Bahasa Indonesia

Setengah Pekerja AS Sekarang Menggunakan AI di Pekerjaan: Model Operasi yang COO Butuhkan untuk Era Post-Pilot

Setengah Pekerja AS Sekarang Menggunakan AI di Pekerjaan: Model Operasi yang COO Butuhkan untuk Era Post-Pilot

Ringkasan Cepat: Gallup melaporkan 50% dari orang dewasa yang dipekerjakan AS sekarang menggunakan AI di pekerjaan, dengan 13% menggunakannya setiap hari. Ketika mayoritas angkatan kerja Anda menggunakan AI terlepas dari kebijakan, Anda tidak lagi menjalankan pilot — Anda menjalankan model operasi yang tidak terdokumentasi. Pekerjaan COO sekarang adalah membuat model itu eksplisit.

Apa yang Data Katakan

  • 50% orang dewasa Amerika yang dipekerjakan melaporkan menggunakan AI dalam peran mereka setidaknya beberapa kali per tahun, naik dari 46% kuartal sebelumnya (Gallup 2026)
  • 13% pekerja AS menggunakan AI setiap hari; 28% menggunakannya beberapa kali seminggu atau lebih (Gallup 2026)
  • 65% karyawan di organisasi yang mengimplementasikan AI melaporkan keuntungan produktivitas dan efisiensi (Gallup 2026)
  • Industri dengan eksposur AI yang lebih tinggi mengalami pertumbuhan produktivitas sekitar 10% lebih besar dan pertumbuhan upah 4,8% lebih tinggi per standar deviasi eksposur AI (phys.org analisis data industri 2017–2024)
  • Federal Reserve mulai secara formal melacak adopsi AI dalam indikator ekonomi AS pada awal 2026, menandakan embedding struktural pada skala makroekonomi

Selama sebagian besar tiga tahun terakhir, AI di tempat kerja telah dibingkai sebagai transisi: satu set alat untuk pilot, perilaku untuk didorong, investasi untuk dibenarkan. Pembingkaian itu masuk akal ketika adopsi adalah single-digit dan terpusat pada karyawan yang berpikiran teknis. Itu tidak cocok lagi.

Survei angkatan kerja terbaru Gallup menemukan bahwa 50% orang dewasa Amerika yang dipekerjakan sekarang melaporkan menggunakan AI dalam peran mereka setidaknya beberapa kali per tahun, naik dari 46% kuartal sebelumnya. Tiga belas persen menggunakannya setiap hari. Dua puluh delapan persen menggunakannya beberapa kali seminggu atau lebih. Gallup membingkai ini sebagai angkatan kerja melampaui ambang struktural, bukan lonjakan hype tetapi pergeseran mayoritas yang genuine. Dan menurut penelitian Gallup, segmen daily-user telah tumbuh cukup cepat sehingga angka 13% mungkin konservatif mengingat underreporting dalam survei self-assessed. Penelitian serentak PwC menambahkan konteks: hanya 20% perusahaan menangkap 74% nilai ekonomi AI, menyarankan bahwa adopsi mayoritas saja tidak menentukan siapa yang menang.

Federal Reserve mengakui titik infleksi yang sama pada awal 2026, mengumumkan bahwa itu akan mulai secara formal melacak adopsi AI dalam indikator ekonomi AS. Ketika Fed membangun seri data baru di sekitar teknologi, itu mengakui bahwa teknologi secara struktural tertanam cukup untuk penting untuk pengukuran makroekonomi. Itu bukan sinyal tentang potensi. Itu adalah sinyal tentang realitas sekarang.

Pertanyaan bagi COO bukan apakah AI telah mencapai skala operasional. Itu sudah. Pertanyaannya adalah apakah model operasi Anda telah tertangkap.

