🤖AI 'Workslop' Jadi Momok Baru: Produktivitas Kantor Justru Anjlok Meski Adopsi AI Meningkat

Ringkasan Cepat

• Survei BetterUp Labs & Stanford Social Media Lab (AS, September 2025, ~1.150 karyawan kantoran penuh waktu): sekitar 40% pekerja menerima "workslop" — output AI yang tampak rapi tapi dangkal — dalam sebulan terakhir, dan tiap insiden makan hampir 2 jam untuk diperbaiki.

• Ongkos workslop ditaksir US$186 per karyawan per bulan; untuk perusahaan berisi 10.000 karyawan, itu setara lebih dari US$9 juta kerugian produktivitas per tahun — di AS, bukan angka global.

• Riset MIT (2025) yang menelaah 300 implementasi AI perusahaan menemukan 95% proyek AI generatif tidak menghasilkan dampak terukur pada laba perusahaan.

• Indonesia ikut arus buru-buru: adopsi AI perusahaan naik dari 25% ke 40% dalam setahun, tapi lebih dari 70% karyawan mengaku belum siap memakainya secara efektif.

• Manajer, bukan staf junior, yang paling sering jadi "tong sampah" workslop — 54% manajer menerimanya, dibanding 38,5% staf biasa — karena semua orang kini bisa memproduksi output cepat, tapi memverifikasinya tetap kerja manusia.

Rapi di Layar, Kosong di Dalam

Bulan September 2025, tim peneliti dari BetterUp Labs dan Stanford Social Media Lab menerbitkan istilah baru di Harvard Business Review: workslop. Definisinya sederhana tapi menusuk — konten kerja buatan AI yang menyamar sebagai pekerjaan bagus, tapi tidak punya substansi untuk benar-benar memajukan tugas yang dikerjakan.

Bentuknya bisa apa saja: slide presentasi yang formatnya sempurna tapi datanya dangkal, email yang terdengar profesional tapi tidak menjawab pertanyaan, laporan yang terstruktur rapi tapi kesimpulannya mengambang, bahkan kode program yang terlihat jalan tapi ternyata rapuh. Yang membuatnya berbahaya bukan kualitasnya yang buruk secara kasat mata — justru karena ia terlihat baik-baik saja sampai orang lain mulai memakainya.

Dalam survei terhadap sekitar 1.150 karyawan kantoran penuh waktu di Amerika Serikat itu, sekitar 40% responden mengaku menerima workslop dari rekan kerja dalam sebulan terakhir. Rata-rata, pekerja memperkirakan 15,4% dari seluruh pekerjaan yang mereka terima adalah workslop. Setiap kali menerimanya, mereka menghabiskan rata-rata 1 jam 56 menit untuk membongkar, mengecek ulang, dan memperbaikinya — waktu yang seharusnya dipakai untuk kerja substantif, bukan menyortir sampah berkilau.

Dari situ para peneliti menghitung ongkosnya: sekitar US$186 per pekerja per bulan. Kedengarannya kecil, tapi kalikan dengan basis 10.000 karyawan dan angkanya menembus lebih dari US$9 juta kerugian produktivitas per tahun — khusus untuk konteks pekerja kantoran di AS yang disurvei, bukan estimasi global.

Efeknya tidak berhenti di jam kerja yang terbuang. Ketika ditanya perasaan mereka setelah menerima workslop, 53% mengaku kesal, 38% bingung, dan 22% merasa tersinggung. Sekitar separuh responden bahkan mulai memandang rekan kerja yang mengirim workslop sebagai kurang kreatif, kurang mampu, dan kurang bisa diandalkan dibanding sebelumnya — 42% menganggapnya kurang bisa dipercaya, dan sepertiga mengaku jadi lebih enggan bekerja sama dengan orang itu lagi. AI yang katanya mempercepat kolaborasi, justru diam-diam mengikis kepercayaan antar rekan kerja.

