AI semakin sering dipakai bukan hanya untuk mencari jawaban, tetapi juga menghasilkan pekerjaan: menyusun laporan, merangkum rapat, membuat analisis, sampai menyiapkan presentasi. Kecepatannya memang menarik. Namun, ada satu masalah yang mudah terlewat: pekerjaan yang selesai lebih cepat belum tentu menghasilkan keputusan yang lebih baik.
Microsoft Research menggunakan istilah workslop untuk menggambarkan konten buatan AI yang tampak profesional, tetapi kurang akurat, tidak lengkap, atau tidak cukup berguna. Dalam laporan New Future of Work, Microsoft menyebut 40% karyawan dalam sebuah survei di Amerika Serikat mengaku menerima workslop pada bulan sebelumnya. ([microsoft.com](https://www.microsoft.com/en-us/research/blog/new-future-of-work-ai-is-driving-rapid-change-uneven-benefits/?utm_source=openai))
Fenomena ini penting karena beban pekerjaan tidak benar-benar hilang. Ia hanya berpindah kepada orang berikutnya yang harus membaca, memeriksa, memperbaiki, atau mengulang hasil tersebut.
Ketika tampilan rapi menutupi isi yang lemah
Bayangkan seseorang meminta AI membuat ringkasan rapat. Hasilnya memiliki judul, poin-poin, dan bahasa yang meyakinkan. Sekilas, dokumen itu siap dikirim. Namun setelah diperiksa, ternyata ada keputusan yang tidak pernah dibuat, nama proyek yang tertukar, atau tenggat waktu yang disimpulkan secara keliru.
Inilah ciri workslop: bukan selalu kesalahan yang terlihat jelas, melainkan hasil yang cukup masuk akal untuk dipercaya tetapi terlalu lemah untuk langsung dipakai.
Masalah serupa dapat muncul dalam berbagai pekerjaan:
- Ringkasan riset menghilangkan batasan penting dari sumber asli.
- Analisis data menjelaskan pola tanpa memeriksa apakah datanya lengkap.
- Draf email terdengar sopan, tetapi gagal menjawab pertanyaan utama.
- Dokumen strategi berisi banyak jargon, tetapi tidak memiliki langkah yang bisa dijalankan.
- Kode program terlihat benar, tetapi belum diuji pada kondisi nyata.
Dengan kata lain, AI dapat mempercepat produksi teks tanpa otomatis meningkatkan kualitas pemikiran di baliknya.
Produktivitas individu belum tentu menjadi produktivitas tim
Ini juga menjelaskan mengapa pengalaman memakai AI bisa terasa sangat produktif bagi satu orang, tetapi justru melelahkan bagi tim. Orang yang membuat dokumen mungkin menghemat 30 menit. Namun, jika tiga rekan kerja masing-masing membutuhkan 15 menit untuk memeriksa dan membetulkan isinya, organisasi tidak benar-benar menghemat waktu.
Microsoft Research mencatat bahwa manfaat AI di tempat kerja sangat bergantung pada peran, cara penggunaan, dan perubahan alur kerja. Studi lain dari Microsoft pada 2026 juga menemukan peningkatan aktivitas produktivitas dan komunikasi pada pengguna AI dengan intensitas tinggi, tetapi mengingatkan bahwa kenaikan aktivitas tidak otomatis sama dengan kenaikan nilai kerja. ([microsoft.com](https://www.microsoft.com/en-us/research/publication/adoption-of-generative-ai-in-the-workplace-increasing-and-shifting-the-balance-of-productivity-and-communication-activity/?lang=ko-kr&utm_source=openai))
Analisis: ukuran yang lebih masuk akal bukan hanya berapa banyak dokumen yang dibuat atau berapa cepat sebuah draf selesai, melainkan berapa banyak hasil yang dapat dipakai tanpa pekerjaan perbaikan berulang.
Mengapa orang sering melewatkan pemeriksaan?
Ada beberapa alasan praktis. Pertama, bahasa AI biasanya terdengar yakin, bahkan ketika informasinya tidak lengkap. Kedua, tekanan waktu membuat orang lebih mudah menerima hasil yang “cukup bagus”. Ketiga, tanggung jawab pemeriksaan sering tidak jelas. Semua orang mengira orang lain sudah mengeceknya.
