Kompensasi dan Keadilan di Era AI: Berapa yang Harus Anda Bayar kepada Orang yang AI agent-nya Mengerjakan Pekerjaan Lima Orang?

Oleh Victor Hoang · Diperbarui 22 September 2026

Kompensasi dan keadilan di era AI adalah pertanyaan terbuka tentang berapa yang pantas dibayarkan kepada seseorang yang AI agent-nya memungkinkan mereka menghasilkan apa yang dulu membutuhkan empat atau lima orang. Belum ada jawaban yang disepakati. Logika penggajian berbasis output goyah begitu sebuah alat menyediakan sebagian besar daya ungkitnya, dan catatan sejarah tentang siapa yang menikmati hasil peningkatan produktivitas tidak menggembirakan bagi pekerja.

Ini bukan celah kebijakan yang diam-diam tertutup oleh kerangka kompensasi yang lebih cerdas. Ini perdebatan yang sedang berlangsung di komite kompensasi saat ini, antara dua posisi yang tidak mungkin sepenuhnya benar sekaligus: membayar untuk output, karena itulah yang diterima bisnis, atau membayar untuk penilaian di balik output, karena agent itu disewa sedangkan penilaiannya tidak. Kebanyakan perusahaan menjawabnya secara tidak sengaja, lewat apa pun yang dilakukan pita gaji mereka yang sudah ada.

Mengapa Logika Penggajian Berbasis Output Goyah Ketika Alat yang Menyediakan Daya Ungkitnya

Logika bayar-untuk-output bertumpu pada asumsi yang tidak pernah perlu diucapkan: output sebagian besar merupakan fungsi dari orangnya. Seorang sales rep yang menutup deal tiga kali lipat rekan rata-rata dianggap tiga kali lebih terampil. Seorang analis yang menghasilkan lima model per minggu, bukan satu, dengan logika yang sama bernilai kira-kira lima kali lipat. Output adalah indikator yang cukup baik untuk kontribusi individu karena, selama sebagian besar abad terakhir, hal itu kurang lebih benar.

Rumus Lama: Gaji Mengikuti Output Marginal

Teori kompensasi menyebut ini membayar berdasarkan produk marginal: nilai tambahan yang diberikan jam kerja berikutnya seorang pekerja bagi bisnis. Pendekatan ini cukup berhasil selama alat yang tersedia bagi dua orang di peran yang sama bisa dipertukarkan. Berikan keduanya laptop dan CRM, maka selisih output di antara mereka memang berasal dari sesuatu pada diri mereka: penilaian, usaha, teknik.

Apa yang Berubah Ketika Daya Ungkit Disewa, Bukan Diraih

AI agent diam-diam merusak indikator itu. Seorang support rep yang bekerja bersama agent yang menyusun balasan dan hanya mengeskalasi kasus sulit bisa menyelesaikan tiket lima kali lipat rekan tanpa bantuan, bukan karena mereka lima kali lebih baik, melainkan karena mereka menyewa alat lima kali lipat. Logika bayar-untuk-output, bila diterapkan secara naif, kini memberi imbalan kepada siapa pun yang lebih dulu mendapat tumpukan agent yang lebih baik, yang lebih mirip keputusan alokasi perangkat keras daripada sinyal kinerja. Itulah kesenjangan pengukuran yang sama yang dibahas dalam mengukur kontribusi individu dalam pekerjaan yang diperkuat AI: begitu sebuah alat menggelembungkan output mentah, output tidak lagi menjadi wakil yang bersih bagi orang di baliknya.

Semua ini tidak berarti output berhenti penting. Artinya, pertanyaan jujurnya bergeser dari "berapa banyak yang dihasilkan orang ini" menjadi "berapa banyak dari hasil itu berasal dari penilaian dibandingkan daya ungkit yang diberikan perusahaan", dan kebanyakan sistem kinerja tidak pernah dirancang untuk memisahkan keduanya.

