AI Ada di Mana-Mana di Tempat Kerja. Hanya 1 dari 10 yang Mengatakan Ini Benar-Benar Mengubah Pekerjaan

Tim Anda menggunakan AI. Kemungkinan banyak dari mereka. Namun jika Anda bertanya-tanya mengapa hasilnya belum terlihat dalam angka-angka bisnis Anda, Anda tidak sendirian, dan Anda tidak salah membaca data tersebut.

Sebuah makalah kerja National Bureau of Economic Research (NBER) yang mensurvei hampir 750 eksekutif perusahaan menemukan sesuatu yang menarik: peningkatan produktivitas yang dirasakan dari AI secara konsisten melampaui yang terukur. Para peneliti menyebut ini sebagai "paradoks produktivitas" dan melacaknya pada keterlambatan realisasi pendapatan. Perusahaan mengadopsi AI lebih cepat daripada mereka merancang ulang pekerjaan di sekitarnya, dan ketidaksesuaian itulah yang membuat laporan laba rugi tetap datar meskipun jumlah lisensi terus bertambah.

Paradoks ini bukan tanda bahwa AI tidak bekerja. Ini adalah sinyal bahwa adopsi saja bukan tujuan akhir.

Angka di Balik Kesenjangan

Makalah NBER (makalah kerja w34984, diterbitkan bersama Federal Reserve Bank of Atlanta) merupakan salah satu kajian paling ketat tentang pertanyaan ini hingga saat ini. Survei tingkat eksekutif ini menangkap apa yang sebenarnya terjadi di dalam organisasi, bukan apa yang dijanjikan vendor dalam presentasi penjualan.

Fakta Kunci

• Hampir 750 eksekutif perusahaan melaporkan peningkatan produktivitas AI yang dirasakan melebihi yang terukur, dengan kesenjangan yang dikaitkan pada keterlambatan realisasi pendapatan (NBER/Atlanta Fed, w34984, 2026)
• AI generatif menghemat sekitar 5,4% jam kerja, sekitar 2,2 jam per minggu untuk jadwal kerja 40 jam standar (Federal Reserve, 2026)
• Hanya sekitar 1 dari 10 karyawan di organisasi yang mengadopsi AI yang sangat setuju bahwa AI telah mengubah cara pekerjaan mereka diselesaikan (Gallup, 2026)

Angka Gallup itu perlu Anda renungkan sejenak. Sekitar 80% karyawan melaporkan menggunakan alat AI di tempat kerja. Namun hanya sekitar 10% yang mengatakan AI benar-benar mengubah cara mereka bekerja secara bermakna. Selebihnya menggunakan AI sama seperti mereka pernah menggunakan Google, sebagai versi yang sedikit lebih cepat dari apa yang sudah mereka lakukan.

Mengapa Angka Anda Tidak Cocok dengan Log Penggunaan

Kesenjangan antara dampak yang dirasakan dan yang terukur bukanlah misteri begitu Anda memahami mekanismenya. Ketika karyawan mengadopsi AI, mereka cenderung mengotomatiskan bagian pekerjaan yang paling mudah diotomatiskan, bukan bagian yang paling banyak mendorong nilai. Seorang tenaga penjualan menggunakan AI untuk menyusun email tindak lanjut lebih cepat. Seorang manajer menggunakannya untuk merangkum catatan rapat. Penghematan waktu ini nyata, tetapi tidak secara langsung menggerakkan pendapatan.

Analisis Federal Reserve mendukung hal ini. AI generatif menghemat sekitar 2,2 jam per minggu dalam jadwal kerja 40 jam. Itu sekitar 5,4% efisiensi pada waktu kerja. Namun penghematan waktu kerja tidak otomatis menjadi dampak pada laporan laba rugi. Penghematan tersebut hanya berdampak pada pendapatan jika jam yang tersisa diarahkan ke aktivitas bernilai lebih tinggi, atau jika alur kerja yang mendasarinya dirancang ulang sehingga keuntungannya berlipat ganda.

Sebagian besar organisasi melewatkan langkah pengarahan ulang itu. Karyawan menghemat dua jam, lalu mengisinya dengan pekerjaan berprioritas lebih rendah atau rapat. Waktu tersebut menguap alih-alih bertransformasi menjadi nilai. Dan karena tidak ada yang berubah dalam model pendapatan, keuntungan produktivitas tetap terkunci di dalam alur kerja.

