Premi Manusia: Apa yang Sengaja Dipertahankan Perusahaan agar Tetap Dikerjakan Manusia, dan Mengapa

Oleh Victor Hoang · Diperbarui 22 September 2026

Premi manusia adalah pilihan yang disengaja untuk menempatkan seorang manusia, bukan model, pada tugas tertentu, karena manusia menghasilkan hasil yang terukur lebih baik di sana: kepercayaan lebih besar, kepuasan lebih tinggi, lebih sedikit kesalahan yang mahal. Ini keputusan alokasi sumber daya yang didasarkan pada bukti, bukan sentimen, dan memperlakukannya sebagai strategi itulah yang membedakan perusahaan yang tepat sasaran dari perusahaan yang mengotomatisasi segalanya, atau tidak sama sekali.

Sebagian besar tulisan tentang AI dan pekerjaan memperlakukan "pertahankan manusia" sebagai pegangan terakhir bagi siapa pun yang tidak nyaman dengan perubahan. Tulisan ini memperlakukannya sebagai hipotesis yang harus membuktikan tempatnya, dan bisnis yang membaca buktinya dengan benar mengubah "kami mempertahankan ini tetap manusia" menjadi klaim kompetitif, bukan penghibur yang samar.

Fakta Utama

• Konsumen sangat lebih memilih agen manusia begitu sebuah masalah menjadi rumit. Sintesis California Management Review atas riset frustrasi terhadap chatbot menyebut angka 70 hingga 80%, dan mengutip survei Gartner terhadap 5.728 pelanggan yang menemukan 53% akan mempertimbangkan berpindah penyedia karena layanan yang hanya mengandalkan AI. California Management Review, "Chatbot Frustration Is Real"
• Ketika perusahaan harus berkata tidak, AI melakukannya dengan baik. Ketika harus meminta maaf, manusia melakukannya lebih baik. Studi Journal of Business Research 2026 tentang pemulihan keluhan menemukan permintaan maaf yang disampaikan manusia dan penolakan yang disampaikan AI menghasilkan hasil paling menguntungkan, didorong oleh persepsi ketulusan. Zhao, Song & Cai, Journal of Business Research (2026)
• Orang meninggalkan kepercayaan pada algoritma lebih cepat daripada pada manusia setelah kesalahan yang sama. Riset algorithm aversion Berkeley Dietvorst menemukan orang kehilangan kepercayaan pada peramal algoritmik lebih cepat daripada peramal manusia setelah melihatnya keliru, meski algoritma itu rata-rata mengungguli manusia. Chicago Booth Review, "Even When Algorithms Outperform Humans, People Often Reject Them"
• Dalam keputusan yang benar-benar berisiko tinggi, orang memilih manusia meski algoritma berkinerja sama baiknya. Eksperimen conjoint terdaftar sebelumnya dengan sekitar 9.000 responden AS menemukan preferensi 7,6 poin untuk hakim manusia dibanding algoritma pada pembebasan praperadilan, dan 4,3 poin untuk petugas kredit manusia dibanding algoritma pada pemberian pinjaman. PNAS Nexus, "Public attitudes on performance for algorithmic and human decision-makers"
• Taruhan layanan pelanggan AI-first milik Klarna menabrak masalah kualitas yang tidak bisa diselesaikan otomatisasi. Setelah AI-nya menangani sekitar 2,3 juta percakapan per bulan dan jumlah karyawan turun 22%, CEO Sebastian Siemiatkowski berbalik arah pada 2025, menyebut kualitas dukungan manusia sebagai "the way of the future," dan kembali merekrut untuk peran yang semula hendak digantikan AI. Entrepreneur, "Klarna Is Hiring Customer Service Agents After AI Couldn't Cut It on Calls"
• Sebagian besar pilot AI generatif enterprise tidak pernah mencapai dampak keuangan yang terukur, menurut pelacakan MIT atas pilot enterprise, salah satu alasan mengapa "pertahankan ini tetap manusia untuk sementara" sering kali menjadi default yang rasional dan bukan pegangan yang enggan. Fortune, "MIT report: 95% of generative AI pilots at companies are failing"
• Work Trend Index Microsoft 2025 berargumen bahwa sebagian pekerjaan tetap dikerjakan manusia karena seseorang harus menanggung konsekuensinya. Mengutip kerangka ekonom Daniel Susskind, laporan itu menyebut tiga alasan: kolaborasi manusia-AI sering kali lebih efisien, orang punya preferensi tetap untuk interaksi manusia, dan tanggung jawab moral membutuhkan seseorang yang dapat memikulnya. Microsoft WorkLab, "2025: The Year the Frontier Firm Is Born"

