Makna, Identitas, dan Keahlian di Era AI: Apa yang Terjadi Saat AI Mengambil Bagian Pekerjaan yang Anda Cintai

Oleh Victor Hoang · Diperbarui 22 September 2026

Makna dalam pekerjaan adalah perasaan bahwa upaya Anda berarti, bahwa Anda membuat sesuatu dan bukan sekadar menyetujuinya, dan bahwa keterampilan Anda terlihat jelas sebagai milik Anda sendiri. AI mengguncang perasaan itu setiap kali ia mengambil alih bagian pekerjaan yang menuntut dan memikat (penyusunan draf, diagnosis, desain) lalu menyisakan manusia sebagai pengawas hasilnya. Kehilangan ini bukan soal sentimen. Dampaknya terlihat pada skor engagement, pada siapa yang bertahan, dan pada seberapa besar upaya ekstra yang mau diberikan orang untuk pekerjaan yang tidak lagi terasa sebagai karya mereka.

Sebagian besar diskusi tentang AI dan pekerjaan berfokus pada jumlah karyawan dan jumlah tugas. Lebih sedikit yang menanyakan apa yang terjadi pada orang yang tetap memiliki pekerjaannya tetapi kehilangan bagian yang membuatnya piawai, bagian yang membuatnya mengenali dirinya sendiri dalam pekerjaan itu. Pertanyaan tersebut didukung riset motivasi selama puluhan tahun, bukan karena para peneliti mengantisipasi AI generatif, melainkan karena mekanisme dasar penguasaan keahlian, kepemilikan, dan identitas sudah dipetakan dengan baik sebelum AI datang menguji semuanya dalam skala besar.

Fakta Utama

• Hanya 18% karyawan di AS mengatakan pekerjaan mereka saat ini memiliki tujuan yang mereka yakini secara pribadi, dan 45% mengatakan mereka bekerja terutama demi gaji. Survei Gallup pada Agustus 2025 terhadap 4.475 orang dewasa yang bekerja juga menemukan kesenjangan ke arah sebaliknya: 30% mengatakan pekerjaan idealnya membawa tujuan pribadi, jauh di atas 18% yang merasakannya sekarang. Gallup, "Purposeful Work Boosts Engagement, but Few Experience It"
• Self-Determination Theory berpendapat bahwa otonomi, kompetensi, dan keterhubungan adalah kebutuhan, bukan preferensi, dan bahwa terhambatnya salah satunya menimbulkan biaya yang terukur bagi motivasi dan kesejahteraan. Penelitian Deci dan Ryan selama empat dekade menemukan bahwa jenis motivasi (otonom versus terkendali) memprediksi kinerja dan ketekunan lebih baik daripada besarnya motivasi itu sendiri. Self-Determination Theory, halaman resmi teori
• Orang bersedia membayar 63% lebih mahal untuk furnitur yang mereka rakit sendiri dibandingkan furnitur jadi yang identik, tetapi hanya jika mereka menyelesaikannya. Studi "efek IKEA" oleh Norton, Mochon, dan Ariely menemukan bahwa lonjakan penilaian dari hasil kerja sendiri hilang begitu tugas ditinggalkan atau dihancurkan sebelum selesai. Norton, Mochon & Ariely, Journal of Consumer Psychology (2012)
• Dari semua kejadian dalam sehari kerja seseorang, kemajuan kecil yang terlihat pada pekerjaan bermakna memiliki pengaruh terkuat terhadap suasana hati, motivasi, dan pandangannya terhadap rekan kerja. Riset berbasis buku harian dari Teresa Amabile dan Steven Kramer adalah asal dari apa yang mereka sebut prinsip kemajuan (progress principle). Amabile & Kramer, "The Power of Small Wins," Harvard Business Review (2011)
• 86% pengguna AI kini memperlakukan output AI sebagai titik awal, bukan jawaban akhir, dan 58% mengatakan mereka menghasilkan karya yang setahun lalu tidak mungkin mereka hasilkan. Microsoft memaknai ini sebagai penilaian manusia yang makin sentral dalam pekerjaan, bukan makin berkurang, seiring AI menyerap lebih banyak lapisan eksekusi. Microsoft 2026 Work Trend Index Annual Report
• Dalam studi terhadap 206 mahasiswa kedokteran dan dokter, ancaman terhadap kapabilitas profesional (otonomi dan peran sebagai pemberi layanan kesehatan) secara langsung memprediksi resistensi terhadap AI, sementara ancaman terhadap pengakuan profesional bekerja secara tidak langsung melalui perasaan terancam secara pribadi. Dokter berpengalaman menunjukkan resistensi dan rasa terancam yang jauh lebih rendah dibandingkan mahasiswa yang masih di awal karier. Jussupow, Spohrer & Heinzl, JMIR Formative Research (2022)