Angka yang Kontradiksi — Dan Kenapa Keduanya Sama-Sama Benar

Di sinilah letak kejanggalan yang membuat topik ini layak dibedah lebih dalam. Survei AWS bersama Strand Partners untuk laporan "Unlocking Indonesia's AI Potential 2026" mencatat bahwa 96% pengguna AI generatif harian di Indonesia melaporkan produktivitas mereka meningkat. Angka yang menggembirakan di atas kertas.

Tapi riset MIT yang lebih ketat metodologinya — berbasis 52 wawancara eksekutif, survei ke 153 pemimpin perusahaan, dan analisis 300 implementasi AI publik di berbagai negara — menemukan hal yang nyaris berlawanan: 95% proyek pilot AI generatif tidak menghasilkan dampak terukur pada laba perusahaan (profit and loss). Hanya segelintir organisasi, yang sudah punya proses kerja matang untuk mengintegrasikan AI, yang benar-benar untung.

Dua angka ini tidak saling membatalkan — keduanya menjelaskan lapisan masalah yang berbeda, dan justru harus dibaca bersamaan. "96% merasa lebih produktif" adalah persepsi individu: orang per orang memang mengetik lebih cepat, membuat draf lebih cepat, menjawab email lebih cepat. Tapi "95% pilot tanpa ROI terukur" adalah hasil di level perusahaan, setelah dikurangi biaya tersembunyi seperti waktu verifikasi, revisi berulang, dan — inilah kaitannya dengan workslop — jam kerja rekan lain yang habis membersihkan output yang terlihat bagus tapi salah sasaran. Individu merasa cepat, tapi organisasi tidak ikut untung, karena kecepatan itu memindahkan beban, bukan menghilangkannya.

Riset Federal Reserve San Francisco menangkap pola yang sama: pekerja individu memang bekerja lebih cepat dengan bantuan AI, tapi efisiensi ekonomi secara keseluruhan belum ikut naik. Survei Federal Reserve Atlanta terhadap 750 eksekutif menyimpulkan ada apa yang mereka sebut "delayed output realization" — persepsi peningkatan produktivitas jauh lebih besar dari yang benar-benar tercermin di angka pendapatan perusahaan.

Waktu yang Katanya Dihemat, Sebenarnya Pergi ke Mana?

Logika sederhananya: kalau AI menghemat dua jam kerja seorang karyawan, dua jam itu seharusnya jadi keuntungan bersih — entah buat istirahat, buat tugas lain yang lebih bernilai, atau buat perusahaan dalam bentuk output tambahan. Tapi riset yang sama menemukan waktu yang "dihemat" itu kerap tidak hilang, hanya berpindah tempat: dialihkan ke pekerjaan lain, sering tanpa jeda istirahat yang memadai, sehingga risiko kelelahan kerja (burnout) justru naik.

Ada juga istilah yang mulai dipakai peneliti untuk menggambarkan efek sampingnya: beban kognitif berlebihan, atau bahasa awamnya "otak digoreng" — kondisi ketika seseorang terus-menerus harus memverifikasi, menyunting, dan memutuskan apakah output AI bisa dipercaya, sampai kelelahan mental menumpuk lebih cepat dari biasanya. Ironisnya, tugas verifikasi ini justru adalah pekerjaan kognitif tingkat tinggi yang tadinya ingin dihindari dengan memakai AI.

Fenomena ini bukan hal baru dalam sejarah teknologi. Pada 1987, ekonom peraih Nobel Robert Solow melontarkan kalimat yang jadi rujukan klasik: "Anda bisa melihat era komputer di mana-mana, kecuali di statistik produktivitas." Saat itu, perusahaan-perusahaan Amerika sudah menggelontorkan dana besar untuk komputerisasi, tapi angka produktivitas nasional tidak kunjung melonjak selama bertahun-tahun. Belakangan diketahui sebabnya: teknologi baru butuh waktu bertahun-tahun sampai organisasi benar-benar mengubah cara kerjanya, bukan sekadar menempelkan alat baru ke proses lama. Pola yang sama kini terulang dengan AI — total factor productivity (ukuran efisiensi seluruh perekonomian, bukan cuma output per pekerja) di AS masih tersendat sejak lonjakan pasca-pandemi, meski belanja AI perusahaan melonjak drastis.

