Tempo dan Burnout di Era AI: Ke Mana Sebenarnya Waktu yang Dihemat Pergi

Oleh Victor Hoang · Diperbarui 22 September 2026

AI seharusnya mengurangi beban kerja. Bagi kebanyakan pekerja, AI justru mempercepat tempo. Tujuh puluh tujuh persen karyawan mengatakan alat AI menambah beban kerja mereka, bukan menguranginya, dan pekerja dengan peningkatan produktivitas terbesar berkat AI melaporkan tingkat burnout tertinggi di tenaga kerja. Mekanismenya tidak misterius: output yang lebih cepat menciptakan ekspektasi yang lebih cepat, meninjau hasil kerja AI adalah kerja kognitif nyata yang jarang dihitung, dan waktu yang dihemat AI diinvestasikan kembali ke throughput, bukan pemulihan. Itu tidak berarti AI tidak berguna. Artinya, manfaatnya harus dirancang, atau tempo akan menelannya.

Jika ini cocok dengan apa yang Anda lihat di tim Anda, Anda membaca datanya dengan benar, bukan bereaksi berlebihan terhadap satu kuartal yang berat. Ini masalah pengelolaan beban dengan mekanika yang terlihat, dan mekanika bisa dirancang ulang.

Fakta Utama

• 77 persen karyawan mengatakan alat AI menambah, bukan mengurangi, beban kerja mereka; 47 persen tidak tahu cara mencapai peningkatan produktivitas yang diharapkan pemberi kerja mereka (Upwork and Workplace Intelligence, Juli 2024).
• 39 persen mengatakan kini menghabiskan lebih banyak waktu untuk meninjau atau memoderasi konten buatan AI, ukuran langsung dari pajak verifikasi yang tidak diperhitungkan dalam perencanaan beban kerja (Upwork and Workplace Intelligence, Juli 2024).
• Di antara pekerja dengan peningkatan produktivitas tertinggi berkat AI, 88 persen melaporkan burnout, dan mereka dua kali lebih mungkin mempertimbangkan berhenti (Upwork and Workplace Intelligence, Juli 2025).
• 80 persen tenaga kerja global kekurangan waktu atau energi untuk menyelesaikan pekerjaannya, dan pekerja pengetahuan terinterupsi kira-kira setiap dua menit pada jam inti, sekitar 275 kali sehari (Microsoft 2025 Work Trend Index; Microsoft WorkLab, Juni 2025).
• 40 persen pekerja yang daring pada pukul 6 pagi sudah memilah email, dan hampir 29 persen yang masih aktif pada pukul 10 malam kembali membuka kotak masuk mereka (Microsoft WorkLab, "Breaking Down the Infinite Workday," Juni 2025).
• WHO mengklasifikasikan burnout dalam ICD-11 sebagai fenomena okupasional dengan tiga dimensi: kelelahan, sinisme terhadap pekerjaan, dan menurunnya efektivitas profesional, yang berasal dari stres kerja kronis yang tidak berhasil dikelola (WHO, Mei 2019).
• Pekerja yang secara konsisten memiliki cukup waktu untuk mengerjakan tugasnya sekitar 70 persen lebih kecil kemungkinannya melaporkan burnout tinggi, tuas paling langsung dalam riset burnout asli Gallup (Gallup, 2018).

Inflasi Ekspektasi: Kecepatan Alat Menjadi Patokan Baru

Mekanisme pertama adalah yang paling sederhana dan paling mudah terlewat saat sedang terjadi. Sebelum AI, laporan draf pertama memerlukan satu hari. Dengan AI, hanya dua puluh menit. Langkah berikutnya yang wajar, yang diambil hampir setiap tim tanpa membicarakannya, bukanlah menabung jam yang dihemat. Melainkan mengharapkan laporan itu selesai pada akhir hari, bukan akhir minggu, karena alat itu memungkinkan kecepatan tersebut.

Inilah inflasi ekspektasi: batas atas dari apa yang bisa dihasilkan AI diam-diam menjadi batas bawah dari apa yang diharapkan dihasilkan seseorang. Tidak ada yang mengumumkan kebijakan baru agar hal itu terjadi. Seorang manajer melihat satu penyelesaian cepat, menganggapnya sekarang menjadi siklus standar, dan merencanakan permintaan berikutnya berdasarkan anggapan itu. Kalikan dengan selusin peminta dan seorang pekerja diharapkan beroperasi dengan kecepatan mendekati mesin pada setiap tugas, bukan hanya pada tugas yang memang dibantu AI.

