VIDEO L1.1 — MODUL 1: THE WORK SHIFT (Estimasi Durasi: 12 Menit)
Judul: Tugas vs. Jabatan: Mengapa AI Mengubah Standar Output Sebelum Menghapus Jabatan
Pertanyaan Utama: Mengapa menganalisis pekerjaan dari kacamata "nama jabatan" justru menyesatkan, dan bagaimana membaca dampak AI pada tingkat tugas (task exposure)?
Outline Slide Visual L1.1
- Slide 1: Ilustrasi Kotak "Jabatan (Staf Administrasi / Analis)" dipecah menjadi 6 kotak tugas kecil (Input Data, Rekap, Koordinasi Vendor, Verifikasi Anomali, Negosiasi, Laporan).
- Slide 2: Data Fakta ILO & IMF: ~1 dari 4 pekerja global terpapar GenAI; Negara Maju 30–32% vs Negara Berkembang ~15%; Exposure $\neq$ Replacement (EV-EMP-03, EV-EMP-04).
- Slide 3: Pergeseran Standar Kinerja (Tabel Before vs After: Dulu draf selesai 2 hari dinilai cukup $\rightarrow$ Kini draf selesai 1 jam dianggap standar dasar, nilai pindah ke akurasi & insight).
- Slide 4: Latihan Refleksi: Pisahkan Tugas Rutin Terstruktur vs Tugas Berisiko Tinggi & Kontekstual.
Naskah Narasi Lengkap (Verbatim) L1.1
[1. Konteks / Hook — ±1,5 Menit]
Coba ingat obrolan makan siang di kantor atau grup WhatsApp alumni beberapa bulan terakhir. Pertanyaan yang paling sering muncul hampir selalu berbunyi seperti ini: "Menurutmu profesi akuntan bakal hilang nggak?" atau "Staf admin dan CS sebentar lagi diganti robot semua ya?"
>
Pertanyaan seperti itu terasa dramatis dan mudah memicu kecemasan, tetapi secara analitis pertanyaan itu salah sasaran. Mengapa? Karena AI hampir tidak pernah datang lalu menghapus satu kotak jabatan utuh dalam semalam seperti membalik saklar lampu. Yang terjadi jauh lebih senyap: AI menyusup ke dalam tugas-tugas tertentu di dalam jabatan Anda, lalu diam-diam menaikkan standar apa yang dianggap "pekerjaan biasa" versus "pekerjaan bernilai tinggi".
>
[2. Tujuan Belajar — ±1 Menit]
Di pelajaran pertama Modul 1 ini, Anda akan belajar membedakan konsep paparan tugas (task exposure) dari penghapusan pekerjaan, memahami bagaimana pergeseran ekspektasi output bekerja di kantor, dan mulai melatih cara pandang task thinking di atas job-title thinking.
>
[3. Satu Konsep Inti & Bukti Riset — ±3,5 Menit]
Prinsip pertamanya adalah: AI bekerja pada level tugas (task), bukan pada level jabatan (job title).
>
Mari kita lihat riset resmi dari International Labour Organization (ILO) (Claim ID: EV-EMP-03). Secara global, sekitar satu dari empat pekerja berada di pekerjaan yang memiliki paparan terhadap Generative AI. Namun ILO menemukan perbedaan tajam antar-negara: di negara berpendapatan tinggi paparannya sekitar 30 hingga 32 persen, sedangkan di negara berkembang angkanya lebih rendah, di kisaran 15 persen. Yang paling penting, baik ILO maupun IMF (EV-EMP-04) menegaskan satu kalimat kunci: paparan (exposure) tidak sama dengan penggusuran otomatis (displacement).
>
Untuk sebagian besar pekerjaan, AI bertindak sebagai pelengkap tugas (augmentation)—terutama pada tugas administratif dan klerikal yang sifatnya rutin, berulang, dan memiliki pola input-output yang baku.
