Data Penting yang Bisa Bantu Kamu Paham Dampak AI terhadap Pekerjaan

Dalam lingkaran Silicon Valley, kehancuran pekerjaan karena AI dibicarakan seakan sudah pasti terjadi. Suasananya begitu suram sampai-sampai seorang peneliti dampak sosial di Anthropic bilang mungkin akan ada resesi dalam waktu dekat dan 'runtuhnya tangga karir untuk yang baru memulai'.

CEO Anthropic, Dario Amodei, bahkan menyebut AI sebagai 'pengganti tenaga kerja manusia secara umum' yang bisa mengambil alih semua pekerjaan dalam kurang dari lima tahun. Bukan cuma dari Anthropic, sih. Pemikiran kayak gini muncul dari berbagai penjuru.

Percakapan-percakapan ini tentu bikin banyak pekerja panik. Apalagi para pembuat kebijakan belum punya rencana yang jelas soal apa yang akan terjadi selanjutnya. Bahkan ekonom yang bilang AI belum tentu langsung memotong pekerjaan pun mulai setuju kalau dampaknya bisa unik dan belum pernah terjadi sebelumnya.

Alex Imas, ekonom dari University of Chicago, adalah salah satu dari mereka. Waktu kami ngobrol Jumat pagi, dia kasih dua hal: penilaian blak-blakan kalau alat prediksi kita soal ini masih sangat buruk, dan 'seruan untuk bertindak' agar ekonom mulai mengumpulkan satu jenis data yang bisa bikin perencanaan soal AI dan tenaga kerja jadi mungkin.

Soal alat prediksi yang buruk itu: coba pikirin kalau setiap pekerjaan itu tersusun dari tugas-tugas individual. Contohnya, salah satu tugas agen properti adalah nanya ke klien mau beli properti kayak apa. Pemerintah AS sudah mencatat ribuan tugas ini dalam katalog besar yang pertama kali diluncurkan 1998 dan diperbarui secara rutin.

Data inilah yang dipakai peneliti OpenAI Desember lalu buat ngecek seberapa 'terpapar' sebuah pekerjaan sama AI. Mereka nemu agen properti punya paparan 28%, misalnya. Terus Februari lalu, Anthropic pakai data ini buat analisis jutaan percakapan Claude, lihat tugas mana yang orang beneran pakai AI-nya buat nyelesain.

Tapi menurut Imas, tahu paparan tugas-tugas cuma bikin kita punya pemahaman palsu soal seberapa berisiko sebuah pekerjaan. 'Paparan aja itu alat yang sama sekali nggak bermakna buat prediksi penggantian,' katanya.

Memang sih, ini berguna buat kasus paling suram—pekerjaan di mana bener-bener semua tugas bisa dikerjain AI tanpa arahan manusia. Kalau biaya AI lebih murah dari gaji kamu—yang belum tentu, soalnya reasoning model dan agentic AI bisa mahal banget—dan hasilnya bagus, pekerjaan itu mungkin hilang.

Ini kasus operator lift yang sering disebut dari dulu; mungkin paralelnya sekarang adalah agen layanan pelanggan yang cuma ngurusin pemilahan telepon. Tapi buat mayoritas pekerjaan, kasusnya nggak sesederhana itu.

Detailnya penting. Beberapa pekerjaan memang bakal punya masa depan suram, tapi tahu gimana dan kapan ini terjadi susah dijawab kalau cuma lihat paparan. Ambil contoh nulis kode. Seseorang yang bikin aplikasi kencan premium, misalnya, mungkin pakai alat coding AI buat bikin dalam sehari apa yang dulu butuh tiga hari.

Artinya pekerja itu jadi lebih produktif. Majikannya, dengan uang yang sama, sekarang bisa dapet output lebih banyak. Terus majikannya mau nambah karyawan atau ngurangin? Ini pertanyaan yang bikin Imas bilang harusnya bikin pembuat kebijangan susah tidur, soalnya jawabannya bakal beda-beda tergantung industri. Dan kita lagi operasi dalam kegelapan.

Dalam kasus programmer ini, efisiensi ini bikin aplikasi kencan bisa nurunin harga. Mungkin perusahaan cuma nyimpen keuntungan, tapi di pasar kompetitif, mereka berisiko dihindari kalau gitu. Harga lebih murah bakal selalu ngedorong peningkatan permintaan. Tapi seberapa banyak?

Kalau jutaan orang lebih pengen pakai, perusahaannya mungkin tumbuh dan akhirnya nambah engineer buat penuhin permintaan. Tapi kalau permintaan cuma naik dikit—mungkin yang nggak pakai aplikasi kencan premium tetap nggak mau meski harganya turun—programmer yang dibutuhin lebih sedikit, dan PHK bakal terjadi.

Ulangin skenario ini di setiap pekerjaan dengan tugas yang bisa dikerjain AI, dan kamu punya pertanyaan ekonomi paling mendesak di zaman kita: detail soal elastisitas harga, atau seberapa banyak permintaan sesuatu berubah ketika harganya berubah.

Ini bagian kedua yang Imas tekankan minggu lalu: Kita belum punya data ini di seluruh ekonomi. Padahal sebenarnya bisa.

Kita punya angkanya buat barang grocery kayak sereal dan susu, kata Imas, soalnya University of Chicago kerja sama supermarket buat dapetin data dari scanner harga mereka. Tapi kita nggak punya angka kayak gitu buat tutor, web developer, atau ahli gizi—semua pekerjaan yang ditemukan punya 'paparan' sama AI, btw.

Atau setidaknya nggak dalam bentuk yang sudah dikompilasi luas atau bisa diakses peneliti; kadang-kadang data ini tersebar di perusahaan privat atau konsultan. 'Kita butuh, kayak, Manhattan Project buat ngumpulin ini,' kata Imas.

Dan nggak cuma buat pekerjaan yang jelas-jelas bisa terpengaruh AI sekarang: 'Bidang yang belum terpapar sekarang bakal jadi terpapar di masa depan, jadi kamu pengen lacak statistik ini di seluruh ekonomi.'

Ngumpulin semua informasi ini butuh waktu dan uang, tapi Imas bilang ini worth it; bakal kasih ekonomi pandangan realistis pertama soal gimana masa depan yang diaktifkan AI bisa berkembang, dan kasih pembuat kebijakan kesempatan buat bikin rencana.

Praktisnya buat kamu: Jangan cuma lihat apakah tugas-tugas di pekerjaanmu bisa diganti AI. Pikirin juga seberapa elastis industri kamu—kalau produktivitas naik dan harga turun, apakah permintaan bakal meledak atau cuma naik dikit? Itu yang bakal nentuin apakah kamu dapet promosi atau malah kena PHK.