damienmjones – Pernah merasa sudah menggunakan ChatGPT setiap hari, tetapi pekerjaan tetap saja menumpuk?

Pagi-pagi kita meminta AI merangkum sebuah dokumen. Lima menit kemudian meminta dibuatkan email. Setelah itu meminta ide presentasi, mencari informasi, memperbaiki tulisan, membuat tabel, lalu kembali lagi untuk menyusun jadwal.

AI memang membuat setiap pekerjaan terasa lebih cepat.

Masalahnya, kita tetap menjadi orang yang harus mengatur semuanya.

Kita menentukan tugas pertama, menyalin hasilnya ke aplikasi lain, memberikan instruksi berikutnya, mengecek hasil, lalu kembali lagi dengan prompt baru.

Pola seperti ini sebenarnya masih menempatkan AI sebagai chatbot yang menunggu perintah.

Perkembangan terbaru mulai mengubah pola tersebut.

Alih-alih hanya bertanya, “Bisa rangkum dokumen ini?”, kita mulai bisa mengatakan sesuatu seperti, “Pelajari dokumen proyek ini, cari tiga masalah yang paling mendesak, susun prioritas pekerjaan minggu ini, kemudian siapkan draft laporan untuk meeting hari Jumat.”

AI tidak lagi hanya diminta menghasilkan satu jawaban.

Ia diberi tujuan.

Dari sinilah konsep agentic AI mulai menarik untuk produktivitas pribadi.

Apa Itu Agentic AI?

Agentic AI secara sederhana adalah sistem AI yang tidak hanya menghasilkan jawaban, tetapi mampu melakukan serangkaian langkah untuk mencapai sebuah tujuan.

Chatbot tradisional umumnya bekerja dengan pola:

Pertanyaan → Jawaban.

Sementara agentic AI lebih mendekati:

Tujuan → Rencana → Tindakan → Evaluasi → Perbaikan → Hasil.

Perbedaannya terlihat kecil, tetapi dampaknya terhadap cara kita bekerja bisa sangat besar.

Misalnya kita sedang mempersiapkan presentasi mengenai perkembangan industri kendaraan listrik.

Dengan chatbot biasa, kita mungkin meminta AI mencari ide. Setelah mendapatkan jawaban, kita meminta outline. Kemudian mencari data sendiri, memasukkan datanya, meminta AI menganalisisnya, membuat grafik, menyusun presentasi dan akhirnya mengecek kembali semuanya.

Setiap tahap membutuhkan instruksi manusia.

Dalam sistem yang lebih agentic, kita bisa memberikan tujuan akhir: siapkan bahan presentasi mengenai perkembangan industri kendaraan listrik dengan data terbaru dan fokus pada pasar Indonesia.

Agent kemudian dapat memecah tujuan tersebut menjadi beberapa pekerjaan.

Ia bisa melakukan riset, membaca sumber, mengumpulkan data, membandingkan informasi, menyusun struktur, membuat draft dan mengevaluasi apakah hasilnya sudah memenuhi tujuan awal.

Manusia berpindah dari operator setiap langkah menjadi pengarah pekerjaan.

Dari Prompt Engineering Menuju Delegasi

Beberapa tahun terakhir kita sering mendengar istilah prompt engineering.

Orang berlomba-lomba belajar membuat prompt panjang agar mendapatkan jawaban yang lebih bagus.

Skill tersebut tetap berguna.

Namun, munculnya agentic AI membuat kemampuan lain semakin penting: delegasi.

Kalau menggunakan chatbot, pertanyaan utamanya adalah:

“Apa yang harus saya tanyakan?”

Ketika bekerja dengan agent, pertanyaannya berubah menjadi:

“Apa hasil yang sebenarnya ingin saya capai?”

Perbedaannya sangat penting.

Bayangkan seorang manajer mengatakan kepada stafnya, “Tolong cari data penjualan bulan lalu.”

Staf tersebut memberikan spreadsheet.

Selesai.

Bandingkan dengan instruksi, “Saya perlu memahami mengapa penjualan bulan lalu turun. Analisis data penjualan, bandingkan dengan tiga bulan sebelumnya, cari produk dan wilayah yang paling bermasalah, kemudian siapkan rekomendasi untuk meeting besok.”

Tujuan kedua memberikan konteks mengenai hasil akhir, bukan hanya aktivitas.

Cara memberikan pekerjaan kepada agentic AI semakin mendekati pola kedua.

Produktivitas AI Mulai Terlihat dalam Data

Perubahan tersebut bukan hanya tren pemasaran perusahaan teknologi.

Data mengenai penggunaan AI di tempat kerja mulai menunjukkan dampaknya.

