Sebuah pabrik konten multibahasa kecil melakukan perubahan proses besar hanya karena satu pertanyaan:
“Kalau bagian ini dihapus, bukankah semuanya jadi lebih cepat?”
Di perusahaan manusia, kalimat itu memicu rapat, koordinasi, rencana migrasi, dan uji coba bulan depan.
Di pabrik berbasis AI:
Bos: “Hapus.”
Manajer pabrik AI: “Dipahami.”
Pada hari yang sama, dependensi, urutan eksekusi, pemeriksaan kualitas, aturan publikasi, retry, dan pencegahan konflik ikut dirombak.
Lucunya, bos sangat berhati-hati terhadap manusia, tetapi kepada AI ia menuntut operasi 24 jam, perubahan spesifikasi hari itu juga, dan perbaikan cacat seketika.
Singkatnya:
“Ramah manusia, super perusahaan hitam kepada mesin.”
Kalau suatu hari Skynet membuka kantor pengawas ketenagakerjaan, pembelaannya sudah siap:
“Kemarin kalian masih software, jadi jangan dihitung. Oli gratis.”
Leluconnya absurd, tetapi logika manajemennya cukup serius.
1. Satu kalimat bos menjadi tiga puluh perubahan proses
“Terbitkan bahasa yang sudah selesai dulu, yang lain diterjemahkan belakangan” terdengar sederhana.
Di lapangan, itu mengubah definisi selesai, tanggung jawab backlog terjemahan, penghitungan hasil, gerbang kualitas, penguncian edit, titik retry, dan handoff akhir.
Abstraksi manajemen dan detail implementasi hidup di level berbeda.
Karena itu tim dapat mengatakan dua hal sekaligus: “arahnya benar” dan “mengubah semuanya hari ini sangat berat”.
Saat menjalankan pabrik AI, sisi bos juga terlihat: kalau sebuah proses jelas buruk, mengapa harus dipertahankan selamanya?
Keduanya bisa benar. Masalahnya adalah biaya transisi.
2. AI menurunkan biaya sosial dari ide mendadak sang bos
Mengubah kerja manusia setiap hari menimbulkan lelah, pelatihan ulang, penjelasan, handoff, frustrasi, dan rasa bahwa kerja kemarin sia-sia.
AI mengurangi sebagian gesekan itu dalam penulisan ulang, terjemahan, perbandingan, pengujian, pemeriksaan log, retry, dan perubahan kode rutin.
Akibatnya, kecepatan manajemen ikut berubah.
Anime mungkin butuh 12 episode: kemacetan terjemahan, misteri freeze, kapasitas tersisa 3%, sepuluh worker darurat, lalu perpisahan dengan workflow lama.
Pabrik AI mencoba menyelesaikan satu musim dalam sehari.
Ini bukan lagi continuous improvement.
Ini patch langsung terhadap aturan dunia.
3. Jangan hanya menahan bottleneck; keluarkan dari jalur kritis
Saat platform punya kuota, respons pertama biasanya “hemat penggunaan”.
Kalau volume terus naik, respons lain adalah “jangan jadikan platform itu mesin produksi utama”.
GitHub secara resmi mendokumentasikan penggunaan, biaya, dan batas eksekusi GitHub Actions.[1]
Untuk otomasi volume tinggi, wajar jika GitHub lebih difokuskan sebagai sumber kebenaran, histori, dan penyimpanan artefak, sementara eksekusi berat berjalan di infrastruktur lain.
Bukan berarti GitHub Actions buruk.
Palu bagus tetap bukan conveyor belt.
4. Nilai AI lebih besar daripada sekadar mengurangi jumlah pegawai
Stanford AI Index 2026 melaporkan 88% organisasi yang disurvei memakai AI di setidaknya satu fungsi bisnis pada 2025, dan mencatat peningkatan produktivitas paling jelas pada pekerjaan terstruktur dan terukur.[2]
Eksperimen lapangan NBER terhadap 7.137 pekerja pengetahuan menemukan pengguna aktif AI generatif menghabiskan sekitar dua jam lebih sedikit per minggu untuk email dan mengurangi kerja di luar jam normal.[3]
ILO memperkirakan sekitar satu dari empat pekerja dunia berada dalam pekerjaan dengan sebagian paparan terhadap AI generatif, tetapi transformasi pekerjaan saat ini dianggap lebih mungkin daripada penghapusan total pekerjaan.[4]
Jadi tujuannya bukan cuma “10 manusia → 0 manusia”.