Jebakannya, percepatan itu biasanya nyata hanya untuk sepotong kecil tugas, penyusunan draf, peringkasan, kode tahap pertama, sementara pekerjaan di sekitarnya (memahami permintaan, memeriksa output, menangani pengecualian) tidak memadat dengan laju yang sama. Ekspektasi menggelembung mengikuti langkah tercepat yang terlihat, bukan rata-rata seluruh pekerjaan. Ketidaksesuaian itu sebagian besar menjelaskan mengapa paradoks produktivitas AI ada di tingkat perusahaan: langkah-langkah individual menjadi lebih cepat, tetapi alur kerja di sekelilingnya tidak dirancang ulang, sehingga manfaatnya dimakan oleh merayapnya ekspektasi, bukan muncul sebagai kelonggaran.

Pajak Verifikasi: Memeriksa Hasil Kerja AI adalah Pekerjaan yang Tidak Pernah Dijadwalkan

Mekanisme kedua lebih berat dan jauh kurang terlihat dalam cara pekerjaan direncanakan. Setiap output AI yang penting harus diperiksa: soal akurasi, nada, asumsi keliru yang terselip di paragraf ketiga, kutipan yang isinya tidak sesuai dengan klaim ringkasannya. Pemeriksaan itu adalah kerja kognitif nyata, berbeda dari menyusun sendiri maupun menyetujui draf rekan yang dipercaya.

Riset puluhan tahun tentang pengawasan manusia terhadap sistem otomatis menjelaskan mengapa pemeriksaan ini begitu menguras tenaga. Tinjauan Raja Parasuraman dan Dietrich Manzey tentang kepuasan diri dan bias terhadap otomatisasi menemukan bahwa memantau sistem otomatis bersaing langsung dengan tugas lain seseorang untuk memperebutkan perhatian yang terbatas, dan bahwa kepuasan diri ini muncul pada pakar berpengalaman sama seperti pada pemula; latihan saja tidak menyelesaikannya (Parasuraman & Manzey, "Complacency and Bias in Human Use of Automation," Human Factors, 2010). Memverifikasi output AI meminta seseorang memegang dua sikap yang bertolak belakang sekaligus: cukup percaya pada sistem untuk memakai hasilnya secara efisien, dan cukup skeptis untuk menangkapnya ketika ia salah dengan penuh keyakinan. Perhatian yang terbelah itu adalah biaya sebenarnya dari setiap desain human-in-the-loop, dan lebih menguras daripada mengerjakan dari nol atau meninjau draf rekan yang terbukti andal, karena tingkat kesalahan dan lokasi kesalahannya sama-sama tidak dapat diprediksi.

Mengapa pajak ini tak terlihat dalam perencanaan beban kerja

Tidak ada yang menaruh "tinjau output AI untuk halusinasi" dalam daftar tugas atau estimasi waktu. Pekerjaan itu terserap ke dalam butir mana pun yang dituju outputnya, sehingga manajer melihat "menulis proposal klien" dan mengira draf AI mempercepat butir itu, padahal kenyataannya porsi waktu yang berarti habis untuk memeriksa, mengoreksi, dan memeriksa ulang draf tersebut. Riset Upwork memberi angka untuk ini: 39 persen pekerja mengatakan kini menghabiskan lebih banyak waktu untuk meninjau atau memoderasi konten buatan AI dibanding sebelumnya, waktu yang tidak muncul di mana pun dalam rencana kapasitas yang dibangun di atas daftar tugas lama pra-AI. Menjaga ketajaman penilaian manusia membahas sisi keterampilan untuk tetap menjadi verifikator yang baik; ini sisi beban kerja dari masalah yang sama, jam-jam yang diam-diam dihabiskan verifikasi.

Hari Kerja Tanpa Batas, Kini dengan Aksen AI

Riset Work Trend Index dari Microsoft menggambarkan pola yang disebutnya hari kerja tanpa batas (infinite workday): pekerja pengetahuan rata-rata terinterupsi kira-kira setiap dua menit pada jam inti, sekitar 275 kali sehari, lewat rapat, email, dan chat, dan hari kerja itu sendiri telah kehilangan tepinya. Empat puluh persen orang yang daring pada pukul 6 pagi sudah memilah email, dan hampir 29 persen pengguna aktif kembali ke kotak masuk pada pukul 10 malam. Delapan puluh persen tenaga kerja global mengatakan tidak punya cukup waktu atau energi untuk menyelesaikan pekerjaannya. Rapat saja sudah menyumbang porsi besar dari jumlah interupsi itu, itulah sebagian alasan mengapa merancang ulang budaya rapat adalah salah satu dari sedikit intervensi yang mengurangi volume interupsi mentah, bukan sekadar memindahkannya.