Apa Arti Sebenarnya Premi Manusia

Frasa ini sering dipakai secara longgar, jadi perlu dipertegas. Premi manusia bukan "pelanggan menyukai orang," sebuah kebenaran umum yang tidak menjelaskan apa pun tentang di mana anggaran jumlah karyawan yang terbatas harus dibelanjakan. Premi manusia adalah selisih hasil yang terukur (kepuasan, kualitas penyelesaian, pendapatan yang dipertahankan, kerusakan reputasi yang terhindar) antara mengarahkan tugas ke seseorang dan ke sebuah model, pada titik kontak yang selisihnya berarti.

Bingkai itu berlaku dua arah. Di tempat selisihnya kecil, "premi" hanyalah biaya tanpa imbal hasil, dan membelanya adalah kebiasaan mahal, bukan prinsip. Di tempat selisihnya besar, memperlakukan manusia sebagai pos yang dipangkas adalah kesalahannya. Seperti apa sebenarnya masa depan kerja adalah campuran yang diputuskan titik kontak demi titik kontak, dan premi manusia menamai titik kontak yang campurannya harus condong ke manusia.

Ini berbeda dari pekerjaan mana yang diubah AI dan bukan digantikan, yang menanyakan bagaimana campuran tugas sebuah peran bergeser. Premi manusia mengajukan pertanyaan yang lebih sempit dan komersial: apakah mempertahankan manusia sebagai suara akhir pada momen spesifik ini menghasilkan hasil bisnis yang lebih baik daripada menyingkirkannya, terlepas dari apakah AI sedang menyusun draf atau menganalisis di baliknya?

Di Mana Bukti Menunjukkan Orang Menginginkan Manusia

Keputusan Berisiko Tinggi yang Tak Ingin Dimiliki Mesin Sendirian

Bukti eksperimental paling jelas mencakup keputusan yang kesalahannya mahal dan sulit dibatalkan. Dalam studi PNAS Nexus yang dikutip di atas, sekitar 9.000 responden lebih memilih hakim manusia dibanding algoritma pada pembebasan praperadilan, dan petugas kredit manusia dibanding algoritma pada pemberian pinjaman, bahkan ketika akurasi algoritma yang dinyatakan setara atau melampaui akurasi manusia.

Mekanismenya berlaku melampaui ruang sidang dan kantor cabang bank. Keputusan apa pun yang konsekuensinya sulit dibalik dan ditanggung orang sungguhan memicu reaksi yang sama: orang ingin keputusan itu diambil, atau setidaknya ditinjau, oleh seseorang yang bisa diajak bernalar dan dimintai pertanggungjawaban. Itu persyaratan yang berbeda dari "dapatkan jawaban paling akurat," itulah sebabnya model yang lebih unggul dari petugas kredit dalam memprediksi risiko gagal bayar tetap bukan, sendirian, pengganti yang lengkap bagi petugas itu.

Keluhan yang Kompleks dan Sarat Emosi

Layanan pelanggan adalah tempat hal ini paling tampak dalam praktik. Temuan Journal of Business Research di atas adalah titik data yang paling tajam: ketika perusahaan harus menyampaikan penolakan rutin, AI berkinerja baik. Ketika harus meminta maaf atas kegagalannya sendiri, permintaan maaf manusia terbaca tulus dengan cara yang tidak dimiliki yang disampaikan AI, dan ketulusan yang dipersepsikan itu mendorong kepuasan lebih besar daripada apakah masalahnya terselesaikan.

