Keterampilan Pelengkap AI: Apa yang Sebenarnya Perlu Direkrut dan Dikembangkan Saat Ini

Oleh Victor Hoang · Diperbarui 22 September 2026

Keterampilan pelengkap AI adalah kemampuan manusia yang justru makin bernilai, bukan makin berkurang, ketika AI menghasilkan lebih banyak draf pertama: merumuskan masalah yang tepat sebelum siapa pun mulai menghasilkan jawaban, menggunakan penilaian ketika bukti belum lengkap, memverifikasi dan menangkap keluaran yang terdengar masuk akal tetapi keliru, menerapkan kedalaman domain yang cukup untuk tahu ketika ada yang janggal, menetapkan konteks dan mendelegasikan tugas kepada AI agent seperti kepada karyawan baru, serta melakukan kerja hubungan yang menentukan apakah semua hal di atas benar-benar diadopsi.

"Soft skills makin penting sekarang" itu benar, tetapi hampir tidak berguna sebagai instruksi rekrutmen. Kalimat itu tidak memberi tahu recruiter apa yang harus disaring, tidak memberi tahu manajer apa yang perlu dikembangkan pada anggota tim, dan tidak membedakan kandidat yang sungguh pandai menilai dari kandidat yang sekadar percaya diri. Artikel ini mencoba lebih spesifik: seperti apa keterampilan ini dalam praktik, apa yang ditunjukkan bukti tentang perubahannya, apa yang perlu diminta saat merekrut, dan satu contoh jujur tentang keterampilan yang sempat dipromosikan sebagai tahan lama padahal tidak (prompt engineering).

Fakta Utama

• Berpikir analitis adalah keterampilan inti yang paling dicari pemberi kerja pada 2025, dengan sekitar tujuh dari sepuluh perusahaan menyebutnya esensial, sementara AI dan big data memuncaki daftar keterampilan dengan pertumbuhan tercepat yang diperkirakan dibutuhkan pemberi kerja hingga 2030. Sumber: World Economic Forum, Future of Jobs Report 2025
• Pemberi kerja memperkirakan 39% keterampilan inti yang dibutuhkan di pasar kerja akan berubah pada 2030, bukti bahwa rangkaian keterampilannya sendiri bergeser, bukan lenyap menjadi satu kategori tunggal "keterampilan AI". Sumber: World Economic Forum, Future of Jobs Report 2025
• Ketika ditanya keterampilan manusia mana yang paling penting saat AI mengambil alih lebih banyak pekerjaan, para pekerja menempatkan kontrol kualitas atas keluaran AI di urutan pertama (50%) dan berpikir kritis, yakni menalar informasi dan membentuk penilaian, di urutan kedua (46%). Sumber: Microsoft Work Trend Index 2026
• Sebanyak 86% pekerja mengatakan mereka memperlakukan keluaran AI sebagai titik awal, bukan jawaban akhir, dan tetap bertanggung jawab atas pemikiran di baliknya, hal yang paling mendekati norma verifikasi yang berjalan dalam data saat ini. Sumber: Microsoft Work Trend Index 2026
• Data Skills on the Rise 2026 dari LinkedIn menunjukkan keterampilan teknis AI dan keterampilan manusiawi yang berbasis hubungan (kolaborasi lintas fungsi, kepemimpinan, komunikasi eksekutif) mengalami kenaikan permintaan dengan laju yang hampir sama, bukan yang satu menggantikan yang lain. Sumber: LinkedIn, Skills on the Rise 2026
• Studi Stanford RegLab 2024/2025 menemukan bahwa alat riset hukum AI komersial terkemuka, yang dipasarkan sebagai bebas halusinasi, tetap mengarang atau salah menggambarkan sitasi pada 17% hingga 33% kueri yang diuji, pengingat nyata bahwa kedalaman domain adalah yang menangkap kesalahan yang akan terlewat oleh seorang generalis. Sumber: Stanford RegLab, "Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools"
• Studi acak tahun 2026 terhadap 1.339 guru di Yunani menemukan bahwa mereka jauh lebih mungkin menerima nilai yang tidak adil dan terlalu keras ketika diberi tahu nilai itu berasal dari algoritma dibandingkan ketika nilai keras yang identik diberi tahu berasal dari rekan manusia, sehingga kesenjangan keadilan yang dihasilkan melebar sekitar 22%, bukti bahwa bahkan profesional terlatih menunjukkan bias otomatisasi terhadap keluaran berlabel AI. Sumber: PNAS Nexus, Goulas, Megalokonomou & Sotirakopoulos, 2026

