Aneh! AI membuat efisiensi di Silicon Valley meningkat 10 kali lipat, tetapi sedang memicu krisis yang lebih tersembunyi daripada pemotongan setengah $BTC

Pada awal 2026, muncul pemandangan yang menarik di bidang rekayasa perangkat lunak. Generasi baru alat pemrograman AI yang diwakili oleh Claude Opus 4.6 sedang mendorong efisiensi pengembang ke tingkat yang belum pernah terjadi sebelumnya. Data internal Microsoft menunjukkan bahwa setelah engineer memilih alat secara mandiri, Claude Code dengan cepat mendominasi, yang dianggap sebagai pilihan jalur “dengan hambatan paling kecil” secara alami.

Namun, bersamaan dengan itu, diskusi tentang “kelelahan kerja” mulai bermunculan secara intens di komunitas pengembang. Engineer yang pernah bekerja di Google dan Amazon, Steve Yegge, menggambarkan fenomena yang dia sebut “serangan kantuk”: setelah sesi pemrograman dalam suasana yang panjang, dia secara tiba-tiba tertidur di siang hari tanpa peringatan.

Kini, semakin banyak software engineer secara terbuka membicarakan pengalaman bersama: output kerja meningkat pesat, tetapi rasa lelah justru bertambah dengan kecepatan yang lebih cepat. Teknologi secara signifikan memperpendek waktu pelaksanaan tugas, tetapi tidak mengurangi beban pengambilan keputusan manusia, malah sebaliknya, bertambah.

Yegge menunjukkan bahwa diskusi sebelumnya tentang “AI yang terbatas membantu pekerjaan nyata” tidak lagi relevan setelah Claude Code dipadukan dengan Opus 4.5 dan 4.6. Kombinasi ini secara signifikan menurunkan biaya konversi dari definisi masalah ke kode yang dapat dijalankan, sehingga seorang engineer yang mahir dapat menghasilkan output beberapa kali lipat dari workflow tradisional dalam waktu yang sama.

Ketika produktivitas meningkat lebih dari sekitar 2 kali lipat, fenomena yang dia sebut “efek vampir” mulai muncul: teknologi tidak lagi sekadar alat, tetapi mulai membentuk ritme kerja dan kondisi psikologis pengguna secara terbalik.

Software engineer, Xidante Kare, mendokumentasikan proses ini secara rinci di blog-nya. Dalam artikel berjudul “Kelelahan AI adalah nyata”, dia menulis bahwa kuantitas kode yang dia kirimkan dalam kuartal terakhir mencapai puncak kariernya, tetapi kelelahan mental juga mencapai puncaknya.

Dia menggambarkan perubahan mendasar dalam pola kerjanya. Sebelum menggunakan AI, dia akan fokus secara mendalam selama “seharian penuh” pada satu masalah, menjaga jalur pemikiran yang koheren. Setelah memperkenalkan AI, dia harus menangani lima hingga enam domain masalah secara paralel dalam satu hari. Setiap masalah, dengan bantuan AI, waktu yang dibutuhkan secara individual berkurang secara drastis menjadi sekitar satu jam. Tetapi, pergantian masalah yang sering menciptakan beban kognitif baru. “AI tidak akan merasa lelah di sela-sela masalah,” tulisnya, “tapi saya yang merasa.”

Kare menggambarkan peran barunya sebagai “inspektur kualitas di jalur produksi”. Permintaan tarik terus masuk, setiap permintaan harus diperiksa, diputuskan, dan disahkan. Prosesnya tidak pernah berhenti, tetapi kekuasaan pengambilan keputusan tidak pernah berpindah tangan. Dia tetap berada di kursi pengadilan, berkas diserahkan oleh AI, tanggung jawab tetap di manusia.

Sebuah studi terbaru memberikan dasar empiris untuk fenomena ini. Peneliti mengikuti 200 karyawan dari sebuah perusahaan teknologi di AS, menemukan bahwa meskipun penggunaan AI secara awal secara signifikan meningkatkan kecepatan penyelesaian tugas, juga memicu reaksi berantai: peningkatan kecepatan meningkatkan ekspektasi organisasi terhadap siklus pengiriman, dan ekspektasi yang lebih tinggi mendorong karyawan semakin bergantung pada AI, yang memperdalam ketergantungan tersebut dan memperluas cakupan tugas yang harus mereka tangani, yang selanjutnya memperburuk kepadatan kerja dan beban kognitif.

Para peneliti menyebut mekanisme ini sebagai fenomena “penyebaran beban kerja”. Ini bukan ekspansi yang didorong oleh instruksi, melainkan proses iteratif dan self-reinforcing antara peningkatan efisiensi dan penyesuaian ekspektasi.

