Workslop: Bagaimana Pekerjaan Sibuk Buatan AI Mengikis Upaya dan Rasa Memiliki

Oleh Victor Hoang · Diperbarui 26 Agustus 2026

Workslop adalah pekerjaan buatan AI yang tampak selesai tetapi sebenarnya belum: laporan, brief, atau potongan kode yang cukup rapi untuk lolos dari sekilas pandang tetapi tidak memiliki penalaran yang dibutuhkan agar benar-benar bisa dipakai. Para peneliti di BetterUp Labs dan Social Media Lab Stanford menciptakan istilah ini pada 2025 untuk menamai sesuatu yang sederhana dan mahal: upaya yang dulu dibutuhkan sebuah tugas tidak lenyap hanya karena AI menyusun drafnya dengan cepat. Upaya itu hanya berpindah ke hilir, kepada siapa pun yang harus mencari tahu apa arti keluaran itu sebenarnya.

Pergeseran itu, dari "upaya terjadi sebelum penyerahan" menjadi "upaya terjadi setelah penyerahan, dan jatuh ke orang lain," adalah pokok bahasan sesungguhnya artikel ini. Workslop hanyalah nama yang paling mudah diingat untuk saat ini. Masalah di baliknya, pekerjaan yang tampak selesai tanpa ada yang benar-benar melakukan pemikirannya, akan hidup lebih lama daripada kata itu.

Apa Sebenarnya Workslop Itu

Definisi formalnya, dari studi BetterUp Labs dan Stanford Social Media Lab yang terbit di Harvard Business Review pada September 2025, adalah konten yang "menyamar sebagai pekerjaan yang baik, tetapi tidak memiliki substansi untuk memajukan suatu tugas secara berarti." Para peneliti mensurvei 1.150 pekerja kantoran penuh waktu di AS dan menemukan bahwa masalah ini bukan hal langka atau teoretis. Sekitar 15% dari semua yang diterima karyawan di tempat kerja kini dihasilkan AI, dan sebagian yang cukup besar gagal dalam ujian dasar ini: apakah ia benar-benar memajukan tugas, atau hanya tampak seolah begitu.

Mekanismelah yang membuat workslop berbeda dari pekerjaan buruk biasa. Draf pertama yang ceroboh dari orang yang lelah biasanya tetap mengandung pemikiran sungguhan, meskipun pelaksanaannya kasar. Workslop membalikkannya. Ia tiba dengan format yang baik, bahasa yang percaya diri, dan struktur yang lengkap, semua sinyal permukaan yang dulu diandalkan orang sebagai pengganti "seseorang sudah memikirkan ini matang-matang." Kupas kilapnya dan sering kali tidak ada penalaran di baliknya. Keluaran itu tidak melewatkan langkah karena seseorang terburu-buru. Ia melewatkan langkah karena menghasilkan teks yang lancar tidak mengharuskan langkah-langkah itu dijalankan sama sekali.

Tidak Sama dengan "AI Membantu Pekerjaan Ini"

Perlu presisi di sini, karena istilah ini sering dipakai longgar. Pekerjaan berbantuan AI yang benar-benar ditinjau, dicek terhadap kebutuhan nyata, dan didukung seseorang yang bisa mempertahankan setiap klaim di dalamnya bukan workslop, seberapa pun banyak draf pertamanya yang dibuat model. Workslop secara khusus menggambarkan kasus ketika kilap menggantikan substansi alih-alih mempercepatnya: AI mengerjakan bagian yang cepat, dan tak seorang pun mengerjakan bagian lambat yang dulu menyertainya. Alatnya bukan masalah. Masalahnya adalah tidak adanya seseorang yang mengambil rasa memiliki atas keluarannya.

Dari Mana Istilah Ini Berasal, dan Mengapa Layak Dipertahankan

"Workslop" adalah istilah ciptaan yang dekat dengan vendor, lahir dari satu kolaborasi riset, bukan dari teori organisasi selama puluhan tahun. Perlakukan ia sebagai satu bingkai di antara beberapa, bukan kategori yang sudah mapan. Yang tetap membuatnya layak dipakai adalah ketepatannya menamai sebuah pola: bukan "AI itu buruk," bukan "orang itu malas," melainkan transaksi spesifik di mana upaya diam-diam dialihkan dari pengirim ke penerima, dan tak seorang pun menyetujui pertukaran itu.

