AI Mulai Mengurus Pekerjaan Manusia

Pada Maret 2026, Claude memimpin kurang dari satu persen pekerjaan riset dan pengembangan AI di Anthropic. Enam bulan kemudian, porsinya mencapai sekitar 26 persen. Lebih dari 90 persen aktivitas R&D Anthropic pada Agustus juga sudah melibatkan AI dalam berbagai bentuk. Data itu berasal dari pengukuran internal perusahaan terhadap penggunaan Claude dalam proses pengembangan AI.

Perkembangan tersebut berbeda dari penggunaan AI untuk pekerjaan kantor biasa. Anthropic merupakan perusahaan yang membangun teknologi AI. Claude tidak hanya membantu karyawan mencari informasi, menyusun dokumen, atau menulis kode. Sistem yang sama mulai mengerjakan bagian dari pekerjaan yang digunakan untuk mengembangkan teknologi AI berikutnya.

Anthropic masih menempatkan manusia dalam proses pengawasan. Claude belum bekerja sepenuhnya secara otonom. Sekitar 30.000 agen AI digunakan pada platform internal yang paling banyak dipakai perusahaan. Pekerjaan yang masuk kategori AI-led masih melibatkan supervisi manusia. Claude menerima instruksi tingkat tinggi, menjalankan sejumlah tahapan pekerjaan, kemudian menghasilkan keluaran yang diperiksa manusia.

Perubahan tersebut membawa persoalan baru bagi manajemen sumber daya manusia. Perusahaan selama ini membangun struktur kerja berdasarkan asumsi bahwa manusia mengerjakan pekerjaan, sementara teknologi membantu manusia menyelesaikannya lebih cepat. Model itu mulai bergeser ketika teknologi mampu menjalankan sebagian pekerjaan dengan arahan manusia.

Peneliti tidak selalu harus menjalankan setiap tahapan eksperimen. Programmer tidak selalu harus menulis seluruh kode. Analis tidak selalu harus mengolah seluruh data secara manual. Mereka dapat memberikan tujuan kepada agen, menentukan batas pekerjaan, memeriksa hasil, lalu mengambil keputusan berdasarkan keluaran sistem.

Peran manusia bergerak dari pelaksana menuju pengarah dan pemeriksa. Pergeseran tersebut terlihat sederhana, tetapi konsekuensinya masuk sampai ke sistem penilaian kinerja.

Selama bertahun-tahun, perusahaan mengukur pekerjaan berdasarkan hasil yang dapat dikaitkan dengan pekerja tertentu. Peneliti menyelesaikan eksperimen. Programmer membuat perangkat lunak. Analis menyusun laporan. Manajer menilai kualitas, kecepatan, dan jumlah pekerjaan yang diselesaikan.

AI membuat hubungan antara pekerja dan hasil kerja menjadi lebih kompleks.

Dua peneliti dapat menghasilkan jumlah pekerjaan yang sama dengan cara yang sangat berbeda. Peneliti pertama mengerjakan sebagian besar proses sendiri. Peneliti kedua memberikan tujuan kepada beberapa agen AI, membiarkan sistem menjalankan tahapan tertentu, memeriksa hasil, memperbaiki kesalahan, lalu mengambil keputusan. Output akhir mungkin sama. Kompetensi yang digunakan jelas berbeda.

Peneliti kedua harus mengetahui kapan AI dapat dipercaya. Ia harus mampu menemukan kesalahan yang tidak terlihat secara kasatmata. Ia harus memahami bidang yang dikerjakan karena kemampuan membaca hasil AI bergantung pada pengetahuan mengenai pekerjaan itu sendiri.

Perusahaan yang hanya menghitung jumlah output akan kesulitan membedakan produktivitas dengan ketergantungan terhadap mesin.

Kemampuan menggunakan AI juga tidak sama dengan kemampuan membuat keputusan menggunakan AI. Seseorang dapat menguasai berbagai perangkat AI tanpa memahami persoalan yang sedang dikerjakan. Sebaliknya, seorang ahli yang memahami bidangnya dapat menggunakan AI sebagai alat untuk memperluas kapasitas kerja tanpa menyerahkan penilaian kepada mesin.