Mengapa Makna dalam Pekerjaan Bukan Topik Remeh

Orang mudah menggolongkan "apakah pekerjaan saya terasa bermakna" sebagai pelengkap kepuasan karyawan, di bawah throughput dan biaya per output. Angka-angka Gallup di atas membantah penggolongan itu. Hanya 18% karyawan yang saat ini menggambarkan pekerjaannya memiliki tujuan yang mereka yakini secara pribadi, sementara 30% mengatakan itulah yang akan ditawarkan pekerjaan ideal mereka. Selisih 12 poin itu bukan kesenjangan preferensi, melainkan kesenjangan retensi dan upaya yang terpampang jelas, dan sudah ada bertahun-tahun sebelum gelombang penerapan AI saat ini. AI tidak menciptakan masalah makna. AI mengubah pekerjaan mana yang jatuh ke sisi mana dari kesenjangan itu, dan ia bisa melebarkannya dengan cepat jika perancangan ulang dilakukan dengan ceroboh.

Mekanismenya berjalan lewat upaya diskresioner, yaitu bagian kemampuan yang dipilih sendiri oleh seseorang untuk disumbangkan dan tidak bisa diwajibkan oleh atasan mana pun. Orang yang mengerjakan pekerjaan bermakna akan menawarkan diri untuk masalah yang sulit, menangkap kesalahan yang tidak ditugaskan kepadanya, dan bertahan sepuluh menit lebih lama agar sesuatu benar. Orang yang mengerjakan pekerjaan tanpa makna hanya melakukan minimum yang tertulis di deskripsi jabatan dan mencari tempat lain begitu tawaran yang lebih baik muncul. Hampir separuh karyawan dalam sampel Gallup, yaitu 45%, sudah menggambarkan hubungan mereka dengan pekerjaan sebagai transaksional: datang demi gaji. Itulah kelompok yang paling rentan ketika AI menghilangkan potongan terakhir dari pekerjaan yang terasa milik mereka.

Kehilangan yang Spesifik: Ketika AI Mengambil 20% yang Menarik dan Menyisakan Pengawasan

Ketika AI Menghilangkan Beban Rutin, Makna Bisa Meningkat

Versi paling jelas dari masalah ini bersifat struktural, bukan emosional. Sebagian besar pekerjaan adalah campuran tugas: sebagian benar-benar menantang dan memikat, sebagian rutin, sebagian murni beban administratif. Ketika AI diterapkan dengan baik, ia menghilangkan beban rutin dan menyisakan lebih banyak pekerjaan yang menantang dan menarik bagi manusia. Agen dukungan pelanggan yang mendapat draf AI untuk tiket rutin dan tetap menangani eskalasi yang rumit cenderung melaporkan kepuasan lebih tinggi, karena AI mengambil bagian yang tidak mereka inginkan.

