AI di tempat kerja mulai bergeser dari alat untuk menjawab pertanyaan menjadi sistem yang menerima tujuan, memecah pekerjaan, memakai berbagai alat, lalu mengembalikan hasil untuk diperiksa manusia. Perubahan ini penting karena cara kita menilai produktivitas juga ikut berubah: bukan lagi seberapa cepat seseorang mendapatkan jawaban, melainkan seberapa baik sebuah pekerjaan selesai dari awal sampai akhir.
Istilah AI agent merujuk pada sistem AI yang dapat merencanakan beberapa langkah dan menjalankan tindakan melalui alat tertentu, seperti membaca dokumen, mengolah spreadsheet, menjalankan kode, memperbarui CRM, atau mengambil data dari aplikasi lain. Berbeda dari chatbot biasa yang cenderung berhenti setelah memberikan respons, agent dirancang untuk mengerjakan rangkaian tugas.
Dari percakapan singkat ke pekerjaan yang punya “horizon” panjang
OpenAI melaporkan bahwa penggunaan Codex, alat agentic untuk pekerjaan teknis dan analitis, bergerak ke tugas yang lebih panjang. Dalam sampel pengguna pada Mei 2026, lebih dari 70 persen pengguna disebut pernah meminta pekerjaan yang diperkirakan membutuhkan lebih dari satu jam jika dikerjakan manusia. OpenAI juga mencatat pertumbuhan penggunaan di luar kelompok pengembang, termasuk fungsi legal, keuangan, dan rekrutmen.
Angka tersebut perlu dibaca dengan hati-hati. Data itu berasal dari ekosistem dan produk OpenAI, bukan survei independen terhadap seluruh pekerja. Estimasi durasi tugas juga dibuat menggunakan penilaian model, sehingga lebih tepat dianggap sebagai sinyal arah perubahan, bukan pengukuran produktivitas yang mutlak.
Meski begitu, pergeserannya cukup jelas. AI tidak lagi hanya dipakai untuk merangkum email atau memperbaiki kalimat. Pengguna mulai mendelegasikan pekerjaan seperti membersihkan data, membandingkan beberapa sumber, membuat draf analisis, menulis skrip kecil, dan menyiapkan bahan yang kemudian ditinjau manusia.
Yang berubah bukan hanya model, tetapi desain pekerjaan
Anthropic, misalnya, memperkenalkan template agent untuk pekerjaan di sektor keuangan. Template tersebut menggabungkan instruksi dan pengetahuan kerja, konektor ke data yang dikendalikan, serta subagent untuk tugas khusus. Contohnya meliputi riset pasar, pemeriksaan dokumen KYC, pembuatan pitchbook, dan proses penutupan buku bulanan.
Pendekatan ini menunjukkan satu hal penting: agent yang berguna biasanya bukan “otak serbaguna” yang dilepas tanpa arah. Ia lebih mirip anggota tim dengan tanggung jawab tertentu, akses terbatas, dan prosedur kerja yang jelas.
Bayangkan sebuah tim pemasaran yang ingin mengetahui mengapa penjualan turun. Chatbot dapat membantu membuat daftar kemungkinan penyebab. Agent yang dirancang dengan baik dapat mengambil data penjualan, mengelompokkan berdasarkan wilayah, membandingkannya dengan kampanye yang berjalan, membuat grafik, dan menyiapkan ringkasan. Namun, keputusan tentang perubahan anggaran tetap membutuhkan manusia yang memahami konteks bisnis.
Mengapa akses menjadi lebih penting daripada kecerdasan
Semakin banyak alat yang bisa dipakai agent, semakin besar pula dampak kesalahannya. Agent yang hanya menyusun draf memiliki risiko berbeda dari agent yang dapat mengirim email, mengubah data pelanggan, atau menjalankan transaksi.
Karena itu, pertanyaan pertama sebelum memakai agent bukan “model mana yang paling pintar?”, melainkan “tindakan apa yang boleh dilakukan sistem ini?” Akses sebaiknya diberikan berdasarkan kebutuhan minimum. Agent untuk membuat laporan penjualan mungkin cukup diberi akses baca ke database dan folder tertentu. Ia tidak perlu memiliki izin menghapus data atau mengirim pesan ke pelanggan.