Gallup pada 2026 melaporkan bahwa 65 persen pekerja di organisasi yang telah menerapkan AI mengatakan teknologi tersebut memberikan dampak positif terhadap produktivitas dan efisiensi mereka.

Survei global McKinsey pada tahun yang sama bahkan menemukan sekitar delapan dari sepuluh responden mengatakan AI telah meningkatkan produktivitas pribadi mereka.

Namun ada temuan menarik.

Dampak terhadap produktivitas individu ternyata belum otomatis berubah menjadi peningkatan keuntungan perusahaan.

Dalam survei McKinsey tersebut, hanya 37 persen responden yang mengatakan penggunaan AI telah memberikan kontribusi terhadap EBIT organisasi mereka.

Artinya, membuat seorang karyawan bekerja lebih cepat tidak otomatis membuat seluruh perusahaan bekerja lebih efektif.

Di sinilah agentic AI mulai menjadi menarik.

Potensi terbesarnya mungkin bukan membuat satu tugas selesai 20 persen lebih cepat, melainkan menghilangkan banyak pekerjaan kecil yang muncul di antara tugas-tugas utama.

Musuh Produktivitas Sering Kali Bukan Pekerjaan Besar

Coba perhatikan hari kerja biasa.

Kita mungkin hanya memiliki tiga pekerjaan penting.

Tetapi di antara ketiganya ada puluhan aktivitas kecil.

Mencari file.

Membuka email.

Memeriksa kalender.

Mengumpulkan data.

Mengubah format spreadsheet.

Menyalin informasi dari satu aplikasi ke aplikasi lain.

Membuat notulen.

Mencari kembali percakapan minggu lalu.

Mengirim follow-up.

Memeriksa apakah seseorang sudah membalas.

Mengubah revisi menjadi dokumen final.

Tidak satu pun pekerjaan tersebut terasa sangat berat.

Masalahnya adalah jumlahnya.

McKinsey menyebut fenomena yang muncul di antara berbagai tahapan workflow ini sebagai semacam coordination tax.

Kita menghabiskan energi bukan hanya untuk melakukan pekerjaan, tetapi juga untuk mengoordinasikan pekerjaan.

Agentic AI berpotensi mengambil sebagian beban tersebut.

Contoh Sederhana: Persiapan Meeting

Bayangkan besok pagi kita memiliki meeting dengan klien.

Kalau menggunakan AI seperti chatbot, mungkin kita melakukan beberapa langkah.

Kita mencari email terakhir klien, membaca dokumen proyek, meminta AI merangkum dokumen, melihat kalender, membuat daftar masalah, meminta AI membuat agenda dan akhirnya menulis catatan sendiri.

Dengan agentic workflow, instruksinya bisa berubah menjadi:

“Siapkan saya untuk meeting dengan klien besok. Pelajari komunikasi dan dokumen proyek yang relevan, rangkum perkembangan sejak meeting terakhir, identifikasi keputusan yang masih tertunda dan buat briefing satu halaman.”

Kalau agent memiliki izin terhadap sumber yang dibutuhkan, pekerjaan tersebut dapat dijalankan sebagai satu rangkaian.

Di sinilah produktivitas berubah.

Bukan karena AI bisa menulis ringkasan lebih cepat.

Tetapi karena kita tidak perlu menjadi manusia yang menghubungkan setiap langkah.

Agentic AI untuk Mengelola Hari Kerja

Penggunaan lainnya adalah perencanaan harian.

Banyak orang memulai pagi dengan membuka email.

Kemudian Slack atau Teams.

Lalu kalender.

Setelah itu aplikasi project management.

Belum bekerja apa-apa, tetapi perhatian sudah terpecah ke empat tempat.

Agent dapat digunakan sebagai lapisan yang membantu menggabungkan informasi tersebut.

Misalnya kita memiliki lima pekerjaan hari ini, dua meeting dan beberapa email penting.

Alih-alih memeriksa semuanya secara manual, agent dapat membantu membuat briefing:

“Ada lima pekerjaan terbuka. Dua harus selesai hari ini. Meeting pertama pukul 10.00 membutuhkan dokumen A. Klien B belum menjawab pertanyaan kemarin. Proposal C harus dikirim sebelum sore.”

Kita tetap menentukan keputusan akhirnya.

Tetapi pekerjaan untuk menemukan dan menyusun informasi bisa didelegasikan.

Agentic AI untuk Freelancer

Freelancer mungkin menjadi salah satu kelompok yang paling mudah merasakan manfaat agentic AI.

Seorang freelancer biasanya bukan hanya melakukan pekerjaan utamanya.

