilnya langsung dikirim ke klien. Biasanya kita kasih konteks dulu : contoh proposal yang dulu berhasil, kliennya siapa, mereka peduli soal apa, format yang biasa dipakai kantor. Setelah itu dikoreksi 1 atau 2 kali. Apabila AI diperlakukan dengan cara yang sama, hasilnya berbeda jauh. Ada 3 hal yang paling menentukan :
- Bahan. Tempel dokumen aslinya, contoh hasil yang menurut kita bagus, data mentahnya. AI tidak bisa menebak isi kepala kita.
- Konteks. Untuk siapa, yang membaca siapa, nadanya bagaimana, panjangnya berapa, apa yang harus dihindari.
- Putaran kedua. Jawaban pertama itu bahan mentah. Sebutkan bagian mana yang kurang, minta diperbaiki. 2 sampai 3 putaran itu wajar.
Contoh sederhananya. Prompt "buatkan email follow up ke klien" hampir pasti menghasilkan email generik yang bisa dikirim siapa saja. Sekarang bandingkan dengan yang ini : ini email terakhir dari klien, ini balasan saya 2 minggu lalu, ini yang sebenarnya saya inginkan, tolong tulis follow up yang tetap sopan tetapi jelas bahwa kami butuh keputusan minggu ini. Tools-nya sama dan waktunya sama, akan tetapi hasilnya berbeda jauh, karena bahan dan konteksnya berbeda.
Kelihatannya sepele, akan tetapi menurut saya perbedaan antara orang yang bilang AI biasa saja dan orang yang tidak mau kembali ke cara lama kurang lebih hanya di sini.
Prompt adalah perintah atau pertanyaan yang kita ketik ke AI, beserta bahan dan konteks yang kita sertakan.
Apa yang Masih Sering Salah?
Angka dan sumber. Ini yang paling berbahaya, justru karena paling meyakinkan. Minta data atau referensi, dan AI sanggup mengarangnya lengkap dengan detail : judul yang masuk akal, nama penulis yang benar-benar ada, tahun terbit yang pas. Ada riset yang menguji 13 model AI dengan meminta ratusan ribu rujukan ilmiah. Sekitar separuhnya tidak pernah ada, dalam arti paper-nya memang tidak pernah ditulis siapa pun.[1]
Aturan saya sederhana : apa pun yang berupa angka, nama, tanggal, atau kutipan, anggap salah sampai kita buka sendiri sumbernya.
Konteks kantor kita. AI tidak tahu klien itu sudah komplain 2 kali bulan lalu. Tidak tahu orang yang kita sebut sedang cuti. Tidak tahu kenapa project itu ditunda, apalagi kalau alasannya politis dan sebaiknya tidak ditulis di mana pun. Yang dia tahu hanya yang kita tempel di kolom chat.
Cenderung setuju. Ini yang paling jarang dibahas dan paling sering menimbulkan masalah. Kalau kita bilang rencana kita bagus, AI cenderung ikut bilang bagus. Kalau pertanyaannya dibalik, kenapa rencana ini akan gagal, dia menjawab dengan sama meyakinkannya. Sehingga menurut saya AI sebaiknya tidak dipakai sebagai penilai. Lebih berguna kalau kita minta AI mencari kelemahan rencana kita, lalu kita sendiri yang menilai mana yang valid.
Hal yang butuh tanggung jawab. Sudah ada produk AI khusus untuk profesi tertentu, berbayar, dibuat perusahaan besar yang memang ahli di bidangnya. Waktu diuji pihak luar, produk sekelas itu pun masih salah di sebagian pertanyaan. Kalau produk yang sespesifik itu saja masih meleset, keputusan yang risikonya kita tanggung sendiri sebaiknya belum diserahkan ke chatbot umum.
Siapa yang Paling Terbantu?
Ini bagian yang paling jarang dibahas, dan menurut saya paling penting.