Makalah NBER menambahkan lapisan lain: keuntungan yang muncul dalam produktivitas terukur sebagian besar mengalir melalui saluran permintaan dan inovasi, bukan pendalaman modal. Dalam bahasa sederhana, AI menciptakan nilai dengan memungkinkan hal-hal baru (produk yang lebih baik, iterasi yang lebih cepat, penargetan pelanggan yang lebih tajam) bukan sekadar melakukan hal-hal lama dengan lebih murah. Organisasi yang memperlakukan AI sebagai alat pengurangan biaya cenderung hanya mengukur bagian penghematan dan melewatkan bagian pertumbuhan.

Di Mana Keuntungan Sebenarnya Muncul

Tidak semua sektor atau kasus penggunaan diciptakan sama. Temuan NBER menunjukkan keuntungan produktivitas terukur terbesar ada di layanan keahlian tinggi dan keuangan. Ini adalah bidang di mana AI membantu pekerjaan penilaian yang kompleks, analisis kesepakatan, tinjauan kontrak, pemodelan keuangan, riset klien, bukan tugas berulang yang sederhana.

Polanya masuk akal. Ketika AI meningkatkan kemampuan seorang analis bergaji tinggi atau manajer hubungan senior, keuntungannya cukup besar untuk terasa. Ketika AI membantu seseorang mengirim email yang sedikit lebih baik, dampaknya tidak cukup signifikan secara keseluruhan.

Implikasinya bagi CEO: di mana Anda menerapkan AI sama pentingnya dengan seberapa luas Anda menerapkannya. Menyebarkan lisensi AI ke setiap fungsi adalah adopsi. Memusatkan AI pada pekerjaan yang secara langsung terhubung ke pendapatan adalah transformasi.

Perusahaan kecil dan besar juga mengalami hal yang berbeda. Data NBER menunjukkan perusahaan besar mengantisipasi pengurangan tenaga kerja yang didorong AI seiring waktu, sementara perusahaan kecil justru mengharapkan pertambahan jumlah karyawan yang moderat, didorong oleh pertumbuhan dari peningkatan produktivitas. Asumsi umum bahwa AI sebagian besar memangkas pekerjaan dalam skala besar ternyata lebih rumit dari dugaan.

Empat Langkah yang Dapat CEO Lakukan Kuartal Ini

Kesenjangan antara adopsi dan dampak terukur dapat diatasi. Namun diperlukan pendekatan AI sebagai masalah desain operasional, bukan masalah pengadaan.

1. Audit ke mana jam AI Anda sebenarnya pergi. Tarik data penggunaan dari alat AI Anda dan petakan ke fungsi pekerjaan. Apakah peran dengan leverage tertinggi Anda menggunakan AI untuk tugas dengan leverage tertinggi mereka? Di sebagian besar perusahaan, jawabannya tidak. Penggunaan AI yang berat cenderung mengelompok pada komunikasi dan dokumentasi, bukan pada pekerjaan yang menutup kesepakatan atau memenangkan pelanggan.

2. Rancang ulang setidaknya satu alur kerja yang terhubung ke pendapatan. Pilih alur kerja yang secara langsung menyentuh pendapatan, proses penjualan, gerakan keberhasilan pelanggan, siklus pengembangan produk, dan rancang ulang sepenuhnya dengan mempertimbangkan AI. Jangan menempelkan AI pada langkah-langkah yang sudah ada. Tanyakan: jika kami harus membangun alur kerja ini hari ini dengan mengetahui apa yang dapat dilakukan AI, seperti apa tampilannya? Temuan makalah NBER bahwa keuntungan mengalir melalui saluran permintaan dan inovasi menunjukkan bahwa jenis perancangan ulang seperti inilah yang memiliki potensi nyata.

3. Ukur hasil, bukan penggunaan. Sebagian besar dasbor AI melaporkan jumlah kursi dan volume kueri. Ini adalah metrik adopsi, bukan metrik dampak. Alihkan pelaporan Anda ke metrik hasil: pendapatan per kepala di peran yang dibantu AI, waktu siklus pada alur kerja yang dirancang ulang dengan AI, biaya akuisisi pelanggan dalam saluran yang didukung AI. Jika Anda tidak dapat mengaitkan investasi AI Anda dengan salah satu angka tersebut, Anda belum tahu apakah AI bekerja.

