Masa depan perusahaan

Catatan penulis: Ini adalah esai kedua dalam seri kami tentang ekonomi masa depan, bagian dari platform baru yang mewadahi suara-suara independen untuk mengeksplorasi masa depan bersama AGI. Esai ini mencerminkan pandangan kami, bukan pandangan OpenAI atau rekan-rekan kami.

Kami berdua berusia dua puluh empat tahun ketika mulai mengelola tim sendiri di OpenAI. Itu tidak lagi terdengar begitu mengesankan setelah Anda mengenal tim kami.

Seharusnya kami masih jadi staf pelaksana. Pada usia dua puluh empat tahun, Anda berada di anak tangga terbawah perusahaan. Anda mencatat rapat dan menulis beberapa memo. Setelah bertahun-tahun menjalani pekerjaan monoton, Anda (semoga) diberi tanggung jawab yang lebih luas.

Jalur kami—dan jalur banyak anak muda saat ini—tampak berbeda. Kami memasuki dunia kerja dengan “karyawan” yang sudah siap menjalankan perintah kami. Para asisten ini bekerja siang malam, pada akhir pekan maupun hari libur. Mereka sangat piawai menangani pekerjaan rutin. Kami bahkan memiliki peraih medali emas olimpiade matematika dalam tim untuk memberi kami saran. Bawahan baru kami masih cukup sering membuat kesalahan. Namun, mereka makin baik dan mempelajari kebutuhan kami, sementara kami belajar cara mengelola mereka.

Tak satu pun dari kami menapaki tangga karier perusahaan. Justru peran manajerial yang turun ke anak tangga kami. Esai ini membahas kenaikan jabatan kami, serta berbagai cara lain perusahaan mungkin menata ulang organisasinya saat kita memasuki era kecerdasan.

Ketika AI masuk ke perusahaan, di mana posisinya? Kami menyajikan tiga skenario sebagai gambaran:

Tak satu pun skenario ini akan terwujud persis seperti yang kami uraikan, tetapi kami yakin sebagian aspek dari ketiganya akan menjadi kenyataan. Ketiganya sudah mulai terjadi, meski belum begitu kentara.

Fokus kami di sini bukan otomatisasi total, melainkan ekonomi yang sedang bertransisi. Kami tertarik pada wujud perusahaan campuran manusia dan AI seiring AI makin canggih dan menyatu dengan organisasi yang ada.

Menurut kami, konsep perusahaan hibrida penting karena adopsi AI yang produktif tidak terjadi seketika. Ketika model hanya mampu mengerjakan sebagian tugas, adopsi mungkin paling mudah dilakukan oleh karyawan tingkat bawah yang memahami pekerjaan tersebut. Begitu model mampu menjalankan fungsi yang luas dari awal hingga akhir, para petinggi dapat menggunakannya secara langsung. Menurut kami, AI yang lebih mampu lebih mudah diadopsi: perusahaan harus mempelajari teknologi, tetapi tenaga kerja mempelajari perusahaan dan bisa menyesuaikan diri sendiri.

Kami akan membedah tiga jenis bagan organisasi baru ini, lalu mengkaji artinya bagi masa depan birokrasi, keleluasaan pekerja, ukuran perusahaan, dan kesenjangan upah.

Skenario pertama kami tampaknya paling sedikit menimbulkan perubahan besar. Di sini, orang-orang tetap menduduki posisi yang sama dengan jalur pelaporan yang sama, dan tampaknya mengerjakan pekerjaan yang sama seperti sebelumnya. Bagan organisasi manusia tampak tidak berubah antara hari ini dan masa depan tersebut.

Perbedaannya ada di bawah kita. Di bawah setiap staf nonmanajerial, hadir tenaga kerja AI baru yang melapor kepada kita masing-masing. Bagan organisasi kita memiliki lapisan baru di bagian bawah, dan kita semua menjadi manajer.

Pada awalnya, lapisan bawah ini belum sepenuhnya terbentuk. Kita mulai dengan satu atau dua agen per orang, yang lebih mirip anak magang penuh semangat daripada karyawan berpengalaman—perlu diawasi dan dimaklumi kesalahannya. Ekspektasi kita rendah: mengirim email, menyusun draf memo, dan membalas pesan Slack di sana-sini. Seperti karyawan manusia yang masih junior, mereka memulai dengan sedikit otonomi dan kepercayaan.

Namun, seiring model makin canggih, agen kita menangani lebih banyak tugas dengan lebih sedikit pengawasan. Mereka saling berkoordinasi. Mungkin akan ada AI manajer dan AI pelaksana, akuntan dan pengacara, semuanya bekerja sama atas perintah Anda. Jauh dari sekadar membimbing anak magang, operasi Anda akhirnya menyerupai perusahaan kecil tersendiri, dengan bagan organisasinya sendiri dan Anda sebagai dewan direksinya.