Ada 1 studi yang datanya cukup jarang : sebuah perusahaan software memasang asisten AI untuk 5.172 agent customer service-nya, dan data 1 tahun penuh dari situ dipelajari oleh ekonom dari Stanford dan MIT.[2]
Hasilnya, agent yang paling baru, yang biasanya paling lama menyelesaikan 1 keluhan, menjadi sekitar 36% lebih cepat. Agent yang paling senior, yang memang sudah bagus, hampir tidak berubah. Karyawan baru yang dibantu AI bisa menyelesaikan keluhan sebanyak karyawan yang sudah berbulan-bulan di posisi itu.
Menurut saya ini masuk akal. Orang yang berpengalaman sebagian besar menguasai pola : kalimat mana yang bisa menenangkan customer yang sedang marah, urutan pengecekan mana yang paling cepat menemukan sumber masalah, kapan harus eskalasi ke atasan. Pola seperti ini memang yang paling mudah dipelajari mesin. Yang susah ditiru justru hal yang tidak ada di catatan mana pun, misalnya tahu bahwa klien ini sensitif soal harga karena tahun lalu pernah kecewa.
Sehingga kalau menulis email rapi itu mudah untuk kita, ChatGPT memang tidak terasa membantu banyak. Kalau setiap mau kirim 1 email kita masih menulis ulang setengah jam, bantuannya terasa besar. Dua-duanya benar, karena titik awalnya berbeda.
Akan tetapi ada 1 hal dari angka 36% itu yang mudah salah ditangkap. Studi tadi mengukur pekerjaan yang batas atasnya jelas : menyelesaikan 1 keluhan customer. Secepat apa pun kita, 1 tiket tetap 1 tiket, sehingga wajar kalau orang yang sudah bagus tidak bisa naik banyak di situ.
Ceritanya berbeda di pekerjaan yang hasilnya bisa sebagus apa pun : menyusun strategi, membuat desain, merancang campaign, menulis proposal. AI sangat bagus dalam menghasilkan banyak pilihan dan sangat buruk dalam memilih. Dia sanggup mengeluarkan 10 versi dalam 5 menit. Yang bisa melihat bahwa versi ke-7 yang benar dan 9 sisanya buruk hanya orang yang sudah punya ukuran sendiri tentang mana yang bagus, yaitu judgment dan selera yang dibangun bertahun-tahun.
Dan itu persis modal orang yang sudah senior. Sehingga kalau kita sudah senior dan AI terasa biasa saja, kemungkinan besar kita masih memakainya hanya untuk mempercepat mengetik.
Bedanya baru terlihat kalau AI dipakai untuk hal yang lain : pekerjaan yang selama ini kita tunda karena terlalu lama, 5 versi strategi yang dibuat sekaligus lalu dibandingkan, data yang menganggur bertahun-tahun karena tidak ada yang sempat membuka, prototype yang biasanya harus antre ke tim lain. Di situ angkanya bisa jauh di atas 36%.
Jadi dua-duanya benar : orang yang baru mulai cepat menjadi lumayan, dan orang yang sudah bagus bisa naik jauh lebih tinggi, dengan syarat mau mengubah cara kerjanya.
Bagaimana dengan Pekerjaan yang Kelihatannya Tidak Terpengaruh?
Reaksi yang paling sering saya dengar kurang lebih begini : "pekerjaan saya kelihatannya tidak terpengaruh, jadi santai saja." Saya mengerti alasannya. Kalau pekerjaan kita isinya bertemu orang, negosiasi, turun ke lapangan, atau mengurus tim, memang belum ada AI yang bisa menggantikannya, dan sampai sekarang pun belum.
Akan tetapi coba pecah dulu pekerjaan itu menjadi bagian-bagiannya. Pekerjaan apa pun hampir tidak pernah hanya 1 kegiatan. Biasanya ada puluhan, dan hanya 2 atau 3 yang benar-benar menjadi alasan kita digaji. Sisanya pekerjaan penunjang : laporan, email, notulen, rekap, dokumen, menjelaskan sesuatu ke orang lain. Dan biaya mengerjakan bagian penunjang itu yang sekarang turun drastis. Coba lihat, di industri mana pun polanya sama :
- Restoran. Membalas review, menyusun jadwal shift, menghitung food cost, membuat materi training pegawai baru, menulis deskripsi menu.