Kontrol lain yang penting adalah persetujuan manusia pada titik berisiko tinggi. Sistem boleh mengumpulkan data dan membuat draf, tetapi harus berhenti sebelum mengirim email eksternal, mengubah catatan resmi, menyetujui pembayaran, atau menerbitkan informasi ke publik.
Masalah yang masih sering diremehkan: validasi hasil
Agent dapat menyelesaikan lebih banyak langkah, tetapi itu tidak berarti hasilnya selalu benar. Kesalahan bisa muncul saat memilih sumber data, memahami instruksi, menjalankan kode, atau menyimpulkan sesuatu dari informasi yang tidak lengkap.
Untuk pekerjaan yang berdampak pada uang, hukum, pelanggan, atau reputasi, hasil agent harus memiliki jejak yang bisa diperiksa. Simpan sumber data yang digunakan, perubahan yang dilakukan, keputusan yang diambil, dan siapa yang memberi persetujuan. Dalam konteks teknis, pengujian otomatis dan lingkungan terisolasi juga membantu mencegah agent merusak sistem produksi.
Prinsip sederhananya adalah: semakin besar konsekuensi sebuah tindakan, semakin kuat proses pemeriksaannya. Draf ide blog tidak memerlukan tingkat kontrol yang sama dengan laporan keuangan atau perubahan konfigurasi server.
Apa artinya bagi pekerja dan pemilik bisnis?
Bagi pekerja, keterampilan yang semakin berharga bukan hanya kemampuan menulis prompt. Yang lebih penting adalah kemampuan menjelaskan tujuan, memecah pekerjaan menjadi tahapan, menentukan kriteria hasil yang baik, dan menemukan kesalahan sebelum hasil digunakan.
Seseorang yang memahami proses bisnis biasanya dapat memakai agent lebih efektif daripada orang yang hanya mengenal fitur teknisnya. Ia tahu data mana yang relevan, pengecualian apa yang sering terjadi, dan kapan sebuah hasil terlihat mencurigakan.
Bagi pemilik bisnis, investasi AI sebaiknya dimulai dari alur kerja yang jelas dan berulang. Jangan langsung membuat agent untuk “mengurus semua pekerjaan”. Pilih satu proses yang memiliki input, langkah, dan hasil yang dapat diukur. Contohnya adalah mengubah formulir permintaan pelanggan menjadi tiket terstruktur, menyusun laporan mingguan dari beberapa sumber, atau memeriksa kelengkapan dokumen.
Yang bisa dilakukan sekarang
- Pilih pekerjaan yang berulang, bukan pekerjaan yang paling sensitif. Gunakan proses administratif sebagai titik awal, bukan keputusan yang langsung berdampak pada pelanggan atau uang.
- Tulis batas kewenangan agent. Bedakan akses baca, akses membuat draf, dan akses melakukan perubahan.
- Tentukan definisi selesai. Misalnya, laporan harus menyertakan sumber data, periode, asumsi, dan daftar anomali.
- Buat titik pemeriksaan manusia. Pastikan tindakan eksternal atau perubahan permanen memerlukan persetujuan.
- Ukur hasil yang nyata. Catat waktu yang dihemat, tingkat kesalahan, jumlah pekerjaan yang harus diulang, dan biaya penggunaan model.
AI agent memang membuka peluang untuk mengerjakan pekerjaan yang sebelumnya terlalu rumit atau memakan waktu. Tetapi keunggulannya tidak datang dari kemampuan model semata. Nilai terbesar muncul ketika agent ditempatkan di alur kerja yang memiliki data jelas, batas akses, kriteria evaluasi, dan manusia yang tetap memegang keputusan penting.
Dengan pendekatan itu, AI tidak diperlakukan sebagai pengganti penilaian manusia, melainkan sebagai rekan kerja digital yang mampu menangani rangkaian pekerjaan—selama kita tahu apa yang boleh ia lakukan dan bagaimana memeriksa hasilnya.
Baca laporan OpenAI tentang perubahan penggunaan agent dalam pekerjaan dan contoh template agent Anthropic untuk sektor keuangan.
Sumber & bacaan lebih lanjut
– Rio Yotto @rioyotto