Desainer juga harus mencari klien, membuat proposal, mengirim invoice, mencatat revisi dan melakukan follow-up.

Penulis juga harus melakukan riset, mengelola kalender editorial, mengecek brief, mengirim pekerjaan dan memantau pembayaran.

Semua pekerjaan administratif tersebut menghabiskan waktu yang sebenarnya bisa digunakan untuk pekerjaan bernilai lebih tinggi.

Agent dapat membantu mengelola sebagian workflow.

Misalnya setelah mendapatkan brief, AI dapat membaca kebutuhan klien, mengidentifikasi informasi yang belum lengkap, membuat daftar pertanyaan, menyusun jadwal pengerjaan dan menyiapkan struktur awal pekerjaan.

Ketika proyek selesai, agent dapat membantu menyiapkan email pengiriman dan mengingatkan jika belum ada respons.

Manusia tetap mengerjakan bagian yang membutuhkan kreativitas dan hubungan dengan klien.

Administrasinya yang mulai didelegasikan.

Agentic AI untuk Content Creator

Content creator menghadapi masalah yang hampir sama.

Membuat konten bukan hanya menulis atau merekam video.

Ada riset topik, mencari tren, membaca kompetitor, membuat kalender, menyiapkan brief, menulis, mengedit, mempublikasikan dan mengevaluasi performa.

Agentic AI memungkinkan beberapa proses tersebut disambungkan.

Kita dapat memberikan tujuan seperti:

“Cari perkembangan penting ekonomi digital Indonesia minggu ini, kelompokkan menjadi lima topik, prioritaskan berdasarkan relevansi pembaca, lalu siapkan brief artikel untuk tiga topik terbaik.”

Agent melakukan pekerjaan riset dan organisasi.

Creator menggunakan hasil tersebut untuk menentukan cerita yang layak dibuat.

Perbedaannya penting.

AI tidak harus menggantikan kreativitas.

AI justru bisa mengurangi pekerjaan mekanis agar manusia mempunyai lebih banyak waktu untuk berpikir kreatif.

Agentic AI Bahkan Mulai Mengerjakan Tugas Panjang

Salah satu perkembangan menarik pada 2026 adalah meningkatnya kemampuan agent mengerjakan tugas yang tidak selesai dalam satu-dua menit.

Riset OpenAI mengenai penggunaan Codex menunjukkan pergeseran dari interaksi pendek menuju pekerjaan dengan horizon lebih panjang.

Pada Mei 2026, 80,6 persen pengguna individu yang menjadi sampel setidaknya pernah memberikan pekerjaan kepada Codex yang diperkirakan membutuhkan manusia lebih dari 30 menit.

Sekitar 70,2 persen pernah memberikan pekerjaan yang diperkirakan membutuhkan lebih dari satu jam kerja manusia.

Bahkan 25,6 persen pernah memberikan pekerjaan yang diperkirakan setara dengan lebih dari delapan jam pekerjaan manusia.

Ini menunjukkan perubahan mendasar dalam cara orang berinteraksi dengan AI.

Dulu kita meminta AI menjawab.

Sekarang kita mulai memberikan pekerjaan.

Jangan Mulai dari “Agent Apa yang Harus Saya Pakai?”

Kesalahan yang mudah terjadi adalah langsung berburu aplikasi AI.

Setiap minggu muncul tools baru yang mengklaim bisa mengotomatisasi pekerjaan.

Padahal pertanyaan pertama seharusnya bukan mencari tools.

Mulailah dengan melihat pekerjaan sendiri.

Selama beberapa hari, perhatikan aktivitas yang terus berulang.

Pekerjaan apa yang paling sering membuat kita berpindah aplikasi?

Apa yang setiap minggu kita lakukan dengan pola hampir sama?

Apa yang membutuhkan banyak langkah tetapi sedikit keputusan penting?

Apa yang menghabiskan waktu padahal hasil akhirnya relatif standar?

Di situlah kandidat terbaik untuk agentic workflow biasanya ditemukan.

Cari Pekerjaan yang Membosankan tetapi Terstruktur

Tidak semua pekerjaan cocok diberikan kepada agent.

Agentic AI sangat menarik untuk pekerjaan yang mempunyai tujuan jelas, langkah yang relatif dapat dipahami dan hasil yang bisa diperiksa.

Misalnya mengumpulkan informasi dari beberapa dokumen.

Membuat laporan rutin.

Mengelompokkan email.

Menyiapkan briefing meeting.

Membandingkan beberapa data.

Membuat draft berdasarkan template.

Memeriksa perubahan dokumen.

Mengubah data menjadi format tertentu.

