A I Washing Layoffs Tokenmaxxing dan Batas LLM Menulis

Oleh VOXBLICK

Selasa, 09 Juni 2026 - 18.00 WIB

A I Washing Layoffs Tokenmaxxing dan Batas LLM Menulis

AI washing dan dampaknya (Foto oleh Mat Brown)

VOXBLICK.COM - “AI bisa menulis apa saja.” “AI menggantikan pekerjaan kreatif.” “Kita PHK karena semua proses sudah otomatis.” Kalimat-kalimat seperti ini terdengar meyakinkanbahkan sering diulang di presentasi investor, blog perusahaan, atau pengumuman restrukturisasi. Namun, ketika kita mengurai lebih dalam, muncul dua fenomena yang saling terkait: AI-washing (pemasaran/penyajian AI sebagai alasan utama padahal kontribusinya terbatas) dan tokenmaxxing (fokus berlebihan pada token/insentif ekonomi ketimbang nilai produk). Di sisi lain, ada keterbatasan teknis yang lebih “membumi”: LLM (Large Language Model) masih lemah untuk penulisan kreatifbukan karena “tidak pintar”, tetapi karena cara model bekerja, pola data latih, serta batasan kontrol dan evaluasi.

Artikel ini membahas fenomena AI-washing yang menjadikan AI alasan PHK, mengapa klaim tersebut sering tidak seimbang dengan realitas, apa itu tokenmaxxing, dan bagaimana batas LLM menulis

memengaruhi kualitas karya kreatif. Kita akan melihatnya secara objektif: dengan penjelasan konsep, contoh nyata yang umum terjadi di industri, serta perbandingan yang adil antara klaim dan kemampuan sistem.

AI-washing: ketika “AI” dipakai sebagai label, bukan sebagai solusi

AI-washing adalah praktik menonjolkan AI seolah-olah menjadi penyebab utama perubahan besar (misalnya PHK, pemangkasan biaya, atau restrukturisasi), padahal alasan sebenarnya bisa berupa faktor lain: restrukturisasi bisnis,

penurunan pendapatan, konsolidasi tim, atau perubahan strategi produk. Masalahnya bukan hanya pada “klaim”, tetapi pada ketidakselarasan antara narasi dan dampak nyata.

Dalam konteks PHK, pola yang sering terlihat adalah:

AI disebut sebagai pengganti tanpa menunjukkan metrik produktivitas yang jelas (misalnya: berapa persen proses yang benar-benar otomatis end-to-end).
Peran manusia dikaburkan. LLM atau sistem AI sering hanya membantu sebagian langkah (draft, ringkasan, klasifikasi), sementara pekerjaan yang bernilai tinggi masih membutuhkan review, strategi, dan tanggung jawab.
Waktu implementasi diabaikan. Mengintegrasikan AI ke workflow biasanya butuh berbulan-bulan: desain proses, data pipeline, evaluasi kualitas, dan penanganan error.

Secara sederhana, perusahaan bisa saja memakai AI untuk efisiensiitu sah. Tetapi AI-washing terjadi ketika AI dipakai sebagai “alasan tunggal” untuk keputusan yang sebenarnya lebih kompleks, atau ketika dampaknya lebih kecil daripada yang diklaim.

Untuk menilai klaim, kita perlu membedakan tiga hal: otomasinya, cakupan tugasnya, dan akuntabilitasnya.

Otomasi: Apakah AI benar-benar mengambil alih tugas secara penuh, atau hanya menyarankan? Banyak organisasi menggunakan AI untuk “draft”, tetapi keputusan akhir tetap manusia.
Cakupan: Apakah AI menggantikan satu fungsi spesifik atau sekadar mengurangi beban pada beberapa langkah? Jika hanya sebagian, PHK massal biasanya punya akar lain.
Akuntabilitas: Untuk konten kreatif, legal, medis, atau kebutuhan brand, ada risiko kesalahan. Biasanya organisasi tetap memerlukan reviewer dan penanggung jawab.

