AI meningkatkan efisiensi kerja, apakah berarti Anda akan lebih mudah? Penelitian Berkeley membongkar narasi produktivitas 10X di Silicon Valley

Berkeley Haas School of Business menelusuri 200 karyawan industri teknologi selama sembilan bulan, menemukan bahwa alat AI tidak mengurangi beban kerja, malah memunculkan pola kerja intensif dengan “multi-threading” paralel, di mana beban kognitif dan risiko kelelahan meningkat secara bersamaan.
(Prakata: Mengungkap “x402”: Membangun kembali kepercayaan pembayaran di era AI, mencari cawan suci peradaban mesin generasi berikutnya)
(Latar belakang tambahan: Pentingnya X402 untuk pembayaran stablecoin)

Daftar Isi Artikel

• Ritme kerja baru yang selalu juggling
• Dari laboratorium ke dunia nyata
• Masalah bukan pada AI-nya, tapi pada cara orang diajari menggunakannya
• Uji tekanan narasi AI
• Menyetel ulang kebiasaan kerja selama puluhan tahun

Jika Anda membaca setidaknya satu memo investasi industri teknologi dalam setahun terakhir, kemungkinan besar Anda akan menemukan narasi serupa: AI akan secara besar-besaran meningkatkan produktivitas, memungkinkan karyawan melakukan lebih sedikit pekerjaan, menghasilkan lebih banyak output, sehingga margin keuntungan perusahaan melonjak, dan manusia akhirnya bisa menghabiskan waktu untuk pekerjaan yang “lebih kreatif”.

Narasi ini terdengar indah. Tapi masalahnya… bisa jadi ini salah.

Dua akademisi dari Berkeley Haas, Aruna Ranganathan dan Xingqi Maggie Ye, mempublikasikan sebuah studi selama sembilan bulan di Harvard Business Review. Dari April hingga Desember 2025, mereka menelusuri 200 karyawan sebuah perusahaan teknologi AS, mengamati perubahan perilaku setelah penerapan alat AI dalam pekerjaan sehari-hari.

Kesimpulannya sangat lugas: AI tidak mengurangi pekerjaan, malah memperburuknya.

Ritme kerja baru yang selalu juggling

Tim peneliti menemukan, penerapan alat AI tidak benar-benar membuat karyawan mengurangi tugas atau jam kerja. Sebaliknya, menciptakan sebuah ritme kerja baru—“multi-threading paralel”.

Secara spesifik: karyawan menulis kode secara manual sambil membiarkan AI menghasilkan versi alternatif; menjalankan beberapa agen AI untuk mengerjakan tugas berbeda secara bersamaan; bahkan mengerjakan kembali proyek yang lama terabaikan, dengan alasan “lagipula AI bisa mengerjakan di latar belakang”.

Secara kasat mata, ini meningkatkan produktivitas. Jumlah proyek yang dikerjakan bersamaan bertambah, kecepatan output pun meningkat. Tapi kenyataannya, para peneliti mengamati:

“Perpindahan perhatian yang terus-menerus, sering memeriksa hasil output AI, dan meningkatnya daftar tugas yang harus diselesaikan. Ini menciptakan beban kognitif, serta perasaan selalu juggling—meskipun pekerjaan itu sendiri terasa produktif.”

Dengan kata lain, karyawan memang melakukan lebih banyak hal. Tapi mereka juga lebih lelah. Dan kelelahan ini bukan sekadar capek biasa, melainkan kelelahan yang membuat mereka merasa “meskipun efisien, setelah pulang kerja rasanya seperti habis terkuras”.

Dari laboratorium ke dunia nyata

Data studi dari Berkeley berasal dari perusahaan, tapi di luar sana, pola yang sama juga terjadi.

Pengembang terkenal Simon Willison membagikan hasil studi ini di blog pribadinya, dan mengaku pengalaman serta kesimpulan studi sangat cocok dengan pengalamannya sendiri. Sebagai salah satu praktisi LLM (Large Language Model) paling aktif di dunia, Willison secara terbuka berbagi workflow-nya menggunakan AI. Ia menyatakan mampu mengerjakan dua sampai tiga proyek paralel sekaligus, dengan volume kerja yang jauh lebih banyak dari sebelumnya.

Tapi harganya: dalam satu sampai dua jam, energinya langsung terkuras habis.

Ia juga mengamati, banyak pengembang lain mengalami pola serupa: ada yang karena “satu prompt lagi saja” sampai begadang hingga pukul 3 pagi, yang berdampak buruk pada kualitas tidur. Rasanya bukan seperti lembur, melainkan seperti bermain game yang tidak bisa disimpan—kamu tahu harus berhenti, tapi giliran berikutnya terlalu menggoda.