Perhatikan bahwa skenario ini tidak menyiratkan PHK. Di sini kita mengadopsi AI tanpa menggantikan diri sendiri dengan otomatisasi. Sebaliknya, kita mengotomatiskan peran kita yang dulu, lalu naik dalam hierarki. AI mengambil alih makin banyak pekerjaan yang dahulu kita lakukan. Pekerjaan kita tetap ada karena makin banyak yang perlu dikelola, dan kita bertanggung jawab atas hasil kerja yang lebih besar.

Pekerjaan tidak statis⁠(terbuka di jendela baru). Misalkan AI bisa mengerjakan sembilan puluh persen dari pekerjaan Anda sebelumnya. Anda mungkin menyimpulkan bahwa pekerjaan Anda tinggal sepuluh persen. Kemungkinan lainnya, Anda tetap menjalankan satu pekerjaan utuh, hanya saja berbeda—kini berfokus pada sasaran sepuluh kali lebih besar. Itulah manfaat klasik teknologi: produktivitas meningkat, ambisi ikut meningkat, dan upah bisa naik⁠(terbuka di jendela baru) seiring ambisi tersebut.

Semua ini bergantung pada apakah kita masih memberi nilai tambah⁠(terbuka di jendela baru) pada produksi. Esai ini berfokus pada tahun-tahun mendatang ketika otomatisasi belum mampu menangani segala hal atau diadopsi di semua tempat. Bahkan jika AI mampu melakukan semuanya, kita mungkin tetap lebih menghargai sesuatu karena dibuat manusia, atau bersikeras bahwa keputusan akhir harus di tangan manusia.

Ini juga bergantung pada keinginan konsumsi kita. Jika sebagai konsumen kita tidak menginginkan hasil produksi sepuluh kali lebih banyak, keseimbangan akan bergeser menuju lebih sedikit pekerja atau jam kerja. Sepanjang sejarah, peningkatan produksi belum membuat kita merasa cukup. Kita memiliki jauh lebih banyak⁠(terbuka di jendela baru), tetapi bekerja hanya sedikit lebih singkat⁠(terbuka di jendela baru). Jika keinginan kita terus tumbuh seiring produksi berlipat ganda—dan kita tetap menambah nilai pada produksi—kita akan memilih terus menukar tenaga dengan lebih banyak konsumsi. Jika sebaliknya produksi begitu melimpah hingga kita merasa cukup, kita mungkin memilih secara sukarela untuk mengurangi jumlah tenaga kerja.

Ada sanggahan lain yang akan kami bahas nanti (misalnya, apakah akan ada lebih banyak perusahaan berukuran lebih kecil). Kami tetap menganggap skenario ini penting karena adopsi harus dimulai dari suatu titik. Perusahaan memerlukan cara untuk berkembang secara stabil dari struktur organisasinya saat ini. Memperkuat pekerjaan karyawan yang ada mungkin menjadi langkah awal yang lebih mudah daripada restrukturisasi menyeluruh. Kita melihatnya terjadi hari ini: satu demi satu pekerja mendelegasikan tugas kepada AI, sejauh ini tanpa revolusi organisasi.

Skenario ini bergantung pada pekerja garis depan yang lebih dahulu merekrut AI. Pekerja tingkat bawah—bukan manajer dan eksekutif—memimpin adopsi AI. Hal itu tampaknya mungkin, selama orang yang paling mampu membuat AI mengerjakan tugas adalah orang yang dahulu mengerjakannya sendiri.

Model sudah bisa mengotomatiskan banyak tugas sains data, tetapi kepala departemen yang tidak memahami metode dan detailnya akan kesulitan memanfaatkan alat tersebut. Sampai AI cukup proaktif untuk memberi tahu hal yang belum Anda ketahui (lihat skenario berikutnya), AI mungkin paling berguna bagi mereka yang sudah memahami cara pekerjaan itu dilakukan.

Perubahan terbesar dalam skenario ini dirasakan pekerja pemula. Tidak akan ada lagi anak tangga terbawah, setidaknya bagi manusia. Saat merekrut anak muda, tujuannya bukan menempatkan mereka di posisi terbawah perusahaan yang penuh pekerjaan monoton. Posisi itu akan diisi oleh sesuatu yang tidak merasa keberatan.