>
Namun di sinilah jebakan halusnya bagi karyawan: ketika bagian rutin dari tugas Anda semakin cepat dikerjakan alat, batas minimal kinerja (baseline expectation) ikut naik. Dulu, merapikan rekap notulensi dan membuat draf laporan dalam satu hari kerja penuh sudah membuat atasan puas. Kini, karena penyusunan draf awal dapat dipercepat berkali-kali lipat, sekadar menghasilkan dokumen yang rapi secara tata bahasa tidak lagi dianggap prestasi istimewa. Nilai profesional Anda bergeser kepada hal-hal yang belum bisa diandalkan dari mesin: apakah datanya valid, apakah konteks bisnisnya masuk akal, dan tindakan apa yang harus diambil setelah laporan itu dibaca.
>
[4. Demonstrasi Cara Berpikir (Skenario Ilustratif) — ±2,5 Menit]
Mari kita uji lewat sebuah Skenario Ilustratif. Bayangkan sebuah tim administrasi operasional berisi tiga orang staf di perusahaan distribusi di Surabaya. Selama bertahun-tahun, separuh waktu kerja mereka habis setiap hari Senin untuk menyusun rekap pesanan cabang dan menulis ringkasan kendala pengiriman untuk rapat pagi pimpinan.
>
Ketika perusahaan mulai memakai sistem otomasi pelaporan, waktu untuk mengompilasi teks ringkasan menyusut dari 4 jam menjadi 25 menit. Apakah ketiga staf itu langsung dipecat hari itu juga? Dalam banyak organisasi Indonesia, tidak serta-merta demikian. Namun dua bulan kemudian, pimpinan mulai memperhatikan ketiganya dengan kacamata baru:
* Staf pertama hanya membiarkan rekap otomatis terkirim apa adanya—ketika ada angka retur barang yang keliru karena kesalahan ketik cabang, ia tidak tahu-menahu karena tidak pernah mengecek ke gudang.
* Staf kedua justru memakai sisa waktu 3 jam lebihnya setiap Senin pagi untuk menelepon kepala gudang cabang yang angkanya janggal, lalu melampirkan satu paragraf rekomendasi penyesuaian jadwal armada.
>
Kedua orang ini punya nama jabatan yang sama persis. Tetapi dalam enam bulan, yang satu dinilai "mudah digantikan oleh sistem", sementara yang kedua menjadi tumpuan pimpinan.
>
[5. Framework: 3 Pertanyaan Pembeda Tugas vs Jabatan — ±1,5 Menit]
Mulai hari ini, setiap kali membaca berita tentang AI, ganti pertanyaan "Apakah jabatan saya aman?" dengan tiga pertanyaan task thinking:
1. Tugas mana di meja saya yang paling terstruktur dan berulang? (Di sinilah paparan otomasi tertinggi berada).
2. Jika tugas rutin itu selesai 3x lebih cepat, standar kualitas baru apa yang akan diminta atasan dari sisa waktu saya?
3. Keputusan atau koordinasi manusia apa di sekitar tugas itu yang tetap membutuhkan pertanggungjawaban saya?
>
[6. Latihan & Refleksi — ±1 Menit]
Ambil catatan Anda sejenak. Tuliskan tiga aktivitas yang paling banyak menyita jam kerja Anda minggu lalu. Tandai mana yang sifatnya mengolah teks/angka berpola ulang, dan mana yang menuntut keputusan atau koordinasi dengan orang lain. Simpan catatan ini karena di akhir Modul 1 kita akan memasukkannya ke Worksheet 1.
>
[7. Kesimpulan & Transisi — ±30 Detik]
Jadi, AI tidak menghapus jabatan secara serentak, melainkan mengubah nilai dari tiap tugas di dalam jabatan Anda. Di video berikutnya (L1.2), kita akan memetakan mengapa kecepatan perubahan ini sangat berbeda antara korporasi swasta digital, BUMN, instansi ASN, dan bisnis operasional tradisional di Indonesia.