Mengapa strategi AI dan strategi SDM bisa menyatu

Pada Juni 2026, Mercari menempatkan CTO sebagai CHRO sekaligus CAIO, dan Sansan membuat CHRO merangkap CAXO (Chief AI Transformation Officer). Titik awalnya berlawanan, tetapi kedua perusahaan memiliki kesamaan: mereka memperlakukan pemanfaatan AI bukan sebagai masalah departemen teknologi saja, melainkan sebagai masalah membangun ulang fondasi pengelolaan manusia dan organisasi.

Menurut saya, memahami langkah ini hanya dengan mengikuti narasi "AI merebut pekerjaan manusia", misalnya "karena biaya tenaga kerja diganti dengan biaya token, manusia dan AI kini dikelola oleh penanggung jawab yang sama", berarti sedikit keliru menangkap sebagian pemikiran di baliknya.

Seperti akan saya jelaskan lebih rinci nanti, jika penerapan AI dipahami sebagai "penataan ulang kapasitas pemrosesan informasi dan hak pengambilan keputusan yang dimiliki organisasi di antara manusia, AI, perangkat lunak, aturan, dan sebagainya", maka perancangannya membutuhkan bukan hanya orang yang memahami kemampuan AI, tetapi juga orang yang memiliki kewenangan untuk mengubah SDM dan organisasi, serta merancang secara terpadu tugas, wewenang, pengembangan, penilaian, dan struktur organisasi. Dengan begitu, penyatuan fungsi seperti CHRO dan CAIO terasa cukup masuk akal.

Dalam tulisan sebelumnya, "Teori organisasi di era AI dari sudut pandang "teori batas perusahaan AI"", saya sempat menyinggung secara singkat bahwa "gerakan bagian SDM merangkap sebagai bagian AI tampaknya mencerminkan cara merancang organisasi di era AI". Di sini saya merangkumnya sekali lagi.

Penerapan listrik di masyarakat dan penerapan AI di masyarakat

Belakangan sering terdengar cerita bahwa lisensi AI generatif sudah dibagikan ke seluruh perusahaan, pelatihan sudah dilakukan, dan tingkat penggunaan pun naik, tetapi produktivitas organisasi secara keseluruhan dan kecepatan pengambilan keputusan tidak naik sebanyak yang diharapkan.

Ketika teknologi baru muncul, hal pertama yang terjadi adalah menambahkan alat baru ke pekerjaan yang ada sekarang. Ringkasan oleh AI, draf naskah, dan pembuatan dokumen adalah contohnya; sebagian besar penggunaan berjalan seperti itu.

Namun, seperti sudah saya singgung dalam artikel "Apa yang terjadi ketika perangkat lunak dan kecerdasan menjadi murah", agar teknologi benar-benar meningkatkan produktivitas, tampaknya dibutuhkan perubahan yang lebih besar.

Mari kita lihat, misalnya, bagaimana listrik meningkatkan produktivitas pabrik manufaktur. Konon dibutuhkan puluhan tahun hingga wajah pabrik berubah dan produktivitasnya meningkat berkat listrik.

Sebelum listrik datang, pabrik digerakkan oleh mesin uap. Di sana, tenaga dari mesin besar di pusat disalurkan ke banyak mesin melalui poros transmisi dan sabuk. Dalam struktur seperti ini, posisi mesin terikat oleh batasan penyaluran tenaga.

Pada tahap awal elektrifikasi, meskipun mesin uap pusat diganti dengan motor listrik besar, poros transmisi dan tata letak pabrik kerap tetap dipertahankan. Dengan cara ini, sebagian biaya bahan bakar dan pemeliharaan mungkin turun, tetapi potensi listrik tidak dimanfaatkan sepenuhnya.

