Pekerjaan yang Diubah AI, Bukan Digantikan

Oleh Victor Hoang · Diperbarui 22 September 2026

AI tidak menggantikan pekerjaan. Ia menggantikan tugas di dalam pekerjaan, membiarkan yang lain, dan menambah beberapa tugas baru, seperti memeriksa hasil kerjanya sendiri, yang sebelumnya tidak ada. Sebuah peran berubah bentuk begitu cukup banyak tugas berpindah, tetapi pekerjaannya sendiri jarang lenyap dalam satu potong. Pembedaan itu, tugas versus pekerjaan, adalah selisih antara merencanakan dengan baik dan terpaku pada judul berita yang menakutkan.

Setiap angka "X% pekerjaan akan diotomatisasi" yang pernah Anda lihat sejak 2013 mengukur sesuatu yang berbeda dari yang diasumsikan kebanyakan orang. Ada yang menghitung okupasi, ada yang menghitung tugas, ada yang menghitung keterpaparan teoretis, dan ada yang menghitung apa yang benar-benar dilakukan pekerja dengan AI hari ini. Tak satu pun menjawab apa yang dibutuhkan seorang pemimpin: apa yang terjadi pada bagan organisasi ini delapan belas bulan lagi. Artikel ini menyebut nama prakiraan dan penulisnya agar Anda bisa menilainya sendiri, dan memaparkan apa yang sebenarnya terjadi ketika sepertiga tugas sebuah peran bergeser. Untuk bukti studi terkendali yang lebih luas di balik AI dan pekerjaan secara umum, bukan hanya prakiraan pekerjaan, lihat bagaimana AI mengubah pekerjaan dan apa yang ditunjukkan bukti.

Mengapa "Apakah AI Akan Mengambil Pekerjaan Saya" Adalah Pertanyaan yang Keliru

Judul jabatan adalah sebuah kumpulan. "Analis keuangan" mengumpulkan penarikan data, pembangunan model, dan mempresentasikan sebuah angka kepada VP yang cemas. "Customer service rep" mengumpulkan membaca email yang marah, mencari pesanan, memutuskan apakah akan melonggarkan kebijakan, dan menulis balasan yang tidak terdengar seperti surat formulir. Tak ada dua tugas yang punya hubungan yang sama dengan AI. Sebagian adalah pencocokan pola yang dikuasai model dengan baik hari ini. Sebagian menuntut menimbang riwayat pelanggan terhadap kebijakan yang tidak pernah ditulis siapa pun, sebuah keputusan berbasis penilaian, bukan pencarian data.

Memperlakukan "analis keuangan" sebagai satu unit tak terbagi dan bertanya apakah AI akan "mengambilnya" menghasilkan jawaban ya-atau-tidak untuk pertanyaan yang tidak pernah berupa ya-atau-tidak. Pertanyaan yang jujur adalah tugas mana yang berpindah, mana yang tetap, dan apa yang ditambahkan setelah yang berpindah itu hilang. Itulah kerangka yang dipakai ekonom tenaga kerja selama dua dekade, dan itu yang dipakai artikel ini sepanjang jalan, karena ia memprediksi apa yang terjadi berikutnya.

Tugas, Bukan Pekerjaan, yang Menjadi Unit yang Penting

Ekonom MIT David Autor membangun kerangka pemodelan yang masih dipakai kebanyakan ekonom tenaga kerja untuk hal ini, dalam makalah 2013 berjudul "The Task Approach to Labor Markets". Klaim intinya: teknologi tidak bersaing dengan okupasi, ia bersaing dengan tugas di dalamnya. Komputer atau model menggantikan tugas yang mengikuti aturan eksplisit yang dapat dikodifikasi (apa yang disebut Autor tugas rutin) dan melengkapi pekerja pada tugas yang menuntut penilaian fleksibel atau komunikasi yang bergantung pada konteks yang tidak bisa ditangkap aturan.

Kerangka itu menjelaskan sesuatu yang tidak pernah bisa dijelaskan judul berita "47% pekerjaan berisiko": mengapa teller bank tidak lenyap ketika ATM tiba, dan mengapa paralegal tidak lenyap ketika perangkat lunak peninjauan dokumen menjadi bagus. Teknologi itu menyerap irisan rutin dari pekerjaan dan meninggalkan tugas yang menuntut penilaian, hubungan, atau akuntabilitas untuk tetap dikerjakan manusia. Campuran tugas pekerjaan itu berubah. Judul jabatannya kebanyakan tidak.