Setengah Pekerja AS Sekarang Menggunakan AI di Pekerjaan: Model Operasi yang COO Butuhkan untuk Era Post-Pilot — key statistic

Masalah Tiga-Kohort yang Anda Sudah Kelola (Bahkan Jika Anda Belum Menamainya)

Sebagian besar kerangka tata kelola AI ditulis untuk dunia di mana pengguna sesekali adalah mayoritas dan power users adalah pengecualian. Asumsi itu telah terbalik. Dalam angkatan kerja di mana 50% menggunakan AI setidaknya sesekali dan 13% menggunakannya setiap hari, Anda sebenarnya mengelola tiga kohort yang berbeda dengan kebutuhan yang bermakna berbeda.

Pengguna sesekali (menggunakan AI beberapa kali per tahun) adalah segmen terbesar menurut jumlah tetapi risiko operasional terendah. Mereka menggunakan AI untuk tugas satu kali: merangkum dokumen, draft email, menjalankan pencarian cepat. Cakupan kebijakan baseline cukup di sini. Mereka perlu tahu alat apa yang disetujui, data apa yang tidak boleh mereka tempelkan ke produk AI konsumen, dan siapa yang harus ditanya ketika mereka memiliki pertanyaan. Kebijakan penggunaan yang dapat diterima satu halaman dan modul onboarding singkat mencakup sebagian besar surface tata kelola untuk grup ini. Templat kebijakan tata kelola AI tingkat departemen dapat memberi manajer titik awal daripada membangun dari nol.

Pengguna mingguan adalah tempat risiko integrasi tinggal. Karyawan ini telah menggabungkan AI ke dalam workflow reguler mereka tetapi belum tentu menerima panduan formal tentang cara melakukannya dengan baik. Mereka membuat keputusan penilaian tentang apa yang harus didelegasikan ke AI, seberapa banyak untuk mempercayai output, dan cara menandai kesalahan. Tanpa enablement terstruktur, pengguna mingguan mengembangkan kebiasaan idiosinkratik: beberapa over-verify ke titik mengalahkan keuntungan efisiensi, orang lain under-verify ke titik mengirim kesalahan AI hilir. Pelatihan manajer dan standar workflow lightweight menyelesaikan sebagian besar ini. Tetapi memerlukan fungsi operasi dan L&D Anda untuk memperlakukan kompetensi workflow AI sebagai keahlian nyata, bukan yang diberikan.

Pengguna harian menjalankan AI sebagai power tool. Mereka adalah karyawan paling mungkin untuk mencapai batas dalam stack saat ini, mengelilingi alat yang disetujui karena alat yang disetujui tidak memenuhi kebutuhan mereka, atau membangun otomasi informal yang belum diulas. Mereka juga adalah grup nilai tertinggi Anda untuk keuntungan produktivitas dan grup risiko tertinggi untuk shadow AI. Mereka membutuhkan tooling kelas enterprise, guardrails yang ditentukan untuk otomasi, dan saluran untuk surface apa yang bekerja dan apa yang organisasi harus formalisasikan.

Jika kebijakan tata kelola AI saat ini Anda tidak membedakan antara tiga kohort ini, itu hampir pasti over-constraining pengguna harian dan under-constraining pengguna mingguan.

Apa yang Angka Produktivitas Berarti (dan Apa yang Tidak)

Survei Gallup menemukan bahwa 65% karyawan di organisasi yang secara aktif menerapkan AI melaporkan bahwa itu telah meningkatkan produktivitas dan efisiensi mereka. Enam belas persen menggambarkan dampaknya sebagai sangat positif. Kurang dari 10% melaporkan efek negatif pada pekerjaan mereka.

Ambil angka 65% itu dengan serius, tetapi jangan perlakukan itu sebagai pengukuran produktivitas keras. Data produktivitas yang dilaporkan diri mencerminkan bagaimana karyawan merasa tentang pengalaman kerja mereka, yang berharga, tetapi tidak membedakan antara keuntungan output aktual dan persepsi bekerja lebih cepat. Orang yang merasa lebih produktif tidak selalu menghasilkan lebih; mereka kadang-kadang hanya merasa lebih sedikit gesekan. Itu bernilai sesuatu, tetapi bukan hal yang sama dengan keuntungan throughput yang dapat Anda ukur.

