Apa Itu Masa Depan Pekerjaan? Sebuah Definisi yang Berpijak pada Bukti, Bukan Ramalan

Oleh Victor Hoang · Diperbarui 22 September 2026

Masa depan pekerjaan adalah pergeseran berkelanjutan yang dapat diukur dalam tugas apa yang dikerjakan orang, keterampilan apa yang dibutuhkan tugas-tugas itu, bagaimana organisasi distrukturkan, dan bagaimana output dihasilkan, yang saat ini terutama digerakkan oleh AI. Ia bukan satu peristiwa tunggal, bukan tanggal tertentu, dan bukan vonis final tentang pekerjaan mana yang akan hilang. Ia adalah sekumpulan tren yang sudah terlihat dalam data ketenagakerjaan, survei adopsi, dan bagan organisasi, kebanyakan masih parsial dan sebagian saling bertentangan.

Definisi itu lebih sempit daripada yang dijajakan di konferensi. Tanyakan kepada sepuluh konsultan apa arti "masa depan pekerjaan" dan Anda mendapat sepuluh ramalan, kebanyakan diekstrapolasi dari peta jalan satu vendor. Koleksi ini memperlakukan frasa itu secara berbeda: sebagai klaim yang membutuhkan sumber, metode, dan tanggal, bukan slogan yang membutuhkan slide.

Arti Sebenarnya dari "Masa Depan Pekerjaan"

Singkirkan pemasarannya dan ada empat hal yang sungguh bergerak, masing-masing dengan basis bukti dan garis waktunya sendiri.

Komposisi tugas. Di dalam pekerjaan yang ada, tugas-tugas spesifik yang menyita waktu seseorang sedang berubah. Seorang recruiter tetap merekrut, tetapi menyusun pesan penjangkauan pertama, menyaring resume, atau merangkum panggilan kini makin sering dikerjakan lebih dulu oleh alat AI. Judul jabatannya stabil. Daftar tugas di bawahnya tidak.

Persyaratan keterampilan. Apa yang dihitung sebagai keahlian berharga dalam sebuah peran bergeser ketika mesin dapat mengerjakan bagian rutinnya. Menilai output AI, menangkap jawaban yang salah, dan mengetahui kapan tidak memercayai alat menjadi keterampilan tersendiri, di atas apa pun yang sudah dituntut pekerjaan itu.

Struktur organisasi. Siapa mengawasi siapa, berapa orang yang dipimpin seorang manajer, dan berapa lapisan antara pekerja garis depan dan eksekutif, semuanya berada di bawah tekanan yang senyap, meski jauh lebih lambat dan tidak merata dibanding yang disiratkan kebanyakan bagan organisasi di papan tulis.

Cara pekerjaan dihasilkan. Campuran upaya manusia, perangkat lunak, dan kini AI agent yang bergabung menghasilkan satu output, tiket dukungan yang tertutup, fitur yang dirilis, kontrak yang ditandatangani, sedang berubah di dalam alur kerja individual sebelum mengubah apa pun yang terlihat di tingkat jumlah karyawan.

Tak satu pun dari keempat hal ini mensyaratkan "AI menggantikan pekerjaan" menjadi benar. Keempatnya sudah terukur tanpa klaim itu, yang justru alasan mengapa keempatnya lebih berguna bagi pemimpin yang membuat keputusan nyata daripada angka judul berita tentang pengangguran massal yang belum terjadi. Untuk penelusuran lengkap studi terukur di balik keempat pergeseran ini, termasuk klaim mana yang bertahan dan mana yang belum, lihat bagaimana AI mengubah pekerjaan dan apa yang ditunjukkan bukti.

Kesenjangan Adopsi versus Dampak

Fakta terpenting bagi eksekutif mana pun yang membaca konten tentang masa depan pekerjaan di 2026 adalah ini: adopsi AI dan dampak bisnis AI bukan kurva yang sama, dan kesenjangan di antara keduanya saat ini sangat besar.