Jawaban Sejarah: Keuntungan yang Digerakkan Modal Jarang Mengalir ke Pekerja

Setiap kali perusahaan menghadapi versi dari pertanyaan ini, baik alatnya berupa mesin maupun perangkat lunak, ada pola terdokumentasi tentang ke mana uangnya pergi. Secara default, uang itu tidak mengalir ke pekerja sebanding dengan produktivitas yang diperoleh.

Kesenjangan Produktivitas-Gaji

Para ekonom di Federal Reserve Bank of St. Louis melacak produktivitas tenaga kerja AS terhadap upah riil sejak awal 1970-an dan menemukan kesenjangan akumulatif sekitar 70% pada akhir 2022, dengan menggunakan harga konsumen untuk menyesuaikan upah. Kesenjangan itu menyempit cukup banyak di bawah ukuran harga yang berbeda, dan hal ini perlu dikatakan terus terang: besarnya bergantung pada metodologi, dan para ekonom tidak sepakat ukuran mana yang menjawab pertanyaan mana. Yang tidak berubah di bawah ukuran apa pun adalah arahnya: gaji tidak mengejar output per jam selama kira-kira setengah abad. Analisis nonpartisan terpisah dari Congressional Research Service sampai pada kesimpulan yang sama: produktivitas dan gaji bergerak bersama hingga 1970-an dan berpisah sesudahnya, dengan porsi tenaga kerja yang menyusut dalam pendapatan nasional menjelaskan sebagian besar perbedaan itu.

Apa yang Diprediksi Kerangka Keahlian untuk AI

Sudut pandang yang lebih spesifik datang dari ekonom MIT David Autor dan Neil Thompson, yang penelitian tahun 2025 mereka tentang keahlian menawarkan sebuah mekanisme, bukan sekadar satu angka. Otomatisasi punya dua efek upah yang berlawanan, tergantung apa yang dihilangkannya. Jika bagian rutin dari sebuah pekerjaan dihilangkan dan penilaian ahli dibiarkan, peran yang tersisa menjadi lebih sulit diisi: antara 1980 dan 2018, lapangan kerja pembukuan turun sekitar sepertiga sementara upah per jam riil bagi yang bertahan naik hampir 40%, karena yang tersisa menuntut lebih banyak penilaian. Jika yang dihilangkan justru bagian ahli yang sulit dipelajari, yang terjadi sebaliknya: begitu otomatisasi menyerap tugas paling terspesialisasi para petugas persediaan, pekerjaan itu menjadi cukup mudah sehingga lapangan kerja lebih dari dua kali lipat sementara upah riil turun sekitar 13%.

Mana dari keduanya yang menyerupai peluncuran AI Anda adalah pilihan desain yang dibuat kebanyakan perusahaan tanpa disadari, dan hal itu memprediksi hasil penggajian lebih baik daripada niat apa pun yang dinyatakan tentang "memberi imbalan kepada output yang digerakkan AI". Agent yang menyerap 80% pekerjaan yang membosankan dan menyisakan 20% yang sulit mendukung gaji lebih tinggi per orang yang tersisa. Agent yang menyerap bagian yang membedakan dan menyisakan pengawasan mendukung sebaliknya. Sedikit perusahaan yang bertanya mana yang sesuai dengan peluncuran mereka sendiri.

Pertanyaan Gaji, Logika Lama, dan Apa yang Berubah dengan Daya Ungkit AI

Persepsi Keadilan, Kepercayaan, dan Mengapa Ini Bukan Metrik Lunak

Setiap pertanyaan mekanis di atas pada akhirnya berbenturan dengan pertanyaan psikologis: apakah orang yang mengerjakan pekerjaan itu percaya bahwa gajinya adil, terlepas dari apa yang dikatakan spreadsheet. Itu bukan variabel kecil. Itu salah satu pendorong kepercayaan dan attrition yang paling andal terukur dalam riset kompensasi, dan AI mempertajamnya.

