Ringkasan
Paper ini menguji bagaimana dukungan kebijakan SDM dan kejelasan tata kelola kecerdasan buatan membentuk cara pegawai beradaptasi dengan AI generatif di negara berkembang. Yang diteliti bukan pegawai secara umum, tetapi khusus mereka yang sudah benar-benar memakai AI generatif dalam pekerjaan sehari-hari.
Paper ini juga menutup perjalanan panjang: delapan bulan sejak diserahkan pada 11 November 2025, melewati dua ronde penilaian reviewer yang keduanya berujung revisi mayor, diterima 5 Juli 2026, lalu tayang 28 Juli 2026.
Latar belakang
AI generatif masuk ke tempat kerja jauh lebih cepat daripada kesiapan organisasi mengaturnya. Banyak instansi dan perusahaan mendorong pegawainya memakai alat ini, tetapi belum punya aturan yang jelas tentang apa yang boleh, apa yang tidak, dan siapa yang bertanggung jawab bila terjadi kesalahan. Di sisi lain, fungsi SDM diminta memastikan pegawai tetap produktif di tengah perubahan cara kerja yang tidak pernah secepat ini.
Konteks negara berkembang membuat persoalannya bertambah rumit. Adopsi teknologi berjalan cepat, sementara perangkat kebijakan dan tata kelolanya menyusul belakangan. Paper ini masuk tepat ke celah itu, dengan data dari pegawai Indonesia di sektor publik maupun swasta.
Research gap
Studi tentang AI di tempat kerja umumnya berhenti pada pertanyaan apakah teknologinya diterima atau tidak. Yang jarang diuji adalah peran struktur formal, yakni dukungan kebijakan SDM dan kejelasan aturan tata kelola, dalam membentuk cara pegawai beradaptasi. Lebih jarang lagi yang memeriksa apakah ada syarat minimum yang harus dipenuhi lebih dulu, bukan sekadar hubungan rata-rata antar variabel.
Celah kedua ada pada perbandingan sektor. Sektor publik dan swasta menghadapi tekanan, insentif, dan struktur kewenangan yang berbeda, tetapi keduanya jarang diuji berdampingan dalam satu model.
Novelty
Kebaruannya terletak pada cara paper ini memperlakukan syarat. Alih-alih hanya bertanya seberapa besar pengaruh rata-rata sebuah faktor, paper ini juga bertanya apakah faktor itu merupakan syarat yang harus dipenuhi lebih dulu. Untuk itu analisis jalur digabungkan dengan Necessary Condition Analysis. Hasilnya bisa menjawab dua pertanyaan: seberapa kuat pengaruhnya, dan berapa tingkat minimum yang harus dicapai.
Kebaruan kedua ada pada penggabungan dua kerangka teori yang jarang digunakan bersama: teori strukturasi dan model job demands-resources. Keduanya digunakan untuk menjelaskan bagaimana struktur organisasi membentuk cara tiap orang beradaptasi.
Landasan teori
Bagian teorinya dibuka dengan kritik terhadap kerangka yang selama ini mendominasi studi teknologi di tempat kerja. Model seperti TAM dan UTAUT bagus menjelaskan penerimaan awal sebuah teknologi, tetapi berhenti di situ. Keduanya tidak menjelaskan bagaimana pegawai terus beradaptasi setelah teknologinya menjadi bagian dari kerja sehari-hari.
Sebagai gantinya digunakan teori strukturasi dari Giddens, dengan gagasan intinya tentang dualitas struktur. Kebijakan SDM dan aturan tata kelola AI tidak berdiri sebagai latar pasif. Keduanya membatasi ruang gerak pegawai sekaligus membukanya. Pada saat yang sama, keduanya ikut berubah oleh kebiasaan kerja pegawai itu sendiri.
