Akankah kecerdasan buatan menggantikan pemikiran manusia? AI dapat melakukan banyak hal dengan lebih baik dan lebih cepat – tetapi hal itu menjadi risiko dalam tugas-tugas ini

Ketika mesin mengembangkan ide: Di mana nilai ekonomisnya berakhir?

Kelangkaan baru di pasar kerja: Mengapa penilaian menjadi lebih berharga melalui AI

Kecerdasan buatan menulis teks, mengembangkan perangkat lunak, meringkas informasi, dan mendukung pengambilan keputusan. Dengan demikian, ia mengambil alih tugas-tugas yang dulunya dianggap sebagai pekerjaan pengetahuan manusia. Tetapi apa yang ada di balik hasil yang meyakinkan tersebut? Apakah AI benar-benar memahami apa yang dibicarakannya – ataukah ia hanya menghasilkan jawaban yang tampak dapat dipahami dan masuk akal bagi manusia?

Bagi dunia bisnis, pertanyaan ini lebih dari sekadar perdebatan filosofis. AI dapat mempercepat proses kerja dan meningkatkan kualitas hasil. Namun, studi juga menunjukkan bahwa dukungannya dalam tugas-tugas tertentu dapat menyebabkan pengambilan keputusan yang lebih buruk. Oleh karena itu, yang penting bukanlah seberapa cepat suatu sistem bekerja atau seberapa cerdas jawabannya. Yang krusial adalah apakah sistem tersebut dapat diandalkan dalam aplikasi spesifik, kesalahan apa yang dilakukannya, dan apa konsekuensi dari kesalahan tersebut.

Perbandingan antara mesin "berpikir" dan manusia yang hanya memahami juga terlalu sederhana. AI dapat mengenali pola, menghubungkan informasi, dan menghasilkan saran baru, tetapi ini tidak membuktikan pengalaman atau kesadaran manusia. Pada saat yang sama, manusia sama sekali tidak sempurna: mereka juga menilai berdasarkan rutinitas, mengabaikan hubungan, dan dapat disesatkan oleh penjelasan yang meyakinkan.

Oleh karena itu, pertanyaan ekonomi bukanlah apakah mesin dapat berpikir seperti manusia. Melainkan tugas-tugas apa yang dapat dilakukannya dengan andal – dan di mana keahlian, tinjauan kritis, dan tanggung jawab tetap sangat diperlukan. Karena semakin mudah AI menghasilkan teks, analisis, dan ide, semakin penting kemampuan untuk membedakan saran yang baik dari saran yang terdengar masuk akal tetapi pada akhirnya salah.

AI menghitung, manusia memahami? Apa yang sebenarnya dapat dilakukan oleh kecerdasan buatan dan di mana nilai ekonominya mencapai batasnya

Mesin tidak membutuhkan kesadaran untuk mengganggu model bisnis – tetapi perusahaan membutuhkan lebih dari sekadar jawaban yang sempurna

Kecerdasan buatan sedang mengubah ekonomi tenaga kerja intelektual. Ia menulis teks, mengembangkan kode program, menyusun informasi, merancang produk, dan mendukung pengambilan keputusan. Dengan demikian, ia mengambil alih tugas-tugas yang sejak lama dianggap sebagai kemampuan unik manusia. Perkembangan ini menimbulkan pertanyaan mendasar: Jika sebuah mesin memberikan hasil yang meyakinkan, apakah ia benar-benar berpikir dan memahami – ataukah ia hanya menghasilkan sesuatu yang tampak bagi manusia sebagai sesuatu yang berpikir dan memahami?

Jawaban yang menentukan secara ekonomi terletak di antara dua anggapan yang berlebihan. Yang satu secara prematur menyatakan kecerdasan buatan sebagai entitas yang berpikir dan merasakan. Yang lain mereduksinya menjadi sekadar mesin fotokopi, sehingga meremehkan kemampuan sebenarnya. Kedua perspektif tersebut mempersulit pengambilan keputusan investasi yang tepat. Perusahaan tidak perlu percaya pada kesadaran mesin atau membuktikan ketidakmungkinan mendasar untuk menggunakan AI secara efektif. Mereka perlu memahami tugas-tugas apa yang dapat dilakukan sistem dengan andal, dalam kondisi apa sistem tersebut gagal, dan keterampilan manusia mana yang menjadi lebih atau kurang berharga sebagai akibatnya.

Tiga istilah yang sangat penting di sini adalah abstraksi, ide, dan kognisi. Ketiganya menggambarkan berbagai tingkat pemrosesan mental. Abstraksi menurunkan prinsip dari pengamatan individu. Sebuah ide membuka kemungkinan baru untuk bertindak. Kognisi mengubah pemahaman tentang suatu situasi. AI dapat menghasilkan hasil yang secara fungsional mereplikasi ketiga proses tersebut atau benar-benar mewujudkannya dalam tugas-tugas tertentu. Namun, ini tidak secara otomatis berarti bahwa AI melakukan proses-proses ini sebagai pengalaman yang dialami secara subyektif.

Pemisahan antara kinerja yang dapat diamati dan pengalaman batin inilah yang memiliki signifikansi ekonomi. Pasar terutama membayar untuk hasil yang dapat digunakan, bukan untuk kepastian filosofis tentang asal-usulnya. Di sisi lain, tanggung jawab, kepercayaan, tujuan, dan legitimasi sosial tidak dapat diperoleh semata-mata dari kualitas hasil yang dihasilkan.

Tidak ada garis pemisah yang jelas antara metode perhitungan dan pemahaman

Model bahasa generatif modern mempelajari pola statistik dari kumpulan data besar. Sederhananya, parameter-parameternya disesuaikan selama pelatihan sehingga dapat menghasilkan kelanjutan linguistik dan keluaran lain yang dibutuhkan seefektif mungkin. Saat digunakan, model ini memproses konteks spesifik dan menghitung keluarannya sesuai dengan konteks tersebut.