Dengan begitu, kita kehilangan beberapa jalur tradisional untuk mendidik pekerja muda: magang⁠(terbuka di jendela baru), belajar melalui pekerjaan rutin, dan membuktikan diri lewat pengalaman. Ini adalah kerugian nyata, tetapi kami lebih melihat perubahan ini sebagai sebuah keistimewaan. Karyawan yang paling minim pengalaman sekalipun, jika punya ide bagus, memiliki sumber daya untuk bereksperimen. Alasan paling klise di kantor, kita tidak punya cukup tenaga, mulai kehilangan daya. Karyawan junior yang punya ide gim video hebat tetapi tidak bisa mendapatkan tambahan staf kini tinggal membuatnya sendiri.

Menurut kami, skenario “kenaikan jabatan” ini tetap menyisakan banyak hal untuk dipelajari pekerja junior—ketajaman pertimbangan, selera, kecakapan manajemen, dan visi kreatif. Kita akan terdorong mengasah keterampilan ini karena hasilnya terlihat dalam pekerjaan kita. Kita tetap akan belajar sambil bekerja⁠(terbuka di jendela baru), tetapi dengan cakupan yang lebih luas. Para senior perusahaan tetap terdorong membantu kita sebagai pembimbing yang bertanggung jawab (dengan kepentingan kepemilikan saham atas keberhasilan kita). Peluang yang terbuka adalah peran yang lebih menantang bagi semua orang di setiap jenjang. Setiap pekerja dapat menunjukkan bakatnya dengan tanggung jawab lebih luas, terutama pekerja pemula yang sebelumnya sama sekali belum memilikinya.

Cara kedua AI masuk ke perusahaan adalah menyusup ke sela-sela bagan organisasi yang ada. Di sini, agen bukan penghuni lapisan terbawah, melainkan rekan kerja. Manajer tradisional menyerahkan sebagian pekerjaan tim kepada model sebagaimana ia mendelegasikannya kepada karyawan mana pun. AI menempatkan diri di samping manusia, bukan hanya di bawah mereka.

Perbedaan utama dari skenario pertama: di sini, AI produktif diadopsi oleh manajer manusia yang sudah ada, bukan hanya staf nonmanajerial saat ini. Untuk itu, AI harus cukup kompeten untuk menjadi anggota tim yang sepenuhnya mampu menjalankan perannya.

Manusia adalah generalis. Palu membantu satu tugas; manusia melakukan jauh lebih banyak. Perjalanan AI dari alat menjadi tenaga kerja adalah perluasan cakupan: mengotomatiskan tugas, lalu pekerjaan, kemudian tim, dan akhirnya perusahaan. Setiap kenaikan cakupan memerlukan kompetensi yang lebih luas.

Satu pekerjaan ibarat koper berisi banyak tugas. Untuk satu tim utuh, koper itu dijejali beragam jenis pekerjaan. Makin banyak tugas dalam tanggung jawabnya, makin banyak pula potensi titik hambatan. Jika satu saja tugas penting tim melibatkan kerja fisik, diperlukan serangkaian perangkat pendukung yang benar-benar baru. Agar bisa langsung menggantikan satu tim utuh, AI harus mampu menjalankan seluruh ragam tanggung jawabnya.

AI yang mampu menangani cakupan lebih luas lebih sulit dibangun. Namun bagi perusahaan—dan inilah ketimpangan utama dalam seluruh transisi ini—cakupan yang lebih luas lebih mudah diadopsi.

Tim atau fungsi luas yang sepenuhnya terotomatisasi dapat langsung diadopsi oleh eksekutif. Alat dengan kemampuan lebih terbatas tidak bisa semudah itu diterapkan dari tingkat atas. Alat yang lebih sederhana bergantung pada dukungan luas dan pelatihan ulang di seluruh jajaran tenaga kerja.

Secara tradisional, teknologi baru menurunkan biaya untuk mengerjakan serangkaian tugas yang terbatas. Setelah itu, beban beralih ke pembeli. Perusahaan harus mencari cara memanfaatkan alat baru tersebut, serta melatih ulang tenaga kerja, menata ulang organisasi, dan membangun ulang prosesnya⁠(terbuka di jendela baru) agar sesuai dengan alat itu. Perangkat lunak lembar kerja tidak masuk dengan sendirinya ke departemen akuntansi—departemen akuntansilah yang menyesuaikan diri dengan perangkat lunak tersebut.

Tenaga kerja justru sebaliknya. Anak magang, karyawan, dan tim yang baik mencari cara untuk berguna bagi Anda. Mereka mengajukan banyak pertanyaan, menyerap konteks Anda, dan mengenali kebutuhan Anda. Mereka memberi tahu hal-hal yang bahkan tidak Anda sadari belum Anda ketahui. Tenaga kerja terbaik mampu menyesuaikan diri sendiri.