Sebaliknya, keputusan yang memiliki konsekuensi besar membutuhkan pengawasan manusia jauh lebih ketat.

AI mungkin membantu menyiapkan informasi untuk keputusan tersebut.

Tetapi keputusan akhirnya tetap sebaiknya berada pada manusia.

Gunakan Pola Goal, Context, Constraints, Output

Ketika mulai menggunakan agentic AI, kita tidak harus membuat prompt sepanjang satu halaman.

Yang lebih penting adalah memberikan empat hal.

Goal menjelaskan hasil yang ingin dicapai.

Context memberikan informasi mengenai situasi.

Constraints menentukan batas yang tidak boleh dilanggar.

Output menjelaskan bentuk hasil yang kita inginkan.

Misalnya:

“Saya punya meeting evaluasi proyek besok. Pelajari dokumen proyek dan catatan meeting sebelumnya. Identifikasi pekerjaan yang terlambat dan keputusan yang belum selesai. Jangan mengirim pesan atau mengubah dokumen apa pun tanpa persetujuan saya. Buat briefing maksimal dua halaman.”

Instruksi tersebut jauh lebih berguna bagi agent dibanding sekadar mengatakan:

“Bantu saya persiapan meeting.”

Biarkan AI Mengerjakan, tetapi Tetapkan Checkpoint

Agentic AI bukan berarti memberikan akses ke semuanya lalu meninggalkannya.

Konsep pentingnya adalah human-in-the-loop.

Ada pekerjaan yang boleh dilakukan AI secara otomatis.

Ada pekerjaan yang harus berhenti dan meminta persetujuan.

Misalnya agent boleh membaca kalender dan membuat draft agenda secara otomatis.

Tetapi sebelum mengirim undangan kepada 30 orang, ia harus meminta persetujuan.

Agent boleh membuat draft email.

Tetapi email kepada klien penting harus diperiksa manusia sebelum dikirim.

Agent boleh menganalisis transaksi.

Tetapi transfer uang tentu membutuhkan kontrol jauh lebih ketat.

Semakin besar konsekuensi suatu tindakan, semakin kuat checkpoint manusia yang dibutuhkan.

Jangan Berikan Akses Lebih Besar dari yang Dibutuhkan

Ini menjadi semakin penting ketika AI berubah dari chatbot menjadi agent.

Chatbot yang salah menjawab mungkin menghasilkan paragraf yang keliru.

Agent yang memiliki akses ke sistem lain bisa melakukan tindakan yang keliru.

Perbedaannya besar.

World Economic Forum pada 2026 menyoroti pentingnya menentukan secara jelas apa yang boleh dilakukan agent, bagaimana otorisasinya diterapkan dan bagaimana tindakannya dapat diaudit.

Prinsip praktisnya sederhana.

Kalau agent hanya membutuhkan akses membaca kalender, jangan berikan kemampuan menghapus acara.

Kalau hanya perlu membaca dokumen proyek, jangan otomatis memberinya akses ke seluruh penyimpanan perusahaan.

Kalau tugasnya membuat draft email, tidak selalu perlu memberikan izin mengirim.

Berikan akses minimum yang dibutuhkan untuk menyelesaikan pekerjaan.

Agent Juga Bisa Salah

Ada godaan untuk menganggap agent sebagai karyawan digital yang tidak pernah lelah.

Masalahnya, agent juga tidak selalu benar.

Microsoft Research pada 2026 menguji agent dalam lingkungan kerja yang jauh lebih rumit daripada benchmark satu tugas.

Ketika jumlah pekerjaan yang harus dikelola bersamaan meningkat, performa agent dasar justru turun tajam.

Dalam eksperimen tersebut, ketika beban meningkat dari 12 menjadi 46 tugas, tingkat penyelesaian pada sistem baseline turun dari 16,7 persen menjadi 8,7 persen.

Artinya, kemampuan AI menjawab satu pertanyaan dengan sangat bagus tidak otomatis berarti AI mampu mengelola puluhan pekerjaan secara sempurna.

Masalah memori, prioritas, ketergantungan antartugas dan perubahan situasi masih menjadi tantangan.

Produktif Bukan Berarti Membuat AI Sibuk

Kita juga perlu menghindari jebakan baru.

Dulu orang merasa produktif karena memiliki banyak aplikasi productivity.

Sekarang kita bisa merasa produktif karena memiliki banyak agent.

Padahal agent yang menjalankan 100 tugas tidak berarti menghasilkan 100 pekerjaan bernilai.

Produktivitas seharusnya diukur dari hasil.

Apakah waktu menyelesaikan pekerjaan berkurang?

Apakah jumlah kesalahan turun?

Apakah pekerjaan administratif berkurang?