Kebutuhan kompetensi akan bergerak ke arah kombinasi tersebut.

Programmer tetap membutuhkan pemahaman mengenai pemrograman. Peneliti tetap membutuhkan metodologi penelitian. Analis tetap membutuhkan kemampuan membaca data. AI dapat menulis kode, membuat analisis, dan menyusun hipotesis, tetapi manusia tetap harus menentukan apakah hasilnya benar, relevan, dan layak digunakan.

Kode yang berjalan belum tentu kode yang benar. Analisis yang terlihat rapi belum tentu memiliki dasar yang kuat. Jawaban yang terdengar meyakinkan belum tentu menjawab persoalan yang sebenarnya.

Kecepatan menghasilkan pekerjaan tidak sama dengan kemampuan menilai pekerjaan.

Perubahan tersebut juga memengaruhi pembentukan tenaga ahli. Pekerja junior biasanya belajar melalui pekerjaan yang sederhana. Mereka membersihkan data, membaca dokumen, membuat laporan, menulis kode dasar, mengulang eksperimen, dan memperbaiki kesalahan. Pekerjaan semacam itu sering dianggap sebagai pekerjaan rutin. Padahal, pengalaman tersebut membentuk kemampuan profesional.

AI dapat mengambil alih sebagian besar pekerjaan dasar itu.

Perusahaan memperoleh produktivitas lebih tinggi. Pekerja muda memperoleh alat yang jauh lebih kuat daripada generasi sebelumnya. Namun proses belajar tidak otomatis menjadi lebih cepat hanya karena pekerjaan dapat diselesaikan lebih cepat.

Seorang peneliti menjadi ahli melalui pengalaman menghadapi persoalan yang tidak sempurna. Ia belajar ketika data tidak sesuai harapan, eksperimen gagal, kode tidak berjalan, dan asumsi awal terbukti keliru. Kesalahan semacam itu membentuk intuisi profesional.

Jika seluruh pekerjaan sulit langsung diberikan kepada AI, pekerja junior dapat menghasilkan output tinggi tanpa memperoleh pengalaman yang cukup untuk memahami proses di balik output tersebut.

Masalah itu akan menjadi penting dalam pengembangan karier. Struktur karier tradisional bergerak dari pekerjaan sederhana menuju pekerjaan yang semakin rumit. Pekerja memperoleh pengalaman, tanggung jawab meningkat, kemudian posisi berkembang.

AI mengganggu urutan tersebut.

Pekerja junior dapat menggunakan AI untuk menyelesaikan pekerjaan yang sebelumnya membutuhkan pengalaman beberapa tahun. Kemampuan itu berguna, tetapi tidak otomatis membuat seseorang memiliki pengalaman yang sama dengan pekerja senior. Pekerja senior biasanya memiliki kemampuan menghadapi keadaan yang tidak sesuai prosedur, mengambil keputusan ketika informasi tidak lengkap, dan memahami konsekuensi dari sebuah keputusan.

AI dapat mempercepat pekerjaan. AI tidak secara otomatis memberikan pengalaman.

Perusahaan perlu membedakan kedua hal tersebut ketika merancang jalur karier. Pekerja muda tetap membutuhkan pekerjaan yang memaksa mereka memahami dasar profesinya. AI dapat digunakan sebagai alat belajar, alat simulasi, pemberi umpan balik, dan partner untuk menguji gagasan. Pekerja tetap perlu berhadapan dengan masalah nyata dan mengambil keputusan sendiri.

Manajemen juga menghadapi perubahan yang cukup besar. Manajer tidak lagi cukup mengetahui jumlah pegawai dan pembagian tugas. Ia perlu memahami pekerjaan yang diberikan kepada agen AI, data yang dapat diakses sistem, batas kewenangan agen, hasil yang harus diperiksa, dan keputusan yang tetap membutuhkan persetujuan manusia.