AI masuk ke pola ini dari dua arah yang sebagian besar saling meniadakan. Asisten AI dapat menyusun email atau menuntaskan butir backlog dalam hitungan detik, yang seharusnya mempersingkat hari kerja. Tetapi output AI juga tiba lebih cepat dan lebih terus-menerus daripada output kolaborator manusia; sebuah agen bisa menyelesaikan tugas dan menyerahkannya kembali untuk ditinjau pukul 11 malam semudah pukul 11 siang, dan normanya menjadi "periksa saat sudah siap", bukan "periksa pada jam kerja". Hari kerja tanpa batas sudah merupakan masalah erosi batas sebelum AI generatif; pekerjaan buatan AI yang mendarat kapan saja dan mengharapkan kecepatan tinjauan yang sama memperketat erosi itu. Solusinya beririsan dengan bagaimana AI membentuk ulang norma komunikasi, karena tekanan ini datang lewat kanal yang sama, tempat "sudah dibaca" diam-diam berarti "balas sekarang".

Mengapa Siklus yang Lebih Cepat Bisa Berarti Pemulihan yang Lebih Sedikit, Bukan Kelonggaran

Bagian inilah yang menjebak bahkan perencanaan beban kerja yang cermat. Asumsi intuitifnya: jika siklus yang dulu memakan satu minggu kini hanya dua hari, lima hari yang dibebaskan menjadi kelonggaran, waktu pemulihan, atau ruang untuk pekerjaan yang lebih mendalam. Dalam praktiknya, siklus yang lebih cepat biasanya dialokasikan ulang ke lebih banyak siklus, bukan lebih banyak istirahat, karena throughput adalah metrik yang paling sering dipakai untuk menilai sebagian besar tim.

Bayangkan sebagai antrean, bukan daftar tugas. Jika tim dukungan pelanggan menyelesaikan tiket dua kali lebih cepat dengan asisten AI, antrean tidak kosong, melainkan terisi lagi, karena volume permintaan tidak pernah dibatasi oleh kecepatan manusia saja, melainkan oleh apa pun yang menghasilkan permintaan: volume pelanggan, pipeline penjualan, kebutuhan internal. Padatkan sisi layanan dari lingkaran itu dan, tanpa keputusan yang disengaja untuk menabung manfaatnya sebagai waktu pemulihan, sistem secara default memproses lebih banyak antrean yang sama dengan intensitas yang sama, hanya lebih cepat. Output naik. Waktu istirahat tidak. Itulah alasan mekanis mengapa proses yang benar-benar lebih cepat tetap bisa menimbulkan burnout: kecepatan tanpa titik berhenti yang dirancang hanya memindahkan seseorang ke butir berikutnya lebih cepat, tanpa batas.

Paradoks produktivitas AI menunjukkan versi tingkat perusahaan dari ini: percepatan individual yang tidak bertahan saat bertemu alur kerja yang tidak dirancang ulang. Tempo dan burnout adalah versi tingkat individu dari kegagalan yang identik. Keduanya berasal dari memperlakukan percepatan lokal seolah otomatis menjadi kelonggaran organisasi, padahal kelonggaran harus merupakan pilihan desain yang disengaja, bukan efek samping yang diasumsikan.

Mengawasi Beberapa Agen adalah Jenis Beban Tersendiri

Versi yang lebih baru dari masalah ini muncul ketika tim mulai menjalankan lebih dari satu AI agent sekaligus: satu menyusun konten, satu memilah antrean, satu memantau dashboard, masing-masing memerlukan jenis pemeriksaan manusia yang berbeda dengan ritme berbeda. Ini tampak seperti pendelegasian, dan dalam satu arti memang demikian. Tetapi mengawasi beberapa proses semi-otonom adalah tugas kognitif yang benar-benar berbeda dari bekerja fokus pada satu hal, dan ia mewarisi biaya perpindahan tugas yang sudah terdokumentasi dengan baik.

Riset Gloria Mark di UC Irvine, yang melacak pekerja kantoran nyata sepanjang hari kerja mereka yang sebenarnya, menemukan bahwa setelah satu interupsi diperlukan rata-rata lebih dari 23 menit untuk kembali sepenuhnya ke tugas awal pada kedalaman fokus yang sama (Mark, Gonzalez & Harris, "The Cost of Interrupted Work," CHI 2008). Orang menebusnya dengan bekerja lebih cepat setelah setiap perpindahan, tetapi itu muncul sebagai stres yang lebih tinggi secara terukur, bukan pemulihan gratis. Mengelola tiga agen yang masing-masing perlu diperiksa setiap dua puluh menit tidak tiga kali lebih ringan daripada mengelola satu proyek besar; bisa lebih berat, karena setiap pemeriksaan adalah perpindahan konteks dengan biaya masuk kembali tersendiri. Dari pelaksana menjadi orkestrator membahas bagaimana hal ini membentuk ulang peran kontributor individual; versi pengelolaan bebannya adalah memperlakukan "agen yang harus diawasi" sebagai biaya, bukan pengali output gratis.

