Aksi kerja pengguna berat AI naik 21,2%—belum tentu produktivitas naik
Tindakan pengguna AI intensif di aplikasi kerja memang meningkat, tetapi itu belum membuktikan produktivitas akhirnya naik. Aktivitas aplikasi hanya menunjukkan bahwa orang melakukan lebih banyak tindakan; kesimpulan tentang produktivitas memerlukan bukti bahwa keluaran selesai lebih cepat, mutunya terjaga, dan hasil bisnis membaik.
Dalam ringkasan Microsoft Research, pengguna yang memakai sistem AI lebih dari 100 kali selama 20 minggu mengalami kenaikan 21,2% pada tindakan aplikasi produktivitas dan 7,1% pada tindakan aplikasi komunikasi. Subjek yang diukur adalah tindakan di Microsoft 365, bukan mutu dokumen, waktu yang dihemat, atau nilai ekonomi yang tercipta.
Apa yang sebenarnya naik
Istilah “produktivitas” dalam hasil tersebut melekat pada kategori aplikasi, bukan pada produktivitas sebagai rasio keluaran terhadap sumber daya. Kelompok aplikasi produktivitas mencakup Word, PowerPoint, Excel, Loop, dan OneNote, sedangkan kelompok komunikasi mencakup Outlook, Teams, dan Streams.
Unit observasinya adalah tindakan yang dimulai pengguna, seperti membuka aplikasi, menyimpan dokumen, menambahkan konten, atau menempelkan materi. Tindakan yang dipicu Copilot tidak dimasukkan ke hitungan tindakan manusia. Pemisahan ini berguna untuk membaca perubahan perilaku, tetapi tidak menjawab apakah satu tindakan menghasilkan pekerjaan yang berguna.
Aktivitas dapat naik dalam dua keadaan yang sangat berbeda. AI mungkin membantu seseorang menghasilkan lebih banyak materi yang layak pakai, tetapi juga dapat memicu lebih banyak draf, pemeriksaan, koreksi, dan pengulangan. Tanpa menghubungkannya dengan keluaran yang diterima, kedua keadaan itu terlihat serupa dalam log aplikasi.
Batas kesimpulan dari jejak digital
Naskah akademik penelitian merinci data dari 11 perusahaan internasional pada Januari–September 2024, mencakup 40.164 pengguna yang memperoleh akses Copilot dan 7.831 pengguna yang memakainya lebih dari 100 kali dalam 20 minggu pertama. Analisis difference-in-differences membandingkan perubahan mereka dengan pengguna beraktivitas awal serupa yang memperoleh akses lebih lambat, dengan pencocokan terpisah menurut posisi manajerial.
Rancangan tersebut lebih kuat daripada sekadar membandingkan pengguna aktif dan nonpengguna pada satu waktu. Namun, penelitian observasional tidak menghapus seluruh kemungkinan perbedaan pada jenis pekerjaan, motivasi, kecakapan digital, atau dukungan organisasi. Sampel perusahaan besar internasional juga tidak otomatis mewakili perusahaan kecil maupun semua lingkungan kerja di Indonesia.
Batas pengukurannya sama pentingnya: alokasi waktu tidak dapat diamati langsung, isi prompt tidak dianalisis karena pembatasan privasi, dan ukuran produktivitas yang sempurna tidak tersedia. Karena variabel hasilnya berupa tindakan aplikasi, studi ini mendukung kesimpulan tentang perubahan volume dan komposisi aktivitas kerja—bukan kepastian bahwa hasil akhir meningkat 21,2%.
Ukur tiga lapis: aktivitas, keluaran, dan hasil
Penilaian yang lebih utuh perlu memisahkan tiga lapis yang sering tercampur. Setiap lapis menjawab pertanyaan berbeda dan baru bermakna ketika hubungannya dapat ditelusuri.
- Aktivitas mencakup tindakan aplikasi, penggunaan AI, dokumen yang dibuka, pesan, rapat, dan sesi kerja. Data ini menunjukkan bagaimana proses berubah, bukan apakah pekerjaan berhasil.