Makalah Autor yang lebih baru di 2024, "Applying AI to Rebuild Middle Class Jobs", menambahkan bagian kedua: otomatisasi punya efek perpindahan, ketika teknologi mengambil alih tugas yang dulu dikerjakan manusia, dan efek pemulihan, ketika ia menciptakan tugas baru yang hanya bisa dikerjakan manusia, atau manusia yang mengawasi mesin. Gelombang otomatisasi di masa lalu memulihkan kira-kira sebanyak tugas yang dipindahkannya, meski jarang untuk pekerja atau jadwal yang sama, itulah sebabnya transisi terasa mengganggu bahkan ketika hitungan lapangan kerja jangka panjang bertahan. Argumen Autor untuk AI bahkan lebih optimistis: karena ia dapat mengodekan irisan penilaian ahli dan menyerahkannya kepada pekerja yang kurang berkredensial, ia dapat memperluas siapa yang boleh mengambil keputusan berisiko tinggi, bukan sekadar mengotomatisasinya. Itu potensi yang dinyatakan, bukan hasil yang sudah pasti.

Jenis Tugas Mana yang Sebenarnya Terpapar

Tidak setiap tugas dalam sebuah peran memiliki hubungan yang sama dengan kemampuan AI. Mengelompokkan tugas menurut jenis, bukan menurut judul jabatan, itulah yang membuat prakiraan berguna dan tidak kabur.

Tugas rutin berbasis aturan: sangat terpapar

Tugas dengan masukan yang jelas, keluaran yang jelas, dan aturan yang menghubungkannya adalah kategori yang paling terpapar, dan sudah demikian sejak lama sebelum AI generatif. Entri data, peninjauan dokumen berformat standar, penjadwalan, dan pembuatan laporan bertemplat masuk di sini. AI (dan RPA sebelumnya) tidak perlu memahami pekerjaannya, hanya perlu aturannya eksplisit dan pengecualiannya jarang.

Sintesis informasi dan draf pertama: sangat terpapar, tetapi lebih diaugmentasi daripada dieliminasi

Merangkum dokumen, menyusun email, atau menghimpun riset dari banyak sumber adalah persis yang dikerjakan dengan baik oleh AI generatif saat ini. Tugas itu tidak hilang dari pekerjaan. Ia menyusut dari "habiskan dua jam menulis" menjadi "habiskan lima belas menit menyunting", yang mengubah keterampilan yang dituntut peran itu, dari memproduksi menjadi menilai, tanpa menghilangkan perannya.

Keputusan berbasis penilaian dalam ambiguitas: tahan

Memutuskan apakah akan membuat pengecualian kebijakan, menimbang prioritas yang bertentangan dengan informasi tak lengkap, atau mengambil keputusan yang membawa akuntabilitas jika keliru tetap tahan, bukan karena model tidak bisa menghasilkan jawaban, tetapi karena seseorang harus menanggung konsekuensi jawaban yang salah. Di sinilah desain human-in-the-loop layak menyandang namanya: model mengusulkan, manusia memutuskan dan menanggungnya.

Kehadiran fisik, hubungan, dan kepercayaan berisiko tinggi: tahan

Tugas yang menuntut kehadiran fisik, membangun hubungan dari waktu ke waktu, atau menjadi orang yang dipercaya klien untuk hal yang tidak akan mereka ceritakan kepada chatbot tetap tahan karena alasan berbeda: nilainya sebagian berasal dari siapa yang mengerjakannya, bukan hanya apa yang dihasilkan. Negosiasi, percakapan kinerja yang sulit, atau pekerjaan perawatan tatap muka termasuk di sini. Premi manusia membahas mengapa sebagian perusahaan sengaja menempatkan seseorang di titik-titik sentuh spesifik ini, sebagai strategi dan bukan keputusan biaya.