Masalah Tugas Sisa

Mode kegagalannya berjalan ke arah sebaliknya. Ketika AI mengambil alih pekerjaan penyusunan draf, diagnosis, atau desain yang memerlukan penilaian dan menghasilkan karya yang terlihat serta bisa diakui sebagai milik sendiri, manusia bisa tersisa dengan bagian yang sejak awal tidak diinginkan siapa pun: meninjau, memvalidasi, dan mengoreksi output model baris demi baris. Ujilah ini dengan model karakteristik pekerjaan (job characteristics model) dari Hackman dan Oldham, kerangka tahun 1976 yang masih relevan untuk pengaturan kerja baru. Model mereka mengidentifikasi lima dimensi pekerjaan, yaitu variasi keterampilan, identitas tugas, signifikansi tugas, otonomi, dan umpan balik, yang bermuara pada apa yang mereka sebut pengalaman kebermaknaan kerja: perasaan bahwa pekerjaan itu bermakna dan bahwa upaya di dalamnya dihargai. Memantau output AI untuk mencari kesalahan mendapat skor buruk di hampir setiap dari kelima dimensi itu. Variasi keterampilannya kecil dalam memeriksa output yang sama berulang kali. Identitas tugas, yaitu perasaan telah membuat sesuatu yang utuh dari awal sampai akhir, hilang; AI yang membuatnya, manusia hanya memeriksanya. Dan kontribusinya menjadi tak terlihat: tidak ada yang menghargai verifikasi yang cermat seperti mereka menghargai draf yang selesai atau kasus yang ditutup dari nol.

Inilah juga alasan mengapa menjaga ketajaman penilaian manusia adalah masalah yang lebih sulit daripada kelihatannya. Pekerjaan verifikasi bukan hanya kurang memuaskan dibandingkan pekerjaan generatif yang digantikannya; ia juga mengikis penilaian yang justru dibutuhkan seorang peninjau untuk menangkap kesalahan AI yang halus, karena penilaian itu terbentuk dengan mengerjakan pekerjaannya secara manual, bukan dengan memeriksa upaya orang lain. Tim yang menyerahkan 20% pekerjaan yang paling menarik kepada AI lalu menyebut sisanya "kontrol kualitas" tidak menyederhanakan pekerjaan itu. Mereka menukar tugas yang menuntut dan memotivasi dengan tugas yang menuntut dan melemahkan motivasi, lalu meminta orang yang sama untuk sama hebatnya di keduanya.

Efek IKEA: Mengapa Upaya dan Kepemilikan Adalah Hal yang Sama

Riset efek IKEA dari Norton, Mochon, dan Ariely memberikan penjelasan paling jernih mengapa pertukaran ini berbiaya lebih besar daripada yang tampak. Studi mereka menemukan bahwa orang yang merakit furnitur sendiri, melipat origami sendiri, atau menyusun set Lego sendiri menilai objek jadinya jauh lebih tinggi daripada objek identik buatan orang lain, hingga 63% dalam satu studi. Karya buatan peserta sendiri yang dirakit dengan tidak sempurna dinilai hampir setara dengan buatan ahli menurut standar mereka sendiri, sebuah penggelembungan nilai yang menurut para peneliti berasal dari kerja itu sendiri, bukan dari hasilnya.

Temuan yang paling penting bagi perancangan kerja di era AI adalah syarat batasnya: premi kepemilikan hanya muncul ketika orang itu benar-benar menyelesaikan tugasnya. Hentikan pekerjaannya di tengah jalan, atau serahkan langkah terakhir kepada orang lain, dan efeknya ikut lenyap. Meninjau draf jadi dari AI secara fungsional sama dengan kondisi yang terputus itu. Manusia menyumbang upaya, tetapi bukan upaya yang menghasilkan kepemilikan, karena AI yang menyelesaikannya. Ini bukan argumen menentang penggunaan AI untuk menghasilkan draf. Ini argumen bahwa pekerjaan yang dirancang ulang hanya seputar peninjauan tidak sepatutnya mengejutkan jika rasa memiliki dan bangga yang dulu menyertai pekerjaan itu perlahan menghilang, meskipun output yang terukur terlihat sama atau lebih baik di dashboard.

Ancaman Identitas: Ketika Keahlian Adalah Jati Diri Anda

Bagi kelompok yang lebih kecil tetapi penting, kehilangan ini melampaui kepuasan tugas dan masuk ke identitas. Orang yang menghabiskan satu dekade membangun keahlian mendalam di suatu bidang, radiologi, hukum pajak, arsitektur sistem, copywriting senior, sering mengalami keahliannya sebagai bagian dari siapa mereka, bukan sekadar apa yang mereka kerjakan. Ketika AI melakukan pencocokan pola diagnostik, analisis hukum tahap awal, atau draf pertama yang dulu memerlukan keahlian itu, ancamannya bukan "apakah saya masih punya pekerjaan". Lebih dekat ke "jika mesin melakukan hal yang membuat saya dikenal, apa yang membedakan saya".