- Keluaran adalah pekerjaan yang mencapai definisi selesai: laporan diterima, analisis dikirim, tiket ditutup, fitur dirilis, atau keputusan siap dijalankan. Volume keluaran perlu dibaca bersama mutu, waktu siklus, dan pekerjaan ulang.
- Hasil adalah dampak yang ingin dicapai organisasi, seperti perubahan waktu respons pelanggan, tingkat kesalahan, biaya layanan, risiko kepatuhan, pendapatan, atau keberhasilan proyek.
Hubungan antarlapis menentukan diagnosisnya. Jika tindakan di Word meningkat tetapi jumlah laporan yang disetujui tetap, waktu penyelesaian tidak berubah, dan revisi bertambah, pekerja mungkin hanya lebih sibuk. Jika keluaran yang diterima bertambah dengan waktu siklus lebih singkat dan mutu yang setara, bukti efisiensinya jauh lebih kuat.
Metrik yang melengkapi hitungan aktivitas
Kualitas harus mengikuti jenis pekerjaan. Tim dapat menggunakan koreksi fakta pada laporan, temuan audit dalam proses kepatuhan, cacat perangkat lunak, kepuasan pelanggan, atau penilaian reviewer dengan rubrik yang konsisten. Jumlah draf tidak boleh menggantikan penilaian atas hasil yang akhirnya digunakan.
Waktu siklus sebaiknya dihitung sejak permintaan masuk sampai keluaran diterima, bukan hanya durasi membuat draf. Pisahkan waktu produksi, antrean pemeriksaan, persetujuan, dan perbaikan; percepatan pada tahap awal dapat memindahkan beban ke reviewer tanpa mempercepat proses keseluruhan.
Pekerjaan ulang menangkap biaya yang tersembunyi dalam kenaikan aktivitas. Indikatornya dapat berupa revisi substantif, keluaran yang dikembalikan, waktu validasi, koreksi setelah publikasi, atau materi berbantuan AI yang akhirnya tidak digunakan.
Perbedaan definisi terlihat pada studi Stanford Digital Economy Lab terhadap 5.172 agen dukungan pelanggan, yang mengukur produktivitas sebagai masalah terselesaikan per jam dan menemukan kenaikan rata-rata 15% setelah akses ke asisten AI. Ukuran itu lebih dekat dengan keluaran dan disertai pemeriksaan mutu, meskipun temuannya khusus untuk pekerjaan dukungan pelanggan dan tidak dapat langsung dipindahkan ke semua profesi.
Komunikasi yang tumbuh lebih lambat bukan otomatis efisiensi
Kenaikan tindakan komunikasi yang lebih kecil menunjukkan pergeseran relatif menuju kerja individual yang berfokus pada dokumentasi. Pada tingkat tindakan tertentu, polanya tidak seragam: aktivitas aplikasi produktivitas cenderung meningkat, sementara membaca dan mengelola surel serta sebagian pertukaran kelompok kecil menurun.
Perubahan itu dapat berarti informasi berulang berkurang, tetapi dapat pula menghilangkan konteks yang dibutuhkan untuk koordinasi. Penurunan komunikasi manusia juga berpotensi membatasi penyebaran informasi beragam yang mendukung inovasi; penelitian ini mengangkat risiko tersebut tanpa mengukur dampak inovasi secara langsung.
Karena itu, jumlah pesan atau jam rapat tidak cukup. Ukuran yang lebih relevan mencakup waktu tunggu keputusan, kualitas serah terima, hambatan yang terlambat diketahui, pekerjaan ulang akibat konteks yang hilang, serta keterlibatan fungsi yang memang diperlukan.
Angka 21,2% paling tepat dibaca sebagai sinyal bahwa pola kerja berubah setelah penggunaan AI yang intensif. Klaim produktivitas baru kuat apabila kenaikan aktivitas diikuti lebih banyak keluaran yang diterima, waktu siklus yang membaik, mutu yang tidak turun, pekerjaan ulang yang terkendali, dan hasil bisnis yang bergerak ke arah yang diinginkan.
Baca juga:
Berlangganan buletin kami
Dapatkan berita Web3, AI, dan kripto terbaru langsung di kotak masuk Anda.