Menavigasi dampak AI generatif di dunia kerja 

Artikel yang awalnya diterbitkan di blog Agenda Forum Ekonomi Dunia.

Sejak rilis model bahasa besar GPT-3 OpenAI pada bulan November dan rilis GPT-4 berikutnya, ada banyak kecemasan tentang apa arti kemajuan dalam AI generatif ini untuk masa depan pekerjaan.

Namun dampak AI generatif tidak terbatas pada GPT pada pembuatan teks dan potensi konsekuensi bagi karya jurnalis dan penulis. Ini termasuk dampak DALL-E-2 pada pembuatan citra, CODEX pada pengkodean, dan MegaMoIBART pada penemuan obat, di antaranya.

Tiga elemen utama mendukung kemampuan AI generatif:

  • Kenangan dan pengenalan pola yang besar, dengan kemampuan untuk menghubungkan konsep atau gagasan yang jauh dan menarik kesimpulan
  • Persyaratan kode rendah/tidak ada, secara signifikan mengurangi premium pada keterampilan pengodean
  • Tidak adanya logika karena membuat prediksi berdasarkan data pelatihan dalam jumlah besar — dengan konsekuensi yang signifikan bagi aplikasinya untuk bekerja

Survei Mercer baru-baru ini melaporkan bahwa 57% CEO dan CFO berencana meningkatkan penggunaan AI dan otomatisasi; hampir sepertiganya merancang ulang pekerjaan untuk mengurangi ketergantungan organisasi mereka pada manusia.

Dalam Studi Tren Talenta Global 2022 Mercer, persentase karyawan yang mengatakan otomatisasi akan secara signifikan mengubah cara pekerjaan mereka dilakukan telah meningkat dari 44% menjadi 71% dalam dua tahun terakhir. Namun, tidak seperti iterasi automasi sebelumnya yang sangat berdampak pada pekerjaan berulang dan berbasis aturan, AI generatif juga akan memengaruhi pekerjaan dengan volume rendah dan sangat bervariasi, yang menyebabkan “demokratisasi kreativitas.” Bekerja di berbagai profesi, termasuk penulis, peneliti, pengacara, dan banyak lagi, akan sangat terganggu.

Misalnya, AI generatif dapat merangkum dokumen hukum dalam hitungan detik dengan akurasi yang luar biasa, sedangkan paralegal mungkin menghabiskan waktu berjam-jam untuk tugas tersebut.

Namun, kekuatan sejati terletak pada peningkatan — alih-alih menggantikan — pekerjaan karyawan.

Kerangka kerja untuk menavigasi pekerjaan “berikutnya”

Dalam Menciptakan Kembali Pekerjaan: Pendekatan 4-langkah untuk Menerapkan Otomasi ke Tempat Kerja (HBR Press, 2018), Jesuthasan dan Boudreau menunjukkan bahwa perusahaan yang memimpin dengan pekerjaan alih-alih teknologi lebih dibekali untuk memastikan kombinasi optimal antara manusia dan otomatisasi. Perusahaan-perusahaan tersebut melihat di mana otomatisasi dapat menggantikan pekerjaan yang sangat berulang dan berbasis aturan; di mana otomatisasi dapat menambah kreativitas manusia, pemikiran kritis, dan empati; dan di mana otomatisasi dapat menciptakan pekerjaan manusia baru.

Kerangka kerja untuk mencapai kombinasi optimal antara pekerjaan manusia dan otomatisasi

Nilai sumbu bagan ini adalah nilai organisasi yang dipetakan terhadap tingkat kinerja. Nilai organisasi pada sumbu vertikal dibagi menjadi dua segmen: negatif dan positif. Garis bagan menunjukkan tingkat nilai tambah bagi organisasi ketika sasaran mengintegrasikan pergeseran manusia dan otomatisasi melalui empat skenario berbeda:

• Tujuan penghapusan kesalahan: ada potensi signifikan untuk nilai negatif bagi organisasi dari setiap penyimpangan dari tingkat kinerja yang dapat diterima

• Tujuan meminimalkan varians: nilai konstan

• Tujuan meningkatkan produktivitas: menunjukkan peningkatan nilai yang sepadan bagi organisasi

• Sasaran pencapaian terobosan: menunjukkan potensi peningkatan nilai eksponensial

Ada empat potensi hasil yang berbeda yang terkait dengan setiap badan kerja:

