DECISION BRIEF 10 · AI-FLUENT LEADERSHIP · 27 AGUSTUS 2026

Strategi SDM di Era AI: Desain Ulang Tugas Sebelum PHK

CEO sebaiknya tidak langsung mengubah tingkat paparan AI menjadi target pengurangan karyawan. Strategi SDM di era AI yang kredibel dimulai dengan mendesain ulang tugas, workflow, kompetensi, dan decision rights; otomatisasi atau pengurangan peran harus menjadi hasil pembuktian, bukan asumsi awal.

Executive deck

ILO memperkirakan hampir 80 juta pekerja ASEAN berada dalam pekerjaan dengan paparan lebih dari minimal terhadap AI generatif. Namun, riset yang sama belum menemukan bukti disrupsi pekerjaan dalam skala besar. Pertanyaan eksekutifnya bukan “manusia atau AI”, melainkan tugas mana yang perlu diotomatisasi, diperkuat, didesain ulang, atau tetap berada di bawah judgment manusia, serta siapa yang bertanggung jawab ketika workflow berubah.

Brief ini relevan untuk organisasi formal di Asia Tenggara yang mendesain ulang knowledge work dan service work. Analisis ini bukan prediksi PHK individual, bukan nasihat hukum ketenagakerjaan, dan tidak menyamakan paparan teknis dengan kelayakan ekonomi.

← Decision Brief

Read in English

Strategi SDM di era AI: estimasi ILO menunjukkan 22,9% pekerjaan ASEAN terpapar AI generatif, 3,3% pada paparan tertinggi, dan 67% belum teridentifikasi terpapar.

Key Data: paparannya besar, tetapi displacement belum terbukti

22,9% pekerjaan di ASEAN (hampir 80 juta pekerja) berada dalam kelompok dengan paparan lebih dari minimal terhadap AI generatif menurut estimasi ILO untuk 2025 yang diterbitkan pada 8 Juli 2026.
3,3% pekerjaan, sekitar 11,7 juta pekerja,berada pada kelompok paparan tertinggi; 67% belum memiliki paparan yang teridentifikasi. Paparan mengukur potensi irisan tugas, bukan adopsi nyata atau PHK.
ILO belum menemukan bukti disrupsi pekerjaan skala besar; pekerjaan dengan paparan tinggi justru tetap bertumbuh sejak 2017.
Sintesis OECD pada 5 Juni 2026 menyebut sekitar 40% employer yang belum mengadopsi AI dalam survei manufaktur dan keuangan menilai kompetensi sebagai hambatan. Kurang dari 1% pekerja diperkirakan membutuhkan kompetensi AI tingkat lanjut; mayoritas membutuhkan digital, data, managerial, dan human skills. OECD menegaskan sebagian besar bukti dasarnya berasal dari periode sebelum akhir 2024.
World Bank memperkirakan hanya sekitar 10% pekerjaan di Asia Timur dan Pasifik memiliki tugas yang komplementer dengan AI, dibanding sekitar 30% di negara maju. Klaim produktivitas dari pasar maju tidak dapat langsung dipindahkan ke konteks regional.

Apa yang harus diputuskan CEO?

CEO harus memilih apakah AI akan diperlakukan sebagai program pengurangan biaya tenaga kerja, program pelatihan, atau redesign operating model. Rekomendasinya adalah redesign operating model: petakan tugas dan value flow terlebih dahulu, lalu putuskan di mana otomatisasi, augmentation, reskilling, redeployment, atau penghapusan peran memang layak secara ekonomi.

Asumsi manajemen lama menyatakan bahwa ketika teknologi mampu mengerjakan sebagian pekerjaan, jabatan tersebut menjadi berlebih. AI mengubah logika ini karena capability muncul pada level tugas, sementara nilai, akuntabilitas, dan trust pelanggan tetap melekat pada workflow end-to-end.

Point of View

Strategi SDM di era AI terbaik bukan strategi yang menghapus peran terbanyak. Strategi terbaik adalah yang mengubah capability teknis menjadi capacity, quality, atau growth yang terukur, sambil mempertahankan judgment manusia pada titik keputusan yang berkonsekuensi besar.

Dewan perlu menolak dua ekstrem: “tidak ada pekerjaan yang berubah” dan “setiap pekerjaan yang terpapar adalah peluang penghematan.” Ekstrem pertama mengabaikan capability; ekstrem kedua mencampuradukkan paparan teknis dengan adopsi, economics, dan kesiapan organisasi.