Apa yang Terjadi Ketika Karyawan Merasa Dibayar Terlalu Rendah

Teori ekuitas, kerangka yang diajukan J. Stacey Adams pada awal 1960-an, menyatakan bahwa orang menilai keadilan dengan membandingkan rasio input mereka (usaha, keterampilan, waktu) terhadap hasil (gaji, pengakuan, pertumbuhan) dengan rasio orang acuan. Ketika perbandingan itu terasa timpang, orang mengurangi usaha, mendesak kenaikan gaji, mengabaikan pembanding, atau pergi.

Data terkini mendukung hal ini. Payscale 2025 Fair Pay Impact Report menemukan sebagian besar pekerja yakin mereka dibayar terlalu rendah bahkan ketika sebenarnya dibayar setara atau di atas pasar, dan karyawan yang merasa dibayar terlalu rendah 45% lebih mungkin mencari kerja baru dalam enam bulan dibandingkan mereka yang merasa dibayar adil, terlepas dari penghasilan sebenarnya. Survei Salary.com 2026 yang terpisah menemukan pekerja yang menilai gajinya tidak adil lebih dari lima kali lebih mungkin melaporkan menurunnya kepercayaan kepada pemberi kerja (36,4%) dibandingkan mereka yang merasa dibayar adil (6,6%). Kepercayaan mengikuti persepsi keadilan jauh lebih erat daripada kompensasi aktual, dan itulah tepatnya mengapa budaya dan retensi karyawan memperlakukan persepsi gaji sebagai tuas retensi tersendiri, bukan sekadar satu baris anggaran.

Kerumitan AI: Membandingkan Diri dengan Mesin

Teori ekuitas mengasumsikan titik acuannya adalah orang lain. Daya ungkit AI memperumit hal itu: karyawan yang outputnya meningkat tiga kali lipat lewat tumpukan agent harus menilai apakah gaji sebaiknya mencerminkan output yang tiga kali lipat, keterampilan yang tidak berubah di baliknya, atau campuran yang tidak dinyatakan. Jika dibiarkan, ketidakjelasan itu berubah menjadi kekesalan (perusahaan menikmati seluruh keuntungan) di satu sisi atau perasaan dibayar berlebihan di sisi lain, dan keduanya mengikis kepercayaan di tempat kerja yang oleh membangun kepercayaan di tempat kerja dianggap prasyarat bagi hampir segala hal lain yang dikerjakan tim dengan baik.

Haruskah Keterampilan AI Mendapat Premi Upah, dan Seberapa Cepat Premi Itu Meluruh?

Terpisah dari soal keadilan ada pertanyaan yang lebih sempit dan lebih terukur: apakah bekerja dengan AI saat ini menghasilkan premi upah yang nyata, dan seberapa tahan lama premi itu.

Premi Itu Nyata dan Bergerak Cepat

PwC 2025 Global AI Jobs Barometer, yang bersumber dari hampir satu miliar lowongan kerja di 24 negara, menemukan peran yang membutuhkan keterampilan AI mendapat premi upah 56% dibandingkan peran sebanding, lebih dari dua kali lipat premi 25% yang ditemukan analisis yang sama setahun sebelumnya. Lightcast, dengan metode yang lebih konservatif atas 1,3 miliar lowongan, menempatkannya mendekati 28%, atau sekitar $18.000 per tahun, naik menjadi 43% untuk lowongan yang membutuhkan dua keterampilan AI atau lebih. Keduanya mengukur hal yang berbeda (PwC melihat berapa gaji peran dengan keterampilan AI; Lightcast melihat apa yang diiklankan pemberi kerja), yang menjelaskan sebagian selisihnya, tetapi keduanya menunjuk arah yang sama: nyata, dan terus tumbuh.