Apakah kita memiliki lebih banyak waktu untuk pekerjaan penting?

Kalau setelah memasang sepuluh automasi kita justru menghabiskan dua jam setiap hari memperbaiki hasil AI, kita belum menjadi lebih produktif.

Kita hanya memindahkan bentuk pekerjaannya.

Skill Penting Berikutnya: Menjadi Manajer AI

Mungkin perubahan terbesar dari agentic AI bukan kemampuan teknologinya.

Perubahannya ada pada cara kita bekerja.

Selama ini komputer menunggu manusia.

Kita membuka aplikasi, mengklik tombol, mengisi formulir, memindahkan file dan menjalankan proses satu demi satu.

Agentic AI mulai membalik hubungan tersebut.

Manusia memberikan tujuan.

Mesin membantu mengerjakan proses.

Kalau tren ini terus berkembang, kemampuan penting seorang pekerja bukan hanya mengetahui cara menggunakan software.

Kita perlu belajar mengelola pekerjaan yang dilakukan AI.

Kita harus mampu menentukan tujuan yang jelas, menyediakan konteks, membatasi kewenangan, mengevaluasi hasil dan mengetahui kapan harus mengambil alih.

Dengan kata lain, sebagian dari kita akan mulai berperan seperti manajer.

Bedanya, anggota tim yang kita kelola mungkin berupa agent AI.

Produktif dengan AI Bukan Berarti Menyerahkan Semua Pekerjaan

Agentic AI menawarkan sesuatu yang lebih menarik daripada sekadar chatbot yang lebih pintar.

Ia menawarkan kemungkinan untuk mengubah cara kita membagi pekerjaan antara manusia dan komputer.

AI menangani pekerjaan repetitif, pencarian informasi, organisasi data dan sebagian eksekusi.

Manusia menentukan tujuan, membuat keputusan penting, memberikan penilaian dan bertanggung jawab atas hasil akhirnya.

Data 2026 menunjukkan potensi tersebut mulai terlihat. Banyak pekerja melaporkan peningkatan produktivitas dari AI dan perusahaan mulai meningkatkan penggunaan agentic system.

Tetapi teknologi ini masih jauh dari sempurna.

Agent bisa salah memahami instruksi, kehilangan konteks, melakukan tindakan yang tidak kita inginkan atau menghasilkan pekerjaan yang tampak meyakinkan tetapi sebenarnya keliru.

Karena itu, masa depan produktivitas mungkin bukan manusia versus AI.

Bukan pula manusia yang menyerahkan semua pekerjaan kepada AI.

Model yang lebih masuk akal adalah manusia yang tahu kapan harus bekerja sendiri, kapan menggunakan chatbot, dan kapan mendelegasikan rangkaian pekerjaan kepada agent.

Jadi mungkin sudah waktunya berhenti menggunakan AI hanya dengan pertanyaan:

“Bisa bantu saya melakukan ini?”

Mulailah mencoba pertanyaan yang berbeda:

“Ini tujuan saya. Bagian mana dari pekerjaan ini yang bisa kamu kerjakan untuk saya?”

Di situlah perubahan dari sekadar menggunakan AI menjadi bekerja bersama AI mulai terjadi.

Referensi

Microsoft WorkLab. 2026 Work Trend Index: Agentic ai, Human Agency, and the Opportunity for Every Organization, 5 Mei 2026.
https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization

McKinsey & Company. The State of AI in 2026: On the Road to ROI, 25 Agustus 2026.
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

McKinsey & Company. Cutting the Coordination Tax: How Agentic AI Can Reshape Workflows, 18 September 2026.
https://www.mckinsey.com/industries/industrials/our-insights/cutting-the-coordination-tax-how-agentic-ai-can-reshape-workflows

Gallup. agentic AI and Workplace Productivity: What Leaders Need to Know, diperbarui 30 September 2026.
https://www.gallup.com/workplace/713063/ai-workplace-productivity.aspx

OpenAI. How Agentic ai Are Transforming Work, 25 Juni 2026.
https://openai.com/index/how-agents-are-transforming-work/

Microsoft Research. CORPGEN Advances AI Agents for Real Work, 2026.
https://www.microsoft.com/en-us/research/blog/corpgen-advances-ai-agents-for-real-work/

World Economic Forum. AI Agents in Action: A Playbook for Trusted Adoption, Authorization and Scaling, 2026.
https://www.weforum.org/publications/ai-agents-in-action-a-playbook-for-trusted-adoption-authorization-and-scaling/

Anthropic. Trustworthy Agentic ai in Practice, 2026.
https://www.anthropic.com/research/trustworthy-agents