Efisiensi berbasis AI memperoleh kembali waktu. Jika penelitian, pengorganisasian, perbandingan, atau penyusunan draf membutuhkan lebih sedikit waktu, sebagian waktu yang sebelumnya terikat pada kegiatan tersebut menjadi tersedia. Perubahan ini biasanya dipahami sebagai produktivitas yang lebih tinggi, karena lebih banyak keluaran dapat dihasilkan dalam waktu yang sama atau keluaran yang sama dapat dihasilkan dalam waktu yang lebih singkat. Namun, ada persoalan yang tidak dapat diselesaikan hanya oleh metrik efisiensi: siapa yang menggunakan waktu yang tercipta dari pengurangan tersebut, dan untuk apa? Jika waktu yang diperoleh kembali secara otomatis dimasukkan ke proses berikutnya, efisiensi memperbesar kapasitas pemrosesan, tetapi tidak serta-merta memperbesar ruang bagi manusia untuk mengubah penilaian mereka.
Untuk mempertimbangkan persoalan ini, ruang longgar harus dibedakan dari sekadar “waktu yang tidak digunakan”. Pekerjaan mengandung unsur-unsur yang tidak dapat diprediksi sepenuhnya sejak awal. Spesifikasi yang disalahpahami, informasi yang kurang, perubahan kondisi eksternal, kesalahan yang ditemukan melalui verifikasi, dan perbedaan pemahaman di antara para pemangku kepentingan tidak selalu dapat didaftar seluruhnya ketika sebuah rencana dibuat. Jika waktu yang direncanakan sepenuhnya dipenuhi oleh pekerjaan yang saat ini diketahui, tidak ada sumber daya yang tersedia ketika peristiwa tak terduga muncul. Karena itu, ruang longgar dapat dipahami bukan sebagai waktu yang tersisa karena tidak memiliki kegunaan saat ini, melainkan sebagai waktu yang dipertahankan dengan penggunaannya tetap terbuka terhadap ketidakpastian di masa depan.
Membentuk bagian-bagian penting sejak dini memiliki efek menciptakan ruang longgar ini. Tujuannya bukan sekadar menyelesaikan pekerjaan sebelum tenggat. Dengan terlebih dahulu menyentuh bagian-bagian yang sulit, kita dapat menguji sejak awal apakah perkiraan semula masuk akal. Jika diketahui bahwa pekerjaan tidak dapat berjalan sesuai rencana, pilihan masih tersedia: mengubah spesifikasi, mencari informasi tambahan, beralih metode, atau merundingkan ulang tenggat dengan pihak-pihak terkait. Kemajuan dini lebih tepat dipahami bukan sebagai peningkatan kemampuan kita untuk memprediksi masa depan secara tepat, melainkan sebagai struktur untuk mengetahui lebih awal bahwa prediksi kita keliru.
Menghubungkan struktur ini dengan AI mengubah makna kecepatan. Nilai dari kemampuan AI menghasilkan usulan awal dengan cepat tidak terbatas pada peningkatan jumlah keluaran per satuan waktu. Jika bagian-bagian penting dibuat konkret sejak dini, manusia dapat mengamati masalah yang tidak terlihat pada tahap perencanaan abstrak. Premis yang keliru, kondisi yang hilang, konflik antarnilai, atau ketidakcocokan antara hasil yang diharapkan dan keluaran aktual dapat muncul lebih awal. Kecepatan AI kemudian berfungsi untuk menemukan ketidakpastian lebih dini. Jika waktu yang tersisa dapat dipertahankan, manusia tetap memiliki pilihan untuk merespons apa yang telah ditemukan.
Namun, efek ini hilang ketika waktu yang tercipta dari efisiensi secara otomatis dialokasikan kembali ke produksi tambahan. Draf pertama selesai sehari lebih awal, sehingga beberapa versi tambahan dibuat. Penelitian selesai lebih awal, sehingga cakupannya diperluas. Verifikasi dipersingkat, sehingga proyek lain ditambahkan dalam tenggat yang sama. Alokasi ulang seperti itu dapat rasional ketika keluaran tambahan memiliki nilai tinggi. Namun, jika menjadi kebiasaan, ruang longgar yang diciptakan AI dikonsumsi segera setelah muncul, dan waktu untuk mengubah rencana atau mempertimbangkannya kembali menjadi langka lagi. Efisiensi lokal kemudian menghapus kapasitas revisi yang justru seharusnya dapat dimungkinkan oleh peningkatan efisiensi tersebut.
Hal ini menunjukkan bahwa ruang longgar merupakan persoalan alokasi. Dalam sebuah organisasi, waktu yang tercipta dari efisiensi dapat diarahkan ke target keluaran tambahan. Seorang individu dapat memulai pekerjaan baru, memverifikasi pekerjaan saat ini, atau menggunakan waktu untuk beristirahat. Namun, dalam kolaborasi dengan AI, semakin rendah biaya untuk terus menghasilkan dan mengeksplorasi, semakin mudah fakta bahwa “masih dapat diproses lebih banyak” berubah menjadi norma bahwa “lebih banyak harus diproses”. Kapasitas yang masih tersedia dan kewajiban untuk menggunakannya sekarang bukanlah hal yang sama. Jika kewenangan atas penggunaan ruang longgar juga diserahkan kepada logika otomatisasi, manusia dapat memperoleh manfaat dari efisiensi sambil kehilangan kemampuan untuk memilih bagaimana manfaat itu digunakan.
