Anak Tangga Pertama yang Patah: Bagaimana AI Mengikis Cara Karyawan Junior Belajar Menjadi Ahli

Oleh Victor Hoang · Diperbarui 22 September 2026

"Anak tangga pertama yang patah" menggambarkan apa yang terjadi ketika AI menyerap pekerjaan riset draf pertama, kode rutin, analisis dasar, dan perangkuman yang dulu dikerjakan karyawan tingkat pemula. Pekerjaan itu tak pernah sekadar output murah yang tinggal diserahkan. Lewat pekerjaan itulah para junior membangun penilaian, melalui pengulangan, koreksi, dan keterpaparan pada cara berpikir orang berpengalaman. Ketika AI menghilangkan latihan itu, yang menyusut bukan hanya jalur rekrutmen, tetapi juga mekanisme pelatihan yang belum digantikan oleh siapa pun.

Ini bukan cerita yang sudah final. Data rekrutmen tingkat pemula benar-benar diperdebatkan, dan pembacaan yang adil harus memegang dua hal sekaligus: sesuatu yang nyata sedang terjadi pada pekerja muda di peran yang terpapar AI, dan gambarannya lebih rumit serta lebih terkonsentrasi daripada yang disiratkan judul berita "pekerjaan tingkat pemula menghilang".

Apa yang Sebenarnya Diajarkan Pekerjaan Rutin Itu

Selama puluhan tahun, dua tahun pertama sebuah pekerjaan pengetahuan berfungsi seperti magang yang tidak glamor. Seorang analis junior menyusun draf pertama sebuah model agar analis senior dapat mengoreksinya, dan koreksi itulah pelajarannya. Seorang associate tahun pertama merangkum yurisprudensi agar partner dapat memberi tahu apa yang terlewat, dan jarak antara ringkasan itu dan bacaan sang partner adalah pendidikannya. Seorang engineer junior menulis boilerplate dan menjalankan unit test, bukan karena basis kodenya membutuhkan itu, melainkan karena menulis kode yang buruk lalu meminta kode itu ditinjau adalah cara engineer belajar menulis kode yang baik.

Semua ini tidak tampak seperti pelatihan di bagan organisasi. Tampaknya seperti pekerjaan pusat biaya: tenaga murah mengerjakan tugas yang tidak diinginkan siapa pun yang senior. Namun output-nya hanyalah efek samping. Produk sesungguhnya adalah seorang junior yang, delapan belas bulan kemudian, telah menginternalisasi ribuan koreksi kecil menjadi sesuatu yang lebih mendekati naluri. Para ekonom menyebutnya pengetahuan tasit (tacit knowledge): know-how yang tidak bisa sepenuhnya dituliskan, hanya bisa diperoleh dengan mengerjakan tugas itu cukup sering dengan buruk hingga polanya terlihat. Ekonom MIT David Autor dan Neil Thompson, dalam makalah 2025 tentang keahlian, membangun kerangka tepat di sekitar hal ini: dampak otomatisasi bergantung pada apakah ia menyingkirkan tugas rutin yang membangun keahlian atau tugas khusus yang menggunakannya, dan keduanya berdampak berlawanan pada upah dan jumlah karyawan.

AI agent dan AI copilot kini mengerjakan sebagian besar pekerjaan rutin yang menghasilkan koreksi itu secara langsung: menyusun memo, menulis boilerplate, merangkum transkrip, menandai kesalahan yang jelas, sebelum manusia melihat draf kasar. Itu peningkatan kemampuan yang nyata. Itu juga, tanpa disengaja, penghapusan mekanisme persis yang dulu mengubah seorang berusia 22 tahun menjadi seorang berusia 30 tahun yang dapat dipercaya mengambil keputusan penilaian.

Apakah Rekrutmen Tingkat Pemula Benar-Benar Ambruk? Apa yang Ditunjukkan Bukti

Tiga sumber data independen menunjuk arah yang sama, meski tidak dengan besaran yang sama, dan penting untuk tepat tentang apa yang diukur masing-masing.