Kerangka kedua adalah model job demands-resources, yang memberi logika keseimbangan. Dukungan kebijakan dan kejelasan aturan berperan sebagai sumber daya, sementara tuntutan menguasai teknologi baru berperan sebagai beban. Gabungan kedua kerangka inilah yang menjelaskan mengapa dukungan yang sama bisa berujung pada technostress dan pada kinerja adaptif yang lebih baik.
Metode
Data dikumpulkan lewat survei daring di Indonesia pada Agustus sampai September 2024, disebarkan melalui jaringan profesional dan organisasi. Sasarannya pegawai yang benar-benar sudah aktif memakai AI generatif dalam pekerjaannya, bukan pekerja pada umumnya. Responden dipilih secara sengaja sambil menjaga agar sektor publik dan swasta sama-sama terwakili.
Dari 433 kuesioner yang masuk, 26 disingkirkan karena respondennya ternyata bukan pengguna AI generatif, sehingga tersisa 407 responden yang sah, atau 94 persen dari yang masuk. Komposisinya didominasi generasi milenial sebanyak 52,3 persen, disusul generasi X 35,4 persen, generasi Z 8,8 persen, dan baby boomer 3,4 persen. Sebaran ini dibandingkan dengan statistik pasar kerja nasional agar keterwakilannya bisa ditakar, bukan sekadar diklaim.
Analisisnya menempuh tiga tahap. Pertama, PLS-SEM untuk menguji kekuatan hubungan antar konstruk, yakni menjawab faktor mana yang berkaitan dengan adaptasi yang lebih baik. Kedua, Necessary Condition Analysis untuk menjawab pertanyaan yang berbeda: kondisi apa yang wajib terpenuhi lebih dulu. Ketiga, analisis multi-grup untuk membandingkan sektor publik dan swasta. Kombinasi PLS-SEM dan NCA inilah yang membuat paper ini bisa memisahkan mana yang sekadar memperbaiki hasil, dan mana yang harus ada lebih dulu.
Temuan
Sebelum membaca angkanya, ada satu hal yang perlu dipahami lebih dulu. Hanya dua dari sembilan hipotesis yang terbukti. Tetapi itu bukan berarti tujuh sisanya gagal. Sebagian besar malah signifikan secara statistik, hanya saja arahnya berlawanan dengan yang diperkirakan. Inilah yang membuat paper ini menarik.
Dugaan awalnya masuk akal. Dukungan kebijakan SDM dan kejelasan tata kelola AI mestinya menurunkan technostress dan ketergantungan pada AI. Yang terjadi sebaliknya. Kaitan paling kuat di seluruh model ternyata ada antara kejelasan tata kelola AI dan technostress (koefisien 0,617). Dukungan kebijakan SDM juga menaikkan ketergantungan pada AI (0,272). Penjelasannya sebenarnya masuk akal: semakin jelas aturannya dan semakin kuat dukungannya, semakin dalam pegawai memakai teknologi itu, berikut tekanan yang menyertainya.
Yang terbukti sesuai dugaan adalah jalur menuju adaptasi identitas profesional, baik dari dukungan kebijakan (0,175) maupun dari kejelasan tata kelola (0,221).
Menuju kinerja adaptif, hanya satu jalur yang benar-benar bekerja, dan bekerjanya kuat. Jalur itu adalah ketergantungan pada AI, dengan koefisien 0,571. Technostress ternyata tidak berpengaruh signifikan (0,052), begitu pula adaptasi identitas profesional (0,071). Artinya yang menggerakkan kinerja adaptif adalah seberapa dalam seseorang benar-benar mengandalkan alatnya, bukan seberapa tertekan atau seberapa berubah identitasnya.
Dua faktor lain sifatnya membantu saja, tidak mewajibkan: kejelasan tata kelola AI dengan ambang 2,90 dan dukungan kebijakan SDM dengan ambang 2,70. Technostress sama sekali bukan syarat wajib.