Keterampilan yang Benar-Benar Bertahan

Keenam keterampilan ini muncul dalam berbagai bentuk di seluruh bukti di atas. Tidak satu pun adalah kebajikan baru yang diciptakan untuk era AI. Yang baru adalah seberapa jauh nilainya meningkat sekarang setelah menghasilkan draf pertama yang tampak meyakinkan menjadi murah.

Perumusan Masalah: Memutuskan Pertanyaan Mana yang Perlu Dijawab

AI sangat pandai menghasilkan jawaban atas pertanyaan yang Anda ajukan. Ia jauh kurang pandai memberi tahu bahwa Anda mengajukan pertanyaan yang salah. Seseorang meminta sistem AI untuk "menekan churn" dan mendapat daftar taktik retensi, padahal masalah sebenarnya adalah tier yang salah harga dan seharusnya tidak pernah dijual ke segmen tersebut sejak awal. Model menjawab dengan setia; orang yang merumuskan permintaan itulah yang mengarahkannya ke sasaran yang salah.

Inilah sebabnya berpikir sistem makin naik nilainya, bukan turun. Merumuskan dengan baik berarti memahami bagaimana suatu masalah terhubung dengan sistem di sekitarnya: apa yang ada di hulu, mana yang gejala dan mana yang penyebab, dan apa saja yang perlu tercakup dalam "jawaban yang baik" agar berguna. AI bisa mengeksekusi di dalam sebuah kerangka. Ia tidak bisa diandalkan untuk mengatakan bahwa kerangkanya salah, karena ia tidak punya cara independen untuk tahu apa yang sebenarnya ingin Anda selesaikan.

Penilaian di Tengah Ketidakpastian: Memutuskan Ketika Buktinya Tidak Bersih

Model AI percaya diri secara bawaan. Ia akan menghasilkan jawaban yang lancar dan tersusun rapi entah bukti di baliknya kuat, tipis, atau saling bertentangan, dan kelancaran keluarannya tidak memberi sinyal apa pun tentang yang mana. Prakiraan yang dibangun dari tiga bulan data berisik tampak sama rapinya dengan prakiraan yang dibangun dari tiga tahun tren stabil.

Pengambilan keputusan di bawah ketidakpastian sejati, ketika jawaban jujurnya adalah "kami tidak sepenuhnya tahu, dan beginilah saya menimbang hal itu", adalah keterampilan yang berbeda dari mengambil keputusan saat datanya bersih. Ini juga salah satu dari dua keterampilan yang diberi peringkat tertinggi oleh para pekerja ketika AI mengambil alih lebih banyak eksekusi, menurut Work Trend Index 2026 dari Microsoft yang dikutip di atas. Orang yang bisa berkata "rekomendasi ini mengasumsikan X, dan X-nya rapuh" sedang mengerjakan sesuatu yang secara struktural tidak bisa dilakukan sistem AI untuk dirinya sendiri, karena ia tidak tahu apa yang tidak ia ketahui.

Verifikasi dan Deteksi Kesalahan: Menangkap Jawaban Salah yang Terdengar Masuk Akal

Inilah keterampilan yang paling langsung tersirat dari "AI melakukan lebih banyak eksekusi": seseorang harus memeriksa hasil eksekusinya. Tetapi memeriksa tidak sama dengan membaca sekilas. Studi Stanford RegLab dalam kotak Fakta Utama menemukan bahwa alat AI hukum yang dipasarkan sebagai bebas halusinasi tetap mengarang atau memelintir sitasi pada 17% hingga 33% kueri yang diuji. Kesalahan itu tidak tampak jelas salah. Cukup meyakinkan untuk lolos dari bacaan cepat, dan itulah sebabnya kesalahan tersebut sampai ke berkas pengajuan sebelum ada yang menangkapnya.

