AI Tidak Hanya Butuh Model Besar, AI Butuh Operasi Manusia yang Sehat

Meta sedang mendorong AI dengan skala yang sangat besar. Perusahaan ini mengalihkan ribuan engineer dan product manager ke unit Applied AI baru untuk membantu melatih model AI, termasuk melalui pembuatan puzzle, soal coding, dan contoh pekerjaan teknis sehari-hari.

Di atas kertas, langkah ini terlihat masuk akal. Model AI yang lebih kuat membutuhkan data yang lebih baik. Data yang lebih baik sering membutuhkan contoh nyata dari orang yang benar-benar memahami pekerjaan teknis.

Tetapi laporan terbaru dari Wired menggambarkan sisi lain yang jauh lebih tidak rapi.

Sebagian karyawan disebut merasa dipindahkan secara mendadak, tanpa pilihan yang berarti. Mereka menyebut diri mereka sebagai “draftees”. Ada yang menggambarkan pekerjaannya sebagai sangat melelahkan secara mental. Bahkan muncul insiden kemarahan dalam presentasi internal yang menunjukkan bahwa masalahnya bukan sekadar ketidaknyamanan kecil.

Meta mungkin sedang membangun masa depan AI. Tetapi dari cerita ini, terlihat satu pelajaran penting: AI yang kuat tidak hanya bergantung pada model, chip, dan modal besar. AI juga bergantung pada sistem kerja manusia yang menopangnya.

The Core Update

Meta membentuk unit Applied AI yang berisi sekitar 6.500 engineer dan product manager. Unit ini dibuat untuk mendukung ambisi riset AI perusahaan, terutama dalam melatih model agar lebih mampu menyelesaikan tugas teknis seperti coding dan penggunaan komputer sehari-hari.

Menurut laporan yang beredar, banyak karyawan mengetahui perpindahan mereka melalui email mendadak. Beberapa merasa prosesnya acak. Pilihannya terasa sederhana tetapi berat: ikut masuk ke unit baru atau keluar.

Pekerjaan yang diberikan juga tidak selalu sesuai dengan ekspektasi banyak engineer. Alih-alih membangun produk, merancang sistem, atau menyelesaikan problem engineering yang mereka kenal, sebagian ditugaskan membuat contoh soal, puzzle, dan tugas teknis untuk membantu melatih model AI.

Di saat yang sama, Meta juga menghadapi ketegangan lebih luas. Ada laporan tentang ribuan karyawan yang menandatangani petisi terkait program pemantauan klik dan keystroke untuk data pelatihan AI. Pimpinan perusahaan pun disebut mengakui bahwa suasana kerja sedang berat dan beberapa perubahan telah menimbulkan tekanan.

Ini bukan sekadar cerita tentang satu unit AI yang tidak nyaman. Ini adalah gambaran tentang apa yang bisa terjadi ketika transformasi teknologi berjalan lebih cepat daripada desain organisasi.

The Reality Check

Banyak perusahaan melihat AI sebagai perlombaan teknologi. Siapa yang punya model lebih kuat, data lebih banyak, talenta lebih mahal, dan infrastruktur lebih besar dianggap akan menang.

Sebagian benar.

Tetapi ada lapisan lain yang sering diremehkan: bagaimana pekerjaan manusia diatur di belakang sistem AI.

AI tidak muncul begitu saja dari model. Ia membutuhkan data, anotasi, evaluasi, feedback, prompt, benchmark, review kualitas, dan contoh pekerjaan nyata. Semua itu adalah kerja operasional. Sering kali repetitif. Sering kali tidak glamor. Sering kali jauh dari narasi besar tentang inovasi.

Masalah muncul ketika pekerjaan operasional ini diperlakukan seperti beban yang bisa dilempar begitu saja ke tim yang tersedia.

Engineer yang direkrut untuk membangun sistem belum tentu siap secara mental untuk dipindahkan menjadi pembuat data pelatihan. Product manager yang terbiasa mengelola roadmap belum tentu merasa pekerjaannya bermakna jika tiba-tiba harus mengikuti alur kerja yang tidak mereka pilih. Tim yang tidak diberi konteks, pilihan, dan struktur yang jelas akan membaca perubahan sebagai paksaan, bukan misi.

Di sinilah banyak transformasi AI mulai retak.

Bukan karena idenya buruk. Bukan karena AI tidak penting. Tetapi karena perusahaan mengira urgensi teknologi otomatis cukup untuk membuat manusia menerima perubahan operasional yang besar.

Padahal tidak.

Jika sebuah organisasi ingin memakai manusia untuk melatih AI, maka pekerjaan itu perlu dirancang dengan serius. Apa tujuan pekerjaannya? Bagaimana kualitas dinilai? Berapa lama rotasinya? Apakah ada jalur keluar? Apakah kontribusi itu dihargai? Apakah orang memahami dampaknya? Apakah manager punya kapasitas membimbing puluhan orang dengan pekerjaan baru?