Ada data independen yang menempatkan nomor yang lebih keras di samping persepsi. Penelitian menganalisis data 2017–2024 industri menemukan bahwa sektor dengan eksposur AI yang lebih tinggi mengalami pertumbuhan produktivitas sekitar 10% lebih besar, 3,9% ketenagakerjaan yang lebih kuat, dan pertumbuhan upah 4,8% lebih tinggi per standar deviasi eksposur AI relatif terhadap sektor eksposur lebih rendah. Itu adalah korelasi lintas-industri, bukan eksperimen terkontrol, tetapi secara direktif konsisten dengan apa yang data self-report Gallup mengambil. Efek produktivitas AI dalam skala tampaknya nyata; besaran pastinya pada tingkat firma lebih sulit untuk ditentukan tanpa infrastruktur pengukuran Anda sendiri.

Implikasi bagi COO: jika Anda membuat argumen tingkat board tentang ROI AI berdasarkan angka Gallup 65%, tambahkan peringatan. Jika Anda mendesain metrik kinerja di sekitar adopsi AI, bangun mereka di sekitar indikator output tim operasi Anda dapat verifikasi, bukan survei kepuasan karyawan.

Model Tata Kelola Tiga-Kohort

Model Tata Kelola Tiga-Kohort — diagram

Sebagian besar kebijakan tata kelola AI ditulis untuk dunia di mana pengguna harian langka. Data Gallup menunjukkan dunia itu sudah pergi. Mengelola adopsi AI pada skala mayoritas memerlukan memperlakukan tiga kohort yang berbeda secara berbeda — pengguna sesekali yang membutuhkan guardrails baseline, pengguna mingguan yang membutuhkan enablement terstruktur, dan pengguna harian yang membutuhkan tooling kelas enterprise dan saluran feedback. Kebijakan tunggal untuk ketiga-tiganya over-constrains orang-orang menghasilkan nilai paling dan under-constrains orang-orang mengambil risiko paling.

Aturan Adopsi Mayoritas: Setelah lebih dari 50% angkatan kerja Anda menggunakan AI di tempat kerja, perilaku individu menjadi kebijakan organisasi secara default. Pertanyaannya bukan lagi apakah karyawan Anda menggunakan AI — itu apakah Anda telah membangun infrastruktur tata kelola untuk membuat penggunaan itu konsisten, dapat diaudit, dan strategis selaras. Shadow AI sekarang adalah default organisasi; kebijakan resmi adalah pengecualian yang perlu mengejar.

Lima Perubahan Model Operasi yang Perlu Anda Buat Sekarang

Lima Perubahan Model Operasi yang Perlu Anda Buat Sekarang — workflow diagram

Perubahan struktural yang Gallup dokumentasikan menuntut perubahan di lima dimensi cara operasi berjalan.

1. Kebijakan tata kelola: dari aturan blanket ke izin bertingkat. Kebijakan penggunaan AI tunggal yang ditulis untuk pengguna sesekali menciptakan teater kepatuhan untuk pengguna harian yang sudah membangun workflow kebijakan Anda tidak mengantisipasi. Desain ulang kerangka tata kelola Anda di sekitar tiga kohort. Tetapkan aturan klasifikasi data yang jelas (apa yang dapat masuk ke alat mana), tentukan tingkatan alat yang disetujui oleh use case, dan bangun jalur ulasan jalur cepat untuk pengguna harian yang ingin memformalisasi workflow yang sudah mereka bangun secara informal.

2. Standardisasi tooling: konsolidasikan stack sebelum itu terfragmentasi lebih lanjut. Ketika adopsi AI mencapai tingkat mayoritas, proliferasi alat informal yang terakumulasi selama periode pilot menjadi tanggung jawab operasional. Karyawan di alat AI yang berbeda tidak dapat berbagi prompts, workflows, atau outputs dengan bersih. Tim IT dan keamanan Anda mengelola permukaan serangan yang berkembang. Dan kerangka tata kelola data Anda hanya sekuat alat unsanctioned yang paling lemah Anda. Jalankan audit dari apa karyawan Anda benar-benar menggunakan versus apa yang disediakan secara resmi. Kesenjangan akan hampir pasti lebih besar daripada yang Anda harapkan.

