Mengapa pengalaman manusia semakin berharga di era kecerdasan buatan? Jawabannya terletak pada perbedaan antara explicit knowledge (aturan tertulis/SOP) dan tacit knowledge (pemahaman intuitif dari jam terbang). AI bekerja optimal dalam batasan aturan yang terstruktur (closed world), tetapi tidak memiliki human judgment untuk menavigasi ketidakpastian dunia nyata (open world).
Beberapa bulan terakhir saya hampir setiap hari membangun AI agent. Ada yang membantu riset, ada yang menulis artikel, ada yang membuat landing page, ada yang memperbaiki bug aplikasi, hingga ada yang memantau cash flow.
Semakin lama saya menggunakan teknologi ini untuk mengotomatisasi pekerjaan, semakin saya kagum dengan kemampuannya. Tetapi anehnya, semakin lama saya juga semakin menghargai pengalaman kerja nyata yang dimiliki oleh manusia.
Awalnya, saya mengira kehadiran AI akan membuat pengalaman menjadi tidak terlalu penting lagi. Toh, semua pengetahuan teoritis bisa dicari secara instan. Semua dokumentasi bisa dibaca oleh mesin. Semua SOP bisa dipelajari dalam hitungan detik.
Ternyata asumsi saya keliru. Justru di tengah gelombang perkembangan teknologi yang pesat ini, dinamika AI dan pekerjaan menunjukkan bahwa semakin pintar AI, semakin mahal harga pengalaman langsung manusia.
Ford Membuat Saya Berpikir tentang Kegagalan Ford AI
Beberapa hari lalu saya membaca sebuah berita yang sangat menarik di TechCrunch.
Raksasa otomotif Ford merekrut kembali sekitar 350 engineer senior yang sebelumnya sudah pensiun atau hampir pensiun. Sebagian besar rambut mereka sudah mulai memutih (abu-abu). Padahal sebelumnya, Ford sedang sangat agresif menggunakan sistem Ford AI untuk membantu proses quality control di pabrik mereka.
Alasan mereka memanggil kembali para veteran ini sangat sederhana. AI bisa membaca spesifikasi produk dengan cepat. AI bisa membandingkan hasil produksi fisik dengan dokumen desain digital secara presisi. Manajemen mengira kemampuan membandingkan dokumen itu sudah cukup untuk menjamin kualitas terbaik.
Sampai akhirnya mereka menyadari kesalahannya di lapangan.
“Mistakenly we thought AI + design requirements = high quality.”
Kalimat dari Charles Poon, VP Vehicle Hardware Engineering Ford tersebut membuat saya tertegun cukup lama. Kalau perusahaan manufaktur sebesar Ford saja bisa salah memperkirakan batas kemampuan AI dalam menggantikan keahlian manusia, mungkin memang ada sesuatu yang fundamental yang terlewatkan oleh kita semua tentang esensi keahlian kerja.
Yann LeCun Menjelaskan Mengapa AI Kesulitan di Dunia Nyata
Tidak lama setelah membaca berita Ford, perhatian saya tertuju pada wawancara Yann LeCun di BBC.
Yann LeCun bukanlah sosok sembarangan. Beliau adalah mantan Chief AI Scientist Meta selama 10 tahun yang kini memimpin AMI Labs, perusahaan AI bernilai miliaran dolar yang didukung oleh Nvidia dan Jeff Bezos.
Dalam wawancaranya, beliau menjelaskan bahwa model bahasa besar (LLM) sangat hebat menyelesaikan masalah yang berada di dalam lingkup closed world (dunia tertutup). Contohnya seperti soal matematika, permainan catur, puzzle, atau pengerjaan coding. Semua masalah tersebut memiliki aturan permainan yang baku dan jawaban akhir yang relatif jelas.
Tetapi dunia nyata adalah sebuah open world (dunia terbuka). Di dunia nyata, data sering kali tidak lengkap, variabel berubah setiap detik, dan jawaban yang benar tidak pernah benar-benar pasti.
Itulah sebabnya AI bisa memenangkan kompetisi matematika tingkat dunia atau menulis kode program rumit, tetapi masih kesulitan melakukan pengambilan keputusan yang sangat sederhana di dunia nyata.
Yann LeCun memberikan analogi yang menarik: pegang pulpen tegak lurus di atas meja, lalu lepaskan. Manusia tahu pulpen itu pasti akan jatuh. Tapi tidak ada satu pun manusia yang akan membuang waktu menebak ke arah mana pulpen itu jatuh karena terlalu banyak variabel tak terduga. Sebaliknya, AI justru akan mencoba memprediksi arah jatuhnya secara matematis, dan hampir pasti hasil prediksinya salah.