Perubahan besar baru terjadi setelah penggerak mandiri, yang menempatkan motor kecil pada setiap mesin, menyebar. Karena posisi mesin bisa dilepaskan dari tenaga pusat, peralatan dapat ditata sesuai aliran bahan dan pekerjaan. Baru setelah tata letak mesin, proses, pengawasan, pemeliharaan, hingga keputusan investasi pabrik berubah, produktivitas meningkat pesat. Menurut penjelasan klasik, dibutuhkan sekitar 30 tahun hingga cara ini mapan secara luas. (Ada beberapa pendapat mengenai jumlah tahunnya. Untuk lebih lengkap, silakan lihat juga "Mengimplementasikan Masa Depan" dan sumber lainnya.)

Artinya, nilai suatu teknologi tidak ditentukan oleh teknologi itu sendiri; nilainya menjadi lebih besar ketika mekanisme pelengkap seperti peralatan, pekerjaan, keterampilan, wewenang, dan sistem penilaian disusun ulang agar sesuai dengan teknologi tersebut.

Dari sudut pandang ini, membagikan lisensi AI generatif kepada semua orang bisa dikatakan sama dengan membagikan motor listrik kepada seluruh karyawan pabrik sekitar tahun 1900 lalu meminta mereka memikirkan usulan perbaikan pekerjaan masing-masing. Tentu, AI berbeda dengan motor karena merupakan alat produksi intelektual, sehingga dengan memberikan alat itu kita mungkin melihat peningkatan produktivitas individu, tetapi pada dasarnya yang muncul hanyalah usulan perbaikan parsial atas pekerjaan yang ada sekarang.

Jika AI saat ini memang teknologi serbaguna, yang seharusnya dilakukan adalah jajaran manajemen memikirkan organisasi masa depan secara keseluruhan dengan memanfaatkan AI, lalu memikirkan bagaimana AI digunakan di dalamnya. Saya kira penugasan untuk mencari jawaban itulah yang diwujudkan dalam perangkapan jabatan CHRO dan CAIO.

Organisasi juga merupakan arsitektur pemrosesan informasi

AI memiliki sisi yang berbeda dari penggantian "tenaga fisik" oleh mesin seperti sebelumnya.

Jika dilihat dari sudut pandang organisasi, teori organisasi sejak lama memiliki pandangan yang memahami organisasi sebagai mekanisme pemrosesan informasi. Menurut model pemrosesan informasi dari Jay Galbraith, semakin tinggi ketidakpastian suatu pekerjaan, semakin besar jumlah informasi yang harus diamati, dibagikan, dan diputuskan selama pelaksanaan. Aturan, hierarki, persetujuan, manajemen berdasarkan sasaran, dan tim lintas departemen semuanya adalah perangkat yang dibuat organisasi untuk menangani informasi dan pengecualian tersebut.

Memang, struktur organisasi menentukan hal-hal berikut.

• Siapa yang mengamati informasi di lapangan, dan dalam format apa informasi itu dicatat
• Siapa yang dapat mengakses informasi itu, dan di mana informasi itu dikumpulkan
• Siapa yang menafsirkan, memutuskan, dan menyetujui
• Kepada siapa kasus pengecualian dikirim
• Ke mana hasilnya diumpankan balik

Dalam pengertian ini, bagan organisasi dan alur kerja adalah peta penempatan orang sekaligus cetak biru yang menunjukkan simpul-simpul yang memproses informasi dan jalur penghubung di antaranya. Jika melangkah mundur dan melihatnya dari jauh, arsitektur organisasi itu sendiri adalah mekanisme untuk menentukan pemrosesan informasi.

Misalnya, jika organisasi berhierarki diadopsi, arah pemrosesan informasi bersifat berjenjang, dan karena atasan mendistribusikan informasi, penyampaian informasi cenderung lambat, tetapi informasi yang turun cenderung sudah tersaring dan letak tanggung jawab menjadi jelas. Sebaliknya, organisasi datar menyampaikan informasi lebih cepat, tetapi tidak semua informasi yang cepat sampai itu diperlukan, dan letak tanggung jawab menjadi kurang jelas. Struktur organisasi itu sendiri sudah memuat kelebihan dan kekurangan dari sisi penyampaian informasi dan tanggung jawab.