Deskripsi ini penting secara teknis, tetapi tidak sepenuhnya menjelaskan kemampuan apa yang muncul dari proses tersebut. Fakta bahwa suatu sistem beroperasi secara matematis tidak berarti sistem tersebut hanya memproses gugusan kata yang dangkal. Hubungan kompleks, kategori, dan struktur abstrak juga dapat tercermin dalam representasi yang dipelajari. Oleh karena itu, penelitian tidak hanya membahas keterbatasan sistem tersebut, tetapi juga sejauh mana sistem tersebut mengembangkan model dunia internal dan bentuk pemahaman yang relevan secara fungsional.

Contoh apel menggambarkan perbedaan yang diperlukan. Seseorang mengaitkan apel dengan rasa, aroma, berat, kenangan, rasa lapar, atau tindakan tertentu. Model yang murni berbasis bahasa tidak memiliki pengalaman pribadi ini. Namun demikian, model tersebut dapat memproses hubungan antara apel, proses pematangan, nutrisi, pertanian, dan gravitasi. Sistem multimodal dapat juga menggabungkan gambar atau data sensor lainnya. Oleh karena itu, kurangnya pengalaman manusia tidak secara otomatis berarti kurangnya kompetensi fungsional.

Sebaliknya, penjelasan yang tepat tidak selalu menunjukkan pemahaman manusia. Suatu sistem dapat berbicara tentang rasa tanpa membuktikan pengalaman rasa yang sebenarnya. Sistem tersebut dapat menggambarkan kesedihan tanpa memunculkan perasaan pribadi darinya. Bahasa yang digunakan orang untuk mengungkapkan keadaan batin dapat dihasilkan tanpa membuktikan keadaan tersebut secara ilmiah. Saat ini, belum ada dasar yang diterima secara umum untuk secara langsung menyimpulkan pengalaman subjektif dari kinerja linguistik yang meyakinkan.

Hal ini mengarah pada perspektif yang lebih realistis bagi bisnis: Sebuah perusahaan tidak boleh menilai AI berdasarkan kualitasnya yang menyerupai manusia atau deskripsi diri linguistiknya. Yang penting adalah kemampuan yang dapat diverifikasi, profil kesalahan, dan manfaat nyata dalam proses kerja yang bersangkutan.

Mengapa rumus sintaksis tanpa semantik tidak memadai?

Perbedaan antara sintaksis dan semantik menggambarkan sebuah masalah nyata. Sintaksis berkaitan dengan aturan-aturan yang mengatur susunan simbol. Semantik berkaitan dengan maknanya. Sebuah kalimat yang secara tata bahasa benar bisa saja secara faktual salah. Rekomendasi tindakan yang dirumuskan secara meyakinkan dapat didasarkan pada asumsi yang tidak akurat.

Namun, tidak dapat disimpulkan begitu saja dari hal ini bahwa AI pada dasarnya tidak memproses struktur makna apa pun. Pernyataan tersebut bergantung pada apa yang dipahami sebagai makna. Jika makna dipahami semata-mata sebagai pengalaman subjektif, atribusinya pada sistem saat ini tidak pasti. Sebaliknya, jika makna mencakup kemampuan untuk membedakan konsep secara tepat sesuai dengan situasi dan menggunakan hubungan untuk pemecahan masalah, maka sistem dapat menunjukkan kinerja fungsional yang sesuai. Justru karena alasan inilah, klasifikasi filosofis tetap kontroversial.

Untuk aplikasi bisnis, perbedaan ini lebih praktis daripada yang terlihat pada awalnya. Sebuah model dapat menggunakan istilah "keterlambatan pengiriman" dengan benar. Namun, apakah model tersebut menghasilkan rekomendasi yang andal untuk hambatan pasokan tertentu bergantung pada kemampuannya untuk mempertimbangkan tingkat persediaan yang relevan, ketentuan kontrak, ketergantungan produksi, dan tindakan yang tersedia.

Masalahnya bukan hanya kurangnya makna dalam pengertian filosofis, tetapi berpotensi juga kurangnya pemahaman tentang realitas operasional. Sistem yang kuat secara linguistik tanpa data inventaris yang mutakhir tetap terbatas untuk perencanaan operasional. Sistem yang kurang ekspresif dengan data yang andal dan aturan pengambilan keputusan yang jelas dapat lebih bermanfaat secara ekonomi.

Oleh karena itu, pertanyaan manajemen utama bukanlah apakah suatu jawaban terdengar cerdas, melainkan apakah informasi, kesimpulan, dan tindakan yang diusulkan sudah cukup untuk keputusan spesifik tersebut.

Abstraksi berarti mengenali poin penting bahkan di luar contoh yang diberikan

Orang dapat membentuk konsep umum dari pengalaman individu. Sebuah kursi tidak didefinisikan oleh warna tertentu, bahan tertentu, atau tepat empat kaki. Yang penting adalah fungsinya dalam konteks tindakan. Oleh karena itu, bahkan ember yang terbalik pun dapat berfungsi sebagai tempat duduk.

Contoh ini menunjukkan kekuatan pembentukan konsep manusia: manusia menghubungkan persepsi, pengalaman tubuh, isyarat sosial, dan tujuan praktis. Namun, akan menyesatkan jika menyimpulkan aturan umum bahwa manusia selalu berhasil dengan sedikit contoh sementara mesin secara inheren membutuhkan banyak contoh. Seorang anak tidak akan menemukan objek tanpa pengetahuan sebelumnya. Pembelajaran mereka didasarkan pada sejarah perkembangan yang sudah luas.