Mengapa Premi Seperti Ini Jarang Bertahan Lama

Premi yang lebih dari dua kali lipat dalam dua belas bulan adalah hal yang tidak biasa, dan kecepatan itu berlaku dua arah. Premi sebesar ini biasanya muncul di awal kurva adopsi, ketika sebuah keterampilan benar-benar langka, dan cenderung menyusut ketika keterampilan itu menjadi syarat dasar, pola yang terlihat pada lebih dari satu gelombang keterampilan teknis yang sedang naik daun selama dua dekade terakhir. Belum ada yang menerbitkan data peluruhan yang kokoh, karena premi itu sendiri baru sekitar setahun diukur dalam skala besar. Perlakukan angka 56% atau 28% sebagai potret pasar yang masih berada di fase kelangkaan, bukan fitur yang tahan lama, dan susun kebijakan yang bisa disesuaikan ke bawah tanpa renegosiasi yang menyakitkan ketika hal itu terjadi.

Kompresi Gaji antara Junior yang Diperkuat AI dan Senior yang Berpengalaman

Masalah yang lebih rumit muncul di dalam satu tim: apa yang terjadi pada selisih gaji antara junior yang tumpukan agent-nya mendekati output level senior, dan rekan senior yang membangun penilaian yang sama dengan cara yang lebih lambat, selama bertahun-tahun.

Skenario Kompresi

Jika seorang associate dua tahun yang fasih mengorkestrasi AI agent menghasilkan pekerjaan yang sebanding dalam volume dan kerapian dengan veteran sepuluh tahun, tangga gaji berbasis pengalaman mulai tampak sewenang-wenang bagi keduanya, dengan alasan yang berlawanan. Si junior melihat output yang sama dan bertanya mengapa gajinya tidak sama. Si senior melihat output berbantuan AI diukur dengan tolok ukur yang sama dengan penilaiannya yang diraih dengan lebih susah payah dan bertanya untuk apa tahun-tahun itu. Ini ketegangan yang sama yang dibahas dari sudut tangga karier dalam jalur karier di era AI: makna "senior" menjadi lebih sulit didefinisikan begitu hal itu lebih mudah dipalsukan di permukaan.

Mengapa Ini Mungkin Sementara, atau Mungkin Tidak

Satu argumen memandang ini sebagai artefak transisi: output berbantuan AI tampak mirip output ahli di permukaan, tetapi kesenjangan penilaian (mengetahui kapan AI salah, kapan draf yang rapi menyembunyikan asumsi yang buruk) tidak hilang, hanya menjadi kurang terlihat. Menurut pandangan ini, kompresi adalah kegagalan pengukuran yang pada akhirnya dikoreksi evaluasi. Argumen tandingannya: jika AI terus menutup kesenjangan output yang terlihat lebih cepat daripada kemampuan evaluasi menyusul, pasar membayar untuk apa yang bisa diamati, dan bertahun-tahun penilaian tacit tidak lagi menghasilkan premi, seperti yang digambarkan anak tangga pertama yang patah terjadi pada pekerjaan tingkat pemula yang dulu membangun penilaian itu. Belum ada cukup data longitudinal untuk mengatakan masa depan mana yang lebih mendekati benar.

Seperti Apa Kebijakan yang Jujur

Tugas praktisnya bukan menemukan satu rumus yang benar. Tugasnya adalah membangun kebijakan yang menyatakan asumsinya dengan lantang, agar karyawan bisa melihat penalarannya bahkan ketika mereka tidak setuju, dan merevisinya tanpa terasa seperti janji yang diingkari ketika bukti bergeser.

Pertanyaan yang Harus Dijawab Sebelum Menetapkan Kebijakan

Tuliskan, secara tertulis, apakah pita gaji Anda memberi imbalan untuk output, penilaian, atau campuran yang eksplisit, karena kebanyakan perusahaan belum pernah benar-benar memutuskannya. Audit apakah peluncuran AI tertentu menyerupai pola pembukuan (pekerjaan rutin dihilangkan, penilaian diintensifkan) atau pola petugas persediaan (pekerjaan ahli dihilangkan, peran menjadi komoditas), karena keduanya mendukung penyesuaian yang berlawanan. Putuskan, sebelum seseorang bertanya dalam one-on-one, apakah premi keterampilan AI merupakan bagian sejati dari filosofi Anda atau penyesuaian sementara untuk menyamai pasar, dan katakan yang mana. Ini termasuk dalam percakapan yang sama dengan manajemen kinerja ketika AI yang mengerjakan pekerjaan, karena mengevaluasi menuntut pendefinisian terlebih dahulu, dan kebijakan ini harus bertumpu pada keterampilan pelengkap AI yang benar-benar telah diputuskan perusahaan Anda untuk dihargai, bukan yang paling nyaring di pasar kerja.