Asimetri Upaya di Inti Masalah

Setiap kejadian workslop berbentuk timpang yang sama. Menghasilkan keluaran hanya butuh sebuah prompt dan beberapa menit. Memastikan apakah keluaran itu layak dipercaya, dan mengerjakan ulang bagian yang tidak, memakan waktu jauh lebih lama. Para peneliti BetterUp dan Stanford mengukurnya langsung: penerima menghabiskan rata-rata satu jam lima puluh enam menit untuk mengurai setiap kasus workslop yang mereka terima, memeriksa klaim, menulis ulang bagian, atau mencari pengirimnya untuk menanyakan apa maksud mereka sebenarnya.

Kesenjangan itu menumpuk pada skala besar dengan cara yang disembunyikan oleh kasus individual. Para peneliti memperkirakan workslop menelan sekitar $186 per karyawan terdampak per bulan dalam produktivitas yang hilang, yang berskala lebih dari $9 juta setahun di perusahaan berisi 10.000 orang. Tak satu pun dari itu muncul sebagai pos tersendiri di mana pun. Ia muncul sebagai siklus yang lebih lambat, lebih banyak rapat yang seharusnya tak perlu, dan kesan umum bahwa meninjau pekerjaan orang lain menjadi lebih sulit meski tak seorang pun bisa menunjuk sebabnya.

Isu yang lebih dalam adalah asimetri ini merusak kesepakatan yang sudah lama diandalkan tim tanpa pernah menuliskannya: jika sesuatu tampak selesai, memperlakukannya sebagai selesai adalah taruhan yang masuk akal. Pekerjaan buatan AI mematahkan taruhan itu secara diam-diam, karena kilap dan substansi dulu berjalan bersama dan kini tak harus lagi. Peninjau yang masih memberi kepercayaan lama akan terbakar. Peninjau yang berhenti memberinya harus memverifikasi ulang segalanya, yang merupakan pajak tersendiri pada setiap interaksi, bukan hanya yang ternyata workslop.

Bagaimana Workslop Mengencerkan Rasa Memiliki

Dulu rasa memiliki terbaca jelas nyaris secara kebetulan. Orang yang namanya tertera di dokumen, tak bisa tidak, telah melakukan pemikiran yang menghasilkannya. Membaca karyanya memberi tahu sesuatu yang bisa diandalkan tentang penilaiannya, karena tak ada cara memisahkan dokumen dari penalaran yang membangunnya.

Workslop memutus kaitan itu. Dokumen kini bisa terbaca percaya diri dan tertata baik tanpa penulis yang tercantum memverifikasi satu klaim pun di dalamnya, dan rekan yang membacanya tak punya cara yang andal untuk membedakannya dari luar. Ketidakpastian itu tidak sekadar menciptakan gesekan, tetapi mengikis sesuatu yang lebih spesifik: kemampuan meminta pertanggungjawaban siapa pun atas suatu keputusan, karena "saya tidak sepenuhnya tahu isinya" menjadi jawaban yang masuk akal bahkan dari orang yang mengirimkannya. Kami membahas sisi akuntabilitasnya secara langsung di membangun budaya akuntabilitas, dan mekanisme kepercayaan dalam bekerja berdampingan dengan keluaran bentukan AI di kepercayaan saat rekan tim Anda adalah AI.

Pengenceran rasa memiliki punya efek lanjutan yang mudah terlewat: ia menghukum orang yang mengerjakan pekerjaannya dengan jujur. Manajer yang tak bisa membedakan analisis terverifikasi dari hasil cepat AI tidak punya cara menghargai satu jam ekstra yang dihabiskan seseorang untuk memeriksa angkanya. Seiring waktu, itu meratakan insentif untuk memeriksa apa pun, karena memeriksa berhenti terlihat dan berhenti dihargai. Ini salah satu cara paling jelas workslop terhubung dengan pola yang lebih luas yang dibahas di utang budaya AI: adopsi AI yang tak dikelola tidak sekadar menghasilkan keluaran buruk, tetapi diam-diam menulis ulang apa yang diakui sebagai "mengerjakan tugas dengan baik."