Saya sendiri melihat fenomena ini setiap hari saat menjalankan Pandawa AI. Yudhis (agent riset kami) bisa menghasilkan laporan riset pasar yang sangat rapi. Sadewa (agent finance kami) bisa menyusun simulasi arus kas dengan tiga skenario sekaligus secara instan. Bima (agent developer kami) bahkan bisa memperbaiki bug kode dalam hitungan menit.
Namun, ada satu hal penting yang tidak pernah saya delegasikan kepada para agen AI ini: keputusan akhir.
Bukan karena masalah kepercayaan teknis semata, tetapi karena setiap keputusan penting di dunia nyata selalu mengandung variabel non-teknis yang tidak akan pernah bisa masuk ke dalam kolom prompt mana pun.
Kasus Ford AI menjadi sangat masuk akal bagi saya. Menjaga kualitas produk (quality control) ternyata bukan sekadar mencocokkan fisik barang dengan dokumen spesifikasi. Ada begitu banyak konteks operasional, kebiasaan material, dan sensitivitas alat yang tidak pernah tertulis secara eksplisit dalam dokumen desain.
Michael Polanyi dan Konsep Tacit Knowledge vs Explicit Knowledge
Menelusuri keterbatasan ini membawa saya menemukan pemikiran seorang filsuf bernama Michael Polanyi. Enam puluh tahun sebelum teknologi ChatGPT atau LLM modern lahir, beliau menulis satu kalimat legendaris:
“We know more than we can tell.” (Kita mengetahui lebih banyak daripada yang mampu kita jelaskan.)
Pernyataan ini adalah kunci utama untuk memahami masa depan pekerjaan dan future of work. Di dunia ini, terdapat pengetahuan yang bisa ditulis dan didokumentasikan. Kita menyebutnya sebagai explicit knowledge (pengetahuan eksplisit). Hal-hal seperti SOP, checklist, buku manual, dokumentasi teknis, hingga baris instruksi prompt masuk ke dalam kategori ini. AI sangat superior dalam mengolah jenis pengetahuan ini.
Namun, ada jenis pengetahuan lain yang disebut sebagai tacit knowledge (pengetahuan implisit). Ini adalah pengetahuan yang sangat sulit untuk dijelaskan dengan kata-kata atau dituliskan secara sistematis, tetapi dampaknya nyata.
- Seorang auditor keuangan senior sering kali merasa ada transaksi yang “aneh” hanya dengan melihat sekilas lembar neraca, meskipun secara matematis semua angka terlihat normal.
- Seorang chef berpengalaman tahu adonan roti akan gagal hanya dari aroma panggangan atau tekstur lengket saat disentuh tangan.
- Seorang sales senior bisa mendeteksi calon pelanggan tidak berniat membeli hanya dari nada bicara atau mikro-ekspresi wajah saat menjawab sapaan awal.
Jika Anda meminta mereka menjelaskan secara ilmiah mengapa mereka mengambil kesimpulan tersebut, mereka akan kesulitan menjelaskannya secara runut. Pengetahuan itu tidak jatuh dari langit, melainkan terukir di dalam otak mereka dari akumulasi ribuan pengalaman langsung dan kegagalan yang menumpuk selama bertahun-tahun.
Inilah human judgment sejati yang bersumber dari tacit knowledge.
Pengalaman Pribadi di Bidang Finance
Sebagai orang yang menghabiskan waktu lebih dari 14 tahun di bidang accounting dan finance, saya sering kali mengalami momen-momen sensoris seperti itu.
Kadang-kadang, saat saya meninjau laporan keuangan sebuah proyek, ada alarm di kepala saya yang berbunyi bahwa ada sesuatu yang menyimpang. Pada saat itu, saya belum bisa merumuskan alasannya secara verbal atau matematis kepada tim. Namun, setelah kami melakukan penelusuran lebih dalam, kami hampir selalu menemukan adanya kesalahan pencatatan transaksi, pola pengeluaran yang tidak efisien, atau keputusan bisnis yang melenceng dari target awal.
Dulu saya hanya menganggap hal tersebut sebagai intuisi atau “firasat”.
Kini saya menyadari bahwa itu adalah manifestasi dari tacit knowledge yang terbentuk dari ribuan jam terbang menghadapi berbagai macam kasus keuangan yang berbeda di lapangan.
