Meta dan Klarna Mundur dari Strategi AI-First: Otomatisasi Tetap Butuh Manusia

Meta dan Klarna memperlihatkan satu kenyataan penting dalam adopsi kecerdasan buatan (AI): menggantikan seluruh fungsi kerja dengan AI jauh lebih sulit daripada mengotomatisasi sebagian tugas di dalamnya. Meta menghentikan perencanaan gelombang kedua restrukturisasi Project OT setelah pemangkasan tenaga kerja pertama. Di sisi lain, Klarna kembali merekrut pekerja layanan pelanggan setelah pendekatan layanan yang terlalu bertumpu pada AI menghasilkan kualitas yang lebih rendah. 218

Pelajarannya bukan bahwa AI tidak berguna. AI dapat menyerap pekerjaan yang terstruktur dan berulang dalam skala besar. Namun, perusahaan masih membutuhkan manusia untuk menafsirkan konteks, memeriksa hasil, menangani kasus pengecualian, serta menjaga akuntabilitas dan pengalaman pelanggan.

Meta: visi tim kecil berbantuan AI bertemu batas praktik

Menurut Reuters, Project OT—singkatan dari Organization Transformation—dirancang sebagai restrukturisasi dua gelombang. Meta menjalankan pemangkasan pertama pada Mei 2026, yang mengurangi sekitar 10% tenaga kerjanya, lalu membatalkan perencanaan gelombang berikutnya yang semula ditargetkan berlangsung pada November. Meta mengonfirmasi keberadaan Project OT dan menyebutnya sebagai proyek setahun yang mencakup penghematan biaya, perancangan ulang tim, serta pergeseran pekerja ke area prioritas. 2

Pembatalan ini penting karena rencananya bukan sekadar efisiensi biaya biasa. Model yang dibayangkan adalah kelompok pekerja yang jauh lebih kecil, dengan dukungan agen AI. Namun, menghasilkan lebih banyak draf, kode, atau keluaran tugas tidak serta-merta berarti perusahaan dapat mengirimkan produk secara konsisten dan andal.

Dalam alur kerja yang kompleks, manusia tetap diperlukan untuk menetapkan sasaran, menghubungkan pekerjaan lintas sistem, menguji hasil, mendeteksi kegagalan, dan bertanggung jawab ketika sesuatu bermasalah. Meta tidak menghentikan investasi AI atau pemanfaatan AI dalam kerja; yang berubah adalah keyakinan bahwa kemampuan agen AI sudah cukup untuk mendukung pengurangan tenaga kerja besar berikutnya sesuai jadwal awal. 2

Klarna: volume otomatisasi tidak menjamin mutu layanan

Pengalaman Klarna menunjukkan masalah serupa dari sisi layanan pelanggan. Asisten AI perusahaan ini menangani porsi besar percakapan dukungan standar, termasuk pertanyaan rutin mengenai pembayaran, pengembalian dana, dan retur barang. Namun, Klarna kemudian menjauh dari sikap yang sepenuhnya mengandalkan AI dan kembali merekrut staf dukungan manusia. 1720

Menurut laporan mengenai perubahan strategi itu, CEO Klarna Sebastian Siemiatkowski mengakui perusahaan telah memangkas kapasitas manusia terlalu agresif. Persoalannya bukan AI tidak memberi nilai tambah, melainkan layanan otomatis kesulitan menghadapi kasus yang rumit, ambigu, atau sensitif secara emosional—situasi ketika pekerja berpengalaman dibutuhkan untuk menyelidiki masalah, menggunakan pertimbangan, dan berempati. Klarna pun mulai membangun kembali kapasitas dukungan manusia berdampingan dengan otomatisasi. 1819

Dalam layanan pelanggan, perbedaannya sangat menentukan. Sistem dapat menyelesaikan pertanyaan umum dengan cepat, tetapi kepercayaan pelanggan bisa terkikis bila orang dengan sengketa pembayaran, kondisi tidak biasa, atau masalah yang memburuk tidak dapat segera terhubung dengan staf yang kompeten. Otomatisasi baru bernilai jika jalur eskalasi dan akuntabilitas manusia menjadi bagian dari desain layanannya.