Jika kita hanya melihat satu sisi fungsi sumber daya "manusia" dari sudut pandang manajemen, manusia adalah sejenis simpul pemrosesan informasi. Manusia menerima informasi dari pelanggan dan lapangan, mencocokkannya dengan pengalaman dan keahlian masa lalu, memberi makna, mengambil keputusan di tempat, dan dalam kasus tertentu meneruskan hasilnya kepada orang atau sistem lain.

AI juga merupakan simpul baru yang ditempatkan pada jalur penghubung organisasi ini. AI mencari, mengklasifikasikan, dan meringkas informasi, menghasilkan teks dan kode, dan kadang mengoperasikan sistem.

Selama organisasi dipandang sebagai arsitektur pemrosesan informasi, manusia dan AI sama-sama dapat dikenali sebagai "pelaku yang menerima informasi, memprosesnya, dan meneruskannya ke tahap berikutnya". Kalau begitu, ada benarnya menyejajarkan keduanya secara datar lalu memikirkan bagaimana menggerakkannya. Dengan memanfaatkan keunggulan AI yang dapat memproses informasi dalam jumlah besar, bentuk organisasi baru pun mungkin bisa dipertimbangkan.

Dan yang membuat AI berbeda dari perangkat lunak konvensional adalah ini: pada perangkat lunak konvensional, masukan, prosedur pemrosesan, keluaran, dan kondisi pengecualian relatif mudah dinyatakan secara eksplisit, sedangkan AI generatif dapat menghasilkan keluaran terbuka dari masukan tak terstruktur atau permintaan yang ambigu, tetapi batas kinerja dan kondisi kegagalannya sulit didaftar terlebih dahulu. Karena AI menjadi lebih dekat dengan sifat kecerdasan manusia, bisa dikatakan masalah organisasi dan SDM semacam ini pun menjadi lebih dekat.

Fungsinya mirip, tetapi secara kelembagaan tidak simetris

Tentu saja, manusia dan AI bukan sumber daya yang sama.

Manusia tumbuh melalui pengalaman dan menanggung tanggung jawab hukum dan moral. AI dapat memproses informasi, tetapi tidak dapat mengemban tujuan organisasi atas kemauan sendiri, dan tidak menanggung tanggung jawab ketika terjadi kecelakaan (setidaknya menurut hukum saat ini). Selain itu, AI saat ini belum dapat memiliki informasi konteks sebanyak manusia.

Perbedaan ini muncul dalam praktik setidaknya sebagai dua masalah.

Yang pertama adalah ketidakselarasan dengan tujuan. AI dapat menghasilkan keluaran yang rata-rata dan tampak masuk akal, tetapi untuk saat ini ia belum begitu mahir mengambil keputusan yang benar "bagi organisasi" dengan informasi konteks yang memadai. Misalnya, AI bisa menyusun balasan yang terdengar alami kepada pelanggan, tetapi belum tentu balasan itu sesuai dengan kebijakan perusahaan, syarat kontrak, dan kewajiban hukum.

Tentu manusia pun tidak selalu selaras dengan tujuan organisasi, dan itulah sebabnya organisasi membangun mekanisme seperti rekrutmen, pengembangan, penilaian, insentif, dan budaya. Namun, yang dibutuhkan untuk AI bukanlah langkah-langkah untuk manusia seperti itu, melainkan cara yang sama sekali berbeda dari manusia, seperti hak akses data, wewenang eksekusi, pengetahuan yang dapat dirujuk, serta proses verifikasi dan kondisi penghentian. Menyelaraskan semua ini membutuhkan upaya yang cukup besar.

Yang kedua adalah ketidakselarasan tanggung jawab. Pekerjaan bisa diserahkan kepada AI, tetapi akuntabilitas sebagai organisasi tidak bisa diserahkan. Ketika AI ditempatkan dalam pekerjaan, di sekelilingnya harus disiapkan pula struktur tanggung jawab: siapa yang menyetujui, siapa yang mengawasi, siapa yang menghentikan, dan siapa yang memegang tanggung jawab akhir.