Ini sejalan dengan literatur frustrasi chatbot yang lebih luas (70 hingga 80% memilih manusia begitu keadaan menjadi rumit) dan dengan alasan mengapa budaya dan pengalaman pelanggan memperlakukan keluhan sebagai momen hubungan, bukan tiket yang harus ditutup. Ini juga terkait dengan bagaimana komunikasi yang dimediasi AI mengubah apa yang disinyalkan sebuah pesan: pelanggan yang curiga tidak ada orang yang menanggapi keluhannya membaca ketiadaan itu sebagai perusahaan yang tidak cukup peduli untuk melihat, dan tidak ada pilihan kata yang memperbaikinya.

Momen yang Bergantung pada Kepercayaan dan Masalah Kesalahan Pertama

Algorithm aversion menjelaskan pola yang akhirnya dihadapi setiap tim yang menjalankan AI di produksi: kesalahan AI pertama yang terlihat merusak kepercayaan secara tidak proporsional, lebih besar daripada kesalahan yang sama oleh manusia. Kerja Dietvorst menemukan orang kehilangan kepercayaan pada peramal algoritmik lebih cepat daripada peramal manusia setelah kesalahan yang identik, meski algoritma itu terbukti lebih akurat secara keseluruhan. Orang menerapkan standar nyaris sempurna pada algoritma yang tak pernah mereka terapkan pada manusia, dan satu hasil buruk sering cukup untuk merusak hubungan selamanya.

Asimetri itu adalah kendala desain yang nyata, bukan cacat pelanggan yang perlu dibantah. Pada titik kontak mana pun yang satu kesalahan terlihatnya akan merusak merek secara besar-besaran, biaya praktis sebuah kesalahan lebih tinggi bagi AI daripada bagi manusia yang mengerjakan tugas yang sama, semata karena betapa berbedanya reaksi orang terhadapnya. Itu juga sebabnya menjaga penilaian manusia tetap tajam pada titik kontak ini penting: peninjau yang berhenti melatih keterampilan menangkap jawaban yang salah adalah mata rantai lemah yang meloloskan kesalahan buruk pertama.

Penilaian Kreatif dan Premi Kepengarangan

Sekumpulan riset yang lebih kecil tetapi menarik menemukan bahwa orang menghargai karya kreatif secara berbeda begitu tahu manusia yang membuatnya, bahkan pada kualitas yang sebanding. Studi berbasis survei terbaru (preprint, 70 partisipan mahasiswa, jadi perlakukan sebagai indikasi) menemukan 72,9% responden bersedia membayar lebih untuk karya yang mereka yakini buatan manusia, terkait dengan persepsi usaha dan kepengarangan, bukan kemulusan. Sebagian nilai yang diberikan pelanggan pada output kreatif dan penentu merek terletak pada mengetahui ada orang tertentu yang berdiri di belakangnya, layak dilindungi pada peran yang keterampilan manusia pelengkap seperti selera dan penilaian adalah produk yang sebenarnya.

Akuntabilitas yang Benar-Benar Bisa Dimintakan

Bingkai Microsoft di atas menamai bagian yang tidak ditangkap oleh data preferensi pelanggan saja: sebagian keputusan membutuhkan orang yang bisa dimintai pertanggungjawaban, bukan sekadar orang yang lebih disukai pelanggan untuk diajak bicara. Sistem AI dapat dilatih ulang atau disalahkan secara abstrak pada "modelnya," tetapi ia tidak bisa dipecat, tidak bisa meminta maaf dengan pengorbanan pribadi, dan tidak bisa menjadi nama yang melekat pada sebuah keputusan ketika seseorang bertanya siapa yang mengambil keputusan ini. Di mana pun tanggung jawab hukum atas keputusan yang digerakkan AI akan tidak jelas, ambiguitas itu sendiri menandakan titik kontak tersebut milik manusia, dan itu sebabnya kepercayaan pada rekan tim AI memiliki batas atas yang tidak dimiliki orang yang dipercaya.

Ketika AI di Layanan Pelanggan Menjadi Bumerang: Kasus Klarna

Pembalikan arah Klarna adalah studi kasus publik yang paling bersih karena perusahaan itu transparan tentang taruhan sekaligus langkah mundurnya. Pada Februari 2024, CEO Sebastian Siemiatkowski mengatakan asisten AI Klarna mengerjakan pekerjaan setara 700 agen manusia, menangani sekitar 2,3 juta percakapan per bulan dan memangkas waktu penyelesaian dari 11 menit menjadi kurang dari dua. Jumlah karyawan turun 22% selama periode itu. Saat itu, hal ini terbaca sebagai kasus definitif untuk otomatisasi penuh dukungan pelanggan.