Riset tentang ancaman identitas akibat AI memberi struktur yang berguna. Sebuah studi terhadap 206 mahasiswa kedokteran dan dokter praktik menemukan dua dimensi ancaman yang terpisah: ancaman terhadap pengakuan profesional (status dan keahlian yang diakui orang lain) dan ancaman terhadap kapabilitas profesional (otonomi dan pekerjaan nyata sebagai pemberi layanan kesehatan). Ancaman terhadap kapabilitas memprediksi resistensi terhadap AI secara langsung; ancaman terhadap pengakuan bekerja secara tidak langsung, dimediasi oleh seberapa terancam seseorang merasa secara pribadi. Kedua kelompok juga berbeda menurut tahap karier: mahasiswa kedokteran, yang telah banyak berinvestasi pada identitas yang belum sepenuhnya mereka jalani, menunjukkan resistensi dan rasa terancam yang lebih kuat daripada dokter berpengalaman yang sudah punya bukti sepanjang karier bahwa kemampuan mereka nyata. Ancaman identitas dari AI tidak jatuh merata di seluruh tenaga kerja; ia terkonsentrasi pada orang yang rasa harga diri profesionalnya lebih baru atau lebih erat terikat pada keterampilan persis yang kini dikerjakan AI.

Ini berbeda dari masalah manajemen perubahan biasa, dan memperlakukannya demikian (dek pelatihan, email peluncuran, town hall) melewatkan apa yang sebenarnya terjadi. Orang yang keahliannya terancam secara identitas tidak bingung soal cara kerja alat barunya. Mereka sedang menghitung ulang siapa diri mereka di tempat kerja, dan penghitungan ulang itu memakan waktu lebih lama daripada satu siklus pelatihan.

Apa yang Benar-Benar Menjaga Makna

Riset menunjuk pada daftar pendek yang konsisten, dan tidak satu pun berisi anjuran untuk memperlambat adopsi AI.

Penguasaan Keahlian

Kebutuhan akan kompetensi dalam Self-Determination Theory dipenuhi oleh pertumbuhan keterampilan yang terlihat, bukan dengan menghindari tantangan. Pekerjaan yang dirancang ulang tetap harus memuat jalur untuk menjadi lebih baik secara terukur dalam sesuatu yang bisa ditunjukkan orang itu, baik berupa keputusan penilaian yang tidak bisa diambil AI, bagian keahlian yang tetap dikerjakan langsung dengan tangan, maupun keterampilan baru yang ruangnya tercipta karena pergeseran AI.

Otonomi

Kebutuhan otonomi menurut Deci dan Ryan adalah soal merasa menjadi sumber dari tindakan sendiri, bukan soal tidak adanya pengawasan sama sekali. Pekerjaan yang mempertahankan keleluasaan yang berarti, menentukan cara menangani masalah, kapan menimpa keputusan AI, bagaimana mengurutkan pekerjaan, melindungi hal ini bahkan ketika AI menangani lebih banyak eksekusi.

Kontribusi yang Terlihat

Dimensi identitas tugas dan umpan balik dari Hackman dan Oldham sama-sama menunjuk ke arah yang sama: orang perlu melihat keseluruhan yang mereka buat dan mendengar bagaimana hasilnya diterima. Perancangan ulang yang memecah pekerjaan menjadi langkah pemeriksaan yang tak terlihat menghilangkan hal ini; perancangan ulang yang memberi orang kepemilikan atas hasil yang utuh, sekecil apa pun, mempertahankannya.

Kemajuan pada Sesuatu yang Penting

Prinsip kemajuan dari Amabile dan Kramer bisa dibilang yang paling dapat ditindaklanjuti dari keempatnya. Riset buku harian mereka menemukan bahwa pendorong terkuat dari hari kerja yang baik adalah gerak maju yang terlihat pada pekerjaan bermakna, dan bahwa kemunduran berdampak lebih besar ke arah sebaliknya. Pemimpin dapat merekayasanya dengan sengaja: milestone yang jelas, siklus umpan balik yang cepat, dan pengakuan yang menyebut kontribusi spesifik, bukan memuji alatnya.