4. Tutup lingkaran pada waktu yang dibebaskan. 2,2 jam per minggu yang dihemat AI hanya bernilai jika digunakan dengan sengaja. Buat kesepakatan waktu-ke-nilai yang eksplisit dengan tim: ketika AI mengurangi waktu yang Anda habiskan untuk tugas X, inilah ke mana waktu itu pergi berikutnya. Tanpa arahan itu, jam-jam tersebut menghilang dan keuntungan produktivitas ikut lenyap.

Keterlambatan Realisasi Pendapatan Itu Nyata, Namun Ada Batasnya

Bingkai "paradoks produktivitas" dari makalah NBER bukan berarti keuntungan tidak akan datang. Artinya, keuntungan tersebut datang lebih lambat dan melalui saluran yang berbeda dari yang diharapkan kebanyakan eksekutif. Para peneliti menemukan efek produktivitas tenaga kerja yang positif di seluruh perusahaan yang disurvei. Kesenjangan ini adalah masalah waktu, bukan kegagalan mendasar.

Namun "pada akhirnya akan berhasil" bukan sebuah strategi. CEO yang menunggu keuntungan terwujud dengan sendirinya kemungkinan akan terus menyaksikan kurva adopsi naik sementara laporan laba rugi tetap datar. Perusahaan yang paling cepat menutup keterlambatan itu adalah mereka yang memperlakukan perancangan ulang alur kerja, pengukuran hasil, dan penerapan yang berfokus pada pendapatan sebagai pekerjaan nyata dari adopsi AI, bukan sesuatu yang terjadi setelah adopsi.

AI sudah ada di mana-mana di tempat kerja. Pertanyaannya sekarang adalah apakah AI itu benar-benar bekerja.

Pertanyaan yang Sering Diajukan

Mengapa karyawan merasakan keuntungan produktivitas AI yang lebih besar dari yang ditunjukkan data? Orang cenderung memperhatikan ketika AI menghemat waktu mereka untuk tugas tertentu dan secara mental memperluasnya ke seluruh pekerjaan mereka. Namun dampak terukur mencerminkan apakah total output atau pendapatan benar-benar meningkat. Ketika penghematan waktu tidak diarahkan ke pekerjaan bernilai lebih tinggi, keuntungan yang dirasakan memang nyata tetapi keuntungan terukur tidak terlihat. Inilah inti dari apa yang disebut penelitian NBER sebagai keterlambatan realisasi pendapatan.

Industri mana yang saat ini melihat keuntungan produktivitas AI paling terukur? Survei NBER terhadap hampir 750 eksekutif menemukan keuntungan terukur terbesar ada di layanan keahlian tinggi dan keuangan. Sektor-sektor ini mendapat manfaat terbesar karena AI meningkatkan pekerjaan penilaian yang kompleks dan bernilai tinggi di mana bahkan peningkatan kecil pun berdampak pada pendapatan.

Apakah CEO harus mendorong lebih banyak lisensi AI jika dampak terukur masih rendah? Kemungkinan belum. Bukti menunjukkan bahwa kendalanya bukan pada akses ke alat AI, melainkan bagaimana alat tersebut diintegrasikan ke dalam alur kerja dan apakah mereka terhubung ke tugas-tugas yang terkait pendapatan. Lebih banyak lisensi tanpa perancangan ulang alur kerja dan pengukuran hasil cenderung memperlebar kesenjangan adopsi-ke-dampak daripada menutupnya.

Baca Selengkapnya

• Mengapa ROI AI Sulit Dibuktikan - alasan struktural mengapa imbal hasil AI terukur tertinggal dari kurva adopsi
• Waktu yang Dihemat vs. Dampak Pendapatan: Mengukur AI - kerangka untuk mengubah efisiensi AI menjadi hasil yang terlihat pada laporan laba rugi
• Tagihan AI Perusahaan Terus Naik Meski Harga Token Turun - sisi biaya dari investasi AI
• Laporan Kesenjangan Kepemimpinan AI PwC - bagaimana perusahaan terdepan melampaui yang tertinggal dalam kinerja AI terukur

Sumber: NBER Working Paper w34984, "Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives" (2026) | Gallup, "Rising AI Adoption Spurs Workforce Changes" (2026) | Federal Reserve FEDS Note, "Monitoring AI Adoption in the U.S. Economy" (2026)