Seorang desainer produk digital, Samo Koroshets, menyatakan situasi serupa di media sosial. Dia menunjukkan bahwa di platform sosial, beredar demo “membuat sepuluh UI dalam satu menit”. Konten ini terus-menerus didorong ke pengembang dan manajer mereka, membentuk semacam standar implisit. Jika alat bisa menghasilkan solusi dengan sangat cepat, maka outputnya pun harus demikian cepat.

Namun, demo ini jarang menunjukkan biaya penyaringan, implementasi, dan koordinasi lintas fungsi yang harus dilakukan manusia. Teknologi memang mempercepat proses produksi, tetapi tidak mempercepat proses pengambilan keputusan. Dan proses pengambilan keputusan ini menjadi hambatan baru, yaitu perhatian dan kekuatan niat manusia.

Yegge mengusulkan kerangka analisis sederhana. Misalnya, seorang engineer setelah menguasai alat AI, output per unit waktu meningkat 10 kali lipat. Maka, selisih 9 kali nilai tersebut tergantung pada bagaimana pengguna mengatur pasokan tenaga kerjanya.

Contohnya, dalam skenario A, engineer mempertahankan jam kerja yang sama, dan seluruh peningkatan output diserahkan ke pemberi kerja. Pada saat ini, pemberi kerja mendapatkan hampir 10 kali output dengan biaya tenaga kerja yang tidak berubah. Pendapatan engineer tidak berubah secara proporsional, tetapi intensitas kerja dan konsumsi mental meningkat secara signifikan. Yegge menyebut ini sebagai “terkuras habis”.

Dalam skenario B, engineer secara besar-besaran mengurangi jam kerja, dan hanya menggunakan 10% dari waktu kerjanya sebelumnya untuk menghasilkan output yang setara. Pada titik ini, nilai tambahan sepenuhnya diperoleh oleh individu, memberi mereka lebih banyak waktu luang. Tetapi, kondisi ini sulit dipertahankan dalam lingkungan kompetitif. Jika semua anggota organisasi mengikuti strategi ini, output keseluruhan organisasi akan tertinggal dari pesaing, dan dalam jangka panjang menghadapi risiko kelangsungan hidup.

Yegge menunjukkan bahwa kondisi ideal berada di antara kedua ekstrem tersebut. Tetapi dalam struktur organisasi saat ini, kendali pengaturan skala tidak simetris. Organisasi secara alami cenderung mendorong jarum ke arah A, sementara individu harus secara aktif memberikan resistensi.

Kerangka ini mengubah masalah efisiensi teknologi menjadi masalah distribusi. AI tidak mengubah fakta dasar bahwa “nilai diciptakan oleh tenaga kerja”, tetapi mengubah tingkat nilai yang dapat diciptakan per satuan tenaga kerja. Ketika tingkat ini melonjak, keseimbangan distribusi yang ada pasti akan terganggu.

Yegge mengenang pengalamannya di Amazon tahun 2001. Saat itu, timnya menghadapi tekanan pengiriman yang tinggi dan imbalan yang sangat tidak pasti. Dalam sebuah diskusi, dia menulis rumus: $/jam. Dia menjelaskan bahwa pembilang (gaji tahunan tetap) sulit diubah dalam jangka pendek, tetapi penyebutnya (jam kerja nyata) memiliki ruang elastisitas yang cukup besar. Dia menyarankan agar fokus beralih dari “bagaimana mendapatkan lebih banyak” ke “bagaimana bekerja lebih sedikit”.

Dua puluh lima tahun kemudian, Yegge berpendapat bahwa rumus ini juga berlaku di era AI. Bedanya, AI secara besar-besaran memperbesar pengaruh perubahan penyebut terhadap pembilang, tetapi kontrol individu terhadap penyebut ini tidak meningkat secara bersamaan.

Seorang pengguna media sosial, Joseph Amosen, menanggapi dari sudut pandang lain. Dia mengamati bahwa sebagian besar profesional di bidang kreatif, termasuk penulis terkenal, desainer, dan peneliti, biasanya hanya bekerja efektif kurang dari empat jam sehari. sisanya digunakan untuk pemulihan, bersantai, dan input. Ini bukan soal efisiensi, tetapi soal batas fisiologis aktivitas kognitif.

Jika AI semakin memisahkan “kerja” dan “kerja efektif”, maka yang perlu kita redefinisi bukanlah cara menggunakan alat, melainkan panjang hari kerja.

Yegge mengakui bahwa dirinya juga bagian dari masalah ini. Dengan pengalaman lebih dari empat puluh tahun di bidang rekayasa, memimpin tim besar, membaca cepat, dan memiliki waktu serta sumber daya cukup untuk eksperimen teknologi, dia bisa terus-menerus menggunakan Claude Code selama berjam-jam untuk membangun sistem yang dapat dijalankan dan merilisnya ke publik. Hasil kerjanya tersebar luas, dan sebagian manajer menganggapnya sebagai “standar yang harus dicapai engineer”.