Survei State of AI 2025 dari McKinsey terhadap hampir 2.000 organisasi menemukan 88% kini memakai AI di setidaknya satu fungsi bisnis. Itu mendekati adopsi universal. Namun hanya 39% organisasi itu yang mengaitkan dampak EBIT terukur dengan pemakaian AI tersebut, dan sebagian besar dari kelompok itu mengatakan dampaknya di bawah 5% dari laba. Hanya 6% yang memenuhi syarat sebagai apa yang disebut McKinsey "AI high performers", yang melaporkan nilai signifikan sekaligus kontribusi EBIT yang berarti. Faktor pembeda kelompok teratas itu bukan model mana yang mereka pakai. Melainkan bahwa mereka benar-benar merancang ulang alur kerja yang mendasarinya, alih-alih menempelkan chatbot pada proses yang tidak berubah.

Project NANDA dari MIT mempelajari kesenjangan yang sama dari sudut lain dalam riset "State of AI in Business" 2025, yang disusun dari lebih dari 300 inisiatif, puluhan wawancara eksekutif, dan survei terhadap para pemimpin bisnis. Temuannya lebih blak-blakan: sekitar 95% pilot AI generatif tidak menunjukkan efek terukur pada laba rugi. Pilot yang berhasil memiliki pola yang sama, yaitu proses back-office yang sempit dengan pemilik yang jelas dan lingkar umpan balik yang ketat, bukan peluncuran luas dan ambisius yang diumumkan lewat siaran pers.

Gartner telah memperkirakan ke mana sebagian gelombang ambisi saat ini berakhir: ia memperkirakan lebih dari 40% proyek AI agentik akan dibatalkan sebelum akhir 2027, dengan alasan campuran biaya yang naik, nilai bisnis yang tidak jelas, dan kontrol risiko yang sejak awal tidak pernah dibangun.

Mengapa Kesenjangan Itu Ada

Semua ini bukan berarti AI tidak berfungsi. Artinya kebanyakan organisasi terjebak di tahap pilot, menjalankan AI berdampingan dengan proses yang tidak berubah, alih-alih merancang ulang proses di sekitarnya. Alur kerja yang dibangun untuk manusia yang mengerjakan setiap langkah secara berurutan tidak menjadi lebih cepat hanya karena satu langkah lebih cepat; hambatannya berpindah ke serah terima berikutnya yang belum dirancang ulang. Itu kegagalan desain alur kerja, bukan bukti bahwa teknologinya dibesar-besarkan, dan itulah alasan paling umum mengapa pilot yang menjanjikan tidak pernah sampai ke laba rugi. Ketimpangan yang sama muncul di dalam satu perusahaan juga, bukan hanya antarperusahaan: lihat kesenjangan adopsi AI untuk apa yang sebenarnya memisahkan karyawan yang telah membangun ulang alur kerjanya di sekitar AI dari yang belum menyentuhnya.

Perubahan di Tingkat Tugas, Bukan Penggantian Pekerjaan Secara Menyeluruh

Temuan paling tahan lama di seluruh bidang ini, dan yang paling sering terlewat dalam liputan berita, adalah bahwa perubahan terjadi di tingkat tugas, bukan pekerjaan.

Ekonom MIT David Autor dan ilmuwan komputer MIT Neil Thompson mengemukakan hal ini secara langsung dalam riset mereka tentang keahlian dan otomatisasi. Argumen mereka: ketika sebuah tugas diotomatisasi, apakah itu menguntungkan atau merugikan pekerja yang tersisa bergantung pada apakah tugas yang diotomatisasi itu relatif bersifat ahli atau non-ahli dalam okupasi tertentu tersebut. Tugas yang sama, menyusun email rutin versus menyusun berkas hukum, bisa berketerampilan rendah di satu pekerjaan dan berketerampilan tinggi di pekerjaan lain, sehingga mengotomatisasi aktivitas "yang sama" bisa menaikkan upah dan menyusutkan kumpulan tenaga kerja yang memenuhi syarat di satu okupasi, sementara menurunkan upah dan memperluasnya di okupasi lain. Detail di tingkat tugas, bukan angka umum "AI menggantikan X% pekerjaan", yang sebenarnya memprediksi hasilnya.