Thought Process

1. Petakan tugas, bukan sekadar job title

Uraikan workflow prioritas menjadi input, keputusan, tindakan, exception, dan outcome yang memiliki owner. Untuk setiap tugas, catat frekuensi, biaya, error rate, sensitivitas data, konsekuensi bagi pelanggan, dan kebutuhan contextual judgment.

2. Bedakan automation dan augmentation

Automate tugas berulang dengan input stabil, output terukur, dan jalur exception yang aman.
Augment analisis, drafting, atau koordinasi ketika AI meningkatkan kecepatan atau kualitas informasi, tetapi manusia tetap memiliki keputusan.
Pertahankan judgment manusia untuk keputusan ketenagakerjaan, keselamatan, legal, fiduciary, reputasi, dan pelanggan berdampak tinggi sampai governance memadai.
Hentikan aktivitas yang tidak lagi menciptakan nilai; jangan memakai AI untuk mempercepat proses yang memang buruk.

3. Desain ulang workflow sebelum mengubah ukuran organisasi

Produktivitas individu tidak otomatis menjadi nilai perusahaan. Handoff, approval, insentif, akses data, dan performance measure di sekitarnya harus ikut berubah. Jika tidak, waktu yang dihemat hanya berubah menjadi capacity yang tidak terpakai dan shadow work.

4. Hitung biaya transisi, bukan hanya licence

Bandingkan total economics: teknologi, integrasi, kesiapan data, control, training, change load, kegagalan model, ketergantungan vendor, dan redeployment. Masukkan pula nilai dari cycle time yang lebih cepat, kualitas lebih baik, capacity baru, dan pengurangan risiko, bukan hanya penghematan payroll.

Opsi eksekutif dan trade-off

Opsi	Kapan sesuai	Keunggulan	Risiko utama
Pengurangan karyawan segera	Demand turun secara struktural dan penghapusan tugas sudah terbukti	Penghematan cepat	Capability hilang sebelum workflow baru stabil; trust menurun
Pelatihan AI secara luas	Organisasi membutuhkan baseline literacy	Jangkauan cepat dan bahasa bersama	Aktivitas tanpa adopsi workflow atau value capture
Redesign workflow berbasis tugas	Proses prioritas memiliki masalah biaya, delay, atau kualitas yang terukur	Menghubungkan AI dengan business value dan bukti	Membutuhkan ownership lintas fungsi
Tim spesialis AI	Infrastruktur, governance, dan scarce expertise menjadi bottleneck	Menciptakan leverage lintas unit	Tim pusat terpisah dari economics di frontline
Menunda	Data, control, atau use-case economics belum memadai	Menjaga option value	Kompetitor belajar lebih cepat; shadow adoption berlanjut

Decision rights: putuskan, delegasikan, ukur, eskalasikan, hentikan

CEO memutuskan: value pool, batas dampak tenaga kerja, batas human accountability, serta scale/stop gate.
CEO mendelegasikan: task mapping dan pilot kepada business owner bersama CHRO, COO, teknologi, data, risk, dan perwakilan pekerja.
CEO menginstrumentasi: cycle time, quality, adoption, capacity yang dilepas, redeployment, outcome pelanggan, workforce trust, dan control failure.
CEO mengeskalasikan: dampak ketenagakerjaan material, diskriminasi, isu keselamatan, sensitive-data exposure, dan keputusan yang tidak dapat dijelaskan atau dibalik.
CEO menghentikan: implementasi yang nilainya bergantung pada hidden labour, penurunan kualitas yang tidak diukur, produktivitas semu, atau hilangnya accountable human review.

Uji kredibel selama 90 hari

Hari 1 sampai 15: tetapkan baseline satu workflow. Pilih workflow bervolume tinggi dengan business owner yang jelas. Petakan tugas dan exception; ukur cycle time, rework, kualitas, biaya, backlog demand, employee experience, dan dampak pelanggan.

Hari 16 sampai 45: desain ulang satu kelompok tugas. Terapkan AI pada tugas yang dibatasi secara jelas. Pertahankan comparison cohort atau pre-period, wajibkan human review untuk output berkonsekuensi, dan catat exception serta koreksi.

Hari 46 sampai 75: ubah handoff dan peran. Perbaiki approval, escalation path, pembagian workload, dan performance measure. Latih hanya orang yang workflow-nya benar-benar berubah menggunakan kasus riil.