- Konstruksi. Laporan harian, korespondensi vendor, dokumen tender, rekap progres, notulen meeting lapangan.
- Klinik. Surat rujukan, ringkasan rekam medis, materi edukasi pasien, berkas klaim asuransi.
- Sekolah. Membuat soal, komentar rapor, materi ajar, surat ke orang tua murid.
- Toko. Deskripsi produk, membalas chat pembeli, rekap penjualan mingguan.
- Pabrik. SOP, laporan produksi, laporan insiden, berkas audit.
Tidak ada 1 pun dari itu yang disebut "pekerjaan AI". Akan tetapi di semuanya ada setumpuk urusan membaca, menulis, merapikan, dan mengecek.
Di industri mana pun, selalu ada bagian yang butuh orang berpikir : ada yang harus dibaca sampai paham, ditimbang sebelum diputuskan, dijelaskan ulang ke orang lain dengan bahasa yang berbeda. Selama ini bagian itu mahal, karena hanya bisa dikerjakan orang terlatih, dan orang terlatih jumlahnya terbatas. Sekarang sebagian besar pekerjaan membaca, menulis, dan merangkum itu bisa dikerjakan dengan langganan AI yang harganya jauh di bawah gaji 1 orang.
Sehingga pekerjaan kita belum tentu hilang. Yang lebih mungkin terjadi : orang di sebelah kita yang mengerjakan hal yang sama sekarang hemat 1 jam setiap minggu. Atau junior kita, yang biasanya butuh 2 tahun untuk sampai ke level kita, sekarang hanya butuh 1 tahun. Jadi kalau kita merasa pekerjaan kita aman, kemungkinan besar memang benar. Akan tetapi menurut saya alasannya sebaiknya dicek lagi dengan cara memecah pekerjaan seperti di atas.
Kalau Sebagus Itu, Kenapa Belum Terasa Bedanya?
Karena waktu yang dihemat masih sedikit, dan langsung habis lagi di tengah hari kerja.
Di Denmark, efeknya diukur dengan cukup rapi : 25.000 pekerja di 11 jenis pekerjaan yang paling banyak bersentuhan dengan AI, datanya dicocokkan dengan catatan gaji resmi.[3] Rata-rata mereka menghemat 2,8% waktu kerja. Kalau kita hitung dengan 40 jam kerja seminggu, 2,8% dikali 40 = 1,1 jam, kurang lebih 1 jam per minggu. Pengaruhnya ke gaji dan jam kerja : nol.
Satu jam seminggu itu nyata, akan tetapi terlalu kecil untuk terlihat di gaji ataupun di jumlah karyawan.
Menurut saya sebabnya sederhana. Kebanyakan dari kita hanya memakainya untuk tugas kecil yang berdiri sendiri : 1 email, 1 ringkasan, 1 draft. Waktu yang dihemat langsung terserap lagi ke meeting, notifikasi, dan pekerjaan lain yang sudah antre. Tidak ada 1 pun langkah kerja yang benar-benar dihapus. Meeting mingguannya tetap ada. Laporannya tetap dibuat dengan format yang sama, dibaca orang yang sama, disetujui lewat jalur yang sama. Yang berubah hanya laporannya lebih cepat jadi.
Tim yang benar-benar merasakan bedanya biasanya sudah melakukan hal yang lebih tidak enak dulu, yaitu duduk bersama dan mempertanyakan langkah mana yang sebenarnya sudah tidak perlu ada. Pertanyaan itu sifatnya lebih politis dibanding teknis, dan menurut saya itu alasan kenapa pertanyaan ini jarang sekali ditanyakan.
Sebenarnya Penting atau Tidak?
Untuk pertanyaan ini saya selalu kembali ke 1 cerita dari sejarah listrik.