Future of Jobs Report 2025 dari World Economic Forum mengkuantifikasi skala pergantian ini tanpa memprediksi keruntuhan neto. Dengan mensurvei pemberi kerja yang mewakili lebih dari satu miliar pekerjaan di seluruh dunia, laporan itu memproyeksikan 92 juta pekerjaan yang ada akan tergeser pada 2030 sementara 170 juta yang baru tercipta, kenaikan neto 78 juta pekerjaan, tetapi pergantian struktural yang setara sekitar 22% dari total lapangan kerja formal saat ini. Baca kedua angka itu bersama-sama dan kesimpulan jujurnya bukan "AI aman" atau "AI adalah kiamat pekerjaan". Kesimpulannya adalah seperlima campuran tugas pasar tenaga kerja sedang ditata ulang sekaligus, yang mengganggu di tingkat pekerja atau tim mana pun meski hitungan agregatnya berujung positif.

Apa yang Tidak Ditunjukkan Bukti

Karena begitu banyak bidang ini berjalan di atas inferensi, bukan pengukuran, penting untuk eksplisit tentang batas-batas apa yang sebenarnya diketahui.

Bukti tidak menunjukkan penghancuran pekerjaan berskala besar di seluruh ekonomi yang sudah terjadi. Bukti tidak menunjukkan bahwa adopsi AI di tingkat perusahaan secara andal menghasilkan laba di tingkat perusahaan, data McKinsey sendiri berargumen sebaliknya untuk sebagian besar pengadopsi. Bukti tidak menunjukkan bahwa satu pun prakiraan "X% tugas dapat diotomatisasi pada tahun Y" punya rekam jejak akurasi; angka-angka itu adalah keluaran model dari peneliti bernama dengan asumsi tertentu, bukan hasil terukur, dan harus selalu dibaca dengan metodenya. Dan bukti tidak menunjukkan bahwa perataan bagan organisasi, pekan kerja empat hari, atau program redeployment massal saat ini menjadi norma dan bukan pengecualian, meski masing-masing dibahas seolah sudah demikian.

Fakta Utama

• WEF Future of Jobs Report 2025: pemberi kerja memproyeksikan 92 juta pekerjaan tergeser dan 170 juta tercipta pada 2030, kenaikan neto 78 juta, setara pergantian struktural sekitar 22% dari kira-kira 1,2 miliar pekerjaan formal yang disurvei. Sumber: World Economic Forum
• McKinsey State of AI, 2025: 88% organisasi memakai AI di setidaknya satu fungsi bisnis, tetapi hanya 39% yang mengaitkan dampak EBIT apa pun dengannya, dan hanya 6% yang memenuhi syarat sebagai "AI high performers" dengan dampak EBIT 5%+. Sumber: McKinsey
• MIT Project NANDA, "State of AI in Business 2025": sekitar 5% pilot AI generatif mencapai dampak pendapatan terukur, sisanya tidak menunjukkan efek terukur pada laba rugi. Sumber: Fortune
• Prakiraan Gartner, 2025: lebih dari 40% proyek AI agentik diperkirakan dibatalkan pada akhir 2027 karena biaya, nilai yang tidak jelas, dan kontrol risiko yang lemah. Sumber: Gartner forecast, reported by RCR Wireless
• Stanford Digital Economy Lab, "Canaries in the Coal Mine?" (2026): lapangan kerja bagi usia 22 hingga 25 tahun di okupasi yang paling terpapar AI berjalan sekitar 19% di bawah posisi seandainya mengikuti rekan sebaya yang kurang terpapar, meski para peneliti tidak menemukan pergeseran pekerjaan yang meluas di seluruh ekonomi. Sumber: Stanford Digital Economy Lab
• Microsoft Work Trend Index 2025: 82% pemimpin mengatakan ini tahun penentu untuk memikirkan ulang strategi dan operasi; pekerja di "Frontier Firms" yang mengaku diri mereka demikian melaporkan perusahaan mereka berkembang pesat pada tingkat sekitar dua kali lipat rata-rata global. Sumber: Microsoft WorkLab
• Autor dan Thompson (MIT), "Expertise": mengotomatisasi tugas menaikkan upah dan menyusutkan kumpulan pekerja yang memenuhi syarat ketika tugas itu bertingkat ahli, dan sebaliknya ketika tidak, aktivitas yang sama bisa menjadi salah satunya tergantung okupasinya. Sumber: MIT FutureTech