Peninjauan human-in-the-loop hanya berhasil jika manusia di dalam lingkaran itu memang berada pada posisi untuk menangkap jenis kesalahan spesifik yang kemungkinan besar dihasilkan oleh halusinasi AI, bukan sekadar melirik format dan nada. Perbedaan itu, antara peninjauan yang menangkap kesalahan dan peninjauan yang hanya menambah penundaan, adalah seluruh perbedaan antara keterampilan ini nyata atau sekadar sandiwara.

Kedalaman Domain: Mengapa Keahlian Memungkinkan Anda Menangkap Kesalahan

Verifikasi hanya berhasil jika Anda cukup tahu untuk mengenali apa yang salah. Seorang generalis yang membaca klausul kontrak, model keuangan, atau ringkasan klinis buatan AI bisa memeriksa bahwa isinya konsisten dan tertulis dengan baik. Hanya orang yang punya kedalaman nyata di domain itu yang bisa menangkap klausul yang konsisten, tertulis baik, namun tetap salah, karena kesalahannya ada pada pengetahuan domain yang sedikit keliru dipahami model, bukan pada tampilan permukaan.

Inilah argumen terkuat melawan anggapan bahwa AI meratakan nilai keahlian. Efeknya justru sebaliknya untuk bagian keahlian yang berkaitan dengan mencocokkan pola terhadap pertanyaan "apakah ini tampak benar di dunia nyata", berbeda dari bagian yang sebagian besar hanya soal kecepatan mengetik atau mengingat hal-hal yang toh bisa dicari. Ketajaman bisnis, yang terbentuk dari bertahun-tahun melihat bagaimana suatu industri atau fungsi tertentu benar-benar berperilaku, adalah yang memberi tahu Anda bahwa proyeksi buatan AI meleset satu orde besaran sebelum sampai ke klien. Bagi banyak spesialis, kedalaman itu juga bagian dari cara mereka memandang diri sendiri di tempat kerja, itulah sebabnya makna, identitas, dan keahlian di era AI memandang hilangnya kesempatan membangunnya sebagai lebih dari sekadar kesenjangan keterampilan.

Penetapan Konteks dan Pendelegasian: Mengelola Agen Seperti Mengelola Karyawan Baru

Ketika sistem AI beralih dari menjawab satu pertanyaan ke bertindak sebagai AI agent yang merencanakan dan menjalankan pekerjaan multilangkah, muncul keterampilan baru yang menjadi tumpuan: menetapkan batasan, tujuan, dan aturan eskalasi sebelum pekerjaan dimulai, karena sering kali Anda tidak berada di ruangan saat agen mengerjakannya. Itu keterampilan pendelegasian, bukan keterampilan menyusun prompt. Lebih mirip menulis deskripsi pekerjaan dan seperangkat pagar pengaman bagi karyawan baru daripada merumuskan kueri pencarian dengan baik.

Perusahaan yang sudah menjalankan tim manusia-agen mendapati bahwa kualitas hasil sangat bergantung pada seberapa baik seseorang menetapkan lingkup awal, apa yang boleh diputuskan agen sendiri, dan kapan agen wajib melapor kembali. Jika ini keliru, Anda akan membuat agen tersendat oleh persetujuan sepele, atau membiarkannya berjalan tanpa pengawasan menuju kesalahan yang baru terdeteksi saat sudah mahal.

Kerja Hubungan: Penentu Apakah Semua Ini Diadopsi

Tak satu pun dari lima keterampilan pertama berarti jika tidak ada yang memercayai orang yang menerapkannya, atau jika rekomendasinya mati dalam rapat karena tidak disampaikan dengan cara yang bisa ditindaklanjuti para pemangku kepentingan. Membangun hubungan, yaitu kemampuan membangun kepercayaan, membaca suasana ruangan, dan menegosiasikan dukungan lintas fungsi, tidak pernah terancam digantikan AI, dan pergeseran menuju lebih banyak keluaran buatan AI justru membuatnya lebih terlihat, bukan kurang. Seseorang harus menjadi orang yang dipercaya oleh VP yang skeptis ketika berkata "saya sudah memeriksanya, dan ini benar." Kepercayaan itu dibangun seiring waktu, secara langsung, dan tidak berpindah ke model, yang persis menjadi logika di balik premi manusia: beberapa titik sentuh tetap dipegang oleh manusia karena bukti menunjukkan manusia unggul di sana, bukan karena kebiasaan.