  • Eliminasi kesalahan (pikirkan beberapa pekerjaan pilot maskapai penerbangan), di mana konsekuensi kesalahan tinggi dan ada potensi signifikan untuk nilai negatif bagi organisasi dari setiap penyimpangan dari tingkat kinerja yang dapat diterima
  • Meminimalkan varians (berpikir tentang pekerjaan pemrosesan transaksi), di mana tidak ada nilai dalam meningkatkan kinerja di luar tingkat target
  • Meningkatkan produktivitas (bayangkan pekerjaan tenaga penjualan), di mana peningkatan kinerja menghasilkan peningkatan nilai yang sepadan bagi organisasi
  • Mencapai terobosan (pikirkan tentang karya yang sangat kreatif, seperti ilmu data), ketika peningkatan kecil dalam kinerja memiliki dampak yang sangat besar terhadap nilai

Automasi yang mapan seperti Otomasi Proses Robot (Robotic Process Automation - RPA) dapat membantu dalam menggantikan upaya manusia dalam pekerjaan yang tujuannya adalah untuk mengurangi varians dan ada toleransi risiko yang lebih besar. Pertimbangkan penerapan RPA untuk mengurangi varian dengan mana pekerjaan yang sangat berulang dan berbasis aturan dilakukan untuk menganalisis dan menyintesis data keuangan.

AI telah lama digunakan untuk meningkatkan pekerjaan analitis di mana peningkatan produktivitas atau pencapaian terobosan adalah tujuannya. Pertimbangkan bagaimana ahli onkologi telah menggunakan pembelajaran mesin, dilatih tentang volume data dan gambar spesifik yang signifikan, untuk meningkatkan akurasi deteksi kanker secara eksponensial, bukan dengan mengganti keterampilan tetapi dengan menambah kemampuan dan meningkatkan pengalaman dan keahlian premium. Namun, dalam hal eliminasi kesalahan, kita sering melihat otomatisasi digunakan untuk mengurangi potensi kesalahan manusia pada awalnya melalui augmentasi dan kemudian melalui substitusi saat set data tertentu, pagar pengaman logika dan baru dikembangkan.

Namun, AI generatif berada pada tahap yang baru lahir dan dapat rentan terhadap kesalahan mengingat kurangnya logika yang mendasarinya. Masalah ini diperparah oleh fakta bahwa ketika taruhannya tinggi dan toleransi kita terhadap risiko rendah, kita lebih toleran terhadap kesalahan manusia daripada kita terhadap kegagalan fungsi mesin. Penting bagi pemimpin untuk memahami kapan harus mengandalkan — dan kapan tidak mengandalkan — teknologi ini pada tahap evolusi mereka, bersama dengan peran spesifik yang harus mereka miliki dalam pekerjaan manusia (substitusi, augmentasi, atau penciptaan). AI Generatif paling berguna dalam mendemokratisasi pengetahuan dan kreativitas melalui augmentasi, menurunkan premi keterampilan yang biasanya diperlukan untuk berbagai tugas kreatif di mana tujuan mencapai keuntungan produktivitas dan mencari terobosan dalam domain di mana ada toleransi tinggi terhadap risiko.

Sama pentingnya adalah memahami konsekuensi penggunaannya untuk model talenta Anda. Mengingat bahwa banyak profesi dibangun di atas model magang, bagaimana Anda akan menahan godaan untuk mengganti pekerjaan talenta tingkat junior dengan AI yang dapat menghilangkan generasi kreator, pemimpin, dan manajer berikutnya?

Serangkaian pagar pengaman baru untuk era AI generatif

Ketika kita memasuki era baru otomatisasi ini, perusahaan harus mempertimbangkan hal-hal berikut saat mereka mengintegrasikan teknologi yang menjanjikan ini ke dalam alur kerja mereka.
  • Model kerja 
    Bagaimana Anda akan membuat model operasi kerja dengan alat bantu dan disiplin untuk menganalisis pekerjaan serta menerapkan AI dan otomatisasi yang muncul secara berkelanjutan dan bertanggung jawab?
  • Model talenta 
    Dapatkah Anda mengembangkan model talenta yang memastikan jalur keterampilan yang memadai bahkan saat Anda secara progresif menerapkan lebih banyak AI pada pekerjaan Anda?
  • Mengembangkan keterampilan masa depan
    Seiring berkembangnya AI, memastikan karyawan melakukan pekerjaan yang berarti dan berkelanjutan sangatlah penting. Bagaimana Anda akan menemukan peluang untuk mengotomatiskan tugas dan meluangkan waktu untuk aktivitas baru yang bernilai tambah sembari memastikan peningkatan keterampilan dan peningkatan keterampilan tenaga kerja Anda yang mulus untuk iterasi pekerjaan berikutnya?
  • Pola pikir dan budaya 
    Karena AI terus menurunkan kualitas kreativitas dan mendemokratisasi akses, bagaimana Anda akan memastikan penciptaan kembali model bisnis dan tenaga kerja Anda secara terus-menerus?
About the author(s)
Ravin Jesuthasan
Solusi terkait
Wawasan terkait

Ingin tahu lebih banyak?

Berbicara dengan salah satu konsultan kami

Wawasan terbaru