Tugas baru yang diciptakan AI: verifikasi, orkestrasi, penanganan pengecualian

Ini kategori yang terlewat oleh kebanyakan prakiraan kehilangan pekerjaan, karena belum ada ketika prakiraan itu ditulis. Saat AI mengambil lebih banyak pekerjaan rutin dan penyusunan draf, seseorang harus memverifikasi outputnya, memutuskan alat atau agent mana yang menangani permintaan tertentu, dan menangkap kasus ketika model dengan percaya diri menghasilkan sesuatu yang salah. Itu tugas baru, bukan tugas lama yang menyusut, dan cenderung jatuh kepada orang yang sama yang tugas rutinnya baru saja diotomatisasi, sebagian alasan mengapa "pekerjaannya lenyap" jarang sesuai dengan yang benar-benar terjadi.

Apa yang Terjadi pada Sebuah Pekerjaan Ketika 30% Tugasnya Bergeser

Bayangkan tim dukungan yang sepertiga volume tiketnya dulu berupa pertanyaan sederhana yang berulang: reset kata sandi, status pesanan, pengembalian dana standar. AI kini menangani irisan itu dari ujung ke ujung, baik otomatis penuh maupun dengan manusia menyetujui balasan yang disarankan dalam hitungan detik. Tidak ada anggota tim yang kehilangan pekerjaan hari itu. Yang berubah adalah komposisi dari apa yang tersisa.

Dua pertiga sisanya condong lebih sulit: kasus ambigu, pelanggan yang marah, pengecualian yang tidak cocok dengan skrip. Rep yang dulu menghabiskan sebagian besar shift pada tiket mudah kini menghabiskannya pada tiket sulit, ditambah tugas baru yang setahun lalu belum ada: memeriksa sampel balasan otomatis AI untuk kesalahan nada atau fakta. Perannya masih ada. Keterampilan yang diganjar bergeser dari "menangani volume dengan cepat" menjadi "menangani ambiguitas dan menangkap kesalahan AI", profil perekrutan yang berbeda dan sering kali jumlah karyawan yang lebih kecil, meski tidak ada satu orang pun yang pekerjaannya dihapus secara langsung.

Itulah pola yang layak direncanakan, bukan biner "apakah pekerjaan ini masih ada lima tahun lagi". Sebuah peran bisa selamat dari transisi dan tetap membutuhkan lebih sedikit orang dengan keterampilan berbeda dibanding uraian pekerjaan yang tercatat. Bertanya "tugas mana yang bergeser, dan apa yang dituntut oleh kumpulan sisanya" memberi jawaban yang tepat berbulan-bulan sebelum "pekerjaan mana yang diotomatisasi" bisa melakukannya.

Fakta Utama

• Teknologi menggantikan tugas rutin yang dapat dikodifikasi dan melengkapi pekerja pada tugas yang menuntut penilaian atau pemecahan masalah tak terstruktur; otomatisasi secara historis baik menggeser maupun memulihkan tugas dari waktu ke waktu. Sumber: Autor, "The Task Approach to Labor Markets" (NBER, 2013)
• Peluang khas AI, menurut Autor, adalah memperluas pengambilan keputusan tingkat ahli kepada lebih banyak pekerja, bukan sekadar mengotomatisasi tugas, meski ini potensi yang dinyatakan, belum hasil terukur dalam skala besar. Sumber: Autor, "Applying AI to Rebuild Middle Class Jobs" (NBER, 2024)
• Estimasi Frey dan Osborne yang banyak dikutip pada 2013 bahwa 47% lapangan kerja AS berisiko tinggi terkomputerisasi adalah penilaian tingkat okupasi, bukan pengukuran tingkat tugas, dan tidak dapat merepresentasikan okupasi yang berubah dan bukan lenyap seluruhnya. Sumber: Frey and Osborne, "The Future of Employment" (Oxford Martin School, 2013)
• Dengan metode berbasis tugas, OECD menemukan hanya sekitar 9% pekerjaan di 21 negara yang berisiko otomatisasi tinggi, kira-kira seperlima dari angka Frey dan Osborne. Sumber: Arntz, Gregory, and Zierahn, "The Risk of Automation for Jobs in OECD Countries" (OECD, 2016)
• Hampir satu dekade setelah angka 47% diterbitkan, lapangan kerja AS di okupasi yang ditandai paling berisiko tidak runtuh seperti yang disiratkan prakiraan itu. Sumber: ITIF, "Oops: The Predicted 47 Percent of Job Loss From AI Didn't Happen" (2022)
• Pada 2025, 47% tugas kerja dikerjakan terutama oleh manusia, 22% terutama oleh teknologi, dan 30% oleh kombinasi keduanya, pembagian yang menurut WEF akan bergerak mendekati seimbang pada 2030. Sumber: World Economic Forum, Future of Jobs Report 2025
• Laporan WEF yang sama memproyeksikan 170 juta pekerjaan baru tercipta dan 92 juta tergeser secara global pada 2030, kenaikan neto 78 juta, bersamaan dengan hampir 40% keterampilan inti pekerjaan berubah. Sumber: World Economic Forum press release, January 2025
• BLS kini memberi setiap okupasi terperinci peringkat keterpaparan AI rendah, sedang, tinggi, atau "sangat tinggi", tetapi secara eksplisit tidak membedakan apakah keterpaparan itu berarti tugas diotomatisasi atau diaugmentasi. Sumber: BLS, "Artificial Intelligence (AI) Exposure Categories"