Perbandingan sektor menghasilkan dua perbedaan yang signifikan dari sembilan jalur yang diuji. Di sektor publik, dukungan kebijakan SDM lebih kuat mendorong ketergantungan pada AI (0,332 berbanding 0,201). Di sektor swasta, kaitan antara ketergantungan dan kinerja terlihat lebih kuat (0,622 berbanding 0,493). Tafsirnya menarik: sektor publik lebih bergantung pada kebijakan formal untuk mendorong pemakaian, sedangkan sektor swasta lebih cepat mengubah pemakaian menjadi kinerja.
Kontribusi
Bagi organisasi, resepnya konkret: pelatihan yang relevan dengan peran dan dukungan pimpinan perlu dipasangkan dengan aturan yang jelas dan bisa digunakan tentang batas penggunaan serta tanggung jawab. Dukungan tanpa aturan menimbulkan kebingungan, aturan tanpa dukungan menimbulkan keengganan.
Bagi ilmu pengetahuan, paper ini menunjukkan bahwa sebagian faktor sebaiknya diperlakukan sebagai prasyarat, bukan sekadar prediktor rata-rata. Cara pandang ini mengubah pertanyaan kebijakan dari seberapa banyak dukungan yang perlu diberikan, menjadi tingkat minimum apa yang harus dipastikan tercapai lebih dulu.
Keterbatasannya diakui terbuka oleh penulisnya. Desainnya cross-sectional, artinya datanya diambil sekali pada satu waktu, sehingga arah sebab akibatnya tidak bisa dipastikan. Riset lanjutan disarankan memakai desain longitudinal. Pengukuran adaptasi identitas profesional juga masih perlu dipertajam, karena kerja identitas berlangsung perlahan dan sangat dipengaruhi budaya. Karena konteksnya Indonesia yang kolektivis dengan jarak kekuasaan tinggi, perbandingan lintas negara direkomendasikan. Terakhir, karena sampelnya hanya pegawai yang sudah memakai AI generatif, temuannya paling tepat diterapkan pada populasi yang memang sudah terpapar teknologi ini.
Perjalanan review
Inilah perjalanan terpanjang di antara seluruh paper di etalase ini. Delapan bulan lebih dari penyerahan sampai diterima, ditambah tiga minggu lagi menunggu produksi penerbit. Paper melewati dua ronde penilaian reviewer, keduanya berujung revisi mayor. Setelah itu tidak ada ronde ketiga, karena editor memilih memutuskan sendiri tanpa mengirim papernya kembali ke reviewer. Keputusannya berupa revisi minor, lalu diterima. Pemimpin redaksinya Prof. Thomas Lange, dengan Prof. Fabian Homberg sebagai editor pendamping.
Yang bisa dipelajari dari linimasa ini tiga hal
Pertama, menunggu hasil review pertama itu lama. Paper diserahkan 11 November 2025 dan keputusan pertama baru datang 2 Maret 2026, hampir empat bulan kemudian. Selama rentang itu tidak ada kabar apa pun. Ini normal, dan bukan pertanda paper bermasalah.
Kedua, dua kali revisi mayor berturut-turut bukan akhir dunia. Banyak penulis patah semangat begitu menerima major revision untuk kedua kalinya, karena merasa papernya tidak kunjung memuaskan. Padahal pola seperti ini menunjukkan editor masih melihat potensi. Ronde ketiga akhirnya turun menjadi minor revision, dan setelah itu langsung diterima.
Ketiga, kecepatan penulis membalas sangat menentukan. Perhatikan jarak antara keputusan editor dan penyerahan revisi. Setelah keputusan 2 Maret, revisi diserahkan 6 Maret, hanya empat hari. Setelah keputusan 6 Mei, revisi masuk 24 Mei. Setelah keputusan 29 Juni, revisi diserahkan keesokan harinya, lalu diterima enam hari kemudian. Dari total delapan bulan proses, waktu yang benar-benar digunakan penulis hanya sekitar satu bulan. Sisanya menunggu. Artinya, satu-satunya bagian yang bisa Anda kendalikan adalah kecepatan merespons.