Bahkan dengan AI, perlu dibedakan antara fase pelatihan yang kompleks dan penerapan model yang telah dilatih sebelumnya. Sistem yang telah dilatih sebelumnya dapat menangani tugas-tugas baru hanya dengan menggunakan beberapa contoh karena sistem tersebut memanfaatkan struktur yang telah diperoleh sebelumnya. Oleh karena itu, faktor krusial bukanlah jumlah contoh yang langsung diberikan, melainkan seberapa jauh prinsip yang dipelajari dapat diterapkan di luar situasi yang sudah dikenal.

Di sinilah letak kesulitan utamanya. Kinerja yang baik dalam satu kategori tugas tidak menjamin kemampuan transfer yang seragam ke tugas-tugas lain. Studi tentang pekerjaan yang intensif pengetahuan menunjukkan bahwa AI secara signifikan membantu beberapa tugas, sementara dapat menurunkan kualitas hasil pada tugas-tugas lain yang secara lahiriah memiliki tuntutan yang serupa.

Bagi perusahaan, ini berarti kemampuan abstraksi harus diuji terhadap masalah transfer di dunia nyata. Sistem yang secara efektif merangkum keluhan historis mungkin tidak dapat secara andal mengidentifikasi bahwa cacat desain yang sebelumnya tidak diketahui mendasari keluhan baru. Model yang secara meyakinkan menggambarkan model bisnis yang ada mungkin tidak secara akurat menilai asumsi mana yang mendasarinya yang saat ini runtuh.

Kapan analogi menjadi bermanfaat dan kapan analogi menyesatkan Anda

Analogi adalah bentuk abstraksi khusus. Orang-orang memindahkan struktur dari satu bidang ke bidang lain. Mereka berbicara tentang hambatan organisasi, ekosistem digital, atau roda penggerak model bisnis. Konsep-konsep seperti itu dapat membuat hubungan yang kompleks menjadi lebih mudah dipahami.

Namun, analogi bukanlah bukti. Menerapkan prinsip fisika pada proses sosial dapat menjadi eksperimen pemikiran yang menarik, tetapi tidak memberikan penjelasan yang dapat diandalkan. Perusahaan tidak berperilaku seperti planet, dan pasar tidak hanya mengikuti hukum gerak mekanik.

Khususnya dalam analisis yang dihasilkan oleh AI, oleh karena itu, perlu dibedakan antara kejelasan linguistik dan validitas kausal. Metafora yang elegan dapat mengaburkan fakta bahwa asumsi-asumsi utama tetap belum teruji. Hal ini terutama berlaku ketika suatu sistem membangun penjelasan yang masuk akal dari pola naratif yang sudah dikenal.

Studi tentang penalaran mirip manusia pada model bahasa mengidentifikasi keterbatasan seperti jalan pintas heuristik, korelasi semu, dan asumsi kausal yang salah. Masalah-masalah tersebut dapat terjadi meskipun tingkat keberhasilan tes lain tinggi.

Abstraksi hanya menjadi bernilai ekonomis ketika memungkinkan peningkatan yang dapat diverifikasi. Analogi yang baik membantu merumuskan hipotesis. Data, eksperimen, atau pengamatan praktis kemudian harus menunjukkan apakah hubungan yang diasumsikan benar-benar ada. Kemampuan untuk mengubah ide yang menarik menjadi pernyataan yang dapat diverifikasi tetap menjadi prasyarat utama untuk analisis yang kuat.

Ide tidak hanya muncul dari data, tetapi juga tidak berasal dari ketiadaan

Ide-ide manusia dapat muncul dari rasa ingin tahu, frustrasi, kekurangan, kegembiraan, ketakutan, atau pengalaman pribadi. Seseorang yang setiap hari menderita karena proses kerja yang rumit mungkin menemukan perbaikan yang tidak diperkirakan dalam deskripsi pekerjaan formal apa pun. Seorang pengusaha mengidentifikasi masalah dengan berbicara kepada pelanggan. Seorang perancang memodifikasi komponen karena mereka mengalami kelemahan komponen tersebut selama perakitan.

Kombinasi pengalaman, motivasi, dan penetapan tujuan inilah yang membedakan kreativitas manusia dari hasil sistem generatif modern. Namun, kreativitas manusia tidak perlu dianggap misterius. Gagasan sering muncul dari kombinasi baru pengetahuan yang sudah ada. Gagasan tidak memerlukan asal usul di luar semua pengalaman sebelumnya agar menjadi orisinal dan bernilai ekonomis.

Oleh karena itu, klaim bahwa AI hanya dapat mereplikasi proses yang sudah ada juga terlalu berlebihan. Sistem dapat menghasilkan kombinasi yang baru dalam bentuk ini dan menarik perhatian orang pada kemungkinan yang layak. Dalam tugas konsultasi eksperimental, persyaratan kreatif secara eksplisit termasuk di antara aktivitas di mana AI dapat meningkatkan kinerja.

Pertanyaan yang lebih penting adalah siapa yang menentukan arah dan siapa yang menilai nilai dari hasilnya. Sebuah mesin dapat mengembangkan varian produk. Apakah produk ini memecahkan masalah pelanggan yang relevan, sesuai dengan kebutuhan perusahaan, atau bermanfaat secara sosial, tetap menjadi evaluasi lebih lanjut.

Orisinalitas hanyalah salah satu kriteria. Sebuah ide baru bisa saja tidak dapat digunakan, tidak dapat dijual, atau berbahaya. Sebaliknya, peningkatan yang kurang spektakuler dapat menghasilkan manfaat ekonomi yang signifikan. Oleh karena itu, jumlah proposal yang dihasilkan bukanlah ukuran inovasi yang dapat diandalkan.

Tindakan independen belum tentu membuktikan niat seseorang

Gagasan bahwa AI hanya bereaksi terhadap satu perintah menggambarkan banyak aplikasi sederhana, tetapi tidak semua bentuk penggunaannya. Sistem dapat diintegrasikan ke dalam alur kerja yang dimulai secara otomatis, menggunakan alat, mengevaluasi hasil sementara, dan memicu langkah selanjutnya. Oleh karena itu, penelitian juga menyelidiki agen AI yang memproses tugas-tugas yang telah ditentukan melalui beberapa langkah.