Model yang muncul: AI sebagai pengungkit, bukan pengganti semua peran

Dua kasus tersebut mengarah pada model operasional yang lebih tahan uji:

• Otomatiskan tugas yang dapat diprediksi. AI paling berguna ketika masukan sudah terstandar, hasilnya mudah diverifikasi, dan kesalahan dapat diperbaiki dengan biaya rendah.
• Pertahankan manusia di titik pengambilan keputusan. Manusia tetap esensial saat pekerjaan membutuhkan konteks lintas sistem, pertukaran prioritas, pertimbangan, tanggung jawab, atau pengelolaan relasi.
• Bangun eskalasi ke dalam alur kerja. Layanan pelanggan dan proses berisiko tinggi perlu menyediakan pengalihan yang jelas kepada staf yang tepat, bukan berakhir di putaran otomatis tanpa solusi.
• Ukur hasil, bukan sekadar aktivitas. Kode yang lebih banyak dihasilkan, respons awal yang lebih cepat, atau volume tugas yang meningkat bukan metrik lengkap bila mutu, penyelesaian masalah, keamanan, dan kepercayaan pelanggan justru memburuk.

Artinya bukan pekerjaan tidak akan terdampak. Perubahan kemungkinan hadir melalui perancangan ulang tim, kebutuhan keterampilan yang bergeser, dan berkurangnya peran yang sepenuhnya berisi pekerjaan rutin—bukan melalui lenyapnya seluruh kebutuhan atas tenaga kerja manusia dalam waktu dekat.

Data perekrutan menunjukkan pergeseran ke kemampuan teknis

Pasar tenaga kerja teknologi yang lebih luas sejalan dengan gambaran tersebut. SignalFire melaporkan perekrutan di perusahaan teknologi besar berada 25% di bawah patokan 2019, sedangkan perekrutan insinyur perangkat lunak turun 11%. Akibatnya, insinyur perangkat lunak mencakup 55% dari seluruh perekrutan di perusahaan-perusahaan tersebut, naik dari 46% pada 2019. 49

Data ini tidak membuktikan AI menjadi penyebab tunggal seluruh perubahan perekrutan. Siklus bisnis dan penyesuaian tenaga kerja setelah pandemi juga berpengaruh. Namun, data tersebut menunjukkan organisasi yang lebih ramping belum menghapus kebutuhan akan talenta teknis. Komposisi perekrutan justru bergeser ke orang-orang yang mampu membangun, menerapkan, mengevaluasi, mengamankan, dan mengawasi sistem yang makin otomatis.

Risiko jangka pendek terbesar ada pada jalur karier level awal

Peneliti Stanford Digital Economy Lab tidak menemukan bukti penggantian pekerjaan secara luas di seluruh ekonomi dalam data administrasi penggajian hingga Juni 2026. Namun, pekerjaan bagi pekerja usia 22–25 tahun dalam pekerjaan yang sangat terpapar AI berada 19% di bawah tingkat yang seharusnya dicapai bila pertumbuhannya mengikuti rekan sebaya di pekerjaan yang kurang terpapar AI. Pekerja berpengalaman tidak menunjukkan kesenjangan serupa, dan penyesuaian ini terutama terjadi melalui berkurangnya perekrutan, bukan meningkatnya pemutusan hubungan kerja. 35

Angka 19% tersebut adalah kekurangan relatif terhadap skenario “mengikuti laju”, bukan jumlah pekerjaan yang terbukti langsung dihapus oleh AI. Meski begitu, temuan itu menyoroti persoalan serius: ketika AI mengambil sebagian pekerjaan rutin untuk pemula, perusahaan mungkin membuka lebih sedikit kesempatan bagi orang untuk mengumpulkan pengalaman yang diperlukan menuju peran yang lebih senior.

Pelajaran untuk perusahaan

Pertanyaan yang relevan kini bukan lagi apakah perusahaan harus memakai AI, melainkan di bagian mana AI dapat memperbaiki proses tanpa menyingkirkan kemampuan manusia yang membuat proses itu andal.

Gelombang kedua yang tidak jadi direncanakan Meta dan perekrutan ulang dukungan pelanggan oleh Klarna sama-sama mengisyaratkan bahwa otomatisasi perlu diuji berdasarkan hasil akhir: produk yang benar-benar berhasil dikirimkan, keputusan yang akurat, kasus yang tuntas, kepercayaan pelanggan, serta biaya pemulihan yang terkendali. Di area ketika AI bekerja baik, teknologi ini dapat meningkatkan kapasitas tim yang lebih kecil. Namun ketika ketidakpastian atau konsekuensinya tinggi, desain yang tepat umumnya adalah manusia-plus-AI, bukan tanpa manusia.

AI pada akhirnya sedang mengubah susunan dan daya ungkit tim. Perusahaan yang paling mungkin diuntungkan adalah perusahaan yang memperlakukan otomatisasi sebagai alat untuk memperkuat kerja manusia, bukan jalan pintas untuk menghindari pekerjaan manusia yang masih dibutuhkan oleh produk kompleks dan hubungan dengan pelanggan.