Tahun 1882 Edison menyalakan pembangkit listrik komersial pertamanya di New York. 17 tahun kemudian, di 1899, motor listrik masih menggerakkan kurang dari 5% mesin di pabrik-pabrik Amerika.[4] Masalahnya ada di pabriknya. Waktu itu 1 mesin uap raksasa memutar 1 poros panjang di sepanjang langit-langit, dan semua mesin di lantai terhubung ke poros itu lewat sabuk. Sehingga semua mesin harus berdiri dekat poros, dan urutan mesinnya mengikuti letak poros, padahal seharusnya mengikuti urutan pekerjaan.
Waktu listrik masuk, pabrik mencabut mesin uapnya lalu memasang motor listrik besar di posisi yang persis sama. Poros dan sabuknya dibiarkan menggantung seperti semula. Sumber tenaganya baru, akan tetapi tata letak pabriknya masih yang lama, sehingga hasilnya hampir tidak berubah.
Butuh sekitar 20 tahun lagi sampai ada yang menyadari bahwa kalau setiap mesin punya motor sendiri, mesinnya bisa ditaruh di mana saja. Lantai bisa ditata mengikuti urutan pekerjaan, dinding bisa dipindah, atap bisa dibuka karena tidak ada lagi poros yang harus digantung di sana.
Setelah pabrik ditata ulang, laju pertumbuhan produktivitas manufaktur Amerika naik lebih dari 2 kali lipat, dari 1,3% per tahun sebelum 1919 menjadi 3,1% sesudahnya.[4] Kalau dihitung dari pembangkit pertama di 1882, itu 37 tahun. Sebagian besar waktu itu habis untuk 1 hal : orang memasang mesin baru di kerangka yang lama.
Menurut saya sekarang kita masih di tahap mencabut mesin uap. AI dipakai untuk mempercepat langkah-langkah yang sudah ada, dan itu wajar, karena itu yang paling mudah dan paling tidak menyakitkan. ChatGPT dibuka untuk umum November 2022, jadi sekarang kurang lebih baru 4 tahun.
Sehingga jawaban saya untuk "penting atau tidak" : penting, akan tetapi dampaknya datang pelan dan tidak lewat 1 pengumuman besar. Yang berubah lebih dulu biasanya hal-hal kecil, sampai suatu hari ada yang menata ulang lantai pabriknya dan bedanya baru terlihat jauh.
Coba Sendiri Minggu Ini
Cara paling cepat untuk berhenti menebak-nebak adalah mencoba sendiri. Ini yang selalu saya sarankan ke siapa pun yang bertanya :
- Pilih 1 pekerjaan yang paling tidak kita sukai. Yang berulang, makan waktu, dan tidak butuh keputusan besar : merapikan data, meringkas dokumen panjang, menyusun notulen menjadi daftar tugas, membuat draft pertama yang selalu kita tunda.
- Berikan bahannya, jangan hanya perintahnya. Tempel dokumen aslinya. Tempel contoh hasil yang menurut kita bagus. Sebutkan siapa yang akan membaca dan hasilnya mau dipakai untuk apa.
- Jangan berhenti di jawaban pertama. Sebutkan bagian mana yang kurang, minta diperbaiki. 2 sampai 3 putaran itu wajar, dan biasanya baru di putaran kedua hasilnya terlihat bagus.
- Cek hasilnya baris per baris, sekali saja, dengan serius. Terutama angka, nama, dan tanggal. Kalau ada yang meleset, kita langsung tahu batasnya di mana. Kalau tidak ada yang meleset, kita juga tahu.
Setelah 1 kali mencoba dengan serius, kita akan punya jawaban sendiri untuk pertanyaan di judul, dan jawaban dari pengalaman sendiri biasanya lebih dipercaya dibanding pendapat orang lain.
Demikianlah pendapat saya tentang apa yang sebenarnya sudah bisa dikerjakan AI. Tentunya banyak hal di sini yang oversimplification, dan pekerjaan setiap orang berbeda-beda. Apabila artikel ini mendapatkan cukup banyak response, mungkin saya akan menulis lebih lanjut terkait cara memberi konteks ke AI supaya hasilnya tidak generik.