3. Enablement manajer: manajer Anda adalah lapisan tata kelola AI yang Anda tidak melatih. Pengguna AI harian dan mingguan tidak berinteraksi dengan dokumen kebijakan Anda pada saat mereka memutuskan apakah mempercayai output AI. Mereka berinteraksi dengan penilaian manajer mereka. Jika manajer Anda belum secara eksplisit dilatih pada apa pekerjaan yang dibantu AI yang baik terlihat, bagaimana untuk meninjau output AI di domain mereka, dan apa mode kegagalan umum, mereka tidak dapat melakukan peran tata kelola itu. Ini bukan acara pelatihan satu kali. Ini adalah kompetensi berkelanjutan yang fungsi pengembangan manajemen Anda perlu miliki. Playbook manajemen perubahan untuk rollout AI mengatasi secara khusus cara urutan pelatihan manajer dalam program adopsi yang lebih luas.

4. Metrik kinerja: tambahkan fluency AI ke kerangka pengukuran Anda. Sebagian besar sistem manajemen kinerja dibangun sebelum AI adalah alat pekerjaan harian. Itu berarti mereka tidak dapat membedakan antara karyawan yang berkinerja baik karena mereka terampil dan yang berkinerja baik karena mereka menjadi sangat efektif dalam menggunakan AI. Dan mereka tidak dapat mengidentifikasi karyawan yang underperforming sebagian karena mereka belum menerima enablement AI yang memadai. Perbarui KPI operasional Anda untuk menyertakan adopsi AI dan indikator kualitas output. Bukan sebagai mekanisme surveillance tetapi sebagai alat diagnostik untuk tempat investasi enablement Anda mendarat. Kerangka praktis untuk mengukur ROI adopsi AI memberikan pemimpin operasi model tiga-lapisan yang bertahan ulasan board.

5. Item baris anggaran AI: berhenti mendanai AI melalui pengeluaran diskresioner. Ketika alat AI tinggal dalam anggaran perangkat lunak miscellaneous, tidak ada kepemilikan atas utilisasi, tidak ada akuntabilitas untuk hasil, dan tidak ada jalur terstruktur untuk meminta tooling tambahan. Ketika mayoritas angkatan kerja Anda menjadi tergantung AI, tooling AI adalah pengeluaran operasional inti, bukan eksperimen. Bangun item baris khusus, tetapkan kepemilikan, dan ikatkan ke metrik output yang Anda lacak.

Apa yang Harus Dilakukan Minggu Ini

Pergeseran dari tata kelola pilot ke tata kelola operasional tidak memerlukan program transformasi. Memerlukan beberapa langkah konkret.

Pertama, tarik data penggunaan alat AI saat ini dari IT dan catatan pengadaan perangkat lunak Anda. Peta siapa yang menggunakan apa terhadap daftar alat yang disetujui Anda. Delta adalah eksposur shadow AI Anda. Jangan perlakukan itu sebagai masalah kepatuhan dulu; perlakukan itu sebagai sinyal tentang di mana stack yang disetujui memiliki kesenjangan.

Kedua, tinjau kebijakan penggunaan AI saat ini Anda dan identifikasi apakah itu ditulis untuk pengguna sesekali. Jika itu tidak mengatasi workflow pengguna harian, otomasi membangun, atau standar verifikasi output, itu membutuhkan versi kedua. Anda tidak harus pensiun yang pertama. Tambahkan lampiran berjenjang yang mencakup use cases frekuensi lebih tinggi.

Ketiga, identifikasi lima pengguna AI harian volume tertinggi Anda dalam operasi dan tanya mereka satu pertanyaan: alat yang disetujui apa batasan yang Anda kerja sekarang? Jawaban akan memberitahu Anda lebih banyak tentang gap tooling Anda daripada survei vendor apa pun.