Pada 2025, Siemiatkowski menceritakan kisah yang berbeda. Kualitas layanan menurun pada keluhan dan kasus tepi yang porsinya kecil dari volume tetapi besar dari sentimen pelanggan, kasus persis yang ditandai riset di atas sebagai membutuhkan manusia yang tulus dan akuntabel. Penjelasannya lugas: pendekatan AI-first "wasn't the right path," dan "investing in the quality of human support is the way of the future." Klarna kembali merekrut lapisan manusia yang sebagian besar bekerja jarak jauh untuk interaksi yang bermasalah, sambil tetap menugaskan AI pada volume rutin yang terus ditanganinya dengan baik.

Pelajarannya bukan "AI di layanan pelanggan gagal." AI Klarna masih memproses sebagian besar kontak rutin berisiko rendah, dan tak seorang pun mengusulkan membalik itu. Pelajarannya adalah satu metrik gabungan, rata-rata waktu penyelesaian atau biaya per kontak, menyembunyikan keruntuhan kualitas persis di tempat bukti di atas mengatakan manusia seharusnya berada: keluhan kompleks, momen sarat emosi, kasus ketika pelanggan perlu merasa didengar. Mengoptimalkan hanya untuk rata-rata melewatkan ekornya, dan di ekor itulah churn dan kerusakan reputasi sebenarnya berada.

Risiko Human-Washing: Mengklaim Premi yang Tidak Anda Berikan

Begitu "kami mempertahankan ini tetap manusia" menjadi slogan pemasaran, muncul mode kegagalan baru: mengklaim premi manusia yang tidak diberikan perusahaan. Sebut saja human-washing, cermin layanan pelanggan dari AI-washing, di mana bahasa, nama, dan desain antarmuka menyiratkan ada orang yang terlibat padahal substansinya masih otomatis, atau di mana orang sungguhan ada tetapi tidak punya wewenang mengubah hasilnya.

Polanya mudah dikenali: jendela obrolan dengan nama dan foto yang terdengar manusiawi tetapi mengarah ke skrip yang tidak boleh disimpangi "agen" itu; "eskalasi ke spesialis" yang sebenarnya antrean lebih panjang untuk bot yang sama; janji bahwa "Anda selalu bisa menghubungi manusia" di mana manusia itu tidak bisa membatalkan keputusan otomatis yang sejak awal membuat pelanggan kesal. Masing-masing mungkin lolos audit permukaan sambil gagal memenuhi apa yang sebenarnya diinginkan pelanggan: seseorang yang mampu menggunakan penilaian atas situasi mereka.

Human-washing adalah taruhan yang lebih buruk daripada otomatisasi yang jujur, bukan jalan tengah yang lebih aman. Riset algorithm aversion menunjukkan orang menghukum kesalahan AI yang diungkapkan lebih keras daripada kesalahan manusia yang setara; menemukan bahwa manusia yang dijanjikan ternyata tidak pernah benar-benar diberdayakan menambah hukuman kedua, perasaan telah sengaja disesatkan. Tiga pemeriksaan menangkap sebagian besar masalah ini sebelum dirilis: dapatkah "manusia" ini benar-benar mengubah hasil, bukan sekadar mengulanginya dengan lebih hangat? Apakah ada orang yang nyata, bernama, dan akuntabel di balik interaksi itu? Dan apakah perusahaan akan nyaman jika pelanggan bisa melihat persis seberapa banyak yang benar-benar disentuh seseorang?

Cara Memutuskan Titik Kontak yang Tetap Manusia: Uji yang Jelas

Jalankan setiap titik kontak melalui dua pertanyaan. Pertama, berapa sebenarnya biaya hasil yang buruk, dalam uang, keselamatan, risiko hukum, atau hubungan yang dibangun bertahun-tahun? Kedua, apakah kepercayaan pada hasil bergantung pada keyakinan bahwa seseorang terlibat dengan situasi itu, terpisah dari apakah isinya sendiri benar? Titik kontak yang skornya tinggi pada salah satu pertanyaan adalah kandidat premi manusia; yang skornya rendah pada keduanya aman, dan sering lebih baik, untuk diotomatisasi.