Artinya, yang dibutuhkan bersama di kedua sisi adalah rancangan batas: apa yang diserahkan kepada AI, dan dari titik mana ke depan tidak diserahkan. Dan rancangan batas ini tidak dapat diturunkan dari perbandingan biaya semata, yaitu sekadar "mengurangi biaya tenaga kerja dan biaya token".

Dengan kata lain, penerapan AI mencakup

• Ekonomi (mana yang dapat memproses dengan biaya berapa, manusia atau AI)
• Desain pekerjaan (dalam urutan apa manusia, AI, dan sistem memproses apa)
• Desain kelembagaan (siapa yang memegang wewenang, siapa yang belajar, siapa yang dinilai, siapa yang menanggung tanggung jawab)

yaitu tiga masalah yang berbeda; jawaban dari perbandingan biaya hanya muncul untuk yang pertama, sedangkan yang ditangani oleh penyatuan CHRO dan CAIO terutama adalah yang kedua dan ketiga.

Memikirkannya lewat layanan pertanyaan pelanggan

Pembahasan abstrak sudah berlangsung cukup lama, jadi mari kita lihat layanan pertanyaan pelanggan, yang ada di industri apa pun, sebagai contoh.

Dahulu, petugas membaca pertanyaan, mencari dokumen lama, menulis draf jawaban, atasan memeriksa, lalu jawaban dikirim kepada pelanggan dan catatan disimpan.

Jika hanya AI penghasil jawaban yang ditambahkan ke sini, waktu menulis draf jawaban memang menjadi lebih singkat. Namun, jika praktik atasan memeriksa semua jawaban tetap dipertahankan, kasus akan menumpuk di tahap persetujuan. Sebab hanya kapasitas pemrosesan di tahap pembuatan yang bertambah, sedangkan kapasitas persetujuan di hilir tidak berubah.

Ini bukan karena kinerja AI kurang, melainkan masalah yang muncul karena jalur penghubung pemrosesan informasi dan pengambilan keputusan dalam organisasi tetap seperti sebelumnya. Penyebab keluhan banyak perusahaan, "tingkat penggunaan AI naik, tetapi produktivitas organisasi secara keseluruhan tidak naik sebanyak yang diharapkan", kemungkinan besar juga terletak di sini.

Jika seluruh pekerjaan dirancang ulang dengan AI sebagai prasyarat, hasilnya kira-kira seperti berikut.

1. Saat penerimaan, informasi pertanyaan distrukturkan, dan jenis kasus serta risikonya diklasifikasikan
2. AI merujuk pengetahuan yang sudah disetujui, lalu menyajikan draf jawaban beserta dasarnya
3. Kasus berisiko rendah diproses otomatis, dan sebagian dengan persentase tertentu diaudit secara sampel
4. Untuk kasus berisiko sedang, petugas memeriksa dasarnya lalu menyetujui
5. Kasus berisiko tinggi dan kasus pengecualian dieskalasi kepada tenaga ahli
6. Pengecualian dan kesalahan baru diumpankan kembali ke pengetahuan setelah melalui persetujuan
7. Waktu hingga penyelesaian, tingkat jawaban keliru, tingkat pengembalian, dan penilaian pelanggan diukur

Yang ingin saya soroti di sini adalah apa saja yang bergeser akibat perubahan desain ini.

• Tugas petugas bergeser dari menulis jawaban menjadi memverifikasi dasar dan memutuskan pengecualian.
• Peran atasan bergeser dari memeriksa semua kasus menjadi merancang kriteria risiko dan mengawasi anomali.
• Kemampuan yang dibutuhkan oleh karyawan muda pun berubah dari menulis dengan cepat menjadi mempertanyakan asumsi jawaban AI, memeriksa dasarnya, dan menemukan pengecualian.
• Indikator penilaian bukan lagi jumlah jawaban yang dibuat, melainkan waktu penyelesaian, kualitas keputusan, sedikitnya insiden, dan kontribusi pada pengetahuan.