Pereda Beban yang Sejati vs. Pemindahan Beban

Tidak setiap penggunaan AI menaikkan beban. Sebagian benar-benar menghilangkan pekerjaan membosankan tanpa biaya pengimbang: memformat spreadsheet, mentranskripsikan panggilan, membuat boilerplate yang memang tidak ditinjau baris demi baris oleh siapa pun. Yang penting bagi perancangan beban kerja adalah apakah waktu yang dihemat diinvestasikan kembali sebagai pemulihan, atau dipindahkan ke bentuk pekerjaan yang kurang terlihat.

Respons Perancangan Beban Kerja yang Benar-Benar Berhasil

Memperbaiki ini bukan soal memakai AI lebih sedikit. Ini soal memperlakukan kategori dalam tabel itu sebagai variabel beban kerja yang membutuhkan keputusan eksplisit, seperti jumlah karyawan dan tenggat yang sudah mendapat keputusan eksplisit, dan ini sepenuhnya tugas bagi manajer menengah, yang perannya sudah berubah di bawah AI.

Anggarkan waktu verifikasi sebagai butir tersendiri. Jika sebuah tugas kini mencakup draf pertama buatan AI, estimasi waktunya harus memuat alokasi terpisah untuk tinjauan, bukan anggapan bahwa waktu penyusunan sekadar menyusut. Lacak waktu tinjauan aktual selama sebulan sebelum menetapkan alokasi itu; menebak cenderung meremehkannya dengan parah.

Tetapkan standar waktu siklus yang terlepas dari kecepatan alat. Putuskan dengan sengaja berapa lama penyelesaian yang diharapkan untuk suatu deliverable, dan pertahankan standar itu meskipun alatnya secara teknis bisa lebih cepat. Ini cara tercepat untuk menghentikan inflasi ekspektasi menjadi default.

Beri pekerjaan buatan AI batas di luar jam kerja yang sama dengan pekerjaan buatan manusia. Jika pesan rekan pukul 11 malam tidak menuntut balasan malam itu juga, laporan yang diselesaikan agen pukul 11 malam pun tidak. Tuliskan normanya; norma yang tidak tertulis akan menuruti apa pun yang tercepat, yang biasanya paling buruk bagi pemulihan.

Putuskan sebelumnya bagaimana sebuah percepatan dibelanjakan. Sebelum alat yang memadatkan siklus diluncurkan, tentukan pembagiannya: berapa waktu yang dihemat menjadi throughput, dan berapa menjadi pemulihan yang dilindungi atau pekerjaan yang lebih mendalam. Jika dibiarkan, jawabannya default ke 100 persen throughput, karena itulah yang diukur. Ini terhubung langsung dengan manajemen kinerja ketika AI mengerjakan sebagian pekerjaan, karena ini mengubah seperti apa beban kerja yang adil.

Batasi dan kelompokkan pengawasan agen. Perlakukan jumlah proses AI yang diawasi aktif oleh satu orang sebagai kendala kapasitas yang nyata, seperti manajer yang dibatasi jumlah bawahan langsungnya, dan kelompokkan pemeriksaan status ke dalam tinjauan terjadwal alih-alih membiarkan setiap agen menginterupsi sendiri-sendiri.

Waspadai pemindahan beban yang menyamar sebagai pereda beban. Ketika seseorang melaporkan sebuah alat "menghemat banyak waktu", tanyakan ke mana waktu itu pergi. Jika jawaban jujurnya "saya mengambil lebih banyak pekerjaan", itu throughput, bukan pereda beban, dan layak disebutkan sebelum menjadi normal baru yang tak terucap.

Tidak satu pun dari ini memerlukan program besar. Ini hanya segelintir keputusan eksplisit yang dibuat dalam satu percakapan perencanaan, keputusan yang saat ini diambil secara default, diam-diam, ke arah yang selalu menguntungkan lebih banyak throughput dan lebih sedikit pemulihan. Mengambilnya dengan sengaja adalah seluruh solusinya. Ini masalah perancangan beban kerja, bukan masalah budaya; untuk sisi norma dan kepercayaan dalam bekerja berdampingan dengan AI, lihat budaya burnout dan workslop, upaya, dan kepemilikan.

Lapisan alur kerja yang mencatat berapa lama langkah tinjauan benar-benar berlangsung, alih-alih mengasumsikan langkah itu memadat bersama penyusunan draf, membuat pajak verifikasi terlihat dan bukan ditebak. Keduanya tidak menggantikan keputusan manajer di atas; ia hanya membuat bagian-bagian tabel yang tak terlihat menjadi terukur.

Percepatan tanpa tujuan akan default menjadi lebih banyak pekerjaan. Tentukan tujuannya lebih dulu.