Biaya Kepercayaan Menumpuk dengan Cepat

Efek workslop yang paling mahal bukanlah waktu pengerjaan ulang. Melainkan apa yang terjadi pada cara rekan kerja saling membaca sesudahnya. Data BetterUp dan Stanford tentang hal ini spesifik dan tidak menyenangkan: 42% penerima mengatakan mereka memandang pengirim sebagai kurang tepercaya setelah menerima workslop, dan 32% mengatakan akan kurang bersedia bekerja dengan orang itu lagi. Sekitar separuh menilai pengirim kurang kreatif, cakap, atau andal dibandingkan sebelumnya, dan 53% mengatakan pengalaman itu membuat mereka sekadar kesal.

Kerusakan itu tidak terbatas pada satu dokumen. Begitu seorang rekan terbakar oleh workslop, ia mulai membaca semua yang datang dari orang itu dengan kecurigaan lebih besar, termasuk pekerjaan yang digarap dengan cermat. Pajak skeptisisme itu mahal justru karena tidak pandang bulu: ia memperlambat pekerjaan yang baik bersama yang buruk, karena penerima tak lagi punya cara cepat untuk memilahnya. Tim yang sampai di sini tak lagi bisa bergerak cepat hanya berbekal kepercayaan, padahal itulah yang dulu membuat mereka cepat. Ini erosi yang sama yang dibahas dari sudut tim manusia-agen di budaya tim manusia-agen, tempat pembagian kerja yang tidak jelas antara manusia dan AI menciptakan kesenjangan kredibilitas yang sama pada tingkat struktural.

Fakta Penting

• 40% pekerja kantoran penuh waktu di AS menerima "workslop" buatan AI dari rekan dalam sebulan terakhir, dan sekitar 15% dari semua yang diterima karyawan di tempat kerja kini dihasilkan AI. Sumber: Harvard Business Review, September 2025
• Setiap kasus workslop memakan waktu rata-rata 1 jam 56 menit bagi penerima untuk diselesaikan, diperkirakan $186 per karyawan terdampak per bulan, atau lebih dari $9 juta setahun dalam produktivitas yang hilang di perusahaan berisi 10.000 orang. Sumber: Harvard Business Review, September 2025
• 42% penerima menilai pengirim kurang tepercaya setelah menerima workslop, 32% mengatakan akan kurang bersedia bekerja dengan orang itu lagi, dan 53% melaporkan merasa kesal. Sumber: Harvard Business Review, September 2025
• Workslop sebagian besar adalah masalah manajemen, bukan masalah individu: riset menelusurinya ke mandat AI yang tidak jelas dan tim yang kewalahan yang disuruh "pakai AI lebih banyak" tanpa standar apa pun tentang seperti apa keluaran yang baik. Sumber: Harvard Business Review, Januari 2026
• Studi KPMG dan University of Melbourne terhadap lebih dari 48.000 responden menemukan 57% karyawan mengaku menyembunyikan penggunaan AI mereka di tempat kerja; dalam survei HBR terpisah terhadap 604 pengguna AI harian, hampir satu dari tiga mengatakan sengaja menahan metode terkait AI dari rekan kerja. Sumber: Harvard Business Review, Juni 2026
• Karyawan di kuartil terendah kepercayaan organisasi hampir empat kali lebih mungkin menyembunyikan penggunaan AI mereka dibandingkan mereka di kuartil tertinggi (47% berbanding 14%), artinya keterbukaan mengikuti kepercayaan, bukan kebijakan. Sumber: Harvard Business Review, Juni 2026

Mengapa Workslop Terus Terjadi

Mandat yang Kabur, Tim yang Kewalahan

Riset lanjutan dari Jeffrey Hancock di Stanford, yang terbit di HBR pada Januari 2026, menelusuri workslop kembali ke sesuatu yang biasa dan dapat diperbaiki: pemimpin yang mengeluarkan arahan luas untuk "pakai AI lebih banyak" tanpa pernah mendefinisikan seperti apa keluaran berbantuan AI yang dapat diterima. Gabungkan dengan tim yang sudah terentang tipis, dan insentifnya miring tajam ke arah mengirimkan sesuatu dengan cepat alih-alih sesuatu yang terverifikasi. Tak ada yang berniat menghasilkan workslop. Kondisi yang melahirkannya, standar yang tidak jelas ditambah tekanan waktu yang nyata, memang sangat piawai menghasilkannya.