Manajer Jadi Garis Depan yang Paling Lelah

Satu temuan lagi yang jarang disorot: workslop tidak menyebar rata di dalam organisasi. Survei BetterUp-Stanford menemukan 54% manajer mengaku menerima workslop, jauh lebih tinggi dari 38,5% staf biasa (individual contributor). Masuk akal — makin ke atas, makin banyak laporan, draf, dan ringkasan yang mengalir dari bawahan, dan makin besar pula peluang salah satu di antaranya cuma polesan AI tanpa isi.

Artinya, beban verifikasi ekstra ini justru menumpuk di level yang seharusnya fokus mengambil keputusan strategis, bukan mengecek ulang pekerjaan orang lain. AI yang dijual sebagai alat pembebas waktu manajer, dalam praktiknya menambah satu lapisan pekerjaan baru: menyaring mana laporan yang benar-benar matang dan mana yang cuma kelihatan matang.

Indonesia Buru-Buru Naik Kereta, Belum Sempat Cek Rute

Di Indonesia, tren adopsi AI perusahaan melaju cepat. Survei AWS bersama Strand Partners mencatat 40% perusahaan Indonesia sudah mengadopsi AI pada 2026 — naik tajam dari 25% setahun sebelumnya. Tapi begitu dibedah lebih rinci, gambarannya jauh dari matang: dari perusahaan yang sudah mengadopsi, 56% masih di tahap eksplorasi awal, 18% baru menerapkan di sebagian fungsi bisnis, 14% sedang memperluas, dan hanya 12% yang benar-benar mengintegrasikan AI secara menyeluruh. Sekitar 44% adopter memang sudah menjalankan AI di lingkungan produksi sungguhan, bukan sekadar uji coba — tanda bahwa ini bukan lagi wacana, tapi keputusan bisnis nyata dengan taruhan nyata.

Country Manager AWS Indonesia, Anthony Amni, menyebut tantangan utamanya bukan soal teknologinya — melainkan kesiapan strategi bisnis, kesulitan mengukur ROI (return on investment, imbal hasil investasi), keterbatasan talenta terampil, dan tata kelola AI yang belum rapi. Ini persis titik lemah yang membuat workslop bisa tumbuh subur: perusahaan buru-buru menyuruh tim pakai AI supaya kelihatan modern, tapi jarang ada yang mengukur apakah hasilnya benar-benar dipakai atau cuma menambah tumpukan dokumen yang harus diperiksa ulang.

Di sisi karyawan, kesenjangannya lebih tajam lagi. Survei DataOn yang dikutip CNBC Indonesia menemukan lebih dari 70% karyawan Indonesia mengaku belum siap menerapkan AI secara efektif — kurang dari 30% yang merasa sudah siap. Sementara data Katadata Insight Center mencatat 64,7% masyarakat Indonesia (populasi umum, bukan spesifik pekerja kantoran) sudah pernah memakai AI, tapi mayoritas untuk mencari informasi, belanja daring, dan edit media — bukan pekerjaan analitis yang berisiko tinggi menghasilkan workslop.

Kombinasi ini berbahaya: alat baru dipakai massal, tapi keterampilan menilai kapan hasilnya layak dipakai dan kapan harus dibuang belum terbentuk. Persis kondisi yang menyuburkan workslop di negara mana pun ia berkembang biak.