Hal ini memungkinkan otonomi operasional tanpa memerlukan bukti kebutuhan individu. Suatu sistem dapat bekerja menuju suatu tujuan karena tujuan tersebut telah didefinisikan secara teknis. Sistem tersebut tidak perlu memiliki ambisi atau keinginan pribadi untuk sukses.

Istilah intensionalitas juga membutuhkan ketelitian. Dalam filsafat, istilah ini sering merujuk pada keterarahan keadaan mental terhadap sesuatu. Namun, dalam bahasa sehari-hari, istilah ini sering berarti niat atau motivasi batin. Makna-makna ini tidak boleh disamakan begitu saja. Bagi bisnis, perbedaan yang lebih praktis sudah cukup pada awalnya: Siapa yang menetapkan tujuan, ruang lingkup tindakan apa yang diberikan kepada sistem, dan siapa yang menanggung konsekuensinya?

Sebagai contoh, agen penjualan otomatis dapat dioptimalkan untuk menghasilkan sebanyak mungkin prospek berkualitas. Apakah hal ini merusak hubungan pelanggan, menciptakan insentif yang tidak diinginkan, atau mengakibatkan penggunaan informasi sensitif yang tidak tepat, bergantung pada aturan dan kontrol yang berlaku.

Oleh karena itu, tantangan ekonomi bukanlah untuk mengaitkan motivasi manusia pada mesin. Tantangannya terletak pada upaya mendamaikan pengejaran tujuan teknis dengan kepentingan kewirausahaan dan tuntutan masyarakat. Semakin besar ruang lingkup tindakan, semakin penting batasan yang dapat diverifikasi.

Wawasan lebih dari sekadar pernyataan yang meyakinkan

Momen pencerahan sering kali mengubah lebih dari sekadar satu jawaban. Memahami suatu keterkaitan memungkinkan seseorang untuk mengoreksi keyakinan sebelumnya, menyesuaikan tindakan, dan menilai kembali peran dirinya sendiri. Oleh karena itu, momen "aha!" memiliki dimensi kognitif dan personal.

Dengan AI, tingkatan-tingkatan ini harus dibedakan. Sebuah sistem dapat menghasilkan penjelasan yang akurat atau mengungkapkan hubungan yang sebelumnya terabaikan. Hal ini dapat mengarah pada wawasan yang nyata bagi seseorang. Namun, ini belum membuktikan bahwa sistem itu sendiri mengalami momen wawasan yang dirasakan secara subyektif.

Pertanyaan tentang kesadaran tidak dapat diselesaikan dengan pernyataan kategoris. Tidak ada definisi operasional yang diterima secara universal yang dapat secara definitif menetapkan pengalaman subyektif dalam sistem tertentu. Oleh karena itu, dari perspektif ilmiah, tepat untuk membedakan antara kurangnya bukti yang dapat diandalkan dan bukti ketidakmungkinan mendasar.

Penelitian tentang bentuk-bentuk pengamatan diri yang terbatas dalam model bahasa mengilustrasikan kehati-hatian ini. Dalam eksperimen, model mampu mendeteksi informasi tentang keadaan internal yang dipengaruhi dalam kondisi tertentu. Namun, hasilnya tidak dapat diandalkan dan secara eksplisit tidak ditafsirkan sebagai bukti kesadaran fenomenal.

Untuk keputusan bisnis, ketidakpastian ini tidak separah yang terlihat. Perusahaan dapat menilai kualitas alat diagnostik, desain, atau perkiraan tanpa terlebih dahulu menyelesaikan masalah kesadaran. Mereka hanya tidak boleh mengambil atribut tambahan dari kinerja yang meyakinkan yang tidak didukung oleh bukti.

Dimensi baru transformasi digital dengan 'Managed AI' (Kecerdasan Buatan) – Platform & solusi B2B | Xpert Consulting - Gambar: Xpert.Digital

Di sini Anda akan mempelajari bagaimana perusahaan Anda dapat mengimplementasikan solusi AI yang disesuaikan dengan cepat, aman, dan tanpa hambatan masuk yang tinggi.

Platform AI terkelola adalah solusi lengkap dan bebas khawatir Anda untuk kecerdasan buatan. Alih-alih berurusan dengan teknologi yang kompleks, infrastruktur yang mahal, dan proses pengembangan yang panjang, Anda menerima solusi siap pakai yang disesuaikan dengan kebutuhan Anda dari mitra khusus – seringkali hanya dalam beberapa hari.

Keunggulan utama secara sekilas:

⚡ Implementasi cepat: Dari ide hingga aplikasi siap pakai dalam hitungan hari, bukan bulan. Kami menghadirkan solusi praktis yang menciptakan nilai tambah langsung.

🔒 Keamanan data maksimal: Data sensitif Anda tetap aman. Kami menjamin pemrosesan yang aman dan sesuai peraturan tanpa membagikan data dengan pihak ketiga.

💸 Tanpa risiko finansial: Anda hanya membayar untuk hasil. Investasi awal yang tinggi untuk perangkat keras, perangkat lunak, atau personel sepenuhnya dihilangkan.

🎯 Fokus pada bisnis inti Anda: Konsentrasikan pada apa yang Anda kuasai. Kami mengurus seluruh implementasi teknis, pengoperasian, dan pemeliharaan solusi AI Anda.

📈 Tahan masa depan & dapat diskalakan: AI Anda tumbuh bersama Anda. Kami memastikan optimasi dan skalabilitas berkelanjutan, serta secara fleksibel menyesuaikan model dengan kebutuhan baru.