Apa yang Tidak Boleh Dijanjikan kepada Karyawan

Jangan menjanjikan gaji akan mengikuti output individu satu banding satu, karena kaitan itulah yang sedang runtuh. Jangan menjanjikan premi keterampilan AI bersifat permanen, karena premi sebesar ini cenderung menyusut begitu keterampilan itu tidak lagi langka. Jangan memperlakukan keadilan sebagai nomor dua dibandingkan angka "sebenarnya": data di atas menunjukkan persepsi keadilan memprediksi kepercayaan dan attrition lebih andal daripada kebanyakan metrik output. Dan jangan memperlakukan ini sebagai centang DEI terpisah dari strategi kompensasi inti: kompresi gaji dan penggelembungan output akibat AI jatuh secara tidak merata di berbagai peran dan masa kerja, dan kebijakan yang mengabaikannya akan muncul sebagai keluhan soal keadilan bagaimanapun juga.

Semua ini tidak menghasilkan rumus untuk diserahkan kepada komite kompensasi lalu dianggap selesai. Hasilnya adalah posisi yang dapat dipertanggungjawabkan: cermat terhadap bukti, jujur tentang apa yang belum diketahui, dan dibangun untuk direvisi ketika data yang lebih baik tiba. Kompensasi hanyalah satu bagian dari pertanyaan lebih besar yang coba dijawab apa itu masa depan pekerjaan, dan pada bagian ini secara khusus, belum terselesaikan mungkin merupakan tempat paling jujur untuk berlabuh tahun ini.

Fakta Utama

• Kesenjangan akumulatif antara produktivitas tenaga kerja AS dan upah riil (deflator harga konsumen) mencapai sekitar 70% pada akhir 2022, meskipun besarnya sangat bergantung pada indeks harga mana yang menyesuaikan upah. Sumber: Federal Reserve Bank of St. Louis, FRED Blog, 2023
• Otomatisasi yang menghilangkan tugas rutin cenderung menaikkan upah dan mengurangi jumlah pekerja (pembukuan: lapangan kerja turun sekitar sepertiga, upah riil naik hampir 40%, 1980-2018); otomatisasi yang menghilangkan tugas ahli cenderung berdampak sebaliknya (petugas persediaan: lapangan kerja lebih dari dua kali lipat, upah riil turun sekitar 13%). Sumber: Autor and Thompson, "Expertise," NBER, 2025
• Peran yang membutuhkan keterampilan AI mendapat premi upah 56%, lebih dari dua kali lipat premi 25% yang tercatat setahun sebelumnya, dari hampir satu miliar iklan lowongan di 24 negara. Sumber: PwC 2025 Global AI Jobs Barometer, reported by Open Data Science
• Analisis terpisah atas 1,3 miliar lowongan kerja menemukan premi upah keterampilan AI yang lebih konservatif sebesar 28% (sekitar $18.000 per tahun), naik menjadi 43% untuk dua keterampilan AI atau lebih. Sumber: Lightcast, "Beyond the Buzz," via PR Newswire, 2025
• Karyawan yang merasa dibayar terlalu rendah, bahkan setara atau di atas pasar, 45% lebih mungkin mencari kerja baru dalam enam bulan dibandingkan mereka yang merasa dibayar adil. Sumber: Payscale, 2025 Fair Pay Impact Report
• Karyawan yang menilai gajinya tidak adil lebih dari lima kali lebih mungkin melaporkan menurunnya kepercayaan (36,4%) dibandingkan mereka yang merasa dibayar adil (6,6%). Sumber: Salary.com research, August 2026, via GlobeNewswire