Makin AI menyerupai tenaga kerja dalam hal ini, dengan inisiatif dan kemampuan beradaptasi, makin sedikit perusahaan perlu belajar memanfaatkannya, dan makin banyak AI sendiri yang mencari cara untuk berguna bagi perusahaan. Seorang eksekutif mungkin tidak akan mengikuti kuliah pengantar perangkat lunak desain hanya untuk mempelajari alat baru. Namun, ia akan senang mempertimbangkan tawaran seperti: tinggal beri perintah, saya akan menyiapkan seluruh fungsi pemasaran Anda.

Terlalu sering kita menyebut otomatisasi satu pekerjaan sebagai tujuan tertinggi AGI. Memang, kita bahkan belum sampai ke sana. Pekerjaan begitu luar biasa rumit karena kemampuan kita begitu mengagumkan. Meski begitu, sangat sedikit⁠(terbuka di jendela baru) hasil produksi ekonomi kita berasal dari pekerja yang bekerja sendirian. Pekerjaan produktif berkontribusi pada tim, tim berkontribusi pada perusahaan, dan perusahaan menghasilkan hampir semua yang kita konsumsi.

Standar “pekerjaan” untuk AGI kurang menghargai kemampuan kita sebagai manusia. Kerja bukan sekadar mengerjakan tugas, atau bahkan menangani bagian yang tidak rutin: kerja kita juga mencakup koordinasi luar biasa, keluwesan untuk mengerjakan bagian kecil dari hasil yang lebih besar. Menganggap kita sekadar kumpulan tugas berarti menilai kita jauh di bawah nilai sebenarnya. Kemampuan manusia lebih terletak pada organisasi kita⁠(terbuka di jendela baru) daripada individu. AGI dalam ekonomi harus mencapai standar sekumpulan manusia, bukan satu manusia.

Karena itu, skenario “penyisipan” bisa sangat tidak efisien jika AI masih menyerupai alat atau bahkan pekerja, bukan tim atau perusahaan. Model yang disisipkan di samping setiap pekerja berarti seribu titik sambungan dan serah terima⁠(terbuka di jendela baru). Susunan yang terpisah-pisah ini dapat memperlambat adopsi.

Kami melihat perlombaan antara penerapan lebih awal yang kemampuannya terbatas dan model lebih mumpuni yang hadir belakangan. Pemenangnya bergantung pada apakah adopsi model masa depan begitu cepat sehingga mampu menebus tambahan waktu yang dibutuhkan untuk mencapai kemampuan tersebut.

Skenario “penyisipan” ini dapat berjalan berdampingan dengan skenario pertama, “kenaikan jabatan”. Kita mungkin melihat perusahaan mengurangi jumlah tenaga manusianya saat AI mengotomatiskan fungsi tertentu, sementara manusia yang tersisa mendapat mandat jauh lebih luas dengan bantuan tenaga kerja agen mereka. Yang penting, skenario ini sendiri tidak berarti jumlah manusia yang bekerja secara keseluruhan akan menurun. Bisa jadi jumlah perusahaan bertambah, dengan lebih sedikit karyawan di masing-masing perusahaan.

Skenario ketiga kami paling sulit dibayangkan. Di sini, AI masuk ke perusahaan di atas manusia. Susunannya bukan lagi manusia di atas mesin, melainkan manusia, AI, manusia: roti lapis otomatisasi. Sebagian orang “melapor” kepada AI.

Kedengarannya mengada-ada, terutama sebagai titik awal adopsi di perusahaan. Namun, menurut kami, dalam bentuk yang tidak seradikal itu, hal ini sudah dimulai.

Bahkan ketika menganggap AI sebagai pengotomatis kerja kognitif, kita cenderung berfokus pada jenjang bawah. Biasanya kita mengatakan AI mengotomatiskan lembar kerja dan presentasi, bukan manajemen. Naluri kita mengatakan otomatisasi akan mendaki hierarki: pekerjaan kognitif rutin lebih dahulu, pertimbangan paling akhir, dengan manajer sebagai benteng terakhir.

Namun, pekerjaan manajer sebagian besar berlangsung di komputer dan dalam pikiran: membaca, rapat, menimbang, mengingat konteks, mengambil keputusan. Kehadiran fisik memang bernilai: berkeliling kantor dan berada di tengah para staf. Namun, pekerjaan tingkat bawahlah, meskipun sebagian besar bersifat kognitif, yang lebih banyak bersentuhan dengan benda fisik dan peralatan daripada manajemen. Anak maganglah yang disuruh ke mesin fotokopi, bukan atasannya.