Ada juga pelajaran dari sisi biaya yang jarang dibahas di Indonesia: di beberapa perusahaan teknologi global, ongkos komputasi AI justru membengkak melebihi gaji karyawan. VP Applied Deep Learning Nvidia, Bryan Catanzaro, mengaku biaya komputasi timnya kini jauh lebih tinggi dari total gaji karyawan. Seorang programmer di Stockholm bahkan menghitung pengeluarannya untuk token AI (satuan biaya pemakaian model AI) melebihi gajinya sendiri, dan Uber dilaporkan sudah menghabiskan seluruh anggaran AI tahun 2026 hanya untuk satu jenis model AI saja. Ini contoh dari luar Indonesia, tapi jadi peringatan: adopsi AI yang tidak diukur hasilnya bisa mahal di dua sisi sekaligus — ongkos komputasi yang membengkak dan ongkos tersembunyi berupa jam kerja manusia yang habis membersihkan workslop.

Ketika Efisiensi Jadi Alasan PHK Sebelum Hasilnya Terbukti

Bagian paling sensitif dari cerita ini menyangkut lapangan kerja. Data Kementerian Ketenagakerjaan mencatat 79.302 pekerja di Indonesia terkena PHK sepanjang Januari–November 2025 — angka ini mencakup seluruh sektor dan sebabnya beragam, bukan cuma otomatisasi AI, jadi tidak bisa ditarik jadi klaim sebab-akibat langsung. Tapi Direktur Eksekutif CELIOS, Bhima Yudhistira, mengingatkan bahwa otomatisasi dan penggunaan AI mempercepat proses efisiensi, dengan biaya karyawan jadi salah satu komponen yang paling cepat dipangkas perusahaan saat tekanan ekonomi datang. Ia menekankan bahwa jika risiko PHK terus melebar pada 2026, beban sosialnya bisa melampaui beban ekonominya.

Di sinilah workslop menjadi konteks yang relevan untuk dipikirkan bersama, bukan cuma trivia HR: kalau perusahaan memangkas orang dengan asumsi AI bisa menggantikan output mereka, padahal yang dihasilkan AI sering kali cuma workslop yang butuh manusia lain untuk memperbaikinya, maka penghematan biaya karyawan itu bisa jadi ilusi jangka pendek. Peneliti INDEF, Deniey Adi Purwanto, mencatat gelombang PHK di sektor teknologi adalah bagian dari rangkaian fase yang saling terkait — bukan kejadian tunggal yang berdiri sendiri, dan pola ini kemungkinan akan terus berlanjut selama perusahaan belum punya cara mengukur produktivitas riil dari AI yang mereka pakai.

Apa Artinya Buat Kamu

Kalau kamu masih karyawan dan ingin mulai usaha

Jangan tergiur asumsi bahwa AI otomatis memangkas biaya operasional bisnismu. Sebelum menghitung AI sebagai "pengganti karyawan" dalam rencana bisnis, hitung dulu dua hal secara jujur: berapa jam manusia yang tetap dibutuhkan untuk memverifikasi hasil AI, dan berapa biaya komputasi (token, langganan model) dalam skenario pemakaian sebenarnya — bukan skenario demo yang selalu terlihat mulus. Kalau kamu berencana memakai AI sebagai tulang punggung produk atau layanan, mulai dari skala kecil dulu dan ukur secara konkret: apakah output AI benar-benar dipakai klien tanpa revisi besar, atau justru kamu yang sibuk memolesnya ulang setiap kali. Kalau jawabannya yang kedua, kamu sedang memproduksi workslop untuk dirimu sendiri.

Kalau kamu sudah punya bisnis

Ukur dulu sebelum menambah adopsi. Jangan puas dengan metrik "berapa persen tim sudah pakai AI" — itu metrik adopsi, bukan metrik hasil. Metrik yang lebih jujur adalah: berapa banyak output AI yang lolos tanpa revisi berarti, dan berapa jam kerja tim lain habis untuk memperbaiki hasil rekan yang mengandalkan AI. Tetapkan panduan jelas soal kapan AI boleh dipakai untuk draf awal versus kapan hasilnya harus melalui verifikasi manusia sebelum dikirim ke klien atau atasan — ini persis rekomendasi yang diberikan peneliti workslop sendiri: pemimpin harus memberi contoh pemakaian AI yang penuh pertimbangan, bukan sekadar mendorong target adopsi. Kalau kamu berencana melakukan efisiensi tenaga kerja dengan alasan AI, pastikan ada data produktivitas riil yang mendukungnya, bukan cuma laporan vendor atau rasa optimis di ruang rapat.