Karena itu, ruang longgar dalam kolaborasi manusia-AI dapat dipahami sebagai bagian dari kapasitas pengambilan keputusan. Merevisi suatu penilaian membutuhkan waktu. Mempertimbangkan keberatan, melakukan pemeriksaan tambahan, atau menarik kembali arah yang sebelumnya telah dipilih semuanya membutuhkan waktu. Jika waktu telah dialokasikan sepenuhnya, manusia mungkin secara formal tetap memiliki kewenangan akhir, tetapi dalam praktiknya hanya memiliki sedikit pilihan selain menyetujui arah yang telah ditetapkan. Jika masih ada waktu yang belum dikonsumsi, mereka tetap dapat mengajukan keberatan, kembali pada pertanyaan, dan mengubah kondisi setelah menerima hasil AI. Ruang longgar mendukung bukan hanya kebebasan sebelum suatu keputusan, tetapi juga kebebasan untuk mengulang keputusan.
Perspektif ini juga menuntut perubahan dalam cara efisiensi dievaluasi. Waktu pemrosesan yang lebih singkat, biaya yang lebih rendah, dan keluaran yang lebih banyak tetap penting, tetapi hal-hal tersebut tidak menangkap sejauh mana suatu sistem kolaboratif menjadi lebih tangguh terhadap perubahan. Misalkan dua sistem menghasilkan keluaran yang sama dua hari lebih awal. Yang satu segera mengisi dua hari itu dengan pekerjaan lain; yang lain mempertahankan sebagian sebagai waktu cadangan sampai verifikasi penting selesai. Dalam kondisi biasa, yang pertama mungkin tampak memiliki keluaran lebih tinggi. Namun, jika kemudian ditemukan kesalahan besar pada suatu premis, yang kedua masih memiliki pilihan untuk melakukan koreksi. Mana yang lebih sesuai bergantung pada sifat dan ketidakpastian pekerjaan.
Ruang longgar tidak selalu lebih baik hanya karena jumlahnya lebih banyak. Waktu cadangan yang berlebihan dapat menunda pekerjaan yang diperlukan. Dalam proses yang stabil dengan sedikit perubahan, tingkat pemanfaatan yang tinggi mungkin lebih rasional daripada mempertahankan margin yang besar. Karena itu, pertanyaannya bukan apakah efisiensi atau ruang longgar harus dimaksimalkan. Pertanyaannya adalah berapa banyak ruang longgar yang perlu dipertahankan dengan mempertimbangkan ketidakpastian, konsekuensi kegagalan, waktu yang diperlukan untuk perubahan, dan kebutuhan untuk mengembalikan penilaian kepada manusia. Ruang longgar bukanlah kebaikan tanpa syarat; ia adalah sumber daya yang bernilai ketika kemampuan untuk berubah diperlukan.
Jika diterapkan pada Sai＊aus, pandangan ini menjadikan penting pilihan untuk tidak mengembalikan setiap keuntungan dari AI yang lebih cepat ke pembuatan keluaran tambahan. AI dapat menunjukkan struktur lebih awal sehingga manusia dapat menemukan masalah lebih awal. Jika tidak ada masalah, pemrosesan dapat dilanjutkan; jika muncul ketidakcocokan, waktu yang tersisa dapat digunakan untuk memeriksa premis, mengubah arah, dan, bila perlu, mengajukan keberatan terhadap usulan AI itu sendiri. Di sini kecepatan AI digunakan bukan untuk menggantikan penilaian manusia, melainkan untuk memperpanjang ke depan periode ketika manusia masih dapat mengubah penilaian tersebut. Ini adalah desain yang mengubah kecepatan bukan hanya menjadi pemrosesan tambahan, tetapi juga menjadi kemampuan untuk direvisi.
Perbedaan ini tidak dapat dijelaskan hanya oleh ada atau tidaknya fungsi tertentu pada AI. Pembuatan keluaran secara cepat, pengorganisasian informasi, perbandingan, dan dukungan untuk peninjauan kembali dapat diwujudkan oleh berbagai jenis AI. Perbedaannya muncul pada tujuan yang hendak dilayani oleh waktu yang tercipta dari kemampuan-kemampuan tersebut. Satu desain dapat mengembalikan seluruh surplus ke optimasi lebih lanjut; desain lain dapat menyisihkan sebagian untuk pemeriksaan, keberatan, penangguhan, dan penarikan oleh manusia. Sai＊aus menekankan agar kemampuan AI untuk memproses lebih banyak tidak dijadikan tujuan pada dirinya sendiri, melainkan menata kapasitas yang digunakan maupun yang tidak digunakan sehingga manusia tetap menjadi subjek pemahaman dan penilaian.
Siapa yang berhak atas ruang longgar yang diciptakan oleh efisiensi? Tidak ada satu rasio alokasi universal. Namun, fakta bahwa AI telah mempersingkat suatu tugas tidak dengan sendirinya menyiratkan bahwa waktu yang dihemat harus dimasukkan kembali ke AI atau tugas tambahan. Waktu yang tidak digunakan juga merupakan kapasitas untuk merespons kemungkinan yang belum terjadi: kegagalan, perubahan, keberatan, dan penarikan. Karena itu, memikirkan efisiensi di era AI menuntut perhatian bukan hanya pada sumber daya yang telah digunakan, tetapi juga pada sumber daya yang sengaja dibiarkan tersedia ketika dibutuhkan. Menanyakan siapa yang mengalokasikan ruang longgar itu dan untuk kapasitas penilaian siapa ruang tersebut dipertahankan menggeser kolaborasi manusia-AI dari sekadar percepatan menjadi persoalan desain.
Bukan jawaban. Pemahaman.