Inilah sebabnya menyalahkan karyawan individu atas workslop biasanya meleset dari intinya. Orang yang dikejar tenggat, tanpa sinyal jelas tentang apa arti "cukup baik," akan wajar beralih ke apa pun yang membuat sesuatu bisa keluar dari pintu. Perbaikannya harus terjadi di hulu keputusan itu, bukan sesudahnya.

Jebakan Pengungkapan

Studi HBR kedua, yang terbit pada Juni 2026, menemukan bahwa karyawan sering menyembunyikan seberapa besar AI membentuk pekerjaan mereka, dan bukan karena tidak jujur. Survei KPMG dan University of Melbourne terhadap lebih dari 48.000 responden menemukan 57% mengaku menyembunyikan penggunaan AI mereka di tempat kerja. Survei HBR sendiri terhadap 604 pengguna AI harian menemukan hampir satu dari tiga sengaja menahan metode terkait AI dari rekan kerja, dan polanya mengikuti kepercayaan organisasi hampir persis: pekerja di kuartil kepercayaan terendah menyembunyikan penggunaan AI mereka pada tingkat lebih dari tiga kali lipat pekerja di kuartil tertinggi.

Itu berdampak langsung pada workslop, karena pengungkapan adalah cara tercepat untuk mengkalibrasi seberapa besar pengawasan yang dibutuhkan suatu pekerjaan. Ketika orang menyembunyikan keterlibatan AI karena takut terlihat kurang cakap atau diberi lebih banyak pekerjaan, peninjau kehilangan satu-satunya sinyal yang akan memberi tahu mereka untuk memeriksa lebih cermat. Diam tentang penggunaan AI tidak mencegah workslop. Ia hanya menjamin workslop ditemukan dengan cara yang mahal, setelah sudah menghabiskan dua jam seseorang. Kami membahas lebih dalam seperti apa pengungkapan yang sehat dalam praktik di etiket AI dan norma tempat kerja.

Norma Budaya yang Benar-Benar Mencegah Workslop

Workslop tidak diselesaikan dengan melarang alat AI atau dengan memercayai setiap dokumen berbantuan AI secara bawaan. Ia diselesaikan seperti kebanyakan masalah upaya dan rasa memiliki: dengan membuat standar menjadi eksplisit alih-alih diasumsikan.

Tak satu pun dari ini mengharuskan memperlambat adopsi AI. Ia mengharuskan memperlakukan "seperti apa yang baik di sini" sebagai pertanyaan yang layak dijawab sebelum alatnya dirilis, bukan setelah pengalaman buruk pertama. Standar tertulis singkat untuk jenis tugas yang berulang, yang ditinjau dan diperbarui seiring perubahan pekerjaan, berbuat lebih banyak mencegah workslop daripada kebijakan mana pun yang melarang alat tertentu. Membangun penetapan standar eksplisit semacam ini ke dalam ritme operasi tim adalah inti dari membangun budaya yang siap AI: ini lebih sedikit tentang AI dan lebih tentang akhirnya menuliskan ekspektasi yang dulu aman dibiarkan implisit.

Perangkat lunak punya peran sempit yang berguna di sini. Langkah alur kerja yang menanyakan "apa yang dibantu AI di sini" sebelum dokumen masuk tinjauan, atau tahap persetujuan yang membuat kepemilikan klaim akhir menjadi eksplisit, adalah konsistensi tanpa gemerlap yang memang dirancang didukung oleh perangkat Work Ops milik Rework. Ia tidak menentukan seperti apa standarnya. Ia hanya memastikan standar itu, begitu tim menyepakatinya, benar-benar diterapkan setiap kali, bukan hanya saat seseorang ingat.