Contoh nyata yang sering muncul di industri media dan customer support: chatbot atau asisten berbasis LLM dapat mengurangi volume tiket yang ditangani agen, tetapi kualitas jawaban yang “meyakinkan” dan konsisten tetap butuh pelatihan, guardrail,

serta human-in-the-loop. Jika perusahaan mengumumkan PHK sebagai “karena AI”, tetapi tidak menjelaskan bahwa sistem membutuhkan review manusia dan iterasi kualitas, narasinya cenderung berbau AI-washing.

Tokenmaxxing: ketika nilai dipersempit menjadi token

Istilah tokenmaxxing berasal dari budaya kripto: fokus berlebihan pada kenaikan nilai token tertentu (misalnya “token akan menang karena ekosistemnya”), sering kali mengabaikan apakah produk yang dibangun benar-benar memberi manfaat

pengguna. Dalam praktik, tokenmaxxing dapat muncul dalam bentuk:

Roadmap yang kabur: banyak klaim “AI akan hadir” tetapi tidak ada bukti integrasi, metrik performa, atau pengguna nyata.
Incentive mengalahkan kualitas: insentif token dipakai untuk mendorong aktivitas, bukan untuk memastikan hasil yang berguna.
Narasi teknologi sebagai alat pemasaran: AI dipakai sebagai “bahan cerita” untuk menarik likuiditas atau perhatian, bukan sebagai inti nilai.

Di sinilah hubungan dengan AI-washing bisa terasa: baik di dunia startup teknologi maupun ekosistem token, klaim “AI akan mengubah segalanya” kadang dipakai untuk membenarkan keputusan bisnis (termasuk pemangkasan) dan untuk menguatkan persepsi

pasar. Jika produk AI tidak benar-benar mengurangi biaya secara signifikan atau meningkatkan kualitas secara terukur, maka token dan hype menjadi pusat, bukan manfaat.

Batas LLM untuk penulisan kreatif: pintar dalam pola, lemah dalam tujuan

LLM bekerja dengan memprediksi token berikutnya berdasarkan pola dalam data latih. Ini membuatnya kuat untuk tugas bahasa tertentu: merangkum, menyusun variasi kalimat, menerjemahkan, atau membantu brainstorming.

Namun, untuk penulisan kreatif yang membutuhkan koherensi jangka panjang, suara (voice) yang konsisten, struktur plot yang matang, serta keputusan artistik yang konsisten dengan tujuan, LLM sering mengalami keterbatasan.

Beberapa batas yang sering terlihat dalam praktik:

Koherensi jangka panjang: LLM bisa mengulang ide, melompat logika, atau mengubah detail karakter tanpa sengaja.
Kontrol gaya yang stabil: “Gaya” bisa berubah antar paragraf karena model menyeimbangkan banyak kemungkinan.
Tujuan kreatif yang spesifik: ketika targetnya bukan sekadar “tulisan bagus”, melainkan “karya dengan tema, ritme, dan simbol yang konsisten”, LLM memerlukan arahan dan iterasi yang kuat.
Penilaian kualitas yang sulit diotomatisasi: sulit membuat LLM sendiri menjadi kritikus yang adil. Penilaian “bagus atau tidak” sering subjektif dan kontekstual.

Dengan kata lain, LLM dapat menjadi mesin produksi teks yang cepat, tetapi penulisan kreatif tetap memerlukan peran manusia: menetapkan tujuan artistik, mengelola konsistensi, menguji emosi pembaca, dan melakukan revisi berbasis umpan balik nyata.

