Konteks & Permasalahan
Artificial intelligence (AI) semakin tepat dipahami bukan sebagai satu teknologi tunggal, melainkan sebagai himpunan kapabilitas komputasional yang meliputi pembelajaran mesin, pengenalan pola, pemrosesan bahasa alami, visi komputer, optimasi, sistem pengambilan keputusan, hingga otomasi berbasis data. Konsekuensinya, keberhasilan inovasi AI tidak cukup dinilai melalui kecanggihan algoritma atau akurasi model semata. Nilai ekonominya bergantung pada kualitas data, kesesuaian proses kerja, kompetensi manusia, tata kelola risiko, serta distribusi manfaat dan beban di dalam organisasi maupun masyarakat.
Sharma dan Garg (2021), dalam Artificial intelligence: technologies, applications, and challenges, memetakan perkembangan AI dari fondasi historis hingga ragam aplikasi waktu nyata. Pemetaan ini penting karena memperlihatkan bahwa adopsi AI berlangsung melalui integrasi sejumlah komponen: perangkat lunak, infrastruktur komputasi, basis data, metode pembelajaran, antarmuka manusia-mesin, dan mekanisme evaluasi. Dalam praktik bisnis, kegagalan proyek AI sering kali bukan berasal dari ketiadaan model yang akurat, melainkan dari data yang terfragmentasi, proses bisnis yang belum terdokumentasi, serta ketidakjelasan akuntabilitas ketika sistem menghasilkan keputusan keliru.
Masalah tersebut menjadi lebih kompleks ketika AI diperlakukan sebagai teknologi serba guna atau general-purpose technology. Teknologi semacam ini berpotensi meningkatkan produktivitas pada banyak sektor sekaligus, tetapi efeknya tidak otomatis merata. Perusahaan dengan modal data, tenaga kerja terampil, dan kemampuan mengubah proses bisnis cenderung memperoleh manfaat lebih cepat dibandingkan organisasi yang hanya membeli perangkat AI tanpa membangun kapasitas pelengkap. Karena itu, analisis AI perlu menghubungkan tiga lapisan: inovasi teknis pada level model, perubahan organisasional pada level proses kerja, dan dampak sosial-ekonomi pada level tenaga kerja serta institusi.
Dalam Artificial intelligence: A “promising technology” di AI & Society, Hirsch-Kreinsen (2024) mengingatkan bahwa sebutan “menjanjikan” pada AI tidak dapat dipisahkan dari ekspektasi sosial, kepentingan ekonomi, dan cara teknologi tersebut dibingkai dalam kebijakan maupun strategi perusahaan. AI dapat menjanjikan efisiensi, prediksi yang lebih baik, dan layanan yang lebih personal; namun, janji tersebut juga berisiko menghasilkan ekspektasi berlebihan apabila organisasi mengabaikan keterbatasan teknis, bias data, serta dampak terhadap otonomi pekerja.
Metodologi & Parameter Riset
Lima karya yang dibahas menggunakan posisi metodologis yang berbeda, sehingga kontribusinya perlu dibaca secara komplementer, bukan diperlakukan sebagai bukti dengan kekuatan yang sama. Sharma dan Garg (2021) menyajikan sintesis konseptual dan teknologis mengenai perangkat, domain aplikasi, serta tantangan AI. Nilai utamanya terletak pada penyusunan peta bidang yang membantu pembaca membedakan AI sebagai disiplin pengetahuan, sebagai kumpulan teknik, dan sebagai infrastruktur aplikasi.
Mukhamediev et al. (2022), melalui artikel Review of artificial intelligence and machine learning technologies: Classification, restrictions, opportunities and challenges di Mathematics, menggunakan pendekatan tinjauan literatur untuk mengklasifikasikan teknologi AI dan machine learning, sekaligus mengelompokkan hambatan implementasi. Pemisahan antara hambatan internal dan eksternal merupakan kontribusi analitis yang relevan. Hambatan internal mencakup keterbatasan data, kualitas model, kebutuhan komputasi, interpretabilitas, dan kerentanan teknis. Hambatan eksternal mencakup regulasi, penerimaan pengguna, dampak etis, ketimpangan akses, serta kesulitan integrasi dengan institusi yang telah ada.