Ada pula versi yang lebih halus dari hal ini: riset tentang kepercayaan ketika rekan satu tim Anda adalah AI menunjukkan bahwa orang memberi atau menahan kepercayaan pada pekerjaan yang melibatkan AI sebagian berdasarkan siapa yang menjaminnya. Keterampilan hubungan dan keterampilan verifikasi saling memperkuat. Verifikasi tanpa kredibilitas untuk dipercaya tidak mengubah keputusan.

Yang Tidak Bertahan: Prompt Engineering sebagai Studi Kasus

Prompt engineering layak disebut secara jujur karena inilah contoh paling jelas dari keterampilan yang dijual sebagai taruhan karier jangka panjang dan ternyata hanya bersifat transisi. Pada awal 2023, belajar menyusun instruksi dengan cermat untuk model bahasa tampak seperti spesialisasi yang benar-benar langka dan bergaji tinggi. Pada 2026, keterampilan spesifik itu, merangkai kata yang tepat untuk mengimbangi sifat model yang terlalu harfiah, sebagian besar telah melebur ke peran lain alih-alih bertahan sebagai jabatan tersendiri. Alasan dasarnya sederhana: seiring model makin pandai menangani instruksi yang polos dan tidak presisi serta mengajukan pertanyaan klarifikasi sendiri, nilai menjadi "penerjemah" spesialis antara manusia dan model pun menyusut. Yang tetap berguna, yaitu memahami apa yang dibutuhkan sistem AI untuk mengerjakan tugas dengan baik, menyusun konteks, dan memberinya contoh yang tepat, tidak hilang. Hanya saja ia berhenti menjadi pekerjaan mandiri dan menjadi ekspektasi dasar yang melebur ke peran seperti manajemen produk AI, rekayasa AI terapan, dan posisi spesialis domain yang banyak memakai AI.

Pelajarannya berlaku lebih luas daripada prompt engineering itu sendiri: keterampilan apa pun yang seluruh nilainya bergantung pada kompensasi atas keterbatasan tertentu perangkat AI saat ini berisiko begitu keterbatasan itu direkayasa hilang. Itu filter yang berguna untuk menilai klaim "keterampilan AI yang esensial" berikutnya yang muncul di lowongan kerja. Tanyakan apakah keterampilan itu masih berarti seandainya model menjadi jauh lebih baik dalam hal yang dikompensasinya. Perumusan masalah, penilaian, verifikasi, kedalaman domain, pendelegasian, dan kerja hubungan semuanya lulus uji itu. Solusi tambal sulam yang sempit biasanya tidak.

Keterampilan, Pendorong Nilai, dan Sinyal Rekrutmen

Apa yang Sebenarnya Perlu Diminta saat Merekrut

Deskripsi pekerjaan yang mencantumkan "kemampuan komunikasi yang kuat" dan "nyaman dengan perangkat AI" nyaris tidak menyaring apa pun. Pendekatan yang lebih baik adalah meminta bukti yang terkait dengan keterampilan spesifik, memakai pekerjaan nyata, bukan deskripsi diri.

Pertanyaan yang Benar-Benar Menguji Hal Ini

Alih-alih "apakah Anda pandai berpikir kritis", mintalah kandidat menceritakan saat ia tidak setuju dengan sebuah rekomendasi, buatan AI atau bukan, dan harus memutuskan apakah akan menimpanya. Alih-alih "seberapa nyaman Anda dengan AI", mintalah mereka meninjau keluaran buatan AI yang cacat secara langsung dan menjelaskan apa yang akan mereka periksa lebih dulu dan mengapa. Alih-alih "apakah Anda punya keterampilan kepemimpinan", tanyakan satu kejadian spesifik ketika mereka harus membuat audiens yang skeptis bertindak atas sesuatu yang mereka tahu benar.

Polanya di semua contoh ini: perilaku masa lalu yang disertai detail lebih unggul daripada penilaian diri, dan latihan langsung lebih unggul daripada pertanyaan perilaku masa lalu kapan pun Anda bisa mengaturnya, karena jauh lebih sulit memalsukan verifikasi yang kompeten di ruangan daripada menggambarkannya secara meyakinkan setelahnya.