Satu tim kecil dapat menangani pekerjaan yang sebelumnya membutuhkan lebih banyak tenaga. Sebuah organisasi besar dapat tetap tidak efisien jika AI digunakan tanpa pembagian kewenangan dan prosedur pemeriksaan yang jelas.

Jumlah pegawai tidak lagi menjadi ukuran yang memadai untuk membaca kapasitas organisasi.

Perusahaan membutuhkan sistem tata kelola AI yang masuk ke dalam struktur kerja, bukan sekadar aturan penggunaan perangkat lunak. Akses data harus jelas. Batas tindakan agen harus jelas. Aktivitas sistem perlu tercatat. Hasil yang berisiko harus melalui pemeriksaan manusia. Organisasi juga perlu mengetahui siapa yang memberikan instruksi dan siapa yang memiliki kewenangan untuk menghentikan proses.

Anthropic memberikan gambaran mengenai skala pekerjaan yang sudah mulai terjadi. Sekitar 30.000 agen AI digunakan untuk pekerjaan riset dan engineering pada platform internal yang paling banyak digunakan perusahaan pada Agustus 2026. Aktivitas agen dipantau sebelum dan setelah tindakan dilakukan. Dari lebih dari satu miliar keputusan agen yang dianalisis selama Agustus, sekitar 0,002 persen diblokir oleh sistem pemantauan online, atau sekitar satu dari 47.000 keputusan.

Angka tersebut memperlihatkan persoalan lain. Ketika jumlah agen mencapai puluhan ribu, pengawasan manusia tidak mungkin dilakukan dengan cara lama. Seorang manajer tidak dapat membaca setiap tindakan agen satu per satu. Organisasi membutuhkan sistem yang dapat mengidentifikasi tindakan berisiko, menentukan kapan manusia harus turun tangan, dan menyimpan jejak keputusan untuk pemeriksaan berikutnya.

Akuntabilitas akhirnya menjadi persoalan manajemen.

AI dapat menghasilkan kode, analisis, rekomendasi, atau rancangan eksperimen. AI tidak dapat menjadi pihak yang bertanggung jawab secara organisasi ketika hasil tersebut menimbulkan masalah. Tanggung jawab tetap berada pada manusia dan institusi yang memberikan kewenangan kepada sistem.

Kehadiran manusia dalam proses juga belum tentu berarti adanya pengawasan yang nyata. Jika manusia hanya menerima hasil AI dan memberikan persetujuan tanpa memahami prosesnya, pengawasan berubah menjadi formalitas.

Pengawasan membutuhkan kompetensi. Orang yang memeriksa hasil AI harus cukup menguasai bidangnya untuk menemukan kesalahan. Ia juga membutuhkan kewenangan untuk menghentikan pekerjaan ketika hasil sistem tidak dapat dipercaya.

Kebutuhan tersebut semakin penting ketika AI masuk ke dalam penelitian ilmiah. Anthropic pada September 2026 melaporkan penggunaan Claude dalam penelitian biologi untuk mencari keluarga protein yang belum terkarakterisasi. Claude membantu menghasilkan hipotesis yang kemudian diuji melalui eksperimen laboratorium. Perusahaan juga melaporkan penggunaan Claude dalam pencarian sistem enzim dengan karakteristik yang berkaitan dengan mekanisme CRISPR.

AI mulai masuk lebih jauh ke proses produksi pengetahuan. Manusia memberikan pertanyaan, batasan, dan tujuan. Sistem menjalankan sebagian pekerjaan pencarian dan analisis. Manusia memeriksa hasil melalui eksperimen dan penilaian ilmiah.

Model kerja semacam itu berbeda dari otomatisasi sederhana. Mesin tidak hanya menggantikan satu pekerjaan berulang. Mesin mulai mengambil bagian dari proses yang sebelumnya membutuhkan kemampuan analitis manusia.

Perkembangan tersebut membuka kemungkinan recursive improvement. AI digunakan untuk membantu mengembangkan AI. AI yang semakin mampu kemudian dapat membantu proses pengembangan berikutnya. Anthropic sendiri mengukur perkembangan penggunaan AI dalam R&D berdasarkan tingkat bantuan, kolaborasi, kepemimpinan pekerjaan oleh AI, sampai otonomi penuh. Claude belum mencapai tahap otonomi penuh dalam pengukuran tersebut, tetapi pekerjaan yang dipimpin AI sudah mencapai sekitar 26 persen.