Pengambilan keputusan manajerial sulit diajarkan kepada model karena keberhasilannya tidak tegas dan diukur dalam jangka panjang. Karena alasan serupa⁠(terbuka di jendela baru), melatih manusia menjadi manajer yang baik juga sulit. Kita belum tahu seberapa baik kemampuan model dalam manajemen. Evaluasi kita untuk kerja kognitif yang berfokus pada pelaksanaan sudah berlimpah, tetapi hanya sedikit yang mengukur koordinasi berskala besar pada cakupan manajer dan eksekutif.

Tetap patut dipertimbangkan bahwa kemampuan model saat ini mungkin justru lebih dekat dengan manajer manusia daripada pekerja tingkat bawah. Sebagian fungsi manajerial mungkin terotomatisasi lebih dahulu daripada pekerjaan yang diawasinya.

Mungkin bentuk utuh skenario “penambahan lapisan” ini adalah AI yang melakukan pemikiran, lalu menutup celah kemampuannya dengan kontraktor manusia yang melapor kepadanya. Dunia seperti itu terasa cukup asing bagi kami. Banyak hal perlu berubah.

Namun, ada wujud yang berkembang lebih alami, dan babak pembukanya sudah dimulai: pemberian saran. Saat ini, seorang eksekutif dapat meminta ChatGPT membaca ratusan kanal Slack, dokumen, surat, dan file kode dari seluruh perusahaannya, lalu menjawab pertanyaan. Apa sebenarnya yang dikerjakan tim ini? Di mana kerentanan itu muncul? Setiap bagian organisasi makin mudah ditelaah⁠(terbuka di jendela baru) olehnya.

Eksekutif sudah lama menyisipkan perantara bayaran ke dalam bagan organisasi—mereka menyebutnya konsultansi. Konsultan manajemen menambahkan lapisan di atas Anda, untuk sementara dan dengan biaya mahal. Ke depan, konsultan AI bisa nyaris tanpa biaya dan selalu hadir.

Model baru mulai mampu menelaah dokumen dan komunikasi perusahaan secara andal. Selera dan sikap proaktifnya masih perlu dimatangkan. Untuk saat ini, ChatGPT membantu eksekutif yang berkemauan memahami organisasinya secara lebih terperinci. Kami membayangkan pada akhirnya AI menjadi konsultan dengan layanan lengkap. AI bukan “manajer” sejati bagi karyawan tingkat bawah, melainkan pelapor internal dan penasihat bagi eksekutif. AI akan menggunakan keahlian bisnis untuk menelaah semuanya, secara proaktif mengungkap masalah dan membantu menentukan prioritas penanganan.

Apakah ini menguntungkan atau merugikan akan bergantung pada eksekutifnya. Dampak strukturalnya adalah sentralisasi. Kami melihat hal ini memperpendek jarak antara jajaran eksekutif puncak dan bagian lain perusahaan. Hal ini memusatkan lebih banyak kuasa di puncak, padahal dahulu hambatan informasi mendorong pengambilan keputusan yang lebih terdesentralisasi.

Menurut kami, skenario ini berdampak mendalam bukan hanya karena menggeser kewenangan, tetapi juga karena AI sebagai konsultan bisa begitu mudah diadopsi. Seperti konsultansi tradisional, konsultan AI tidak menuntut kecakapan teknis dari eksekutif. Ini berbeda dari komputer, yang diadopsi dari bawah oleh siapa pun yang bisa mengetik dan menggunakan terminal. Anda cukup berbicara dengan konsultan, dan urusan teknis ditanganinya. Gelombang adopsi ini bisa dimulai dari ruang pimpinan. Selanjutnya, konsultan itu dapat mempercepat adopsi AI di seluruh bagian organisasi lainnya.

Ada satu alasan besar mengapa perusahaan meragukan kerja jarak jauh dan penggunaan kontraktor: kemampuan memastikan kewajiban dipenuhi. Belum pernah ada cara murah bagi perusahaan untuk mengamati pelaksanaan kerja dengan segala kompleksitas yang patut diperhitungkan. Jadi, mereka mengukur kesan sibuk⁠(terbuka di jendela baru): jumlah klik, gerakan mouse, titik status hijau—sinyal yang begitu jauh dari kenyataan apakah pekerjaan yang baik sedang dilakukan.

AI menawarkan pemantau yang memahami. AI dapat melihat hasil kerja seseorang dan mengenali kemajuan nyata menuju tujuan yang lebih besar. Seperti yang kami bahas di bagian berikutnya, bentuk pengawasan baru apa pun tidak boleh diterapkan tanpa pertimbangan matang⁠(terbuka di jendela baru). Namun, dalam kondisi yang tepat, hal itu dapat meningkatkan kepercayaan dan mendorong perusahaan memberi karyawan lebih banyak kebebasan.