Pergantian Keterampilan yang Tak Bisa Dihindari Siapa Pun

Pergeseran tingkat tugas di atas punya konsekuensi langsung pada keterampilan, dan boleh dibilang itulah bagian paling mengganggu dari seluruh gambaran ini bagi karier individu, bahkan ketika hitungan agregat pekerjaan tampak baik-baik saja.

Survei World Economic Forum 2025 yang sama menemukan pemberi kerja memperkirakan hampir 40% keterampilan inti pekerjaan akan berubah pada 2030, dan menyebut kesenjangan keterampilan yang dihasilkan sebagai hambatan terbesar mereka dalam menjalankan transformasi apa pun terkait AI. Itu bukan prakiraan yang jauh. Itu menggambarkan perangkat keterampilan yang dibutuhkan seseorang untuk pekerjaan yang sudah dipegangnya, bukan hanya pekerjaan yang mungkin ia tuju.

Korban awal yang paling jelas terlihat di tingkat pemula. Digital Economy Lab Stanford, yang melacak data penggajian hingga 2026, menemukan lapangan kerja bagi usia 22 hingga 25 tahun di okupasi yang paling terpapar AI berjalan jauh di bawah posisi seandainya mengikuti rekan sebaya seusia yang kurang terpapar, sementara lapangan kerja keseluruhan bagi pekerja berpengalaman di okupasi yang sama bertahan datar atau tumbuh. Mekanismenya lebih penting daripada judulnya: penurunan terkonsentrasi persis di peran-peran tempat AI menggantikan pekerjaan rutin pembangun magang yang dulu pertama kali diberikan kepada karyawan junior. Itu masalah pipa sebelum menjadi masalah jumlah karyawan, dan tidak akan muncul dalam angka pengangguran agregat selama bertahun-tahun.

Struktur Organisasi Bergeser, Lebih Lambat daripada Narasinya

Bahasa Microsoft untuk momen ini, "Frontier Firm" yang dibangun di sekitar tenaga kerja manusia yang dipasangkan dengan AI agent, telah menjadi sebutan singkat di seluruh industri untuk tren yang sungguh nyata: makin banyak pekerja diminta mengarahkan, meninjau, dan mengoreksi output AI sebagai bagian inti pekerjaan mereka, peran yang oleh riset Microsoft sendiri disebut "agent boss". Koleksi saudara kami membahas identitas itu dan norma yang diciptakannya lebih dalam di Frontier Firm dan agent boss serta di tim manusia-agent dan budaya.

Yang belum didukung data adalah versi yang lebih dramatis, ketika lapisan manajemen lenyap seluruhnya dan bagan organisasi mendatar di segala lini. Sebagian fungsi dengan otomatisasi tugas tinggi memang mendatar, kebanyakan tidak, belum pada skala yang disiratkan tulisan-tulisan tren. Desain organisasi adalah salah satu tuas yang bergerak lebih lambat di sini, dihambat struktur hukum, garis pelaporan, dan inersia organisasi biasa dengan cara yang tidak dialami adopsi AI di tingkat tugas.

Sebagian besar yang disebut "AI mengambil pekerjaan" dalam percakapan sehari-hari sebenarnya adalah baris pertama, augmentasi, yang disalahbaca sebagai baris ketiga. Mencampuradukkan keduanya menyebabkan banyak kepanikan yang sebenarnya bisa dihindari, dan banyak kepuasan diri yang juga bisa dihindari. Baris tengah, otomatisasi dengan seseorang yang tetap memegang pengecualian, layak dipantau paling ketat, di situlah human in the loop entah tetap bermakna atau diam-diam menjadi stempel karet.