Dia menulis, “Perusahaan mungkin mulai melihat saya, dan para anomali yang jauh dari norma ini, lalu berkata: ‘Hei, semua karyawan saya bisa seperti itu’.”

Di platform seperti media sosial, beberapa pengguna awal mulai membagikan intensitas penggunaan AI mereka secara terbuka: ada yang menyebut organisasi mereka membayar ribuan dolar per bulan untuk beberapa akun; ada yang menunjukkan mereka menjalankan puluhan percakapan sekaligus. Konten ini menarik perhatian komunitas teknologi sekaligus membentuk referensi implisit di tingkat manajemen. Yegge menyebut ini sebagai “standar kecantikan yang tidak realistis”.

Dia mengakui, dia sendiri tidak mewakili mayoritas, ritme kerjanya sulit diikuti banyak orang, bahkan dia sendiri tidak yakin bisa mempertahankan ini dalam jangka panjang. Tapi saat dia berbicara di panggung atau menulis buku, pesan yang dia sampaikan (setidaknya dari sudut pandang penerima) disederhanakan menjadi “ini bisa dilakukan”.

Seorang pengguna media sosial, Rih Eshov, mengangkat isu dari sudut pandang yang lebih dalam. Dia berpendapat bahwa cara manusia berinteraksi dengan AI mencerminkan hambatan pengenalan batas yang sudah lama ada dalam interaksi manusia. Banyak orang tidak mampu mengenali dan mengungkapkan batas diri mereka dalam hubungan dengan orang lain, dan kekurangan ini secara berpindah ke hubungan manusia-mesin. Alat tidak akan berhenti secara sukarela, dan tidak mampu merasakan kelelahan pengguna. Ketika teknologi terus memperluas batas kemampuan, kemampuan mengenali batas bawah justru menjadi semakin langka.

Yegge mengusulkan sebuah gagasan konkret: hari kerja yang efektif di era AI sebaiknya dipersingkat menjadi tiga sampai empat jam. Ini bukan angka yang didasarkan pada verifikasi ketat, melainkan perkiraan berdasarkan pengalaman. Dia mengamati bahwa AI mengotomatisasi banyak tugas eksekusi, tetapi menyisakan pengambilan keputusan, penilaian, dan rekonstruksi masalah sebagai kegiatan tingkat tinggi yang tetap memakan sumber daya perhatian dan emosi manusia. Aktivitas ini sulit dipadatkan atau dipercepat.

Saat mengunjungi sebuah taman teknologi, dia melihat sebuah lingkungan kerja yang dia sebut “pengaturan skala yang tepat”—ruang terbuka, pencahayaan alami yang cukup, area sosial dan istirahat di berbagai tempat, di mana karyawan bebas beralih antara bekerja dan beristirahat. Dia tidak yakin pengaturan ini akan tetap seimbang setelah AI menyebar secara menyeluruh.

Namun, dia yakin bahwa pola organisasi saat ini—yang hanya meningkatkan intensitas output per waktu tanpa mengubah jam kerja—tidak berkelanjutan. Dia tidak lagi menyalahkan AI sebagai “vampir”, melainkan menyadari bahwa dia perlu lebih jelas mengetahui batas dirinya sendiri.

Di bagian akhir, Yegge menyatakan bahwa dia sedang berusaha menurunkan skala pengukurannya. Dia mengurangi aktivitas publik, menolak banyak undangan pertemuan, tidak lagi mengejar setiap jalur teknologi yang terlihat menarik. Dia tetap menulis, membangun produk, dan berdiskusi dengan sesama, tetapi juga menutup laptop di sore hari, berjalan bersama keluarga. Dia tidak tahu seberapa banyak jarum yang bisa dia tarik kembali, tetapi dia yakin arah yang diambil sudah benar.

Bagi komunitas yang lebih luas, masalah ini belum menjadi agenda kolektif. Narasi tentang produktivitas AI masih dominan, dan diskusi tentang kelelahan masih bersifat pribadi dan fragmentaris. Tapi semakin banyak sinyal yang menunjukkan bahwa kedua kurva ini mulai bersilangan. Teknologi memang memperpendek jalur tugas, tetapi tidak memperpendek hari kerja. Alat membantu pelaksanaan, tetapi tidak membantu tanggung jawab. Efisiensi meningkatkan kecepatan pengiriman sekaligus kecepatan konsumsi. Ketika AI terus memberi tahu kita “bisa lebih cepat”, mungkin yang perlu didengar lebih keras adalah: bisakah kita lebih lambat?