Jika pemantau memahami berbagai jalur berbeda yang dapat menghasilkan kerja berkualitas, karyawan bisa lebih leluasa bekerja dengan cara yang mereka inginkan. Kemajuan menuju hasil yang baik akan lebih penting daripada satu metode baku yang mudah dilacak atasan. Pemantau cerdas memberi fleksibilitas dan menghukum kepura-puraan produktif yang kita semua benci.

Manfaat yang ditawarkan mirip dengan perusahaan asuransi yang menurunkan premi jika Anda memasang pelacak di mobil. Jika Anda mencoba mengakali sistem, hal ini merugikan Anda; jika Anda sekadar menjalankan tugas, pemantau dapat membuktikan bahwa Anda bekerja dengan baik, dan manajemen pun lebih memercayai Anda.

Kepercayaan itu membuka berbagai kemungkinan. Kita mungkin melihat keterbukaan baru⁠(terbuka di jendela baru) dari perusahaan yang sebelumnya enggan menerima kerja hibrida, pemikir tak konvensional, kontraktor, atau merekrut orang cemerlang di negara yang jauh.

Karyawan tingkat bawah menghadapi banyak masalah dengan bagan organisasi saat ini. Sangat mematahkan semangat ketika kita tidak punya cara untuk menyampaikan ke atas masalah yang kita lihat langsung. Tidak adil rasanya terjebak di bawah manajer yang tidak efektif, atau menghasilkan pekerjaan hebat yang tidak diakui.

Kami melihat gelombang hiperoptimalisasi bisnis sebelumnya dibangun berdasarkan data terbatas, pedoman kasar, dan algoritma yang tidak cerdas. Jika yang bisa Anda olah hanya rasio roda gigi, semua orang akan tampak seperti komponen mesin. Perusahaan sudah lama kesulitan mengukur kinerja tenaga kerjanya. Pemantau cerdas dapat mengenali kontribusi berharga dan pendekatan unik yang luput dari metrik kasar saat ini.

Dengan bertolak dari ketiga skenario yang disederhanakan tadi, kini kami mengkaji beberapa pertanyaan penentu masa depan perusahaan.

Membuat sesuatu umumnya cukup mahal. Aplikasi, film, presentasi, fitur, analisis: semuanya mahal, memakan waktu, dan melelahkan jika harus dibuat ulang. Ketika pada dasarnya hanya ada satu kesempatan, kita harus memastikan sasaran yang dituju sudah tepat. Ada siklus perencanaan, ritual penyusunan peta jalan, dan komite persetujuan, semuanya demi memastikan bahwa ketika perusahaan akhirnya memberi lampu hijau, yang dikerjakan memang layak. Banyak pemeriksaan dalam hierarki kita ada karena pelaksanaan pekerjaan begitu mahal.

Di banyak bidang, AI memangkas drastis biaya pembuatan—setidaknya hingga tahap prototipe, jika belum sampai penyelesaian akhir. Kami yakin pendekatan perusahaan perlu ikut berubah: kurangi membidik, perbanyak menembak. Perusahaan dapat membuat prototipe, mengamati, belajar dengan cepat, mengubah arah, lalu membuatnya lagi. Kemudahan membuat prototipe⁠(terbuka di jendela baru) semestinya menjauhkan perusahaan dari tatanan yang menopang produksi sarat perencanaan.

Bentuk paling sederhananya adalah tim yang lebih cepat melakukan iterasi. Dalam penafsiran yang lebih radikal, keberadaan tim itu sendiri dipertanyakan. Jika perencanaan kolaboratif makin kurang penting, sementara beragam ide yang muncul secara independen makin penting, mana yang lebih baik: satu tim yang cepat beriterasi, atau banyak individu yang masing-masing mengajukan prototipe berfungsi buatan mereka sendiri? Jika prototipe nyata menyampaikan visi lebih baik daripada dokumen cakupan kerja mana pun, akankah kebiasaan komunikasi kita berubah: lebih banyak berbagi, lebih awal, dan membagikan hasil nyata alih-alih memo?

Biaya pembuatan yang murah dapat menggeser perusahaan untuk lebih mengandalkan individu. Artinya, lapisan manajemen menengah dan kebutuhan meminta izin berkurang, karena dahulu meminta izin lebih murah daripada mengerjakan, tetapi kini tidak lagi.

Meski begitu, seperti yang akan kami bahas berikutnya, teknologi yang memungkinkan individu membuat prototipe dengan risiko lebih kecil juga bisa memperketat belitan birokrasi.