Berbeda dari studi tinjauan, Yang (2022) dalam How artificial intelligence technology affects productivity and employment: Firm-level evidence from Taiwan di Research Policy membawa analisis ke tingkat perusahaan. Fokusnya adalah menguji hubungan antara pemanfaatan teknologi AI, produktivitas perusahaan, dan ketenagakerjaan. Pendekatan berbasis perusahaan penting karena menghindari kesimpulan makro yang terlalu umum: dampak AI tidak hanya ditentukan oleh tersedianya teknologi, tetapi juga oleh intensitas adopsi, karakteristik industri, struktur tenaga kerja, dan kemampuan organisasi menerjemahkan inovasi digital menjadi output produktif.
Lu et al. (2018), dalam Brain intelligence: go beyond artificial intelligence di Mobile Networks and Applications, menawarkan pendekatan konseptual-arsitektural melalui gagasan Brain Intelligence. Karya ini tidak terutama dirancang sebagai evaluasi kausal atas dampak ekonomi AI, tetapi sebagai usulan perluasan paradigma kecerdasan umum yang belajar, beradaptasi, dan menggabungkan beragam mekanisme kognitif. Karena sifatnya yang visioner, kontribusi utamanya berada pada pembentukan agenda riset, bukan pada pembuktian bahwa arsitektur tersebut telah unggul secara operasional di semua konteks.
Perbedaan desain riset tersebut menuntut parameter evaluasi yang berbeda pula. Studi teknis perlu dinilai melalui akurasi, presisi, recall, ketahanan model, latensi, biaya komputasi, dan kemampuan generalisasi. Studi implementasi organisasi perlu menambahkan tingkat adopsi pengguna, waktu siklus proses, tingkat kesalahan, kualitas keputusan, serta biaya integrasi. Sementara itu, studi dampak sosial-ekonomi perlu mengukur produktivitas per pekerja, perubahan komposisi pekerjaan, kualitas kerja, distribusi upah, kebutuhan pelatihan ulang, dan akuntabilitas keputusan otomatis.
Analisis Temuan Utama
Temuan paling konsisten dari literatur ini adalah bahwa AI menghasilkan nilai ketika diperlakukan sebagai sistem sosio-teknis. Mukhamediev et al. (2022) dalam Review of artificial intelligence and machine learning technologies: Classification, restrictions, opportunities and challenges di Mathematics menunjukkan bahwa klasifikasi teknologi harus disertai pembacaan atas pembatasannya. Artinya, pemilihan antara pembelajaran terawasi, tidak terawasi, penguatan, jaringan saraf, atau sistem berbasis aturan tidak dapat dilakukan hanya atas dasar popularitas metode. Keputusan tersebut harus disesuaikan dengan struktur data, risiko kesalahan, kebutuhan penjelasan, konteks penggunaan, dan konsekuensi bagi pihak yang terkena keputusan sistem.
Pada level teknis, peluang utama AI terletak pada kemampuannya melakukan prediksi, klasifikasi, deteksi anomali, personalisasi, dan optimasi pada skala yang sulit dicapai melalui penilaian manual. Namun, kemampuan ini dibatasi oleh masalah klasik: data historis dapat mengandung bias; korelasi statistik tidak selalu mencerminkan hubungan sebab-akibat; model yang bekerja baik pada data pelatihan dapat menurun performanya saat lingkungan berubah; dan sistem yang sulit dijelaskan dapat menghambat audit maupun penerimaan pengguna. Dengan demikian, akurasi tinggi pada tahap pengembangan tidak identik dengan keberhasilan implementasi.
Sharma dan Garg (2021), melalui Artificial intelligence: technologies, applications, and challenges, membantu menempatkan persoalan tersebut dalam spektrum yang luas, dari perkembangan konsep hingga penerapan nyata. Nilai praktis dari pendekatan ini terletak pada penegasan bahwa organisasi membutuhkan arsitektur kapabilitas, bukan sekadar produk AI. Arsitektur tersebut mencakup tata kelola data, keamanan siber, standar dokumentasi model, mekanisme pemantauan, peran pengawas manusia, serta prosedur respons ketika sistem gagal atau menghasilkan keluaran yang merugikan.