Seperti Apa Jawaban yang Baik Dibandingkan Jawaban yang Dilatih

Jawaban yang dilatih untuk "bagaimana Anda menggunakan AI" terdengar seperti daftar fitur: perangkat apa, prompt apa, pintasan apa. Jawaban yang asli terdengar seperti proses pengambilan keputusan: apa yang mereka hasilkan dengan AI, apa yang tidak pernah mereka percayai tanpa pemeriksaan kedua, dan secara spesifik mengapa batas itu berada di tempatnya untuk jenis pekerjaan mereka. Jawaban kedua memperlihatkan berpikir kritis dengan cara yang tidak dilakukan jawaban pertama, karena menunjukkan bahwa kandidat benar-benar telah memikirkan di mana penilaiannya sendiri menambah nilai dan di mana ia berlebihan.

Literasi AI sebagai sinyal rekrutmen bukan sekadar "apakah mereka pernah memakai ChatGPT". Yang dinilai adalah apakah mereka bisa menjelaskan secara spesifik di mana mereka akan memercayai keluaran sistem AI tanpa ditinjau dan di mana tidak, untuk pekerjaan yang benar-benar akan mereka lakukan. Antusiasme yang samar dan kecurigaan yang samar sama-sama sinyal yang lebih lemah dibanding batas yang spesifik dan dapat dipertahankan.

Membangun Keterampilan Ini pada Tim yang Sudah Anda Miliki

Sebagian besar organisasi tidak merekrut baru untuk setiap keterampilan ini; mereka berusaha mengembangkannya pada orang-orang yang sudah ada di tim. Versi praktis dari upaya itu biasanya dimulai dengan menjadikan verifikasi bagian peran yang disebut jelas dan terlihat, bukan tugas latar belakang yang dianggap sudah ada. Jika tidak ada yang tugasnya secara eksplisit mencakup "menangkap kesalahan AI dalam alur kerja ini", hal itu cenderung tidak terjadi secara andal, karena bersaing dengan pekerjaan lain yang lebih cepat dan lebih terlihat.

Itu juga berarti memberi orang jam terbang di domain yang membangun kemampuan mencocokkan pola seperti dijelaskan sebelumnya. Seseorang tidak bisa mengembangkan naluri "angka buatan AI ini tampak janggal" tanpa cukup paparan terhadap seperti apa yang benar terlebih dahulu, yang berarti tidak bijak menyerahkan pekerjaan yang paling berat eksekusi dan paling ringan penilaian sepenuhnya kepada AI sementara staf junior tidak pernah membangun bekal pengalaman yang mereka perlukan untuk mengawasinya kelak. Pertukaran itu, antara kecepatan hari ini dan keahlian lima tahun lagi, sebaiknya diambil leader dengan sengaja, bukan dibiarkan terjadi begitu saja.

Dari sisi operasional, di sinilah data tenaga kerja membuktikan gunanya. Aplikasi People dari Rework dirancang sebagian untuk ini: memasangkan pelacakan keterampilan dan kompetensi dengan data alur kerja yang menunjukkan siapa yang benar-benar membangun penilaian di lapangan, bukan hanya siapa yang menyelesaikan modul pelatihan. Ini bagian kecil dari pertanyaan yang jauh lebih besar, tetapi tempat awal yang berguna jika Anda saat ini belum punya gambaran jelas tentang siapa di tim Anda yang memiliki keterampilan yang dijelaskan artikel ini.

Semua ini tidak berarti bahwa AI membuat orang kurang mampu. Ia menggambar ulang kemampuan mana yang memikul beban. Tim yang selama satu dekade terakhir mengoptimalkan siapa yang bisa menghasilkan keluaran terbanyak paling cepat kini perlu mengoptimalkan siapa yang bisa merumuskan masalah yang tepat, mempertahankan keputusan yang dapat dipertanggungjawabkan, dan menangkap kesalahan yang tidak akan dilihat orang lain di ruangan. Itu jauh lebih sulit disaring daripada kecepatan mengetik, dan justru karena itulah organisasi yang mahir melakukannya lebih awal akan beroperasi dengan keunggulan nyata yang terus bertambah dibanding mereka yang masih menulis deskripsi pekerjaan untuk tenaga kerja yang sudah tidak ada lagi.