Tokenmaxxing Berakhir, GoTo Soroti Cara Ukur Adopsi AI yang Benar

Telset.id – Fenomena tokenmaxxing atau kebiasaan mengejar tingginya konsumsi token AI sebagai tolok ukur produktivitas karyawan mulai ditinggalkan. General Manager for ITSG at GoTo, Joseph George, menyoroti bahwa lonjakan penggunaan AI tidak otomatis mencerminkan nilai bisnis yang nyata. Dalam laporan bertajuk Pulse of Work 2026, terungkap bahwa 88% karyawan mengaku AI memberi manfaat dan menghemat rata-rata 2,3 jam per hari, namun empat dari lima karyawan mengaku belum memanfaatkan AI secara maksimal dan 69% belum sepenuhnya memahami penerapannya di peran mereka.

Dorongan awal agar karyawan memakai AI di mana pun memunculkan cara baru mengukur produktivitas lewat konsumsi token model AI. Karyawan yang tidak memakai AI langsung terlihat dari tagihan konsumsi yang minim, sementara konsumsi tinggi dianggap sinyal positif. Jumlah token yang dikonsumsi pun menjadi semacam lencana kebanggaan. Sebagian organisasi bahkan mulai memperlakukan aktivitas AI sebagai proksi keterlibatan karyawan.

Namun, pola ini memicu konsekuensi yang tidak diinginkan, yakni biaya AI yang membengkak tak terkendali. Dari situ muncul pertanyaan yang lebih sulit: seperti apa adopsi AI yang sukses dan bagaimana cara mengukurnya. Temuan Pulse of Work 2026 menegaskan dua hal, yaitu aktivitas AI adalah proksi yang lemah untuk nilai bisnis, dan organisasi perlu lebih terukur dalam menentukan di mana serta bagaimana alat AI digunakan.

Lebih Banyak AI Bukan Berarti Kerja Lebih Baik

Reaksi spontan menyamakan penggunaan AI dengan kesuksesan bisa dipahami. Jawaban instan, otomatisasi tugas berulang, dan pengurangan beban administratif adalah manfaat yang nyata. Masalah muncul ketika AI menjadi ekspektasi di setiap inisiatif, bukan keputusan yang mempertimbangkan di mana penilaian manusia dibutuhkan, model mana yang tepat, dan berapa biayanya. Survei juga mencatat 60% karyawan merasa tertekan memakai AI terlepas dari apakah itu alat yang tepat untuk tugasnya.

Ketika perusahaan merayakan adopsi AI tanpa mendefinisikan di mana nilainya benar-benar bertambah, terbentuk struktur insentif yang bermasalah. Karyawan terdorong memakai AI lebih sering, kadang tanpa mempertimbangkan apakah output perlu ditinjau ulang atau apakah biaya model sepadan dengan tugasnya. Tanpa parameter dan dukungan yang jelas, risiko penyalahgunaan meningkat.

Mengeksplorasi AI tetap perlu didorong karena menjadi bagian penting untuk memanfaatkan teknologi ini secara maksimal. Namun, karyawan juga perlu dilatih agar mengambil pendekatan sadar biaya dan memakai model yang tepat sesuai jenis tugas. Untuk sebagian besar tugas, model berbiaya lebih rendah seperti Gemini Flash dan Claude Haiku dinilai memadai, sementara model lebih mahal dan kuat seperti Claude Opus dan Claude Fable digunakan untuk tugas yang lebih kompleks.

Tantangan berikutnya muncul ketika organisasi mendorong dan memberi penghargaan atas penggunaan AI, tetapi tidak menginvestasikan energi yang sama untuk pelatihan, panduan adopsi sadar biaya, dan pengembangan karyawan. Ini sejalan dengan pentingnya tata kelola teknologi yang mumpuni, seperti yang dibahas dalam isu Celah Kritis PHP yang menekankan pentingnya pengamanan sebelum patch tersedia.

Desain Alur Kerja dan Kualitas Jadi Kunci

Peningkatan produktivitas terbesar datang dari mengidentifikasi skenario di mana AI menghilangkan hambatan tanpa mengorbankan kualitas. Pekerjaan administratif dan pengurangan tugas membosankan menjadi titik awal yang jelas. Penjadwalan, pengelolaan email, komunikasi pelanggan, dan dokumentasi rutin dapat mengembalikan waktu karyawan untuk pekerjaan bernilai lebih tinggi.