Di Mana Manusia Tetap Sentral

Setiap studi kredibel yang dikutip di atas, bahkan yang skeptis, sepakat pada satu hal: tak satu pun bukti ini menunjuk pada masa depan jangka dekat tanpa pekerja manusia di pusatnya. Yang ditunjuknya adalah redistribusi tentang untuk apa manusia ada.

Keputusan berbasis penilaian di tengah ambiguitas, bagian keputusan yang tidak dapat direduksi menjadi pola dalam data masa lalu, tetap manusiawi karena sistem AI dibangun untuk memperpanjang pola yang ada, bukan menciptakan yang benar-benar baru. Akuntabilitas tetap manusiawi karena seseorang harus memiliki sebuah hasil dengan cara yang tidak mungkin dilakukan sistem, fakta yang saat ini disepakati regulator, pengadilan, dan dewan direksi, seberapa pun mumpuninya model yang mendasarinya. Dan kepercayaan, jenis yang diberikan klien atau bawahan langsung kepada seseorang tertentu dari waktu ke waktu, bukan sesuatu yang dapat dikumpulkan sebuah agent atas nama manusia, hanya berdampingan dengannya.

Membangun inti manusia yang siap AI semacam itu adalah disiplin tersendiri, dan koleksi ini menyerahkan sisi norma dan perilakunya kepada pustaka budaya bisnis kami: lihat seperti apa budaya AI-native yang sebenarnya, membangun budaya yang siap AI, memimpin budaya di era AI, dan rasa aman psikologis di tim AI. Jika utang norma yang terlewat dan perilaku yang tak terdefinisi menumpuk, ia muncul kemudian sebagai apa yang oleh pustaka itu disebut utang budaya AI, biaya yang diperlakukan koleksi ini sebagai bayangan cermin struktural dari pertanyaan keterampilan dan peran yang dibahas di sini.

Membaca Klaim Masa Depan Pekerjaan Apa Pun yang Anda Temui

Mengingat begitu banyak bidang ini berjalan di atas prakiraan yang menyamar sebagai temuan, daftar periksa singkat berguna sebelum mengulang sebuah statistik di presentasi dewan atau memo strategi.

Apa Artinya bagi Pemimpin Saat Ini

Tak satu pun riset di atas berargumen untuk diam di tempat. Riset itu berargumen untuk mencurahkan upaya di tempat bukti memberi hasil: merancang ulang alur kerja alih-alih menumpuk AI di atas alur kerja yang tidak berubah, membangun kembali pipa tingkat pemula yang dulu disediakan peran junior, dan bersikap eksplisit kepada tenaga kerja Anda tentang pergeseran mana dari keempatnya, tugas, keterampilan, struktur, atau output, yang sebenarnya Anda rencanakan.

Sebagian pekerjaan itu adalah masalah data sebelum menjadi masalah strategi: mengetahui peran, keterampilan, dan alur kerja apa yang ada di organisasi Anda hari ini adalah dasar tempat setiap keputusan ini dibangun, jenis fondasi data tenaga kerja yang dimaksudkan untuk disediakan platform People. Menstandarkan serah terima antara manusia dan AI agent di dalam sebuah alur kerja adalah masalah Work Ops, setelah proses dirancang ulang dan bukan sekadar diotomatisasi di tempat.

Sisa koleksi ini mengangkat setiap benang secara terpisah, dari paradoks produktivitas di balik kesenjangan adopsi-dampak dan siapa yang sebenarnya menangkap waktu yang dibebaskannya, hingga karier tingkat pemula, hingga bagaimana manajemen menengah berubah, hingga seperti apa strategi tenaga kerja yang dibangun di sekitar tugas dan bukan target jumlah karyawan bagi tim eksekutif yang menyusunnya tahun ini.