Hal-hal intuitif seperti ini tidak akan pernah bisa dimasukkan ke dalam SOP standar ataupun baris prompt AI. Bahkan, saya sendiri kesulitan mendeskripsikan sensitivitas tersebut ke dalam instruksi file SOUL.md milik Sadewa (agent finance kami), meskipun saya sendiri yang merancang arsitekturnya dari awal.
Pengetahuan yang tidak tertulis inilah yang menjadi pembeda mutlak antara seorang pemula yang baru membaca buku teori dengan seorang ahli yang sudah bertahun-tahun kenyang dengan pengalaman lapangan.
Inilah alasan utama mengapa Ford memilih memanggil kembali para engineer senior mereka yang berambut abu-abu. Mereka tidak butuh orang yang sekadar menghafal SOP tertulis, karena AI pun bisa membaca jutaan halaman SOP dalam sekejap. Mereka mencari manusia yang pernah salah, pernah gagal, dan memiliki pengalaman matang mengambil keputusan penting saat data di atas meja belum lengkap.
Menyiapkan Diri untuk Dunia Kerja di Era AI
Jika AI terbukti semakin andal mengerjakan tugas-tugas yang memiliki SOP dan aturan baku, bagaimana kita harus memposisikan diri untuk masa depan karir kita? Ada empat langkah strategis yang bisa kita ambil:
- Masuklah ke Dunia Terbuka (Open World): Hindari memilih spesialisasi pekerjaan yang alur kerjanya sudah sangat tertebak dan monoton. Carilah peran atau proyek yang memiliki banyak variabel tidak terduga, yang jawabannya memerlukan kompromi, dan yang hasilnya baru bisa dievaluasi setelah beberapa bulan atau tahun berjalan.
- Naik ke Level Pengambilan Keputusan: AI sangat hebat dalam mengolah data dan menghasilkan draf output. Namun, manusia harus tetap memegang kendali atas penentuan keputusan akhir. Tingkatkan kemampuan analisis kritis Anda agar porsi human judgment Anda tetap menjadi penentu tombol eksekusi terakhir.
- Kumpulkan Pengalaman yang Tidak Bisa Ditulis: Ingatlah bahwa tacit knowledge tidak akan pernah lahir dari sekadar membaca buku teori atau menonton video tutorial. Ia lahir dari negosiasi bisnis yang gagal, proyek tim yang berantakan, penyelesaian krisis operasional, konflik internal, dan perbaikan kesalahan teknis. Jangan takut menghadapi kegagalan, karena dari situlah bank memori pengalaman Anda terbentuk.
- Kumpulkan Variasi Konteks Lebih Cepat: Kita tidak harus menunggu usia kita tua untuk mengumpulkan jam terbang. Lakukan rotasi pekerjaan ke bidang baru yang belum Anda kuasai, pelajari dinamika dari industri yang berbeda, dan biasakan diri mengambil keputusan berani meskipun data yang tersedia belum 100% lengkap.
AI Bukanlah Ancaman, Melainkan Filter Pemisah Kerja
Pada akhirnya, saya menyadari bahwa kecerdasan buatan bukanlah ancaman yang akan menyapu bersih semua pekerjaan manusia tanpa sisa.
Sebaliknya, kehadiran AI bertindak sebagai filter pemisah yang memperjelas batas antara dua jenis aktivitas kerja: pekerjaan rutin yang hanya mengikuti SOP tertulis, dan pekerjaan bernilai tinggi yang menuntut penilaian mendalam (judgment).
Dalam tulisan saya sebelumnya tentang tiga hal yang tidak bisa saya delegasikan kepada AI: Keputusan, Relasi, dan Arah, saya semakin yakin bahwa ketiga elemen tersebut mutlak membutuhkan kehadiran manusia. Bukan karena AI tidak memiliki daya komputasi yang cukup pintar.
Tetapi karena ketiganya membutuhkan sensitivitas, empati, dan kebijaksanaan yang hanya bisa lahir dari pengalaman hidup dan interaksi nyata di dunia luar.
Semakin pintar AI di masa depan, maka pengalaman manusia akan dinilai dengan harga yang semakin mahal.
Sebab, pengalaman sejati bukan sekadar tahu apa jawaban dari sebuah pertanyaan yang sudah ada rumusnya. Pengalaman adalah keberanian dan ketepatan dalam menentukan arah tindakan ketika jawaban itu belum pernah ditulis oleh siapa pun di dunia ini.