Tabel di bawah memetakan keempatnya terhadap cara AI dapat mengancam masing-masing dan apa yang benar-benar menjaganya tetap utuh.

Apa yang Benar-Benar Bisa Dilakukan Pemimpin

Mulailah dengan mengaudit tugas mana yang dihilangkan AI dan mana yang tersisa, dengan lensa karakteristik pekerjaan, bukan lensa jumlah karyawan. Jika AI mengambil 80% yang rutin dan menyisakan 20% yang menantang dan sarat penilaian, perancangan ulangnya mungkin sudah baik dan bahkan dapat meningkatkan makna. Jika AI mengambil bagian yang menantang dan memuaskan lalu menyisakan pengawasan, pekerjaan itu perlu dirancang ulang secara aktif, bukan sekadar ditempeli alat baru di atas struktur lama.

Beri orang sesuatu untuk diselesaikan. Efek IKEA adalah batasan desain, bukan metafora: susunlah pekerjaan berbantuan AI agar manusia menyelesaikan satu bagian yang utuh dan dapat diatribusikan, bukan terus-menerus memeriksa produk jadi buatan pihak lain. Bahkan cakupan yang lebih kecil, jika dimiliki sepenuhnya, lebih baik daripada cakupan yang lebih besar yang dimiliki sebagian.

Lindungi otonomi yang nyata, bukan sekadar kesan otonomi. Membiarkan seseorang memilih jenis huruf sambil menghapus setiap keputusan penilaian yang substansial dari pekerjaannya tidak memuaskan siapa pun, dan Self-Determination Theory tegas bahwa otonomi berarti merasa menjadi sumber keputusan, bukan sekadar dimintai pendapat tentang keputusan yang sudah diambil.

Rekayasalah kemajuan yang terlihat secara sengaja. Temuan Amabile dan Kramer adalah bahwa kemajuan pada pekerjaan bermakna mendorong hari yang baik lebih daripada kejadian tunggal lainnya, yang berarti hal ini dapat dikelola: tetapkan milestone di dalam alur kerja berbantuan AI, tutup siklus umpan balik dengan cepat, dan sebutkan apa yang sebenarnya disumbangkan seseorang secara spesifik, alih-alih membiarkan output cepat berbantuan AI membaur menjadi throughput tim yang samar.

Perlakukan ancaman identitas sebagai percakapan yang lebih panjang daripada pengumuman peluncuran, terutama dengan orang yang masih di awal karier dan paling banyak mempertaruhkan identitas pada keterampilan yang kini disentuh AI. Riset tentang dokter dan mahasiswa menunjukkan bahwa kelompok ini membutuhkan lebih dari sekadar jaminan bahwa pekerjaan mereka aman; mereka membutuhkan gambaran yang kredibel tentang akan menjadi apa keahlian mereka berikutnya, dan waktu yang cukup untuk membangun keyakinan pada gambaran itu sebelum diminta mempercayainya.

Tidak satu pun dari ini mengharuskan AI diperlambat. Yang diperlukan adalah memperlakukan perancangan ulang pekerjaan sama seriusnya dengan penerapan alatnya, karena alat mengubah apa yang dikerjakan orang dalam satu sore, sedangkan perancangan ulang menentukan apakah mereka masih mengenali diri sendiri dalam pekerjaan itu setahun kemudian. Untuk gambaran yang lebih luas tentang bagaimana peran bergeser ketika AI mengambil alih eksekusi, lihat dari pelaksana menjadi orkestrator dan pekerjaan mana yang diubah AI, bukan digantikan. Pola tahap karier dalam riset ancaman identitas juga terhubung langsung dengan jalur karier di era AI dan anak tangga pertama karier yang patah, karena orang yang punya identitas paling sedikit terbukti untuk dijadikan pegangan secara tidak proporsional adalah mereka yang baru memulai karier. Dan karena terkikisnya makna berlanjut menjadi risiko retensi, topik ini dekat dengan budaya dan retensi karyawan, budaya burnout, workslop dan kaitan antara upaya dan kepemilikan, serta membangun budaya akuntabilitas, semuanya layak dibaca bersama artikel ini. Kerangka yang lebih besar ada di apa itu masa depan pekerjaan.