Informasi selengkapnya di sini:

• Solusi AI Terkelola - Layanan AI Industri: Kunci Daya Saing di Sektor Jasa, Industri, dan Teknik Mesin

Pasar menilai hasil, bukan pengalaman batin penciptanya

Nilai ekonomi suatu layanan sangat bergantung pada masalah yang dipecahkannya, biaya yang dihindarinya, dan risiko yang ditimbulkannya. Sebuah perusahaan tidak membutuhkan sistem dengan intuisi seperti manusia untuk penugasan dokumen otomatis. Perusahaan membutuhkan penugasan yang andal, biaya yang wajar, dan penanganan pengecualian yang jelas.

Ini menjelaskan mengapa kurangnya kesadaran yang terbukti bukanlah jaminan ekonomi bagi tenaga kerja manusia. Sebuah mesin tidak perlu mengalami suatu aktivitas dengan cara manusia untuk menghasilkan beberapa hasil yang dapat dipasarkan. Yang penting adalah apakah pembeli menerima kinerja tersebut dan apakah biaya keseluruhannya lebih rendah atau hasilnya lebih baik.

Pada saat yang sama, tidak setiap pengeluaran yang tampak serupa secara ekonomi setara. Draf strategi yang dihasilkan secara otomatis tidak serta merta menggantikan keputusan strategis yang bertanggung jawab. Teks yang terdengar legalistik tidak serta merta merupakan analisis hukum yang tepat. Ramalan tidak menggantikan keputusan tentang tingkat risiko yang bersedia ditanggung perusahaan.

Dalam profesi yang berbasis pengetahuan, hal ini menggeser fokus. Membuat draf awal mungkin menjadi lebih mudah. ​​Namun, yang lebih berharga mungkin adalah definisi masalah yang tepat, akses ke informasi yang relevan, verifikasi asumsi, dan implementasi dalam kondisi dunia nyata.

Oleh karena itu, perbedaan krusial bukanlah sekadar antara manusia dan mesin. Perbedaan itu terletak antara produksi output yang dapat saling menggantikan dan layanan yang secara andal tertanam dalam konteks ekonomi yang konkret.

Apa yang ditunjukkan oleh studi produktivitas dan apa yang belum terjawab

Debat ekonomi seharusnya tidak berhenti pada pertimbangan mendasar. Studi empiris menunjukkan bahwa AI generatif dapat secara signifikan meningkatkan kinerja kerja dalam kondisi tertentu.

Sebuah studi oleh Erik Brynjolfsson, Danielle Li, dan Lindsey Raymond, dalam makalah kerja awal mereka, meneliti 5.179 karyawan layanan pelanggan. Akses ke asisten AI meningkatkan produktivitas, yang diukur berdasarkan jumlah masalah pelanggan yang diselesaikan per jam, rata-rata sekitar 14 persen. Untuk karyawan yang kurang berpengalaman dan berketerampilan rendah, peningkatan yang terukur sekitar 34 persen, sementara karyawan yang berpengalaman dan berkinerja tinggi mendapatkan manfaat yang jauh lebih sedikit.

Angka-angka ini penting karena beberapa alasan. Pertama, efeknya berkaitan dengan aktivitas operasional tertentu dan bukan ekonomi secara keseluruhan. Kedua, rata-rata bukanlah ukuran yang dapat diandalkan untuk setiap karyawan secara individual. Ketiga, AI dapat sangat membantu di mana pengetahuan pengalaman yang ada menjadi lebih mudah diakses dan diterapkan secara langsung selama bekerja.

Hal ini mengarah pada fungsi ekonomi yang masuk akal: AI dapat menyebarkan beberapa pengetahuan organisasi yang sebelumnya terikat pada individu-individu berpengalaman. Dengan demikian, karyawan baru tidak perlu lagi menemukan setiap formulasi atau solusi yang sesuai sendiri.

Namun, studi ini tidak membuktikan bahwa pekerja terampil dapat digantikan secara umum. Studi ini juga tidak membuktikan bahwa efek yang sama terjadi di setiap industri. Layanan pelanggan yang terstandarisasi sangat berbeda dengan keputusan investasi, negosiasi yang kompleks, atau pengembangan sistem yang kritis terhadap keselamatan. Oleh karena itu, angka produktivitas selalu memerlukan deskripsi aktivitas yang sedang diteliti.

Kecepatan yang meningkat dapat menyebabkan keputusan yang lebih buruk

Yang sangat menarik adalah sebuah eksperimen dengan 758 konsultan dari Boston Consulting Group. Ketika dihadapkan dengan tugas-tugas yang sesuai dengan kemampuan sistem yang sedang diteliti, peserta yang menggunakan dukungan AI menyelesaikan rata-rata 12,2 persen lebih banyak tugas dan menyelesaikannya 25,1 persen lebih cepat. Kualitas hasil yang dinilai juga secara signifikan lebih tinggi.

Namun, dalam tugas yang sengaja dibuat berbeda dan kompleks, keuntungannya berbalik. Dukungan AI mengurangi kemungkinan solusi yang benar. Laporan terkait dari Harvard Business School mengukur perbedaan rata-rata sekitar 19 poin persentase.

Ini berisi peringatan ekonomi penting. Batasan kinerja AI tidak seragam. Suatu sistem dapat unggul dalam satu tugas dan tidak dapat diandalkan dalam tugas yang tampaknya serupa. Batasan ini tidak selalu langsung terlihat oleh pengguna.

Kualitas linguistik, khususnya, dapat memperumit masalah. Jawaban yang terstruktur dengan baik mudah membangkitkan kepercayaan, bahkan jika asumsi utamanya salah. Jika orang menerima saran tersebut tanpa memeriksa logika yang mendasarinya, kelemahan teknis tersebut menjadi kelemahan organisasi.