Kontribusi Yang (2022) dalam How artificial intelligence technology affects productivity and employment: Firm-level evidence from Taiwan di Research Policy sangat penting untuk mengoreksi dua pandangan yang sama-sama terlalu sederhana: AI pasti menciptakan pekerjaan baru, atau AI pasti menggantikan manusia secara menyeluruh. Bukti tingkat perusahaan menunjukkan bahwa produktivitas dan ketenagakerjaan perlu dianalisis bersama. AI dapat meningkatkan produktivitas melalui otomasi tugas rutin, perbaikan alokasi sumber daya, serta percepatan pengolahan informasi. Akan tetapi, manfaat tersebut dapat mengubah komposisi tenaga kerja, kebutuhan keterampilan, dan pembagian tugas antara pekerja dengan sistem otomatis.
Dalam konteks ini, ukuran keberhasilan tidak boleh dibatasi pada pengurangan biaya tenaga kerja. Organisasi yang hanya mengejar substitusi tenaga kerja berisiko kehilangan pengetahuan kontekstual, menurunkan kepercayaan pekerja, dan menciptakan ketergantungan pada sistem yang tidak dipahami pengguna. Sebaliknya, strategi augmentasi menempatkan AI untuk memperluas kemampuan pekerja: menyaring informasi, memberi rekomendasi, mendeteksi risiko, atau menangani tugas berulang agar manusia dapat berfokus pada penalaran, interaksi, pengawasan, dan pengambilan keputusan bernilai tinggi.
Hirsch-Kreinsen (2024), dalam Artificial intelligence: A “promising technology” di AI & Society, memperdalam dimensi ini dengan menunjukkan bahwa status AI sebagai teknologi yang menjanjikan dibentuk oleh narasi kemajuan. Narasi tersebut dapat menggerakkan investasi dan eksperimen, tetapi juga dapat mengaburkan pertanyaan fundamental: siapa yang menentukan tujuan sistem, siapa yang memiliki data, siapa yang memikul risiko kesalahan, dan siapa yang memperoleh manfaat ekonomi. Karena itu, evaluasi inovasi AI harus mencakup legitimasi sosial, bukan hanya kelayakan komersial.
Usulan Lu et al. (2018) dalam Brain intelligence: go beyond artificial intelligence di Mobile Networks and Applications membuka arah riset yang lebih ambisius, yakni pengembangan kecerdasan yang melampaui optimasi tugas sempit. Gagasan Brain Intelligence relevan sebagai pengingat bahwa model kontemporer masih menghadapi tantangan dalam penalaran lintas konteks, pembelajaran dengan data terbatas, adaptasi terhadap perubahan lingkungan, dan pemahaman kausal. Meski demikian, klaim mengenai kecerdasan umum harus dibedakan secara ketat dari kinerja yang benar-benar teruji pada domain operasional. Kebaruan arsitektur belum otomatis menjadi bukti superioritas empiris.
Implikasi Strategis: Akademis & Praktis
Bagi akademisi, sintesis literatur ini menunjukkan kebutuhan untuk memperluas evaluasi AI dari benchmark teknis ke penelitian lintas disiplin. Riset masa depan perlu menghubungkan metrik model dengan indikator organisasi dan sosial. Sebagai contoh, peningkatan akurasi deteksi penipuan perlu diuji bersama angka positif palsu, waktu penyelesaian kasus, tingkat banding pengguna, kerugian yang berhasil dicegah, dan dampaknya terhadap kelompok yang rentan salah diklasifikasikan. Pendekatan semacam ini membuat klaim keberhasilan AI lebih dapat diuji, direplikasi, dan relevan secara institusional.
Secara teoritis, literatur juga mendukung pergeseran dari determinisme teknologi menuju perspektif ko-evolusi. AI tidak “menyebabkan” perubahan kerja secara tunggal. Dampaknya dimediasi oleh desain pekerjaan, kebijakan rekrutmen, investasi pelatihan, relasi industrial, regulasi, dan strategi manajemen. Temuan berbasis perusahaan dari Yang (2022) di Research Policy memperkuat kebutuhan akan studi longitudinal yang dapat membedakan dampak jangka pendek—misalnya biaya adopsi dan disrupsi proses—dari manfaat jangka panjang seperti pembelajaran organisasi dan penciptaan layanan baru.