Laporan State of Talent 2026 dari SignalFire, yang disusun dari data rekrutmen ribuan perusahaan teknologi besar dan yang didukung modal ventura, menemukan rekrutmen tingkat pemula dan lulusan baru di perusahaan teknologi besar turun sekitar 65% dibandingkan 2019, dan sekitar 76% di startup tahap awal. Laporan itu menyebut mekanismenya secara langsung: dua belas hingga delapan belas bulan yang dulu dihabiskan seorang engineer junior untuk "writing boilerplate code, running unit tests, and performing routine debugging" kini ditangani asisten coding, sehingga perusahaan berhenti merekrut untuk tugasnya dan bukan untuk orangnya.

Bukti akademis yang lebih ketat datang dari Digital Economy Lab Stanford. Dalam analisis Agustus 2026 yang memakai data penggajian ADP yang mencakup jutaan pekerja, ekonom Erik Brynjolfsson, Bharat Chandar, dan Ruyu Chen menemukan bahwa lapangan kerja bagi pekerja usia 22 hingga 25 tahun di pekerjaan yang sangat terpapar AI berada sekitar 19% di bawah posisi seandainya mengikuti lapangan kerja pekerja seusia di pekerjaan yang kurang terpapar. Kesenjangan itu melebar, dari 15% pada Juli 2025 menjadi 19% setahun kemudian, tanda bahwa ini tampak sebagai tren yang menguat dan bukan koreksi sekali jalan.

Apa yang Tidak Ditunjukkan Data

Dibaca dengan cermat, makalah Stanford itu lebih presisi, dan lebih terbatas, daripada judul-judul beritanya. Para peneliti secara eksplisit menyatakan tidak menemukan bukti adanya "widespread, economy-wide job displacement associated with AI." Efeknya terkonsentrasi pada pekerjaan tertentu yang sangat terpapar AI, di antaranya pengembangan perangkat lunak dan dukungan pelanggan, bukan di seluruh pasar tenaga kerja. Mekanismenya adalah berkurangnya rekrutmen pekerja muda, bukan gelombang PHK. Pekerja yang lebih tua dan berpengalaman di pekerjaan yang sama tidak mengalami penurunan serupa, dan di tempat AI melengkapi, bukan menggantikan, tugas manusia, lapangan kerja pekerja yang lebih muda datar atau bahkan naik.

Pimpinan LinkedIn telah menandai pola yang sama dari sudut lain. Dalam artikel opini New York Times Mei 2025 yang ramai dibahas, chief economic opportunity officer LinkedIn Aneesh Raman menulis bahwa ia melihat "the bottom rung of the career ladder breaking," dengan menunjuk para coder junior yang pekerjaan debugging-nya berpindah ke alat AI dan paralegal tahun pertama yang menyaksikan peninjauan dokumen bergeser ke alur kerja berbantuan AI. Data tenaga kerja LinkedIn sendiri menunjukkan rekrutmen secara keseluruhan masih berjalan lebih dari 20% di bawah level Desember 2019, pasar tenaga kerja yang secara umum lebih lambat sehingga lebih sulit memisahkan efek khusus AI dari pelemahan makroekonomi biasa. Sebagian dari apa yang tampak sebagai cerita AI juga adalah cerita pembekuan rekrutmen, dan memisahkan keduanya dengan bersih masih menjadi pertanyaan terbuka.

Ringkasan yang jujur: sesuatu yang spesifik dan nyata sedang terjadi pada rekrutmen pekerja muda di sekumpulan peran tertentu yang terpapar AI, tren itu tampak melebar dan bukan menstabil, dan belum menjadi keruntuhan luas di seluruh pasar tenaga kerja. Bersiaplah untuk klaim pertama. Tetaplah skeptis terhadap yang kedua.

Masalah Transfer Pengetahuan Tasit

Bahkan jika angka rekrutmen menstabil, masalah kedua yang lebih senyap tetap ada: apa yang terjadi pada kualitas pekerjaan tingkat pemula yang masih ada, begitu tugas-tugas di dalamnya dikeruk habis.