Oleh karena itu, tolok ukur yang relevan bukanlah semata-mata kecepatan pemrosesan. Melainkan kecepatan dalam mencapai hasil yang andal, bermanfaat, dan dapat dipertanggungjawabkan. Keputusan yang salah dan cepat dapat jauh lebih merugikan secara ekonomi daripada keputusan yang benar dan lebih lambat.

Ketersediaan daya komputasi yang lebih murah menggeser kekurangan tenaga kerja berbasis pengetahuan

Menurunnya biaya AI yang canggih semakin memperkuat tekanan untuk perubahan ini. Stanford AI Index 2025 melaporkan bahwa biaya kueri untuk sistem pada tingkat kinerja yang setara dengan GPT-3.5 turun lebih dari 280 kali lipat antara November 2022 dan Oktober 2024. Ini merujuk pada tingkat kinerja tertentu, bukan pengurangan umum dalam biaya semua aplikasi AI pada tingkat yang sama.

Secara ekonomi, perkembangan seperti itu berarti bahwa bentuk-bentuk landasan intelektual tertentu menjadi lebih mudah tersedia. Ringkasan, variasi teks, analisis awal, dan draf sederhana kehilangan sebagian kelangkaannya sebelumnya. Hal ini meningkatkan tekanan kompetitif pada layanan yang nilainya terutama berasal dari pembuatannya yang membutuhkan banyak tenaga kerja.

Namun, biaya model yang rendah tidak selalu berarti biaya keseluruhan yang rendah. Sebuah perusahaan mungkin perlu menyiapkan data, mengembangkan antarmuka, mengelola hak akses, meninjau hasil, dan melatih karyawan. Selain itu, ada potensi biaya yang terkait dengan pengeluaran yang salah.

Oleh karena itu, kelangkaan bergeser. Jika desain menjadi murah, peninjauannya dapat menjadi hambatan. Jika ide dihasilkan dalam jumlah besar, seleksi menjadi lebih berharga. Jika informasi dikumpulkan dengan cepat, pertanyaan tentang informasi mana yang sebenarnya dapat dipercaya dan relevan untuk pengambilan keputusan menjadi penting.

Pergeseran ini menjelaskan mengapa AI dapat secara bersamaan menurunkan nilai layanan dan menghasilkan permintaan baru. Tidak semua aktivitas yang sebelumnya berbayar akan hilang. Tetapi bagian dari penciptaan nilainya yang bergantung pada pemrosesan informasi rutin harus didefinisikan ulang.

Dari penghematan waktu yang tampak hingga hasil bisnis yang nyata

Suatu perusahaan tidak seharusnya mengukur manfaat AI hanya berdasarkan seberapa cepat satu langkah kerja diselesaikan. Yang penting adalah apakah seluruh proses mengalami peningkatan.

Mari kita asumsikan desain analisis membutuhkan waktu sepuluh jam tanpa AI dan enam jam dengan AI. Pada tahap pembuatan, terdapat penghematan waktu yang signifikan. Namun, jika beberapa jam tambahan kemudian diperlukan untuk verifikasi sumber, koreksi data, dan mengoreksi kesimpulan yang salah, manfaat sebenarnya akan berkurang. Contoh ini adalah perhitungan model, bukan pernyataan tentang studi spesifik.

Yang lebih penting lagi adalah pertanyaan tentang apa yang terjadi dengan waktu yang dihemat. Waktu tersebut dapat digunakan untuk pesanan tambahan, layanan pelanggan yang lebih baik, atau tinjauan yang lebih menyeluruh. Namun, waktu tersebut juga dapat tetap tidak terpakai jika langkah-langkah proses lain membatasi kapasitas.

Oleh karena itu, evaluasi ekonomi harus mempertimbangkan biaya pengembangan, upaya pemantauan, konsekuensi kesalahan, dan penggunaan aktual secara bersamaan. Tingkat risiko yang dapat diterima untuk sesi curah pendapat yang tidak mengikat berbeda dengan tingkat risiko untuk keputusan yang memiliki konsekuensi finansial atau keselamatan yang signifikan.

Hal ini juga mengubah logika investasi. Sistem yang murah tidak otomatis ekonomis. Sistem yang lebih mahal dapat menguntungkan jika secara signifikan mengurangi pengerjaan ulang atau secara andal menghilangkan hambatan kritis. Faktor penentu adalah total biaya untuk mencapai hasil yang dapat digunakan.

Mengapa peningkatan kinerja individu tidak menjamin lonjakan ekonomi secara keseluruhan

Peningkatan produktivitas di tingkat tugas tidak dapat begitu saja diekstrapolasi ke perusahaan atau ekonomi nasional. Jika suatu aktivitas hanya menempati sebagian kecil dari total waktu kerja, kontribusinya terhadap output keseluruhan tetap terbatas. Selain itu, bisnis terdiri dari proses-proses yang saling terkait.

Mempercepat pembuatan penawaran tidak banyak membantu jika persetujuan teknis terus tertunda. Jika AI mempercepat pengembangan perangkat lunak, hambatan utamanya mungkin terletak pada pengujian, integrasi, atau persyaratan pelanggan. Meningkatkan pengambilan informasi tidak akan menghasilkan pendapatan tambahan selama keputusan dan implementasi tetap tidak berubah.

Tingkat adopsi yang tinggi juga harus ditafsirkan dengan hati-hati. Indeks AI Stanford 2025 melaporkan bahwa 78 persen organisasi yang disurvei menggunakan AI pada tahun 2024, dibandingkan dengan 55 persen pada tahun sebelumnya. Ini merujuk pada penggunaan yang dilaporkan di setidaknya satu fungsi bisnis, bukan bukti transformasi yang lengkap dan produktif.

Terdapat perbedaan signifikan antara eksperimen dan integrasi yang efektif secara ekonomi. Satu asisten teks saja tidak akan mengubah model bisnis. Hanya ketika akses data, tanggung jawab, alur kerja, dan jaminan kualitas selaras, kemampuan teknis dapat diterjemahkan menjadi keunggulan kompetitif yang berkelanjutan.