Struktur wewenang tentang siapa yang memegang tanggung jawab akhir atas kasus yang mana juga berubah.

Jadi, yang harus diubah adalah tugas manusia, peran manajer, keterampilan yang diperlukan untuk itu, serta penilaian, wewenang, dan tanggung jawab. "Di mana AI ditempatkan" dan "apa yang diserahkan kepada AI", beserta "di mana manusia ditempatkan" dan "apa yang diserahkan kepada manusia itu", justru menjadi alasan mengapa strategi AI, strategi SDM, dan lebih jauh strategi organisasi saling bertemu.

Dengan kata lain, seandainya kinerja AI saat ini setara kecerdasan karyawan baru yang tidak dapat memikul tanggung jawab, yang dipertanyakan adalah jawaban atas pertanyaan: "jika karyawan baru yang cukup pintar bisa didapat dalam jumlah tak terbatas dengan biaya rendah, organisasi seperti apa yang harus dibangun agar kinerja keseluruhan meningkat?" Jika jumlahnya ditambah begitu saja, para manajer dan penanggung jawab akan menjadi hambatan karena beban peninjauan dan sebagainya. Pertanyaannya adalah bagaimana menghindari hal itu sambil mencapai kinerja maksimal.

Yang ditangani SDM bukan hanya optimalisasi "kemampuan saat ini"

Ada satu alasan lagi mengapa SDM terlibat dalam strategi AI. Sebab SDM memikul bukan hanya penempatan kemampuan saat ini, tetapi juga pembentukan kemampuan di masa depan.

Pekerjaan yang selama ini dikerjakan karyawan baru memiliki dua fungsi. Yang pertama adalah fungsi menghasilkan keluaran, yaitu mencari dokumen, merapikannya, dan membuat draf. Yang kedua adalah fungsi pengembangan: melalui pekerjaan itu, mereka belajar apa yang harus dilihat, di mana harus curiga, dan pengecualian mana yang penting.

Jika persiapan awal diserahkan kepada AI, yang pertama bisa diefisienkan, tetapi jika rancangannya keliru, yang kedua ikut hilang. Artinya, bisa terjadi bahwa meskipun produktivitas naik dalam jangka pendek, beberapa tahun kemudian belum tumbuh karyawan tingkat menengah dan ahli yang mampu memverifikasi keluaran AI. Masalah "tangga karier yang menyempit" ini saya tulis dari sisi masyarakat dalam "AI, lapangan kerja, dan produksi berlebih elite, serta bagaimana pendidikan akan berubah", tetapi dari sisi perusahaan, ini adalah masalah bagaimana membina sendiri kemampuan yang dibutuhkan di masa depan.

Terutama, keahlian manusia tidak dapat digandakan seketika seperti kapasitas pemrosesan AI, melainkan terbentuk dalam waktu lama melalui pengalaman, umpan balik, kegagalan, dan hubungan dengan orang lain. Karena itu, strategi AI tidak cukup hanya memaksimalkan kapasitas pemrosesan saat ini.

Mengurangi pekerjaan melalui penerapan AI dan membina talenta yang dibutuhkan di era AI bukanlah dua perdebatan terpisah, melainkan bisa menjadi dua sisi dari desain pekerjaan yang sama.

Penyatuan peran yang menggambar cetak biru organisasi

Berdasarkan uraian sejauh ini, makna menyatukan CHRO dan CAIO mulai terlihat.

CAIO, dengan memahami kemampuan dan batas AI, merancang data yang diperlukan untuk memanfaatkan AI, pengendalian teknis, pembaruan model, log, dan metode evaluasi.

CHRO, seperti biasa, menangani tugas dan penempatan, rekrutmen, pengembangan, penilaian, remunerasi, serta struktur organisasi, wewenang, dan tanggung jawab.