Filsuf Michael Polanyi menggambarkannya sebagai "we can know more than we can tell." Penilaian yang terampil sering mustahil dirumuskan sepenuhnya sebagai aturan. Seorang underwriter senior bisa melihat berkas pinjaman dan merasa ada yang tidak beres sebelum bisa menjelaskan sebabnya. Seorang partner bisa membaca memo seorang junior dan tahu memo itu tipis sebelum menunjuk argumen yang hilang. Naluri itu adalah endapan padat dari ribuan koreksi sebelumnya, sebagian besar terlupakan sebagai ingatan eksplisit dan hanya tersisa sebagai pengenalan pola. Endapan itu tidak bisa diunduh. Endapan itu dikumpulkan, melalui tugas-tugas spesifik dan membosankan yang kini dikerjakan AI dengan lebih cepat dan lebih baik.

Itu menciptakan masalah desain yang nyata, bukan sekadar masalah rekrutmen. Seorang junior yang masih direkrut tetapi seluruh pekerjaannya meninjau dan menyetujui draf buatan AI, tanpa pernah membuat draf pertama yang buruk sendiri, kehilangan langkah ketika koreksi diinternalisasi. Meninjau pekerjaan orang lain mengajarkan Anda mengenali kesalahan. Itu jauh kurang mengajarkan penalaran yang menghindarkan kesalahan sejak awal, jenis penalaran yang hanya terbangun dengan bergulat melalui tugasnya sendiri. Ini salah satu alasan mengapa desain onboarding kini harus dibangun ulang dengan sengaja: pola lama, berikan saja pekerjaan rutin dan mereka akan belajar sendiri, tidak bertahan ketika tidak ada lagi pekerjaan rutin untuk ditugaskan.

Apa yang Dulu Dipelajari Junior, Apa yang Kini Dikerjakan AI, dan Cara Menggantinya

Polanya sama di setiap baris: pembelajaran tak pernah terletak pada menghasilkan artefaknya. Pembelajaran ada pada jarak antara upaya pertama seorang junior dan koreksi seorang ahli. Jika AI menutup jarak itu dengan mengerjakan upaya pertama sendiri, solusinya adalah membukanya kembali dengan sengaja, sebagai latihan yang dirancang dan bukan efek samping tak sengaja dari menugaskan pekerjaan murah.

Masalah Jalur Senior: Apa yang Terjadi dalam Lima hingga Sepuluh Tahun

Inilah bagian yang dilewatkan sebagian besar liputan AI dan pekerjaan, karena ini ramalan dan bukan pengukuran, dan ramalan layak mendapat lebih banyak kehati-hatian daripada yang diberikan judul berita. Namun mekanismenya cukup jelas: engineer, analis, dan associate senior hari ini sebagian besar dilatih oleh pekerjaan rutin tingkat pemula kemarin. Jika pekerjaan rutin itu benar-benar menipis bagi kohort yang direkrut pada 2024 hingga 2026, orang-orang yang akan menjadi pemegang penilaian pada awal 2030-an tidak mengumpulkan latihan yang dulu menghasilkan mereka.

Laporan SignalFire menyebut hal ini secara langsung, menyebutnya "systemic risk" yang muncul "when an entire industry stops investing in early-career talent," dan memperingatkan kemungkinan kesenjangan kepemimpinan lima hingga sepuluh tahun lagi. Itu klaim dari sebuah firma ventura yang punya insentif sendiri agar perusahaan portofolionya terus merekrut talenta junior, jadi perlakukan sebagai hipotesis, bukan fakta. Namun logika dasarnya tidak bergantung pada siapa yang mengatakannya: keahlian butuh bertahun-tahun untuk dibangun, waktu itu kini tidak diperhitungkan begitu tugas-tugas yang membangunnya diotomatisasi, dan belum ada mekanisme pengganti terbukti yang beroperasi pada skala besar. Organisasi yang menggerus jalur junior-nya tiga tahun berturut-turut tanpa sengaja menggantikan siklus pembelajarannya sedang bertaruh pada bangku cadangan 2032 yang kemungkinan belum diperhitungkannya. Logika yang sama menjelaskan mengapa strategi talenta AI kini harus memuat keputusan membangun-atau-membeli yang sesungguhnya atas keahlian itu sendiri, bukan sekadar hitungan jumlah karyawan: membeli talenta senior dari kolam yang menyusut, atau membangunnya secara internal dengan magang yang dirancang ulang. Apa yang menjadi kewajiban perusahaan kepada para junior yang memang direkrutnya, mengingat kesepakatan lama pelatihan-tanpa-sengaja tak lagi berlaku, persis jenis pertanyaan yang diminta kontrak sosial AI di tempat kerja agar dijawab pemberi kerja dengan jujur, bukan dengan membiarkannya begitu saja.