Ketika riset akademik dan pengalaman praktisi di lapangan mengarah ke kesimpulan yang sama, ini bukan lagi kasus tunggal, melainkan sebuah struktur yang mendasar.

Masalah bukan pada AI, tapi pada cara orang diajari menggunakannya

Insight paling penting dari tim peneliti bukan sekadar “AI membuat orang lebih lelah”, melainkan diagnosis mereka terhadap penyebabnya: organisasi kurang memiliki kerangka kerja yang terstruktur dalam penggunaan AI.

Sebagian besar perusahaan saat mengadopsi AI hanya membeli lisensi, membuat akun, lalu melampirkan PDF “kerangka terbaik”, dan berharap karyawan bisa menemukan cara terbaik sendiri. Ini sama saja seperti memasang mesin turbo pada sepeda dan berkata, “Silakan kalian sendiri yang mengatur.”

Saran dari para peneliti: perusahaan perlu membangun kerangka praktik AI formal, mendefinisikan secara jelas di mana AI harus digunakan, di mana tidak, dan bagaimana membedakan “peningkatan efisiensi yang nyata” dari “hanya mengerjakan hal yang sama dengan tenaga lebih besar”.

Uji tekanan narasi AI

Mari kita tempatkan temuan studi ini dalam konteks yang lebih besar.

Dalam setahun terakhir, “AI meningkatkan produktivitas” menjadi salah satu logika utama yang mendorong valuasi saham teknologi. Dari Nvidia ke Microsoft, dari OpenAI ke startup AI lainnya, seluruh rantai industri ini berasumsi: AI akan meningkatkan output setiap pekerja pengetahuan 2 sampai 10 kali, sehingga perusahaan bisa melakukan lebih banyak dengan lebih sedikit orang, dan margin keuntungan secara struktural meningkat.

Tapi jika studi Berkeley benar, dan efek nyata AI bukanlah “melakukan lebih sedikit pekerjaan” melainkan “melakukan lebih banyak pekerjaan dengan efisiensi yang meningkat tapi kelelahan yang juga meningkat”, maka logika valuasi ini perlu disesuaikan.

Peningkatan produktivitas dan peningkatan beban kerja bukanlah hal yang sama. Yang pertama menurunkan biaya dan meningkatkan laba; yang kedua, dalam jangka pendek, meningkatkan output, tapi dalam jangka panjang bisa menyebabkan kelelahan, turnover, dan penurunan kualitas. Jika kita terapkan temuan Berkeley ke model operasional perusahaan, mungkin yang terjadi bukanlah peningkatan margin, melainkan redistribusi biaya tenaga kerja: biaya pelatihan yang lebih tinggi, biaya kesehatan mental yang meningkat, biaya penggantian karyawan yang lebih besar.

Tentu saja, ini tidak berarti AI tidak berharga. Ia jelas punya nilai. Tapi nilainya mungkin bukan “membuat orang melakukan lebih sedikit pekerjaan”, melainkan “membuat orang melakukan pekerjaan berbeda”. Dan berbeda belum tentu lebih ringan.

Menyetel ulang kebiasaan kerja selama puluhan tahun

Studi ini juga menyiratkan satu aspek yang jarang dibahas: masa adaptasi. Willison juga menyoroti hal ini saat membagikan ulang studi.

Pengaturan kerja saat ini: bagaimana membagi perhatian, mengukur kinerja, mendefinisikan “jumlah pekerjaan satu hari”, adalah hasil dari puluhan tahun pengembangan. Penerapan AI secara masif antara 2023-2025 sama saja memaksa seluruh ekonomi pengetahuan belajar kembali cara bekerja dalam waktu singkat.

Proses belajar ulang ini tidak otomatis terjadi. Ia membutuhkan desain organisasi yang sadar, pembaruan persepsi dari manajemen, dan yang terpenting: pengakuan bahwa “lebih banyak output” dan “pekerjaan yang lebih baik” adalah dua hal yang sama sekali berbeda.

Silicon Valley suka menggunakan istilah “10x engineer” untuk menggambarkan insinyur dengan output luar biasa. Janji AI adalah membuat setiap orang menjadi 10x lebih produktif. Tapi studi ini memberi tahu kita: mungkin yang kita dapatkan bukanlah efisiensi 10 kali lipat, melainkan kelelahan 10 kali lipat…
Bagaimana menurutmu?