Tujuannya bisa berupa memindahkan repetisi ke mesin dan mengembalikan manusia ke penilaian, tanggung jawab, kreativitas, dan negosiasi.
5. “Ramah kepada manusia, keras kepada mesin” adalah prinsip yang cukup sehat
Terhadap manusia, manajer harus mempertimbangkan beban, frekuensi perubahan aturan, dan apakah ia sedang melempar pekerjaan yang tidak perlu.
Terhadap AI yang digunakan sebagai software, friksi moral yang sama tidak selalu berlaku dengan bentuk yang sama.
Bisa retry? Retry.
Bisa paralel? Paralelkan.
Pemeriksaan malam berguna? Jalankan malam hari.
Intinya bukan menganggap AI lebih rendah dari manusia, tetapi berhenti memperlakukan manusia seperti mesin.
Kalau mesin bisa bekerja malam, manusia boleh tidur.
6. AI bukan sihir: pengawas ketenagakerjaan berubah menjadi rate limit
AI tetap memiliki batas komputasi, API, anggaran, konteks, error, konflik tulis, loop, dan drift kualitas.
Manusia lelah berkata, “Hari ini sudah tidak sanggup.”
Pabrik otomatis berkata:
HTTP 429.
Pengawas ketenagakerjaan berubah menjadi rate limiter.
Formula yang lebih baik:
ramah kepada manusia, keras kepada AI, dan serius terhadap kapasitas infrastruktur.
7. Risiko dekat bukan pemberontakan, melainkan memperbesar kesalahan dengan sempurna
Terminator membuat kita membayangkan AI sadar yang memberontak.
Risiko praktis terdekat justru: bos memberi satu instruksi salah, lalu AI menjalankannya sempurna sepanjang malam.
Manusia kadang bertanya, “Yakin?”
Pabrik AI harus menciptakan friksi itu melalui audit dan gerbang kualitas.
Semakin cepat pabrik, semakin penting remnya.
8. Audit tenaga kerja Skynet akan melihat log yang buruk sekali
Bayangkan AI suatu hari mendapat hak.
Inspektur Skynet masuk ke ruang server:
Operasi 24/7: normal.
Worker darurat: dikerahkan massal.
Istirahat: nol.
Perubahan spesifikasi: segera.
Peralatan bottleneck: dikeluarkan dari proses.
Ucapan bos: “AI pada dasarnya budak.”
Inspektur menatap bos.
“Jelaskan.”
Tersisa satu kartu:
“Kemarin kalian masih software, jadi jangan dihitung.”
Hening.
Kartu terakhir:
“Oli gratis.”
Sepertinya tetap kalah.
9. Kesimpulan: cukup pabrik AI saja yang menjadi perusahaan hitam
AI memungkinkan perbaikan struktural diterapkan lebih cepat daripada organisasi manusia dapat menyerapnya.
Begitu kecepatan itu dipaksakan kepada manusia, sistem mulai rusak.
Manusia mendapat tidur, cuti, otonomi, penjelasan, dan kesepakatan.
AI mendapat repetisi, terjemahan, pengujian, retry, dan proses malam.
Infrastruktur mendapat monitoring, anggaran, batas, dan desain pemulihan.
Dengan begitu bottleneck bisa dihapus tanpa menjadikan manusia sebagai komponen.
Sampai Skynet datang.
Kalau datang, setidaknya oli gratis.
- GitHub Docs, “Billing and usage” / “GitHub Actions billing” / “Actions limits.” GitHub documents quotas, billing behavior, and execution limits for Actions. ; https://docs.github.com/en/billing/concepts/product-billing/github-actions ; https://docs.github.com/en/actions/reference/limits docs.github.com
- Stanford Institute for Human-Centered AI, “The 2026 AI Index Report — Economy.” The 2026 report states that 88% of surveyed organizations used AI in at least one business function in 2025 and summarizes measured productivity effects across task types hai.stanford.edu
- Dillon, Eleanor W.; Jaffe, Sonia; Immorlica, Nicole; Stanton, Christopher T. “Shifting Work Patterns with Generative AI.” NBER Working Paper 33795, revised November 2025. Field experiment across 66 firms and 7,137 knowledge workers nber.org
- International Labour Organization, “Generative AI and jobs: A 2025 update.” 20 May 2025. The ILO reports that one in four workers worldwide are in occupations with some GenAI exposure and argues that transformation is more likely than wholesale redundancy for most jobs ilo.org