Oleh karena itu, perspektif realistis menggabungkan dinamisme teknologi dengan kesabaran organisasi. Kemungkinan dapat berkembang pesat, sementara implementasi operasionalnya membutuhkan waktu dan investasi pelengkap.

Pengetahuan standar menjadi lebih mudah diakses; penilaian tidak secara otomatis menjadi tidak diperlukan

Studi layanan pelanggan menunjukkan bahwa AI dapat mengurangi kesenjangan kinerja, terutama ketika karyawan yang kurang berpengalaman mendapat manfaat yang signifikan. Hal ini menunjukkan bahwa bentuk-bentuk pengetahuan berdasarkan pengalaman tertentu dapat lebih mudah disebarluaskan. Namun, ini tidak berarti penyamaan umum semua keterampilan.

Dalam banyak profesi, keahlian mencakup lebih dari sekadar menjawab pertanyaan umum dengan benar. Keahlian juga meliputi kemampuan untuk mengenali situasi yang tidak biasa, mengklasifikasikan informasi yang tidak lengkap, dan menilai tingkat pengetahuan diri sendiri secara realistis.

Jika AI membuat pengetahuan standar lebih mudah diakses, nilai pekerjaan profesional mungkin akan bergeser sesuai dengan itu. Mungkin akan menjadi kurang penting untuk mereproduksi penjelasan umum tanpa bantuan. Yang lebih penting adalah mengajukan pertanyaan yang tepat, mengenali petunjuk yang kontradiktif, dan memutuskan kapan jawaban yang tampaknya masuk akal tidaklah cukup.

Hal ini menghadirkan tantangan yang berat bagi pendidikan dan pelatihan. Sekadar mengoperasikan alat saja tidak cukup. Mereka yang akan memverifikasi hasilnya masih membutuhkan dasar yang kuat dalam materi pokok. Siapa pun yang belum pernah memahami perhitungan biaya secara langsung hanya dapat mengevaluasi perhitungan yang dihasilkan secara otomatis hingga batas tertentu.

Oleh karena itu, strategi kualifikasi yang bijaksana harus menggabungkan keduanya: penggunaan dukungan teknis yang efisien dan pengembangan pengetahuan yang memungkinkan penilaian independen. Percepatan jangka pendek tidak boleh disamakan dengan pengembangan kompetensi yang berkelanjutan.

Semakin banyak ide, semakin banyak inovasi yang akan tercipta jika proses seleksi dan pengujian berjalan seiring dengan perkembangannya

AI generatif mempermudah produksi varian produk. Perusahaan dapat meneliti lebih banyak konsep produk, pendekatan komunikasi, atau usulan pemecahan masalah dalam waktu yang lebih singkat. Hal ini dapat menghasilkan keunggulan kompetitif dalam inovasi.

Pada saat yang sama, ada risiko yang semakin besar untuk mengacaukan banyaknya ide dengan peningkatan pengetahuan. Seratus saran tidak secara otomatis lebih berharga daripada sepuluh. Jika saran-saran tersebut didasarkan pada asumsi yang serupa, saran-saran tersebut terutama meningkatkan upaya yang diperlukan untuk seleksi.

Presentasi Harvard tentang eksperimen konsultasi tidak hanya menunjukkan peningkatan kinerja, tetapi juga kemungkinan bahwa AI dapat membatasi keragaman ide. Hal ini penting untuk proses inovasi: Sebuah alat dapat meningkatkan hasil individu dan sekaligus berkontribusi pada beberapa orang yang menghasilkan solusi yang lebih serupa.

Oleh karena itu, perusahaan harus menggunakan AI tidak hanya untuk produksi tetapi juga untuk pengecekan silang yang ditargetkan. Asumsi yang berbeda, kelompok sasaran alternatif, atau perspektif yang sengaja bertentangan dapat membantu memperluas cakupan investigasi. Namun, keberhasilan hal ini harus diukur dari hasil aktualnya.

Langkah krusial tetaplah pengujian. Umpan balik pelanggan, uji coba teknis, dan analisis biaya-manfaat yang kuat membedakan kemungkinan yang menarik dari inovasi yang layak. AI dapat mendukung proses ini, tetapi tidak dapat menggantikannya hanya melalui daya persuasif pernyataannya.

Tanggung jawab manusia tidak dapat didelegasikan melalui jawaban yang lancar

Di dalam perusahaan, keputusan tidak hanya harus dibuat, tetapi juga dibenarkan dan dipertanggungjawabkan. Mereka yang berinvestasi, menempatkan staf, atau merilis produk menentukan konsekuensi bagi orang lain. Hasil sistem yang meyakinkan tidak menghilangkan tanggung jawab ini.

Pengawasan manusia saja bukanlah jaminan. Hasil eksperimen konsultasi justru menunjukkan bahwa dukungan AI justru dapat memperburuk kinerja manusia pada tugas-tugas tertentu. Keberadaan manusia di akhir proses tidak secara otomatis membuat sistem yang cacat menjadi andal.

Oleh karena itu, pengawasan yang efektif memerlukan kondisi yang sesuai. Orang yang melakukan peninjauan harus memiliki keahlian, waktu, dan akses informasi yang memadai. Selain itu, mereka harus benar-benar diberi wewenang untuk menolak rekomendasi atau meminta penyelidikan tambahan.

Untuk keputusan penting, harus tetap jelas data mana yang digunakan, asumsi mana yang menentukan, dan di mana terdapat ketidakpastian. Tujuannya bukanlah untuk membuat setiap detail teknis dapat dipahami. Yang terpenting adalah mampu memeriksa hal-hal mendasar yang relevan dengan keputusan tersebut.