Bagi praktisi, langkah awal yang lebih tepat bukanlah memilih model paling kompleks, melainkan mengidentifikasi keputusan atau proses dengan nilai bisnis yang terukur. Setiap proyek AI sebaiknya memiliki indikator dasar sebelum implementasi: waktu proses, tingkat kesalahan, biaya operasional, pendapatan, kualitas layanan, risiko kepatuhan, dan tingkat kepuasan pengguna. Setelah sistem diterapkan, indikator yang sama perlu diukur kembali untuk memastikan bahwa perbaikan yang diklaim benar-benar terjadi, bukan sekadar perubahan persepsi.
Organisasi juga perlu membangun tata kelola sepanjang siklus hidup model. Tahap awal mencakup audit asal-usul data, representativitas data, dan dasar hukum penggunaan data. Tahap pengembangan mencakup pengujian bias, evaluasi ketahanan, dokumentasi asumsi, serta pembandingan dengan proses manual. Tahap penerapan membutuhkan pemantauan pergeseran data, pelacakan kesalahan, jalur eskalasi bagi pengguna, dan kewenangan manusia untuk meninjau atau membatalkan keputusan berisiko tinggi. Pendekatan ini menjawab hambatan internal maupun eksternal yang dirumuskan Mukhamediev et al. (2022) di Mathematics.
Strategi ketenagakerjaan harus menjadi bagian inti dari investasi AI. Perusahaan perlu memetakan tugas yang dapat diotomasi, tugas yang dapat diaugmentasi, dan tugas baru yang muncul akibat penggunaan AI. Investasi pelatihan ulang sebaiknya diarahkan pada literasi data, kemampuan memverifikasi keluaran sistem, pemahaman risiko model, serta kompetensi domain yang tidak mudah digantikan. Dengan demikian, produktivitas tidak dicapai melalui pengurangan tenaga kerja secara mekanis, melainkan melalui peningkatan kapasitas organisasi untuk bekerja lebih cepat, lebih akurat, dan lebih bertanggung jawab.
Pada akhirnya, kebaruan AI yang bernilai bukan hanya lahir dari model yang lebih besar atau arsitektur yang lebih mutakhir. Kebaruan yang lebih substantif muncul ketika AI mampu menghasilkan manfaat yang dapat diverifikasi, aman digunakan, dapat dipertanggungjawabkan, serta mendukung kapabilitas manusia dan institusi. Kerangka ini menghubungkan ambisi teknologis Brain Intelligence, klasifikasi hambatan implementasi, dan bukti produktivitas tingkat perusahaan ke dalam satu agenda: membangun AI yang tidak hanya cerdas secara komputasional, tetapi juga layak secara sosial dan strategis.
Referensi
- Hirsch-Kreinsen, H. (2024). Artificial intelligence: A “promising technology”. AI & Society. https://link.springer.com/article/10.1007/s00146-023-01629-w
- Lu, H., Li, Y., Chen, M., Kim, H., & Serikawa, S. (2018). Brain intelligence: Go beyond artificial intelligence. Mobile Networks and Applications. https://link.springer.com/article/10.1007/s11036-017-0932-8
- Mukhamediev, R. I., Popova, Y., Kuchin, Y., Zaitseva, E., Kalimoldayev, A., Symagulov, A., & Yakunin, K. (2022). Review of artificial intelligence and machine learning technologies: Classification, restrictions, opportunities and challenges. Mathematics, 10(15), 2552. https://www.mdpi.com/2227-7390/10/15/2552
- Sharma, L., & Garg, P. K. (2021). Artificial intelligence: Technologies, applications, and challenges. https://books.google.com/books?hl=en&lr=&id=hJsIEQAAQBAJ&oi=fnd&pg=PP1&dq=artificial+intelligence+technology&ots=JqkBbK5RA8&sig=jAfZawA4I4OMQI4FujPvAyVI0
- Yang, C. H. (2022). How artificial intelligence technology affects productivity and employment: Firm-level evidence from Taiwan. Research Policy, 51(6), 104536. https://www.sciencedirect.com/science/article/pii/S0048733322000634