Catatan ronde pertama: tiga suara, satu ancaman revisi mayor
Editor pendamping, Prof. Fabian Homberg, menyampaikan catatan yang singkat tetapi penting. Ia menilai Necessary Condition Analysis memang sudah terintegrasi dalam paper, tetapi hanya bisa dipahami pembaca yang sudah mengenal metode itu sebelumnya. Ia meminta metode tersebut dijelaskan lebih rinci, termasuk di bagian metode. Penilaian penutupnya melegakan: menurutnya seluruh komentar bisa dijawab lewat revisi yang dipikirkan matang.
Reviewer pertama memberi nada positif hampir di seluruh butir penilaian. Orisinalitas dinilai baru dan berguna, cakupan literatur memadai, kerangka teori tepat, desain survei sesuai, dan tulisannya mudah dibaca. Permintaannya bersifat penajaman. Perjelas kontribusi utamanya. Jelaskan mengapa variabel yang dipilih paling tepat mewakili dukungan kebijakan dan kejelasan tata kelola. Perkuat bagian metode dengan rincian mutu pengukuran dan uji ketahanan. Bahas kemungkinan penjelasan lain serta batas keberlakuannya. Terakhir, buat implikasi praktisnya lebih konkret. Satu kalimatnya menjadi kunci: hasil yang mengejutkan perlu dijelaskan lebih panjang.
Reviewer kedua jauh lebih keras, dan langsung meletakkan syarat hidup mati. Kalimat pembukanya lugas: masalah utamanya ada pada penyajian keterwakilan sampel terhadap populasi, dan kalau itu tidak bisa dibereskan, menurutnya tidak ada jalan ke depan.
Kritiknya ada dua. Pertama, soal kerumitan model. Ia menilai modelnya terlalu rumit tanpa keperluan, dan menyarankan penulis memangkasnya menjadi tiga sampai empat hipotesis saja. Kedua, dan ini yang mengancam, soal keterwakilan sampel. Ia mengakui 407 responden itu memadai dan komposisi sektor publik dan swasta yang hampir berimbang itu masuk akal. Tetapi ia menyoroti dua ketimpangan pada sampelnya. Pertama, perbandingan laki-laki dan perempuan 64 berbanding 36, yang menurutnya mengganggu karena populasi dunia jauh lebih dekat ke 50 banding 50. Kedua, komposisi pendidikan dengan sekitar 45 persen berjenjang magister, yang disebutnya lebih mengganggu lagi.
Kesimpulannya tegas: tanpa pembuktian keterwakilan, hasilnya tidak bisa digeneralisasi ke populasi dan hanya bisa disebut sebagai pendapat dari 407 responden terpilih. Dalam bentuk seperti itu, menurutnya paper tidak bisa diterbitkan.
Catatan ronde kedua: satu menolak, satu memuji nyaris berakhir di sini
Kalau ronde pertama berisi ancaman, ronde kedua adalah saat ancaman itu benar-benar dijalankan. Paper revisi diserahkan 6 Maret 2026 dan keputusannya turun 6 Mei 2026. Hasilnya kembali revisi mayor, tetapi isinya jauh lebih genting daripada sekadar diminta merevisi lagi.
Reviewer 1 berubah menjadi menolak. Reviewer yang di ronde pertama menyatakan tidak ada jalan ke depan bila keterwakilan sampel tidak dibuktikan, kali ini memberi rekomendasi reject. Kalimat pembukanya pendek dan telak: sayangnya penulis tidak berhasil mengatasi persoalan besar yang sudah ditunjukkan sebelumnya. Pada butir metode ia menegaskan bahwa masalah utamanya masih sama, yaitu belum ada apa pun tentang populasi yang sesungguhnya dan tidak ada pembandingnya. Ia juga menambahkan keberatan baru, bahwa penulis tetap bersikeras memakai terlalu banyak hipotesis yang menurutnya tidak diposisikan dengan baik. Seluruh butir lainnya ia jawab dengan satu kalimat yang sama: lihat komentar di ronde pertama.