Milestone Gallup penting bukan karena 50% adalah nomor yang memuaskan secara psikologis tetapi karena adopsi mayoritas adalah ambang di mana perilaku individu menjadi kebijakan organisasi, apakah Anda telah menulis kebijakan itu atau tidak. Shadow AI sekarang adalah default, bukan pengecualian. COO yang bertindak atas pergeseran itu sekarang membangun infrastruktur operasional yang akan berganda di dua tahun ke depan. Yang menunggu membiarkan karyawan mereka menulis kebijakan untuk mereka. Di sisi penjualan secara khusus, Agentforce Salesforce mencapai $800M ARR sinyal bahwa alat CRM agentic tidak lagi dalam wilayah pilot — pertimbangan untuk COO mengevaluasi seberapa dalam untuk menyematkan AI tingkat platform ke dalam workflow operasi.

Pertanyaan yang Sering Diajukan

Apa artinya 50% pekerja AS sekarang menggunakan AI di pekerjaan?

Survei 2026 Gallup menemukan bahwa 50% orang dewasa Amerika yang dipekerjakan melaporkan menggunakan alat AI dalam peran kerja mereka setidaknya sesekali, naik dari 46% kuartal sebelumnya. Keputusan Federal Reserve untuk membangun seri pelacakan formal di sekitar adopsi AI di 2026 menandakan bahwa ambang ini mewakili embedding struktural — bukan lonjakan adopsi sementara. Untuk COO, adopsi mayoritas berarti tata kelola AI sekarang persyaratan operasional baseline, bukan inisiatif.

Bagaimana COO harus berpikir tentang tiga kohort pengguna AI yang berbeda dalam angkatan kerja mereka?

Data Gallup pecah menjadi tiga segmen praktis: pengguna sesekali (beberapa kali per tahun) yang membutuhkan cakupan kebijakan baseline, pengguna mingguan yang telah mengintegrasikan AI ke dalam workflow reguler dan membutuhkan enablement terstruktur, dan pengguna harian (13% angkatan kerja) yang membutuhkan tooling kelas enterprise, automation guardrails, dan saluran feedback. Kebijakan tata kelola ditulis untuk pengguna sesekali secara sistematis over-constrain pengguna harian dan under-address risiko integrasi pengguna mingguan.

Apakah angka peningkatan produktivitas 65% dari Gallup dapat diandalkan?

Angka 65% mencerminkan peningkatan produktivitas yang dilaporkan diri di organisasi yang secara aktif menerapkan AI — metrik persepsi, bukan pengukuran throughput. Analisis lintas-industri dari data 2017–2024 menemukan sekitar pertumbuhan produktivitas 10% lebih besar di sektor dengan eksposur AI yang lebih tinggi, yang secara direktif konsisten tetapi diukur berbeda. COO harus menggunakan angka Gallup sebagai indikator sentimen dan membangun metrik terpisah berbasis output untuk klaim kinerja operasional.

Apa itu shadow AI dan mengapa itu kekhawatiran COO pada adopsi mayoritas?

Shadow AI mengacu pada alat AI yang karyawan gunakan tanpa provisioning IT resmi atau cakupan kebijakan. Pada tingkat adopsi mayoritas, shadow AI tidak lagi edge case — itu adalah mode default untuk karyawan yang kebutuhan mereka melebihi stack yang disetujui. Risiko operasional termasuk output yang tidak konsisten memasuki workflow yang dihadapi pelanggan, gap tata kelola data ketika informasi sensitif ditempelkan ke alat AI konsumen, dan permukaan serangan keamanan yang berkembang. Mengaudit penggunaan alat aktual terhadap daftar yang disetujui adalah langkah diagnostik pertama.

Bagaimana COO harus memperbarui metrik kinerja untuk menghitung adopsi AI?

Sistem manajemen kinerja yang dibangun sebelum AI adalah alat pekerjaan harian tidak dapat membedakan antara karyawan berkinerja baik dari keahlian versus mereka yang memanfaatkan AI secara efektif — atau underperforming karena mereka kekurangan enablement AI. Perbarui KPI operasional untuk menyertakan indikator adopsi AI dan pemeriksaan kualitas output. Tujuannya bukan surveillance; itu mengidentifikasi di mana investasi enablement Anda mendarat dan di mana kesenjangan persisten.

Bacaan Terkait