Bisakah AI Juga Mentransfer Pengetahuan Tasit? Bukti Tandingan

Gambarannya tidak murni pengurangan, dan artikel yang adil harus mengatakannya. Ada bukti nyata bahwa, bila diterapkan dengan cara tertentu, AI dapat memperpendek jarak antara pemula dan ahli, bukan sekadar menghilangkan latihan pemula.

Contoh paling jelas adalah studi skala besar oleh ekonom Erik Brynjolfsson, Danielle Li, dan Lindsey Raymond, diterbitkan di Quarterly Journal of Economics, terhadap lebih dari 5.000 agen dukungan pelanggan yang diberi asisten AI generatif. Produktivitas rata-rata naik 14%, tetapi peningkatannya tidak merata: agen pemula dan yang keterampilannya lebih rendah membaik 34%, sementara yang paling berpengalaman nyaris tak bergerak. Penjelasannya penting: alat itu telah mempelajari pola agen terbaik perusahaan dan menyajikan keahlian yang disarikan itu kepada semua orang lain secara waktu nyata, berfungsi bukan sebagai jalan pintas melewati kurva belajar, melainkan seperti pelatih yang berdiri di belakang bahu seorang pemula.

Pembedaan itu, AI sebagai mekanisme transfer pengetahuan versus AI sebagai mekanisme penghapusan tugas, sebagian besar adalah pilihan desain, bukan fakta tentang teknologinya. Alat yang menyajikan "beginilah seorang performer terbaik akan merumuskan ini" mengajar. Alat yang langsung menjawab pelanggan tidak. Kebanyakan perusahaan memilih opsi kedua yang lebih cepat, karena itulah yang muncul dalam metrik produktivitas kuartal depan. David Autor mengajukan argumen terkait yang lebih optimistis dalam makalah NBER 2024-nya, yang menyatakan peluang sejati AI adalah memperluas dukungan keputusan tingkat ahli kepada pekerja tanpa kredensial formal, di bidang kedokteran, hukum, dan keterampilan teknis, secara efektif mendemokratisasi versi keahlian yang dulu butuh bertahun-tahun magang untuk diraih. Ia membingkainya sebagai hal yang mungkin, bukan prediksi tentang apa yang akan dipilih perusahaan untuk dibangun.

Apa yang Benar-Benar Bisa Dilakukan Pemimpin

Tak satu pun solusi di bawah ini eksotis. Semuanya adalah pengganti yang disengaja untuk mekanisme pembelajaran yang dulu terjadi otomatis sebagai efek samping tenaga manusia yang mahal, dan kini harus dirancang dengan sengaja.

Perlakukan Latihan Sengaja sebagai Pos Anggaran, Bukan Kemewahan

Riset psikolog Anders Ericsson tentang keahlian menemukan bahwa jam kerja mentah tidak membangun keterampilan; latihan terstruktur dengan umpan balik cepat dan spesifik yang membangunnya. Sebelum AI, pekerjaan rutin junior secara kebetulan menghadirkan keduanya. Kini pemimpin harus memasukkan kembali latihan itu dengan sengaja: beri junior tugas yang bisa dikerjakan AI, biarkan mereka mencobanya tanpa bantuan lebih dulu, lalu bandingkan. Itu memakan waktu yang dulu gratis. Anggarkan seperti investasi kapabilitas lainnya, karena memang begitu.

Jadikan Peninjauan Output AI sebagai Latihan Pelatihan, Bukan Sekadar Gerbang QA

Sebagian besar perusahaan sudah meminta junior meninjau draf buatan AI sebelum dirilis. Sedikit yang memperlakukan peninjauan itu sebagai pengajaran. Solusinya prosedural: minta junior menuliskan, dengan kata-katanya sendiri, apa yang akan diubahnya dan alasannya, sebelum peninjau berpengalaman menimbang, lalu bandingkan keduanya. Selisihnya adalah pelajarannya, pelajaran yang sama seperti yang dulu diajarkan suntingan pena merah, hanya dipindahkan tempatnya. Alat alur kerja yang mencatat siapa meninjau apa dan mengapa mengubah ini menjadi catatan pelatihan yang bisa dicari alih-alih utas Slack yang hilang, dan sekaligus menjadi pertahanan terhadap jenis output tanpa tinjauan dan tanpa dasar yang belakangan muncul sebagai workslop.