Reviewer 2 menilai sebaliknya, dan hanya meminta revisi minor. Ia menyebut paper ini bijak dan tepat waktu, memuji penggabungan teori strukturasi, model job demands-resources, PLS-SEM, dan Necessary Condition Analysis sebagai sumbangan yang orisinal. Cara penulis menangani temuan yang mengejutkan, terutama efek positif ketergantungan pada AI dan technostress, ia nilai dipaparkan dengan cermat. Yang tersisa menurutnya hanya pemolesan akhir supaya lebih enak dibaca.
Jadi pada paper yang sama persis, satu reviewer merekomendasikan tolak dan satu lagi merekomendasikan revisi minor. Ini bukan kejadian langka, dan halaman ini menampilkannya apa adanya supaya terlihat bahwa penilaian sejawat memang tidak selalu bulat.
Editor pendamping berpihak pada Reviewer 1, tetapi tetap membuka pintu. Prof. Fabian Homberg menyatakan setuju bahwa sebagian keberatan ronde pertama belum ditangani sebagaimana mestinya, dan menambahkan bahwa permintaannya sendiri agar Necessary Condition Analysis dijelaskan lebih terang hanya dipenuhi seadanya. Meski begitu, karena penilaian Reviewer 2 positif, ia memberi satu kesempatan lagi. Ada satu kalimat yang mengubah keadaan sepenuhnya: paper revisi berikutnya akan ia putuskan sendiri, tanpa dikirim lagi ke reviewer.
Dan ada satu teguran administratif yang nyaris menenggelamkan paper ini. Editor menyatakan penulis belum memenuhi ketentuan jurnal. Papernya memang sedikit di bawah 9.000 kata, tetapi menurut pedoman penulis, setiap tabel dan setiap gambar dihitung setara 280 kata. Begitu tabel dan gambarnya ikut dihitung, paper itu melewati batas. Ini aturan yang hampir tidak pernah dibaca orang, tercantum di halaman pedoman penulis yang biasanya cuma dilewati sekilas, dan di sini ia menjadi salah satu alasan paper tidak diloloskan.
Tiga hal yang layak dipelajari dari ronde kedua dan bagaimana akhirnya diterima
Pertama, reviewer yang sudah pernah mengancam bisa benar-benar menolak. Ancaman di ronde pertama bukan gertakan. Kalau ada reviewer yang menyebut satu hal sebagai syarat hidup mati, itu harus dijawab tuntas di revisi pertama, bukan dijawab seadanya lalu berharap ia lupa. Reviewer membaca revisi sambil memegang komentar lamanya.
Kedua, dua reviewer bisa berbeda sejauh tolak melawan revisi minor. Kalau Anda menerima keputusan yang isinya bertolak belakang seperti ini, jangan menyimpulkan paper Anda buruk. Yang menentukan adalah editor, dan editor menimbang keduanya. Dalam kasus ini penilaian Reviewer 2 itulah yang membuat editor mau memberi kesempatan sekali lagi.
Ketiga, dan ini yang paling mudah dihindari, bacalah pedoman penulis sampai habis. Paper ini nyaris tersandung aturan penghitungan kata yang menganggap setiap tabel dan gambar setara 280 kata. Kesalahan seperti ini tidak ada hubungannya dengan mutu riset, tetapi tetap bisa menahan paper. Periksa batas kata, cara menghitungnya, format rujukan, dan syarat pernyataan etika sebelum menyerahkan paper, bukan setelah ditegur.
Yang terjadi kemudian bisa dilihat di linimasa. Revisi ronde kedua diserahkan 24 Mei 2026, dan sesuai janjinya editor memutuskan sendiri tanpa mengirim ulang ke reviewer. Hasilnya turun 29 Juni 2026 berupa revisi minor, revisinya diserahkan keesokan harinya, dan paper dinyatakan diterima pada 5 Juli 2026. Dari rekomendasi tolak sampai diterima, jaraknya dua bulan.