Tanpa jawaban yang jelas, AI operation berubah menjadi antrean tugas yang melelahkan.

Dan ketika pekerjaan terasa tidak punya kontrol, tidak punya makna, dan tidak punya ujung yang jelas, resistensi akan muncul. Kadang dalam bentuk produktivitas turun. Kadang dalam bentuk petisi. Kadang dalam bentuk ledakan emosi di forum internal.

Ini pelajaran penting untuk bisnis yang lebih kecil juga.

Banyak bisnis ingin memasukkan AI ke proses kerja: chatbot untuk customer service, automation untuk sales follow-up, AI assistant untuk admin, ringkasan otomatis untuk meeting, atau sistem rekomendasi untuk operasional.

Tetapi sebelum AI diterapkan, pertanyaannya bukan hanya “tool apa yang dipakai?”

Pertanyaannya juga:

• siapa yang memberi data awal?
• siapa yang mengecek hasil AI?
• siapa yang memperbaiki ketika AI salah?
• siapa yang bertanggung jawab atas keputusan akhir?
• pekerjaan manual mana yang berubah?
• apakah tim memahami alasan perubahan ini?
• apakah proses baru membuat pekerjaan lebih ringan atau hanya memindahkan beban?

Kalau pertanyaan ini tidak dijawab, AI bisa terlihat modern di permukaan tetapi menciptakan kekacauan baru di dalam tim.

The Havedev Way

Dari sudut pandang Havedev, kasus seperti ini menunjukkan bahwa AI bukan hanya proyek teknologi. AI adalah proyek operasional.

Perusahaan tidak cukup hanya bertanya apakah modelnya canggih. Perusahaan perlu bertanya apakah sistem kerja di sekitarnya cukup sehat untuk membuat AI berguna.

Untuk bisnis yang ingin mulai memakai AI atau automation, pendekatan yang lebih aman biasanya dimulai dari alur kerja yang jelas, bukan dari ambisi besar.

Pilih satu proses yang spesifik. Misalnya:

• lead masuk dari website
• pertanyaan pelanggan di WhatsApp
• follow-up proposal
• ringkasan meeting internal
• klasifikasi tiket support
• pencatatan order
• pembuatan draft konten

Lalu petakan pekerjaan manusia dan pekerjaan AI secara jujur.

AI bisa membantu menyusun draft. Tetapi manusia tetap perlu menyetujui pesan penting. AI bisa memberi ringkasan. Tetapi tim tetap perlu memastikan keputusan tidak hilang. AI bisa mengelompokkan lead. Tetapi sales tetap perlu tahu kapan harus follow-up. AI bisa menjawab pertanyaan umum. Tetapi support tetap perlu jalur eskalasi ketika kasusnya sensitif.

Dengan cara ini, AI tidak diposisikan sebagai pengganti ajaib. AI diposisikan sebagai bagian dari workflow yang punya batas, pemilik, dan ukuran kualitas.

Ini juga membuat perubahan lebih mudah diterima tim.

Orang biasanya tidak menolak teknologi hanya karena teknologinya baru. Mereka menolak ketika teknologi membuat pekerjaan mereka tidak jelas, tidak dihargai, atau terasa seperti tambahan beban tanpa arah.

Karena itu, sebelum membangun automation atau AI workflow, bisnis perlu menyepakati beberapa hal dasar:

• status pekerjaan sebelum dan sesudah dibantu AI
• peran manusia dalam validasi hasil
• batas keputusan yang boleh diambil otomatis
• data apa yang aman dipakai
• metrik yang menunjukkan proses benar-benar membaik
• cara tim memberi feedback ketika hasil AI salah

Langkah seperti ini mungkin terlihat lebih lambat dibanding langsung memasang tool AI baru. Tetapi justru ini yang membuat AI lebih tahan lama.

AI yang baik tidak hanya menjawab lebih cepat. AI yang baik harus membuat pekerjaan lebih mudah dibaca, lebih mudah diprioritaskan, dan lebih mudah dikendalikan.

Pelajaran dari Meta bukan bahwa perusahaan sebaiknya menghindari AI. Pelajarannya lebih sederhana: jangan membangun masa depan AI dengan mengabaikan manusia yang harus mengoperasikannya hari ini.

Untuk bisnis, ini berarti transformasi AI sebaiknya dimulai dari proses yang paling jelas dampaknya, dengan beban kerja yang masuk akal, dan aturan yang bisa dipercaya tim.

Karena pada akhirnya, AI bukan hanya soal seberapa pintar sistemnya.

AI juga soal seberapa sehat cara kerja yang mengelilinginya.

Dapatkan Audit Teknis Gratis untuk meninjau alur website, lead, dan automation bisnis Anda sebelum menambahkan AI ke proses yang belum siap.

---

Sumber referensi berita: TechCrunch