Hari 76 sampai 90: ambil keputusan. Scale, modifikasi, redeploy, pause, atau stop. Jangan menghapus capacity sebelum workflow baru memenuhi ambang kualitas dan control secara konsisten serta efek terhadap demand telah dipahami.

Kondisi sukses, gagal, dan stop

Sukses: minimal 20% perbaikan pada cycle time atau capacity metric terpilih, tanpa penurunan material pada kualitas/outcome pelanggan, competent adoption meningkat, dan tersedia jalur untuk redeploy capacity atau menurunkan biaya secara bertanggung jawab.
Gagal: aktivitas meningkat tetapi performa end-to-end tidak membaik; koreksi dan supervisi menghapus manfaat; karyawan menghindari sistem.
Stop: pelanggaran material atas privasi, diskriminasi, keselamatan, atau control; keputusan berdampak tinggi tidak dapat dijelaskan; kualitas melewati batas guardrail.

Ambang tersebut adalah hipotesis awal, bukan benchmark universal. Sesuaikan dengan baseline workflow dan tingkat risikonya.

Hipotesis yang dapat diuji

Redesign berbasis tugas menghasilkan capacity terukur lebih besar daripada pelatihan umum semata.
Training sesuai peran yang terhubung dengan workflow nyata mengungguli AI literacy generik dalam competent weekly use.
Ownership atas exception yang eksplisit mengurangi hidden rework dan meningkatkan trust.
Redeploy capacity untuk growth atau service backlog menghasilkan enterprise value lebih besar dibanding PHK prematur.

Decision gate

Scale hanya ketika workflow (bukan sekadar model) menunjukkan nilai yang konsisten, exception handling yang aman, akuntabilitas yang jelas, dan workforce transition yang kredibel. Jika nilai ada tetapi governance gagal, persempit use case. Jika governance bekerja tetapi nilai tidak ada, hentikan. Jika keduanya lulus, putuskan secara eksplisit apakah capacity digunakan untuk growth, service improvement, redeployment, atau pengurangan biaya struktural.

Pertanyaan yang sering diajukan

Apakah paparan AI berarti sebuah pekerjaan akan hilang?

Tidak. Paparan menunjukkan bahwa AI berpotensi mengerjakan atau membantu sebagian tugas. Adopsi tetap bergantung pada economics, data, integrasi, regulasi, penerimaan pelanggan, dan pekerjaan komplementer yang dilakukan manusia.

Apakah perusahaan perlu melatih semua karyawan menggunakan AI?

Berikan baseline literacy secara luas, tetapi lakukan investasi mendalam pada peran yang workflow dan decision rights-nya berubah. Training tanpa tugas nyata, manager, dan performance measure sering menghasilkan aktivitas, bukan nilai.

Kapan pengurangan tenaga kerja dapat dibenarkan?

Setelah bukti tentang demand, workflow, dan control menunjukkan adanya capacity surplus yang bersifat struktural, bukan hanya karena model memperlihatkan capability teknis. Kewajiban ketenagakerjaan dan konsekuensi transisi di setiap negara harus dinilai secara terpisah.

Continue Reading

Diskusikan keputusan ini

Jika leadership team Anda sedang menentukan di mana AI perlu memperkuat pekerjaan, melepaskan capacity, atau mengubah peran, hubungi Antovany Reza untuk mendiskusikan decision architecture, evidence gate, dan implikasi operating model.

Tentang penulis

Antovany Reza adalah pendiri CEO Decision Lab, sebuah platform keputusan independen bagi pemimpin yang ingin mengubah AI dan digital transformation menjadi business value, judgment yang lebih kuat, dan eksekusi yang akuntabel. Karyanya memadukan market building, commercialization, operating-model thinking, dan kerangka keputusan berbasis bukti.

Catatan sumber dan evidence ledger

Bukti ditinjau pada 27 Agustus 2026. Batas geografis dan evidence lag dijelaskan di atas. Rekomendasi merupakan sintesis Antovany Reza atas bukti publik, bukan klaim kausalitas universal.

ILO: Generative AI and labour markets in ASEAN, 8 Juli 2026.
OECD: AI and skills, 5 Juni 2026.
World Bank: Future Jobs in East Asia and Pacific, 2 Juni 2025.
ASEAN Digital Outlook 2026, dirilis Agustus 2026.

Bagikan Decision Brief ini

Facebook

Copy link