Sebelum AI diterapkan, keduanya relatif bisa dipikirkan secara terpisah. Namun, ketika manusia dan AI membagi pekerjaan dalam alur kerja yang sama, di antara keduanya muncul saling ketergantungan yang erat. Jika CAIO memutuskan "tugas ini dapat diserahkan kepada AI", di sisi CHRO tugas, persyaratan rekrutmen, jalur pengembangan, dan indikator penilaian yang selama ini mengemban tugas itu harus diubah. Jika CHRO memutuskan "keputusan ini dipertahankan pada manusia", di sisi CAIO AI harus dibuat mampu menyajikan dasar yang diperlukan untuk keputusan itu, serta antarmuka dan log yang memungkinkan manusia turun tangan harus dibangun.

Artinya, perlu dirancang cetak biru tentang bagaimana manusia dan AI membagi tugas, bagaimana wewenang diberikan, bagaimana verifikasi dilakukan, siapa yang menanggung tanggung jawab, dan siapa yang dibina, sambil memperkirakan sampai taraf tertentu perkembangan kemampuan AI dan cakupan yang dapat dipakai.

Namun, CHRO merangkap CAIO bukan satu-satunya jawaban

Tentu bukan berarti di semua perusahaan CHRO harus merangkap CAIO. Yang penting bukan perangkapan jabatan, melainkan penyatuan fungsi. Selain itu, di perusahaan yang daya saing produknya sendiri ditentukan oleh AI, CAIO sebaiknya berada dekat dengan CTO atau penanggung jawab produk, dan jika yang menjadi pusat adalah perancangan ulang rantai pasok dan operasi, penyatuan dengan COO mungkin lebih berfungsi.

Dan yang penting bukanlah gelarnya, melainkan memahami batas kemampuan AI dan merancang ulang proses kerja; bersamaan dengan itu, bagaimana menugaskan orang yang dapat merancang bentuk ideal organisasi saat AI digunakan, termasuk pembagian tugas manusia dan AI, perubahan pengembangan dan penilaian, serta pendefinisian ulang wewenang dan tanggung jawab. Saya memahami CHRO merangkap CAIO sebagai salah satu ungkapan organisasional untuk mewujudkan penyatuan itu.

Namun, izinkan saya menambahkan bahwa hal ini berbeda menurut industri dan jenis usaha. Motor listrik mengubah produktivitas manufaktur secara besar-besaran, tetapi di sektor jasa pengaruhnya tidak sebesar itu. AI kali ini pun mungkin berdampak besar pada industri yang berpusat pada pemrosesan informasi, dan tidak sebesar itu pada industri yang bukan demikian. Penilaian semacam itu pun termasuk dalam hal yang tengah dijajaki, yaitu bagaimana AI akan dimanfaatkan.

Penutup

Menempatkan pelaku pemrosesan informasi dengan dua sifat berbeda, manusia dan AI, dalam alur kerja yang sama: itulah desain organisasi di era AI, dan itu juga dapat dikatakan sebagai penataan ulang hal-hal berikut di antara manusia dan AI.

• Tugas: siapa atau apa yang mengerjakan pekerjaan yang mana
• Hak keputusan: siapa atau apa yang dapat memutuskan dan melaksanakan
• Pengendalian: apa yang diverifikasi, diaudit, dan dihentikan
• Pembentukan kemampuan: bagaimana manusia dan AI diperbaiki dan dibuat belajar
• Penilaian: kepada siapa hasil dan tanggung jawab dibebankan

Apa yang diserahkan kepada AI dan apa yang dipertahankan pada manusia. Siapa yang memverifikasi, siapa yang belajar, siapa yang dinilai, dan siapa yang memikul tanggung jawab. Saya kira upaya agar rancangan itu tidak terpecah-pecah itulah yang menjadi arti penyatuan AI dengan strategi SDM dan organisasi kali ini.