Kasus yang Kredibel untuk Skeptisisme

Layak sedikit menyanggah bingkai ini sebelum menganggapnya sudah mapan. "Workslop" adalah istilah yang mudah diingat dari satu kolaborasi riset, bukan kategori yang ditinjau sejawat dengan puluhan tahun replikasi di belakangnya, dan ada risiko nyata memakainya untuk mempatologiskan penggunaan AI secara umum alih-alih mode kegagalan spesifik yang dijelaskannya. Banyak pekerjaan berbantuan AI yang cepat, terverifikasi, dan benar-benar bagus, dan memperlakukan setiap dokumen yang disusun AI dengan kecurigaan otomatis hanya memperkenalkan kembali pajak skeptisisme dalam bentuk lain, kali ini diarahkan tanpa pandang bulu alih-alih pada masalah sebenarnya.

Pembacaan riset yang lebih berguna, termasuk lanjutan Hancock pada Januari 2026, adalah bahwa workslop merupakan kegagalan manajemen dengan perbaikan manajemen: standar yang tidak jelas ditambah tekanan waktu, bukan sesuatu yang melekat pada teknologinya. Organisasi yang menanggapinya dengan menuliskan ekspektasi dan mengkalibrasi tinjauan cenderung melihat masalahnya menyusut. Organisasi yang menanggapinya dengan melarang alat atau mempermalukan karyawan individu cenderung hanya mendorong perilaku yang sama ke bawah tanah, yang menurut riset pengungkapan sudah terjadi pada skala yang berarti. Pelajaran yang bertahan lama bukanlah "AI menghasilkan pekerjaan buruk." Melainkan bahwa alat apa pun yang cukup murah untuk menghasilkan draf meyakinkan dalam hitungan detik membutuhkan standar yang sama sengajanya untuk apa yang terjadi setelah draf itu, atau upaya yang dihemat di satu ujung akan muncul kembali, lebih besar, di ujung lainnya.

Di Mana Ini Berada

Workslop adalah satu gejala yang terlihat dari pergeseran lebih luas yang sedang membentuk ulang cara organisasi memikirkan upaya, kredit, dan kepercayaan ketika AI berada di dalam pekerjaan sehari-hari. Ia terhubung langsung dengan utang budaya AI, biaya menumpuk dari meluncurkan AI tanpa mengelola efek sampingnya terhadap manusia, dan dengan restrukturisasi lebih besar yang digambarkan Microsoft sebagai Frontier Firm dan bangkitnya agent boss, di mana tim hibrida manusia-AI membuat pertanyaan kepemilikan semakin sentral. Mode kegagalan terkait berupa konten AI berusaha rendah yang beredar lebih luas dibahas di apa itu AI slop dan mengapa ia menyebar.

Semua ini tidak diperbaiki dengan satu memo kebijakan. Ia diperbaiki seperti cara apa itu budaya bisnis menggambarkan budaya dibangun secara umum: lewat norma yang benar-benar ditegakkan tim sehari-hari, bukan yang tertulis di slide. Menamai workslop dengan tepat, dan membangun kebiasaan kecil, pengungkapan, tinjauan berjenjang, kredit atas verifikasi, yang mencegahnya berakar, adalah langkah pertama yang konkret menuju seperti apa budaya AI-native dalam praktik, bukan dalam teori.

Workslop mudah dianggap sekadar label cerdas untuk sesuatu yang selalu ada: seseorang menyerahkan pekerjaan lemah, dan orang lain harus membereskannya. Yang berbeda sekarang adalah kecepatan dan penyamarannya. Draf manusia yang lemah dulu butuh waktu untuk dibuat, yang membatasi seberapa banyak yang bisa dihasilkan satu orang. AI menghapus batas itu, sehingga jalan pintas yang sama yang dulu menghabiskan satu sore seseorang kini bisa menghabiskan berjam-jam seminggu bagi seluruh tim, didandani cukup baik sehingga tak seorang pun menyadarinya sampai polanya berulang. Mendahuluinya tidak banyak berkaitan dengan memakai AI lebih sedikit. Intinya adalah tim menyepakati, dengan sengaja, apa arti "benar-benar selesai", lalu saling menjaga agar tetap memegangnya.