Perbandingan yang adil: kapan LLM membantu, kapan klaimnya berlebihan

Agar tidak terjebak hype, mari bandingkan secara adil antara “klaim AI” dan kemampuan yang realistis. Berikut kerangka praktis yang bisa dipakai pembaca maupun tim produk:

Draft awal: LLM sering unggul untuk membuat kerangka cepat, variasi judul, atau draft paragraf. Klaim berlebihan biasanya muncul ketika draft dianggap “siap publik” tanpa review.
Gaya brand: LLM dapat meniru gaya jika diberi contoh dan panduan yang ketat, tetapi konsistensi tetap butuh evaluasi manusia.
Ide orisinal: LLM cenderung merangkai pola dari data latih. “Orisinalitas” sering berupa remix, bukan penemuan total. Tim kreatif manusia tetap penting untuk arah dan perspektif.
Konten dengan risiko tinggi: untuk klaim fakta, regulasi, atau domain sensitif, LLM butuh sumber, verifikasi, dan guardrail.

Jika sebuah perusahaan menyatakan “AI menggantikan penulis”, pertanyaannya: apakah yang digantikan adalah tugas draft yang bisa dibantu LLM, ataukah tanggung jawab kreatif dan editorial yang membutuhkan keputusan manusia? Ketika jawabannya kabur,

kita patut curiga terhadap AI-washing.

Contoh skenario: dari PHK berbasis AI ke tokenmaxxing dan dampak pada kualitas

Bayangkan sebuah perusahaan konten yang mengumumkan PHK karena “platform AI baru”. Dalam narasi resminya, mereka menyebut bahwa LLM akan menulis artikel lengkap. Namun, setelah implementasi, terlihat bahwa:

Artikel tetap memerlukan editor untuk memastikan akurasi, struktur, dan kesesuaian dengan kebijakan brand.
Output AI butuh banyak revisi karena koherensi dan detail sering melenceng dari brief.
Tim yang tersisa menghabiskan waktu melakukan quality assurance, bukan sekadar mengawasi.

Kalau di saat yang sama proyek tersebut mempromosikan token atau insentif, fokus bisa bergeser dari “apakah kualitas meningkat” menjadi “apakah token akan naik”.

Di sinilah tokenmaxxing berpotensi memperkuat AI-washing: narasi teknologi menjadi alat untuk mengamankan perhatian dan valuasi, sementara realitas kualitas dan dampak kerja tidak ditunjukkan secara transparan.

Bagaimana menguji klaim AI-washing secara praktis?

Berikut langkah yang bisa dilakukan secara objektif saat membaca pengumuman perusahaan atau menilai produk AI:

Cari metrik: pengurangan biaya berapa persen? waktu produksi turun berapa? kualitas diukur bagaimana?
Periksa “human-in-the-loop”: apakah ada reviewer? seberapa besar porsi koreksi?
Uji output pada tugas kreatif nyata: berikan brief spesifik, lihat apakah hasil konsisten lintas paragraf dan sesuai tujuan.
Bandingkan biaya total: biaya integrasi, evaluasi, dan revisi sering tidak dihitung dalam narasi marketing.
Waspadai klaim ekstrem: “menggantikan semua penulis”, “tanpa revisi”, atau “seratus persen otomatis” biasanya tidak realistis untuk domain kreatif yang bertanggung jawab.

Dengan pendekatan ini, kita bisa memisahkan penggunaan AI yang memang efektif dari pemasaran yang hanya menumpang kata “AI”.

AI-washing, tokenmaxxing, dan batas LLM menulis berada di satu ekosistem narasi modern: teknologi disebut sebagai jawaban instan untuk masalah bisnis, sementara pasar bisa terdorong oleh insentif yang tidak selalu selaras dengan kualitas.

LLM memang bergunaterutama untuk draft, variasi, dan bantuan prosestetapi penulisan kreatif yang matang tetap memerlukan arah, evaluasi, dan konsistensi yang kuat. Ketika perusahaan mengaitkan PHK semata-mata pada AI tanpa data dan tanpa menjelaskan peran manusia, kita perlu bersikap kritis. Dan ketika token menjadi pusat cerita, kita perlu menuntut pembuktian: apakah benar kualitas meningkat, biaya turun, dan nilai pengguna benar-benar terasa.