Jalankan uji ini dengan jujur dan ia akan merekomendasikan mengotomatisasi lebih banyak daripada yang disarankan naluri pada beberapa baris, dan melindungi lebih banyak daripada yang diinginkan anggaran pada baris lain. Ketegangan itulah intinya. Uji yang hanya selalu merekomendasikan otomatisasi, atau hanya selalu merekomendasikan manusia, bukan uji yang sebenarnya.

Versi Internal: Pekerjaan Manajemen yang Tidak Boleh Didelegasikan

Semua yang di atas berlaku juga di dalam perusahaan, dan taruhannya biasanya lebih tinggi. Pekerjaan manajer menengah sudah berubah bentuk di bawah AI, dan godaan untuk membiarkan model menyusun, menilai, atau memutuskan sebagian manajemen orang itu nyata, karena AI memang membantu pada bagian mekanisnya: mengumpulkan data kinerja, menyusun versi pertama umpan balik, menandai pola di seluruh tim.

Batasnya sama dengan garis yang ditarik uji untuk sisi pelanggan. Manajemen kinerja ketika AI mengerjakan pekerjaan dasarnya tetap membutuhkan manusia untuk menafsirkan arti angka bagi orang ini dan menyampaikan putusannya. Promosi, kompensasi, disiplin, dan pemutusan hubungan kerja adalah padanan internal dari pembebasan praperadilan dan keputusan pinjaman: berisiko tinggi, sulit dibalik, dan di mana orang di pihak penerima menginginkan pengambil keputusan yang bisa dipertanyakan dan dimintai pertanggungjawaban. Human-in-the-loop yang dijalankan dengan benar tidak berarti manajer sekadar mengesahkan dashboard; artinya manajer memiliki keputusan itu dan bisa menjelaskannya dengan kata-katanya sendiri, bukan kata-kata model.

Mode kegagalan di dalam perusahaan tampak seperti human-washing di luar perusahaan: manajer yang berkata "sistem menandai Anda untuk ini" sambil memperlakukan output AI sebagai keputusan sebenarnya, bukan satu masukan ke dalam keputusan yang masih dimilikinya. Karyawan bisa membedakan manajer yang memikirkan situasi mereka dari manajer yang meneruskan sebuah skor, dan biaya kepercayaan dari ketahuan mengalihdayakan penilaian itu sering kali lebih buruk daripada versi sisi pelanggan, karena hubungan itu tidak punya tempat lain untuk pergi.

Membangun Premi Manusia ke dalam Cara Anda Menempatkan Staf

Tak satu pun dari ini berargumen menentang AI melakukan pekerjaan nyata di layanan pelanggan atau manajemen. Argumennya adalah membelanjakan premi manusia di tempat bukti mengatakan itu membuahkan hasil, dan merebut kembali jam kerja yang dibebaskannya di tempat lain. Arahkan volume rutin ke AI tanpa rasa bersalah. Tempatkan orang yang terlatih dan diberdayakan pada keluhan yang melibatkan kesalahan Anda sendiri, keputusan yang mengakhiri kontrak seseorang, dan keputusan kreatif yang membawa nama Anda. Ukur kedua sisi dengan jujur: biaya yang dihemat pada apa yang Anda otomatisasi, serta retensi dan kerusakan reputasi yang terhindar pada apa yang Anda lindungi.

Perusahaan yang dapat menunjuk titik kontak spesifik dan berkata, dengan benar, "seseorang menangani ini, dan inilah alasannya," telah membangun sesuatu yang tidak bisa ditiru pesaing yang sepenuhnya otomatis dalam semalam. Itulah premi manusia yang dijalankan dengan benar: daftar pendek tempat-tempat yang dapat dipertahankan di mana mempertahankan manusia adalah keputusan yang lebih cerdas, didukung bukti bahwa perusahaan benar-benar menjalankannya.