Di sinilah letak perbedaan krusial antara otomatisasi semata dan otomatisasi yang bertanggung jawab. Yang pertama menghasilkan hasil. Yang kedua menghubungkan hasil dengan tanggung jawab yang dapat ditelusuri, risiko yang terkontrol, dan penanganan pengecualian yang tepat.

Pembagian kerja yang baru tidak memerlukan pemujaan terhadap mesin maupun penilaian diri yang berlebihan dari manusia

Perbandingan antara sekadar mesin pembuat pola dan manusia yang sepenuhnya kreatif adalah gambaran yang jelas, tetapi terlalu sederhana sebagai penjelasan yang lengkap. Manusia juga bekerja dengan pola, mengadopsi rutinitas, dan membuat kesalahan. AI, pada gilirannya, dapat mencapai prestasi yang melampaui pengulangan sederhana.

Oleh karena itu, perbedaan yang valid bukanlah terletak pada pernyataan bahwa satu pihak hanya berfokus pada perhitungan dan pihak lain hanya pada pemahaman. Perbedaannya terletak pada prasyarat, kemampuan, dan konteks tanggung jawab yang berbeda.

Manusia memiliki pengalaman hidup, hubungan sosial, dan minat pribadi. Mereka terpengaruh oleh konsekuensi keputusan ekonomi. Sistem AI dapat memproses informasi dan menghasilkan hasil tanpa menunjukkan pengalaman subjektif yang sesuai. Pertanyaan terbuka tentang kesadaran tidak mengubah keadaan bukti saat ini.

Pembagian kerja yang produktif seharusnya memanfaatkan perbedaan-perbedaan ini daripada sekadar menutupinya secara linguistik. Mesin dapat membantu dalam pencarian, penyusunan struktur, pengembangan alternatif, dan penanganan masalah dengan cara yang terdefinisi. Manusia tidak perlu melakukan setiap langkah perantara sendiri. Namun, mereka harus tetap memiliki kemampuan untuk menilai ketika tujuan, asumsi utama, dan keputusan penting dipertaruhkan.

Pembagian kerja ini bukanlah hukum alam yang mutlak. Hal ini harus dikembangkan lebih lanjut seiring dengan kemajuan teknologi dan hasil uji coba praktis. Tugas yang sulit saat ini mungkin dapat diotomatisasi di masa depan. Namun, tanggung jawab dan tujuan tetap merupakan hal yang terpisah.

Keunggulan kompetitif yang menentukan terletak pada penilaian yang dapat diverifikasi

Signifikansi ekonomi kecerdasan buatan tidak bergantung pada apakah mesin suatu hari nanti akan mengalami momen "aha!" seperti manusia. Bahkan saat ini, sistem dapat mempercepat dan meningkatkan tugas-tugas berbasis pengetahuan tertentu. Demikian pula, studi menunjukkan bahwa dukungan mereka dalam tugas-tugas lain dapat menyebabkan hasil yang lebih buruk. Oleh karena itu, kinerja dan keandalan harus selalu dipertimbangkan bersama.

Rumus aslinya—bahwa manusia memahami dan AI menghitung—mengidentifikasi intuisi penting: pemikiran manusia terkait dengan pengalaman, makna, dan keterlibatan pribadi. Namun, sebagai batasan ilmiah umum, rumus ini masih terlalu kategoris. Baik pemahaman maupun ketidakmungkinannya tidak secara otomatis mengikuti dari perhitungan. Bahasa yang meyakinkan tidak menyiratkan kesadaran yang terbukti.

Bagi perusahaan, kesimpulan yang berbeda lebih tepat. Mereka harus menerapkan AI di mana manfaatnya dapat diverifikasi dan menanggapi keterbatasannya dengan serius di mana kesalahan memiliki konsekuensi serius. Mereka tidak boleh mengagungkan keterampilan manusia, tetapi mengembangkannya secara sistematis: keahlian, analisis kritis, pemahaman masalah, pemikiran eksperimental, dan kemauan untuk menolak penjelasan yang menarik.

Oleh karena itu, hambatan sebenarnya dalam ekonomi yang digerakkan oleh AI mungkin bukan terletak pada produksi jawaban, melainkan pada kemampuan untuk membedakan jawaban yang baik dari yang buruk. Seiring dengan semakin mudahnya mendapatkan saran, analisis, dan desain, pemenangnya bukanlah otomatis mereka yang menghasilkan paling banyak. Keunggulan terletak pada mereka yang memilih masalah yang tepat, menguji hasilnya terhadap realitas, dan menerjemahkan pencapaian teknis menjadi nilai tambah yang dapat diandalkan.

Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten - Gambar: Xpert.Digital

Xpert.Digital adalah pusat industri B2B berbasis data yang dipimpin oleh Konrad Wolfenstein . Perusahaan ini bertindak sebagai solusi eksternal, yang hampir bersifat internal, bagi mitra industri, menutup kesenjangan operasional dalam pemasaran, konten, dan penjualan – tanpa memerlukan sumber daya tambahan di pihak klien.

Informasi selengkapnya di sini:

• Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten

☑️ Bahasa bisnis kami adalah bahasa Inggris atau Jerman

☑️ BARU: Korespondensi dalam bahasa ibu Anda!

Konrad Wolfenstein

Saya dan tim saya dengan senang hati siap membantu Anda sebagai penasihat pribadi Anda.

Anda dapat menghubungi saya dengan mengisi formulir kontak di sini [email protected]:atau cukup hubungi saya di +49 7348 4088 965. Alamat email saya adalah

Saya sangat menantikan proyek bersama kita.

☑️ Dukungan UKM dalam strategi, konsultasi, perencanaan, dan implementasi

☑️ Pembuatan atau penyesuaian kembali strategi digital dan digitalisasi

☑️ Perluasan dan optimalisasi proses penjualan internasional

☑️ Platform perdagangan B2B global & digital

☑️ Pelopor Pengembangan Bisnis / Pemasaran / Humas / Pameran Dagang