Salah satu alasan utama perusahaan menerapkan manajemen dari atas ke bawah adalah keyakinan bahwa eksekutif mengambil keputusan bisnis⁠(terbuka di jendela baru) yang lebih baik daripada pekerja junior. Perusahaan membayar lebih mahal tenaga berpengalaman yang sangat kompeten di pucuk pimpinan, dan manajer sering dilatih dalam strategi bisnis, sementara staf nonmanajerial mendalami bidang keahliannya. Jika AI memberikan saran yang sangat baik kepada semua pekerja, kesenjangan kualitas pengambilan keputusan menyempit. Alasan bagi manajer untuk ikut campur pun berkurang. Ini akan meningkatkan otonomi pekerja dan berpotensi mengurangi lapisan manajemen.

Demikian pula, “konsultan AI” memastikan tidak ada hal berdampak besar yang terjadi tanpa sepengetahuan eksekutif. Jika seorang pekerja hendak menerbitkan tulisan blog yang berimplikasi serius bagi perusahaan, konsultan itu akan secara proaktif memberi tahu eksekutif. Hal ini menumbuhkan kepercayaan: manajemen tidak perlu khawatir masalah besar akan terjadi tanpa mereka ketahui, sehingga tidak perlu mengontrol begitu ketat⁠(terbuka di jendela baru) cara pekerja menjalankan tugasnya.

Namun, konsultan AI adalah pedang bermata dua⁠(terbuka di jendela baru). Sebagai pemantau cerdas, konsultan itu dapat meningkatkan kepercayaan kepada pekerja; tetapi juga dapat lebih keras memaksakan cara kerja pilihan CEO di seluruh organisasi. Perusahaan menghargai keselarasan⁠(terbuka di jendela baru): bukan sekadar keputusan yang baik, melainkan keputusan yang sesuai dengan budaya, merek, dan skala ekonominya. Jaringan restoran mungkin lebih memilih menu seragam di seluruh waralabanya agar bahan bisa dipesan dalam jumlah besar dan pelanggan dapat mengharapkan produk yang konsisten.

Terkait hal itu, insentif pimpinan perusahaan tidak selalu selaras dengan insentif pekerja. Pekerja mengupayakan keberhasilan bidangnya⁠(terbuka di jendela baru), sementara eksekutif memikirkan perusahaan secara keseluruhan. Pemilik saham memiliki preferensi berbeda dari pekerja bergaji karena merekalah yang memetik hasil⁠(terbuka di jendela baru) dari kerja yang lebih keras. Konsultan tersebut bisa menegakkan kepatuhan yang lebih ketat terhadap tata kerja khusus yang ditetapkan dari atas.

Menurut kami, secara keseluruhan, pekerja akan memperoleh keleluasaan lebih besar. Optimisme kami bertumpu pada penggunaan AI oleh perusahaan untuk menandai penyimpangan berdampak besar, sambil menyerahkan lebih banyak keputusan kepada pekerja.

Kami yakin AI akan menjadi kerangka penopang—meskipun eksekutif ingin mempertahankan merek yang selaras, hal itu hanya akan menjadi batasan yang perlu dipatuhi dalam bekerja. Pekerja menjadi lebih memahami batasan bisnis yang berlaku dan lebih terlindungi saat berkreasi dalam ruang yang tidak dibatasi. Dengan risiko utama terkendali, eksekutif dapat membiarkan karyawan mencoba pendekatan baru yang berpotensi menguntungkan. Dengan bantuan asisten AI di bawah kita, pekerja juga akan bertanggung jawab atas hasil kerja yang lebih besar. Kami melihat lebih banyak peluang berkreasi ketika memimpin pekerjaan yang lebih kompleks.

Logika yang sama tentang otonomi pekerja juga berlaku pada ukuran perusahaan. Ronald Coase⁠(terbuka di jendela baru) mempertanyakan mengapa kita mengatur produksi di dalam perusahaan, bukan melalui jejaring kontrak. Bahkan pesawat terbang bisa dibuat sepenuhnya melalui kontrak antarpihak secara langsung, tetapi itu akan sangat tidak efisien. Perusahaan menghimpun skala ekonomi, menyelaraskan insentif, mengatur proyek besar, dan menghilangkan kebutuhan untuk terus-menerus bernegosiasi.

