AI mengambil tugas rutin—pekerjaan manusia justru makin menuntut

Ulasan McKinsey pada 7 September 2026 menyoroti perubahan pembagian kerja ketika agen AI menangani tugas rutin. Pekerjaan manusia yang tersisa dapat membutuhkan penilaian dan pemikiran kritis lebih besar serta menjadi lebih menuntut secara kognitif.

Ulasan 7 September itu tidak menyatakan bahwa semua pekerjaan otomatis menjadi lebih sulit. Pokoknya lebih spesifik: ketika pekerjaan yang mudah dipolakan dialihkan kepada AI, manusia lebih banyak menangani pengecualian, mengendalikan mutu, membaca konteks, dan mempertanggungjawabkan keputusan—kemampuan yang kini menjadi semakin penting.

Mengapa pekerjaan yang tersisa dapat terasa lebih berat

Otomatisasi bekerja pada tingkat tugas, bukan menghapus seluruh isi suatu jabatan sekaligus. Bagian yang berulang, memiliki masukan jelas, mengikuti aturan stabil, dan menghasilkan keluaran terukur lebih mudah dibantu atau diambil alih oleh sistem. Kasus yang ambigu, sensitif, atau tidak cocok dengan pola umum kemudian lebih sering jatuh kepada manusia.

Inilah efek penyaringannya: jumlah item yang dikerjakan manual mungkin berkurang, tetapi bagian yang sulit dapat mengambil porsi lebih besar. Pekerja harus menafsirkan informasi yang tidak lengkap, mempertimbangkan dampak pada pihak lain, dan menentukan kapan rekomendasi otomatis tidak layak diikuti.

Karena itu, efisiensi tugas tidak sama dengan penurunan beban mental. Sistem juga dapat menghasilkan draf dan rekomendasi jauh lebih cepat daripada kemampuan manusia untuk meninjaunya. Jika volume kerja dinaikkan mengikuti kecepatan produksi AI, waktu yang tersedia untuk setiap keputusan rumit justru dapat menyempit.

Membagi tugas menurut risiko dan kebutuhan penilaian

Unit pembagian yang berguna adalah tugas, bukan jabatan. Satu pekerjaan dapat memuat bagian yang aman didelegasikan, bagian yang boleh disiapkan AI tetapi wajib diperiksa, dan keputusan yang harus tetap dipimpin manusia. Kerangka ringkasnya sebagai berikut.

• Delegasikan dengan pengawasan ringan: tugas berulang dengan aturan stabil, dampak kesalahan rendah, serta hasil yang mudah dibandingkan dengan bahan asli, seperti pemformatan atau pengelompokan awal.
• Jadikan keluaran AI sebagai draf: rangkuman, analisis awal, rekomendasi, atau komunikasi yang ketepatannya bergantung pada data dan konteks. Manusia memeriksa sumber, asumsi, bagian yang hilang, dan kesesuaian hasil dengan tujuan.
• Pertahankan keputusan pada manusia: perkara yang menyangkut hak, keselamatan, keadilan, reputasi, konflik kepentingan, atau akibat yang sulit dibatalkan. AI dapat membantu menyediakan bahan, tetapi pemilik keputusan harus tetap jelas.

Analisis HEC Paris pada 3 September 2026 menemukan pola serupa dalam pekerjaan eksekutif: AI lebih mampu mendukung tugas manajemen yang terstruktur dan kaya data, sedangkan kepemimpinan yang bergantung pada penilaian, kepercayaan, kecerdasan sosial, dan akuntabilitas tetap lebih sulit digantikan. Temuan itu bersifat eksploratif, berdasarkan tinjauan riset, 45 wawancara, dan penilaian oleh tujuh sistem AI generatif; penulisnya menegaskan bahwa hasil tersebut bukan probabilitas otomatisasi atau prediksi penggantian pekerjaan.

Penilaian, pemikiran kritis, dan hubungan menjadi lebih bernilai

Penilaian kontekstual menentukan apakah data benar-benar mewakili keadaan, apakah aturan umum cocok untuk kasus tertentu, dan apakah informasi yang tersedia sudah cukup untuk bertindak. Kemampuan ini juga diperlukan untuk mengenali pengecualian yang terlihat wajar bagi sistem tetapi membawa konsekuensi berbeda di dunia nyata.