Peluang sesungguhnya adalah membantu karyawan membangun keterampilan yang ada dengan AI untuk menguji ide dan bergerak lebih cepat. Di titik itu kemitraan manusia-AI bekerja sebagaimana mestinya, dengan teknologi memperluas kemampuan manusia alih-alih menggantikan penilaian mereka. Panduan spesifik per peran menjadi kuncinya, karena setiap fungsi memakai teknologi secara berbeda. Profesional keuangan menghadapi persyaratan tata kelola yang berbeda dari software engineer, dan tim layanan pelanggan memerlukan pengamanan berbeda dari tim HR.

Organisasi juga semestinya berhenti berharap karyawan menemukan sendiri aplikasi AI terbaik. Jika karyawan menghabiskan waktu mencari cara agar AI berguna atau menguji alat tanpa panduan, sebagian potensi produktivitas hilang sebelum teknologi menghasilkan output. Pendekatan yang lebih baik adalah merancang ulang alur kerja di sekitar hasil bisnis nyata, lalu menyediakan alat dan panduan agar AI tersedia dalam sistem yang sudah dipakai karyawan.

Salah satu biaya tersembunyi terbesar dari adopsi AI yang meluas adalah beban tambahan untuk meninjau dan mengoreksi. AI bisa menghasilkan jawaban cepat, tetapi kecepatan bernilai terbatas jika karyawan harus menghabiskan banyak waktu memeriksa akurasi, kelengkapan, atau kesesuaian jawaban. Output yang kurang ditinjau bisa menciptakan pekerjaan tambahan, memunculkan kesalahan dalam proses bisnis, atau merusak kepercayaan pada teknologi. Karena itu, perhitungan produktivitas perlu memperhitungkan apa yang terjadi setelah AI menghasilkan jawaban.

Kualitas output, dan pada akhirnya hasil yang berkualitas, semestinya menjadi bagian dari arsitektur AI itu sendiri. Artinya membangun proses tinjauan ke dalam alur kerja, menerapkan tata kelola pada keputusan berisiko tinggi, dan memastikan karyawan memahami pentingnya memvalidasi respons AI sebelum menjadi keputusan bisnis. Dengan langkah verifikasi otomatis dan parameter spesifik per peran, pemimpin TI memberi tim pengaman yang diperlukan untuk mendorong produktivitas tanpa mengorbankan akurasi.

Pergeseran terbesar yang dibutuhkan saat ini bersifat kultural. Karyawan membutuhkan kejelasan kapan dan bagaimana AI sebaiknya dipakai, keyakinan bahwa keputusan mereka tepat, serta dukungan praktis saat kemampuan baru diperkenalkan. Dukungan itu harus melampaui cara memakai alat tertentu, mencakup praktik terbaik meninjau hasil AI terhadap akurasi dan bias, kapan harus mempercayai atau mempertanyakan output, dan kapan kreativitas atau penilaian manusia mesti diutamakan.

Kebijakan berperan penting menjaga konsistensi, tetapi pelatihan spesifik per peran, panduan, dan pembelajaran berkelanjutan yang menentukan apakah kebijakan itu menjelma jadi perilaku sehari-hari. Bagi pemimpin TI, adopsi yang bertanggung jawab berarti menciptakan kondisi bagi kepercayaan itu, dengan visibilitas dan pengawasan cukup untuk mengelola keamanan, kepatuhan, dan kualitas tanpa menimbulkan friksi yang membuat karyawan mencari jalan pintas. Prinsip yang sama berlaku pada teknologinya: organisasi perlu alat yang menyatu dalam alur kerja dan memberi kemampuan sesuai pekerjaan nyata.

Pada skala makro, organisasi perlu memperlakukan adopsi bertanggung jawab sebagai proses berkelanjutan, bukan peluncuran sekali jadi. Seiring alat dan kemampuan AI terus berkembang cepat, panduannya juga harus mengikuti. Organisasi yang menciptakan nilai bertahan akan mengajukan pertanyaan berbeda dari mereka yang fokus pada konsumsi token: apakah pekerjaan menjadi lebih akurat, apakah karyawan membuat keputusan lebih baik, apakah model paling optimal dipakai sesuai jenis tugas, dan apakah hasil berkualitas dapat diandalkan sambil mengoptimalkan biaya AI untuk mencapainya.

Ketika pemimpin menyediakan alat, konteks, dan keyakinan yang dibutuhkan karyawan, produktivitas dan ROI akan mengikuti. Sebaliknya, mengukur keberhasilan hanya dari banyaknya token yang dibakar justru mengaburkan tujuan sebenarnya dari adopsi AI di lingkungan kerja.

Artikel ini disusun berdasarkan pandangan Joseph George, General Manager for ITSG at GoTo, dalam laporan TechRadar Pro Perspectives.