Prakiraan, Disebut Namanya dan Diperiksa

Setiap angka otomatisasi besar dalam presentasi rapat dewan punya penulis, metode, dan keterbatasan yang dinyatakan, dan ketiganya biasanya tidak masuk slide. Menyebut namanya membedakan prakiraan yang berguna dari yang menakutkan.

Angka 47% Frey dan Osborne (2013): apa yang sebenarnya diukur

Frey dan Osborne, keduanya dari Oxford, melabeli secara manual 70 okupasi sebagai dapat diotomatisasi atau tidak berdasarkan penilaian ahli, lalu melatih model machine learning untuk memperluas label itu ke seluruh basis data O*NET. Keluarannya satu skor risiko per okupasi, bukan per tugas, sehingga tidak dapat merepresentasikan okupasi yang sebagian tugasnya dapat diotomatisasi dan sebagian lain tidak, yang menggambarkan kebanyakan okupasi. Para pengkritik juga mencatat bahwa model itu mengklasifikasikan okupasi seperti model busana dan sopir bus sekolah sebagai berisiko tinggi dengan cara yang tidak cocok dengan struktur pekerjaan tersebut. Angka 47% adalah estimasi sungguhan yang ditinjau sejawat tentang potensi komputerisasi di bawah pilihan pemodelan tertentu. Ia tidak pernah merupakan prediksi bahwa 47% pekerja akan menganggur dalam dua puluh tahun, dan metode berbasis tugas, bukan yang ini, adalah praktik terbaik saat ini.

Koreksi berbasis tugas dari OECD

Ketika Arntz, Gregory, dan Zierahn menjalankan ulang pertanyaan serupa memakai komposisi tugas alih-alih label okupasi utuh, estimasi seluruh OECD turun menjadi sekitar 9%, berkisar dari 6% di Korea hingga 12% di Austria. Pertanyaan luas yang sama, jawaban yang sangat berbeda, karena unit analisisnya berubah dari "pekerjaan" menjadi "campuran tugas aktual pekerjaan". Selisih sepuluh kali lipat itu adalah argumen terbaik untuk membaca melampaui angka judul sampai ke metode di bawahnya.

Apa yang sebenarnya ditunjukkan dekade berikutnya

Pada 2022, Information Technology and Innovation Foundation menelaah apa yang terjadi pada okupasi yang ditandai Frey dan Osborne sebagai paling berisiko. Kehilangan pekerjaan massal pada skala itu tidak terwujud. Itu tidak berarti otomatisasi tidak berefek, melainkan efeknya muncul sebagai pergeseran tugas dan keterampilan di dalam okupasi yang bertahan, persis yang diprediksi kerangka berbasis tugas dan tidak terlihat oleh kerangka berbasis okupasi.

Future of Jobs 2025 dari WEF: pembagian terdokumentasi terbaik saat ini

WEF mensurvei lebih dari 1.000 pemberi kerja yang mewakili 14 juta pekerja di 55 ekonomi untuk laporan 2025-nya, data terkini tentang bagaimana pekerjaan sebenarnya terbagi antara pelaksanaan oleh manusia dan mesin. Garis dasar 2025-nya, 47% hanya manusia, 22% hanya teknologi, 30% gabungan, itu sendiri merupakan bukti bagi pandangan tingkat tugas: kebanyakan pekerjaan tidak bersih "diotomatisasi" atau "tidak", melainkan terbagi di dalam peran.