Pemikiran kritis diperlukan untuk menguji asumsi, mencari penjelasan alternatif, dan membedakan jawaban yang lancar dari jawaban yang dapat dipertanggungjawabkan. Ketika AI sudah mampu menghasilkan sesuatu, pertanyaan manusia bergeser menjadi mengapa hasil itu layak dipakai dan bukti apa yang dapat membenarkannya.

Kreativitas penting ketika masalah belum mempunyai pola atau templat yang stabil. Empati, negosiasi, dan kemampuan membangun kepercayaan juga tetap menentukan saat keputusan memengaruhi pelanggan, pasien, pegawai, atau mitra. Nilai keterampilan tersebut bukan karena AI sama sekali tidak dapat membantu, melainkan karena konteks sosial dan tanggung jawab akhir tidak otomatis berpindah kepada sistem.

Otomatisasi juga dapat menghilangkan tempat berlatih

Paradoks kedua muncul ketika tugas dasar yang diambil AI sebenarnya merupakan sarana pembentukan keahlian. Meninjau dokumen, menyusun draf pertama, atau mengerjakan banyak kasus sederhana membantu pekerja mengenali pola dan memahami bentuk kesalahan. Jika lapisan pengalaman itu hilang, pekerja baru dapat menghadapi perkara sulit lebih cepat tanpa memperoleh latihan yang dahulu membangun intuisi profesional.

Kajian CETaS tertanggal 9 September 2026 membahas risiko tersebut melalui bukti dari sektor hukum dan kesehatan: mengganti tugas pembentuk keterampilan tanpa mengganti fungsi belajarnya dapat menciptakan kerentanan. Kajian itu mengusulkan praktik terstruktur tanpa bantuan AI, penandaan keluaran sebagai draf untuk tinjauan profesional, mekanisme eskalasi, dan alur yang meminta pengguna menjelaskan jawabannya sebelum melihat jawaban mesin.

Untuk menerjemahkannya ke pekerjaan harian, tim dapat mempertahankan satu latihan mingguan tanpa AI pada kasus nyata yang telah dianonimkan atau simulasi yang relevan. Hasilnya kemudian dibandingkan dengan keluaran sistem untuk melihat perbedaan alasan, asumsi, dan bukti—bukan sekadar memilih jawaban yang terdengar paling meyakinkan.

Pada pekerjaan aktif, pemeriksaan perlu meninggalkan jejak: bahan apa yang diperiksa, asumsi mana yang dipakai, bagian mana yang diubah, dan mengapa saran sistem diterima atau ditolak. Pendekatan dimulai dari tugas kecil dapat membantu menjaga ruang evaluasi sebelum AI diberi peran yang lebih besar.

Batas pembagian kerja belum final

Ketiga publikasi tersebut mendukung arah perubahan yang sama, tetapi cakupannya berbeda. McKinsey menyajikan ulasan tentang tenaga kerja manusia dan agen AI; HEC Paris menelaah tugas manajerial dan kepemimpinan; CETaS menarik pelajaran dari sektor hukum dan kesehatan untuk pekerjaan analisis intelijen. Temuan-temuan itu tidak membuktikan bahwa setiap profesi akan menjadi lebih berat atau bahwa semua tugas rutin aman diotomatisasi.

Yang masih perlu diukur ialah dampak jangka panjang terhadap mutu keputusan, pembentukan keahlian pekerja baru, beban kognitif, dan ketahanan organisasi—bukan hanya kecepatan atau jumlah tugas yang selesai. Untuk sementara, pembagian kerja yang sehat ditandai oleh tiga hal: manusia tetap mampu menjelaskan hasil, mempunyai waktu dan kemampuan untuk memeriksanya, serta memegang wewenang untuk mengambil alih ketika konteks menuntut.

Baca juga:

• Gemini untuk kerja: mulai dari tugas kecil, lalu verifikasi jawabannya
• Kerja AI sederhana makin ramai—pendapatan tugasnya justru turun 28%
• Gelar junior, tuntutan senior—AI menaikkan harga kemampuan manusia