Dengan mempermudah komunikasi, AI bisa menjadi alasan bagi perusahaan untuk membesar ataupun mengecil. Perusahaan klasik adalah infrastruktur untuk meneruskan informasi ke atas dan instruksi ke bawah, penuh hambatan dan distorsi pesan berantai. Perusahaan yang lebih besar (dengan lebih banyak karyawan manusia) menjadi lebih mudah dikelola jika AI berfungsi sebagai lapisan koordinasi. Dengan “konsultan AI”, seorang eksekutif dapat mengenal perusahaannya sebagaimana pendiri mengenal perusahaan rintisan beranggotakan dua puluh orang. Ia dapat memantau pelaksanaan sebuah inisiatif alih-alih menunggu laporan triwulanan, dan menerima notifikasi jika terjadi sesuatu. Visinya dapat menyebar lebih luas. Setiap orang lebih memahami pekerjaan orang lain dan prioritas organisasi secara keseluruhan.

Namun, bisa juga terjadi sebaliknya. Jika komunikasi berjalan tanpa hambatan dan kepatuhan lebih mudah dipantau, perusahaan tidak perlu menangani begitu banyak bagian rantai pasoknya sendiri. Perusahaan bisa lebih memercayai pemasok dan kontraktor luar.

Salah satu alasan utama integrasi vertikal adalah menyelaraskan insentif. Ada konsep kontrak tidak lengkap⁠(terbuka di jendela baru)—perusahaan kedirgantaraan bisa mengontrak perusahaan mesin jet, tetapi untuk segala hal yang tidak secara eksplisit diwajibkan dalam kontrak, perusahaan mesin jet terdorong untuk menekan biaya semurah mungkin dan mengutamakan labanya sendiri. Untuk menghindarinya, perusahaan kedirgantaraan membeli perusahaan mesin jet tersebut. Sama halnya dengan pekerja dan atasan: jika pelaksanaan kontrak lebih mudah dipantau dan sengketanya diputuskan secara cerdas, bukan sekadar berdasarkan daftar centang, perusahaan mungkin lebih nyaman mengandalkan perusahaan lain. Alasan untuk mengerjakan semuanya secara internal pun berkurang.

Kami memperkirakan akan muncul banyak perusahaan kecil, tetapi juga “perusahaan induk” AI berskala luas yang menjalankan begitu banyak proyek berbeda dalam satu perusahaan. Konglomerasi menjadi ekonomis jika ada aset bersama yang dimanfaatkan oleh semua proyek tersebut. Aset bersama ini bisa berupa kapasitas komputasi, meski kapasitas tersebut mudah disediakan dalam jumlah kecil sesuai kebutuhan. Pabrik atau armada robot bersama menjadi alasan yang lebih kuat.

“Perusahaan induk” besar juga bisa beralasan karena adanya insentif yang selaras. Jika sebuah organisasi besar yang terdiri dari AI dan modal sepenuhnya berfokus pada misi bersama—misalnya menyembuhkan kanker—kebutuhan akan inisiatif-inisiatif kecil yang terpisah akan berkurang. Perusahaan AI dapat menghindari perebutan kekuasaan, berbagi semua informasi, dan jika diperlukan, menciptakan keragaman kreatif di antara para agennya agar berbagai pendekatan dapat dieksplorasi.

Sistem saat ini seharusnya memberi penghargaan kepada pekerja yang menonjol. Mereka naik jabatan dan mendapat imbalan yang lebih baik. Namun, di dunia dengan model penasihat yang sangat andal, bagaimana pekerja dapat membedakan diri?

Jika AI memberi ide cemerlang yang sama kepada semua orang, kesempatan kita untuk tampil berbeda berkurang. Rentang upah seharusnya menyempit.

Yang menahan penyempitan ini adalah ketajaman pertimbangan, selera, dan cakupan tanggung jawab. Jika kita masing-masing memimpin perusahaan AI di bawah kita, nilai manusia yang tersisa terletak pada pengambilan keputusan. Jika setiap orang bertanggung jawab atas pekerjaan yang lebih besar di bawahnya, perbedaan antara pertimbangan yang baik dan buruk makin terasa dampaknya⁠(terbuka di jendela baru).

Kita sudah lama menerapkan logika ini pada puncak bagan organisasi. Kita membenarkan gaji CEO⁠(terbuka di jendela baru) dengan alasan bahwa keputusan yang sedikit lebih baik di tingkat atas dapat berdampak sangat besar pada laba. Ketimpangan upah dapat meningkat jika sebagian pekerja lebih piawai mengelola perusahaan AI di bawah mereka untuk memanfaatkan sumber daya yang langka.

Makin besar taruhannya, makin besar pula keunggulan kecil Anda atas orang lain tercermin dalam gaji. Di sisi lain, AI akan memberi saran yang baik kepada semua orang. Makin kecil perbedaan, makin sempit sebaran upah.

Dalam hal ini maupun hal lain, kekuatan yang dominan mungkin bergantung pada apakah kita lebih banyak memberikan pertimbangan atau mengikutinya.