Riset Microsoft Viva yang dirangkum pada Februari 2026 menyebut 60% karyawan dalam riset terkait melaporkan melewatkan pemeriksaan akurasi. Riset tersebut juga menekankan pentingnya metakognisi, yaitu kemampuan untuk menyadari bagaimana kita menggunakan AI dan kapan hasilnya perlu dipertanyakan. ([techcommunity.microsoft.com](https://techcommunity.microsoft.com/blog/microsoftvivablog/research-drop-fighting-ai-slop-with-meta-cognition-around-ai/4493933?utm_source=openai))
Jadi, persoalannya bukan sekadar apakah AI mampu membuat kesalahan. Manusia juga perlu membangun kebiasaan agar tidak meneruskan kesalahan itu ke dalam alur kerja.
Cara mencegah workslop dalam pekerjaan sehari-hari
1. Tentukan standar “siap dipakai”
Sebelum meminta AI membuat sesuatu, tentukan dulu bentuk hasil yang dianggap selesai. Untuk laporan, misalnya, hasil akhir harus memiliki sumber, kesimpulan, asumsi, dan rekomendasi. Untuk email, hasil akhir harus menjawab siapa melakukan apa dan kapan.
Standar ini membuat kita menilai keluaran berdasarkan kegunaannya, bukan berdasarkan kerapian bahasanya.
2. Pisahkan draf dari keputusan
Gunakan AI untuk membuat draf, pilihan, atau struktur awal. Jangan langsung menganggap hasil tersebut sebagai keputusan final. Label sederhana seperti draft untuk ditinjau dapat mencegah dokumen yang belum diverifikasi beredar sebagai informasi resmi.
3. Minta AI menunjukkan dasar jawabannya
Untuk pekerjaan yang bergantung pada data atau dokumen, minta AI menyertakan sumber, kutipan pendek, asumsi, dan bagian yang masih tidak pasti. Instruksi seperti berikut lebih berguna daripada sekadar meminta “jawaban terbaik”:
Gunakan hanya data yang tersedia dalam dokumen ini. Pisahkan fakta, asumsi, dan rekomendasi. Tandai informasi yang tidak dapat diverifikasi.Instruksi ini tidak menjamin AI selalu benar, tetapi membuat bagian yang perlu diperiksa lebih mudah ditemukan.
4. Periksa bagian yang paling mahal jika salah
Tidak semua kalimat membutuhkan pemeriksaan dengan tingkat ketelitian yang sama. Prioritaskan angka, nama, tanggal, peraturan, klaim kesehatan, keputusan keuangan, dan kode yang akan dijalankan di sistem nyata.
Jika sebuah kesalahan dapat menyebabkan pelanggan salah menerima informasi atau perusahaan mengambil keputusan keliru, pemeriksaan manusia tidak boleh dihilangkan.
5. Ukur pekerjaan yang harus diulang
Selama dua atau tiga minggu, catat berapa kali keluaran AI harus diperbaiki, ditulis ulang, atau dijelaskan kembali kepada orang lain. Data sederhana ini sering lebih jujur daripada perasaan bahwa AI “sangat membantu”.
Jika jumlah dokumen meningkat tetapi pekerjaan koreksi ikut membesar, mungkin alurnya perlu diubah—bukan sekadar menambah akses ke model yang lebih mahal.
Apa artinya bagi kita?
AI tetap sangat berguna. Ia dapat membantu memulai pekerjaan dari halaman kosong, menyederhanakan dokumen panjang, menemukan pola awal, dan mempercepat tugas berulang. Namun, manfaat itu muncul ketika manusia tetap memegang kendali atas tujuan, standar kualitas, dan keputusan akhir.
Perubahan paling penting bukan membuat AI terdengar lebih pintar, melainkan membuat proses kerja lebih jelas: siapa yang meminta, siapa yang memeriksa, sumber apa yang dipakai, dan kapan hasil dianggap cukup aman untuk diteruskan.
Jika tidak, kita hanya mengganti pekerjaan menulis dengan pekerjaan memeriksa tulisan yang tampak meyakinkan. Itulah inti masalah workslop: AI menghemat waktu di awal, tetapi dapat mengembalikan tagihannya di tahap berikutnya.
Sumber & bacaan lebih lanjut
- New Future of Work: AI is driving rapid change, uneven benefits — Microsoft Research
- New Future of Work Report 2025 — Microsoft Research
- Research Drop: Fighting AI Slop with Meta-Cognition around AI — Microsoft Viva
- Adoption of Generative AI in the Workplace — Microsoft Research
– Rio Yotto @rioyotto