Kalau kamu khawatir soal ancaman PHK berbasis AI

Penting untuk membedakan PHK yang didasari efisiensi yang benar-benar terukur, dengan PHK yang didasari narasi "efisiensi AI" tanpa bukti produktivitas nyata di baliknya. Kalau perusahaanmu buru-buru mengganti proses dengan AI tapi kualitas output turun atau butuh lebih banyak revisi, itu sinyal yang layak disuarakan ke manajemen — bukan cuma soal nasib pekerjaanmu, tapi juga soal apakah keputusan bisnis itu memang berbasis data atau sekadar ikut tren.

Yang Perlu Dipantau

• Studi lanjutan BetterUp Labs dan Stanford Social Media Lab soal workslop — apakah angkanya membesar atau justru turun setelah perusahaan mulai bikin panduan pemakaian AI.

• Rilis data PHK bulanan dari satudata.kemnaker.go.id, untuk melihat apakah tren PHK 2026 melebar seperti yang dikhawatirkan CELIOS.

• Laporan lanjutan AWS-Strand Partners atau survei sejenis (McKinsey, BCG) soal adopsi AI di Indonesia tahun berikutnya — khususnya apakah porsi perusahaan yang "terintegrasi penuh" (baru 12% tahun ini) bertambah.

• Data BPS soal produktivitas tenaga kerja Indonesia, untuk melihat apakah lonjakan adopsi AI mulai tercermin di angka riil atau masih terjebak paradoks Solow.

• Laporan belanja modal (capex) versus pendapatan riil perusahaan-perusahaan teknologi besar pemilik model AI — indikator apakah gelembung investasi AI mulai retak atau justru terbukti sepadan.

Penutup

Masalahnya bukan AI itu sendiri — masalahnya adalah budaya kerja yang mengukur kesuksesan dari seberapa cepat sesuatu terlihat selesai, bukan dari seberapa jauh sesuatu benar-benar maju. Selama perusahaan, di Indonesia maupun di mana pun, masih menghargai kecepatan produksi output di atas kualitas dan menyerahkan urusan verifikasi ke pundak orang lain, workslop akan terus berkembang biak — dan setiap laporan "produktivitas naik" layak ditanya balik: naik menurut siapa, dan diverifikasi oleh siapa.

Sumber

• Harvard Business Review — "AI-Generated 'Workslop' Is Destroying Productivity"

• BetterUp Labs — "What is AI workslop? Research on costs and solutions"

• TechCrunch — "Beware co-workers who produce AI-generated workslop"

• MIT (NANDA project) — "The GenAI Divide: State of AI in Business 2025"

• Fortune — "Why AI is raising worker productivity but not making the economy more efficient"

• Kompas Tekno — "Adopsi AI di Indonesia Tembus 40 Persen, AWS Ungkap Banyak Perusahaan Belum Siap"

• CNBC Indonesia — "70% Karyawan Indonesia Belum Siap Terapkan AI"

• CNBC Indonesia — "Bilangnya Efisiensi, Ongkos AI Ternyata Lebih Mahal dari Gaji Pegawai"

• Katadata Insight Center — data penggunaan AI masyarakat Indonesia

• Antara News — pernyataan CELIOS (Bhima Yudhistira) soal risiko PHK dan otomatisasi

• INDEF — pernyataan Deniey Adi Purwanto soal gelombang PHK sektor teknologi

• Wikipedia / arsip ekonomi — kutipan Robert Solow soal paradoks produktivitas 1987