Putar Junior di Berbagai Tugas, Bukan Satu Antrean

Ketika seluruh pekerjaan seorang junior menjadi mengawasi satu alur kerja AI, mereka mendapat kedalaman dalam satu lingkaran sempit dan tidak terpapar pada keputusan penilaian di sekitarnya, yang dulu diberikan gratis oleh pekerjaan yang lebih berantakan dan kurang otomatis. Rotasi yang disengaja, tiga bulan di dukungan riset, tiga di tinjauan analisis, tiga mendampingi panggilan klien, membangun ulang keluasan itu dengan sengaja.

Rancang Ulang Mentoring di Sekitar Penjelasan, Bukan Penugasan

Model mentoring lama sering berjalan lewat kedekatan: seorang junior duduk dekat seorang senior, mengamati cara kerjanya, dan menyerap norma secara pasif. Kerja jarak jauh dan yang kian dimediasi AI telah menipiskan saluran itu, terutama ketika makin banyak tim beroperasi sebagai tim manusia-agent di dalam apa yang oleh sebagian orang disebut frontier firm. Solusinya adalah menjadikan mentoring tindakan eksplisit menarasikan penilaian: senior menjelaskan kepada junior mengapa mereka menimpa rekomendasi AI, bukan sekadar bahwa mereka melakukannya. Ini hanya berhasil di tempat karyawan junior merasa aman mengakui kebingungan di depan senior, pertanyaan rasa aman psikologis sama banyaknya dengan pertanyaan pelatihan, dan di tempat kesalahan diperlakukan sebagai informasi, perbedaan antara budaya menyalahkan dan budaya belajar.

Semua ini tidak menuntut memperlambat adopsi AI. Ini menuntut penerimaan bahwa magang lama berjalan dari produk sampingan inefisiensi, dan begitu inefisiensi itu hilang, magang harus dibangun ulang sebagai sistem sengaja tersendiri, di dalam rencana manajemen perubahan AI apa pun yang sudah menggulirkan alur kerja agentik dan budaya AI-native yang lebih luas ke seluruh organisasi. Lewati langkah itu dan kesenjangannya tidak mengumumkan diri. Ia diam-diam menumpuk menjadi utang budaya AI yang muncul bertahun-tahun kemudian, dalam bangku kepemimpinan yang tidak ada.

Fakta Utama

• Rekrutmen tingkat pemula dan lulusan baru di perusahaan teknologi besar turun sekitar 65% dibandingkan 2019, dan sekitar 76% di startup tahap awal. Sumber: SignalFire State of Talent Report, 2026
• Lapangan kerja pekerja usia 22-25 di pekerjaan yang sangat terpapar AI berada sekitar 19% di bawah posisi seharusnya, naik dari kesenjangan 15% setahun sebelumnya, didorong oleh berkurangnya rekrutmen dan bukan bertambahnya PHK. Sumber: Stanford Digital Economy Lab, "Canaries in the Coal Mine," Agustus 2026
• Rekrutmen AS secara keseluruhan tetap lebih dari 20% di bawah level Desember 2019, latar belakang pasar tenaga kerja yang lebih luas yang mempersulit pemisahan efek khusus AI. Sumber: LinkedIn Economic Graph Workforce Report, Januari 2026
• Akses ke asisten AI generatif meningkatkan produktivitas agen dukungan pelanggan rata-rata 14%, dan 34% untuk agen pemula, dengan menyajikan pola performer terbaik. Sumber: Brynjolfsson, Li, and Raymond, "Generative AI at Work," NBER / Quarterly Journal of Economics
• Dampak AI terhadap keahlian bergantung pada apakah ia mengotomatisasi tugas rutin yang membangun penilaian atau tugas khusus yang menggunakannya, dengan efek berlawanan pada upah dan lapangan kerja. Sumber: Autor and Thompson, "Expertise," NBER, 2025