Angka 26 persen tidak berarti 26 persen peneliti telah kehilangan pekerjaannya. Angka tersebut menunjukkan bahwa sebagian pekerjaan R&D dapat dijalankan AI berdasarkan instruksi tingkat tinggi dengan pengawasan manusia.

Perbedaan tersebut penting karena pembicaraan mengenai AI sering terjebak pada jumlah pekerjaan yang hilang. Perubahan yang sedang terjadi jauh lebih rumit. Sebagian pekerjaan manusia tidak langsung hilang. Komposisi pekerjaan berubah. Sebagian tugas berpindah kepada mesin, sementara manusia mengambil tanggung jawab untuk menetapkan tujuan, mengarahkan proses, memeriksa hasil, dan menentukan keputusan.

Struktur organisasi ikut berubah ketika pembagian pekerjaan berubah.

Manajer masa depan mungkin tidak memimpin sepuluh orang yang masing-masing mengerjakan tugas tertentu. Ia dapat memimpin beberapa pekerja yang mengarahkan puluhan atau ratusan agen AI. Peneliti dapat mengelola kelompok agen yang menjalankan eksperimen, membaca literatur, membuat kode, dan menguji hipotesis. Programmer dapat bekerja dengan agen yang menulis, menguji, dan memperbaiki kode secara berulang.

Jumlah pekerja bukan lagi satu-satunya ukuran kapasitas kerja. Kemampuan mengorkestrasi manusia dan mesin menjadi bagian dari kapasitas organisasi.

Konsep Society 5.0 sering berbicara tentang manusia dan teknologi yang bekerja bersama. Anthropic memperlihatkan bentuk yang lebih konkret. Manusia tidak harus menghilang dari pekerjaan ketika AI semakin kuat. Manusia dapat berpindah dari pelaksana menjadi pengarah, pemeriksa, dan pengambil keputusan.

Perpindahan tersebut menuntut perubahan dalam pendidikan, rekrutmen, pelatihan, penilaian kinerja, dan desain organisasi. Literasi AI saja tidak cukup. Tenaga kerja membutuhkan pengetahuan bidang, kemampuan berpikir kritis, kemampuan mengevaluasi hasil mesin, dan pemahaman mengenai batas kewenangan teknologi.

Organisasi juga harus menjaga agar manusia tetap memiliki kemampuan yang membuat mereka mampu mengoreksi mesin. Ketergantungan yang terlalu besar dapat menciptakan kondisi ketika manusia secara formal masih memegang kendali, tetapi secara praktis tidak lagi memahami pekerjaan yang sedang dilakukan sistem.

Claude yang mengerjakan sekitar seperempat pekerjaan R&D Anthropic belum menunjukkan bahwa manusia tidak lagi dibutuhkan. Perkembangan itu menunjukkan sesuatu yang lebih sederhana sekaligus lebih penting: AI mulai masuk ke bagian pekerjaan yang selama ini dianggap sebagai pekerjaan inti manusia, termasuk pekerjaan untuk menciptakan AI generasi berikutnya.

Perusahaan yang hanya melihat AI sebagai alat produktivitas akan terlambat membaca perubahan organisasi. Persoalan utama bukan berapa banyak pekerja yang dapat digantikan, melainkan bagaimana perusahaan membagi pekerjaan antara manusia dan mesin, bagaimana manusia memperoleh keahlian, siapa yang memiliki kewenangan, dan siapa yang bertanggung jawab ketika sistem membuat keputusan.

Jika pekerjaan penelitian sendiri mulai dapat diarahkan dan dijalankan oleh agen AI, bagaimana perusahaan akan membentuk peneliti generasi berikutnya yang bukan hanya mampu menggunakan AI, tetapi juga cukup menguasai ilmunya untuk mengoreksi AI ketika mesin mulai salah?