Kategori keterpaparan AI dari BLS: berguna, tetapi baca cetakan kecilnya

Peringkat keterpaparan terbaru BLS adalah data pemerintah AS paling terperinci yang tersedia, tetapi BLS eksplisit bahwa "keterpaparan" mengukur apakah AI dapat menyentuh bagian besar tugas sebuah okupasi, bukan apakah ia akan menggantikan pekerjaan atau sekadar membuat orang lebih cepat pada pekerjaan yang sama. Peringkat "keterpaparan sangat tinggi" untuk penasihat keuangan pribadi cocok dengan pola augmentasi di sini: penasihatnya tetap ada, campuran tugasnya berubah.

Cara Membaca Prakiraan Berikutnya yang Disodorkan kepada Tim Kepemimpinan Anda

Sebelum angka kehilangan atau penciptaan pekerjaan masuk ke presentasi dewan, ajukan tiga pertanyaan. Apa unit analisisnya, okupasi atau tugas? Angka tingkat okupasi melebih-lebihkan risiko sekaligus keamanan, karena tidak dapat melihat perubahan parsial di dalam sebuah peran. Apa metodenya: penilaian ahli, model yang mengekstrapolasi penilaian ahli, atau data pemakaian yang teramati? Pemakaian teramati, yang makin tersedia dari vendor AI dan pekerjaan keterpaparan BLS yang lebih baru, paling dekat dengan kebenaran lapangan. Dan apakah prakiraan itu menyebut keterbatasannya sendiri, seperti yang dilakukan Autor, WEF, dan BLS? Prakiraan yang tidak punya satu pun adalah prakiraan yang belum Anda temukan keterbatasannya.

Apa Artinya bagi Peran yang Sedang Anda Putuskan

Tak satu pun dari ini berargumen bahwa efek tenaga kerja AI kecil atau jauh. Angka WEF sendiri memproyeksikan hampir 40% keterampilan inti berubah pada 2030, gangguan nyata menurut ukuran apa pun. Argumennya lebih sempit: rencanakan terhadap campuran tugas di dalam peran Anda, bukan judul jabatan di bagan organisasi. Audit tugas mana yang rutin dan dapat dikodifikasi, mana yang menuntut penilaian atau kepercayaan yang belum bisa didelegasikan, dan tugas verifikasi atau orkestrasi baru mana yang diam-diam muncul. Audit itu memberi tahu Anda di mana merekrut, reskilling, dan memperkecil jumlah karyawan, bahkan ketika tidak ada satu peran pun yang secara teknis "lenyap", berbulan-bulan sebelum prakiraan judul jabatan memberi tahu sesuatu yang berguna.

Pandangan tingkat tugas juga menjelaskan mengapa sisi manusia butuh perhatian yang disengaja, bukan sekadar lembar kerja. Ketika campuran tugas sebuah peran bergeser, begitu pula arti "bekerja dengan baik" dan seberapa besar seseorang memercayai model yang kini ia periksa, pertanyaan yang dibahas di seperti apa budaya AI-native yang sebenarnya dan bagaimana tim manusia-agent mengatur ulang kepercayaan.

Beberapa risiko yang layak disebut. Verifikasi dan orkestrasi tidak muncul otomatis hanya karena perusahaan menerapkan AI agent atau copilot; seseorang harus bertanggung jawab menangkap kesalahan model, atau perusahaan menemukan celahnya lewat output salah yang keluar atas nama seseorang, kegagalan yang oleh pustaka ini disebut workslop. Layak pula membedakan pergeseran kemampuan yang sungguhan dari pemasaran yang menyamar sebagai pergeseran, pola yang dibahas di apa itu agent washing. Dan karena pergeseran campuran tugas menumpuk seperti utang teknis, tak terlihat hingga tagihannya jatuh tempo, memperlakukan ini sebagai tinjauan sekali jalan alih-alih audit berkelanjutan adalah risiko tersendiri, yang dirancang untuk ditangkap oleh proses dasar tata kelola AI.

Judul jabatan di bagan organisasi adalah tempat yang paling tidak berguna untuk melihat apa yang dilakukan AI terhadap tenaga kerja Anda. Daftar tugas di bawahnya adalah tempat perubahan nyata terjadi, satu tugas demi satu tugas, ke kedua arah.

Lain kali ada yang memberi tahu Anda bahwa sebuah pekerjaan aman atau ditakdirkan punah, tanyakan kepada mereka tugas mana yang mereka maksud.