Bagaimana kritik paling keras itu dijawab jejaknya ada di paper terbit
Perlu dicatat, sebagian besar perbaikan di bawah ini baru benar-benar masuk pada revisi terakhir, setelah dua kali ditegur soal hal yang sama. Jejaknya bisa dicek langsung di artikel terbitnya.
Jawaban atas ancaman keterwakilan sampel. Penulis tidak berusaha membuktikan bahwa sampelnya mewakili seluruh angkatan kerja Indonesia, karena memang tidak akan pernah bisa. Yang dilakukan adalah menegaskan ulang siapa yang sebenarnya diwakili studi ini. Bukan pekerja pada umumnya, tetapi pegawai yang sudah aktif memakai AI generatif, dan kelompok itu memang terpusat di pekerjaan berbasis pengetahuan.
Untuk membuktikannya, paper final menambahkan pembandingan dengan statistik pasar kerja nasional dari BPS pada Agustus 2024, tepat bersamaan dengan waktu pengumpulan data. Angkanya dipaparkan terbuka: penduduk bekerja 144,64 juta, di antaranya 60,81 juta atau 42,05 persen berstatus pekerja formal, sementara lulusan perguruan tinggi jenjang diploma empat sampai doktor hanya 10,84 persen dari penduduk bekerja. Dari titik itulah argumennya dibangun. Komposisi sampel yang berpendidikan tinggi memang tidak mencerminkan angkatan kerja secara umum, tetapi mencerminkan populasi pekerja berbasis pengetahuan tempat adopsi AI generatif benar-benar terjadi.
Kalimat penutupnya di paper final menjadi penanda kehati-hatian: temuan dapat digeneralisasi kepada pegawai terpapar AI di pekerjaan berbasis pengetahuan pada konteks ekonomi berkembang, sementara generalisasi ke angkatan kerja yang lebih luas tidak diklaim. Kritik itu tidak dibantah. Klaimnya malah dipersempit sampai persis sebesar bukti yang dimiliki.
Jawaban atas permintaan memangkas hipotesis. Di sini penulis memilih tidak menurut, dan itu keputusan yang layak dicatat. Paper final tetap mempertahankan sembilan hipotesis dalam struktur dua faktor yang bekerja pada tiga mekanisme, lalu bermuara ke satu hasil akhir. Alasannya dijelaskan terbuka di paper. Ketiga mekanisme itu tidak saling tumpang tindih dan mewakili jalur adaptasi yang berbeda: tekanan saat belajar, ketergantungan fungsional saat memakai, dan penyesuaian identitas peran. Memampatkannya menjadi lebih sedikit hipotesis malah akan mengaburkan perbedaan jalur tersebut. Reviewer boleh menyarankan, penulis boleh berargumen, dan editor yang menimbang.
Jawaban atas catatan editor pendamping. Penjelasan Necessary Condition Analysis diperluas sampai ke konsep dasarnya, bahwa syarat wajib itu bekerja seperti bottleneck. Kalau ia tidak terpenuhi, sebesar apa pun faktor lain diperkuat, hasilnya tetap tidak akan muncul. Ditambahkan pula ambang effect size yang digunakan serta penjelasan bahwa PLS-SEM dan NCA menjawab dua pertanyaan berbeda dan karena itu saling melengkapi.
Satu hal yang layak dicatat sebagai pelajaran: jarak antara diterima dan tayang ternyata tidak sebentar. Paper ini dinyatakan diterima pada 5 Juli, tetapi baru bisa dibaca publik pada 28 Juli. Diterima belum berarti terbit, dan jeda itu perlu diperhitungkan bila Anda mengejar tenggat kenaikan jabatan atau pelaporan.