Pampasan dan Keadilan dalam Era AI: Berapa Patut Anda Bayar Orang yang Ejen AI-nya Melakukan Kerja Lima Orang?

Oleh Victor Hoang · Dikemas kini 22 September 2026

Pampasan dan keadilan dalam era AI ialah persoalan yang belum terjawab tentang berapa yang patut dibayar kepada seseorang yang ejen AI-nya membolehkan dia menghasilkan apa yang dahulu memerlukan empat atau lima orang. Belum ada jawapan muktamad. Logik gaji berasaskan output tidak lagi berfungsi apabila alat menyediakan sebahagian besar daya ungkitan, dan rekod sejarah tentang siapa yang menikmati keuntungan produktiviti tidak menggalakkan bagi pekerja.

Ini bukan jurang dasar yang akan diselesaikan secara senyap oleh rangka kerja pampasan yang lebih bijak. Ia perbahasan yang sedang berlangsung, malah di jawatankuasa pampasan sekarang, antara dua pendirian yang tidak mungkin kedua-duanya benar sepenuhnya: bayar untuk output, kerana itulah yang diperoleh perniagaan, atau bayar untuk pertimbangan di sebalik output, kerana ejen AI itu disewa sedangkan pertimbangan itu tidak. Kebanyakan syarikat menjawabnya secara tidak sengaja, melalui apa sahaja yang dilakukan oleh jalur gaji sedia ada mereka.

Mengapa Logik Gaji Berasaskan Output Gagal Apabila Alat Menyediakan Daya Ungkitan

Logik bayar-untuk-output bersandar pada andaian yang tidak pernah perlu dinyatakan: output kebanyakannya bergantung pada orangnya. Wakil jualan yang menutup tiga kali ganda lebih banyak perjanjian daripada rakan sekerja biasa dianggap tiga kali ganda lebih mahir. Penganalisis yang menghasilkan lima model seminggu berbanding satu pula, mengikut logik yang sama, bernilai kira-kira lima kali ganda. Output merupakan proksi yang baik bagi sumbangan individu kerana, sepanjang sebahagian besar abad lalu, itulah yang lebih kurang benar.

Formula Lama: Gaji Mengikut Output Marginal

Teori pampasan menggelar ini membayar untuk produk marginal: nilai tambahan yang dibawa oleh jam kerja seterusnya seorang pekerja kepada perniagaan. Ia berfungsi dengan agak baik apabila alat yang ada pada dua orang dalam peranan yang sama adalah setara. Beri kedua-duanya komputer riba dan CRM, dan jurang output antara mereka memang berpunca daripada sesuatu pada diri mereka: pertimbangan, usaha, teknik.

Apa yang Berubah Apabila Daya Ungkitan Disewa, Bukan Diperoleh

Ejen AI merosakkan proksi itu secara senyap. Wakil sokongan yang bekerja bersama ejen yang menyediakan draf balasan dan hanya menaikkan kes sukar boleh menyelesaikan tiket lima kali ganda lebih banyak daripada rakan sekerja tanpa bantuan, bukan kerana dia lima kali ganda lebih baik, tetapi kerana dia menyewa alat lima kali ganda lebih berkuasa. Logik bayar-untuk-output, jika diguna secara naif, kini memberi ganjaran kepada sesiapa yang mendapat timbunan ejen yang lebih baik dahulu, yang lebih menyerupai keputusan peruntukan perkakasan daripada isyarat prestasi. Itulah jurang pengukuran yang sama yang diteroka dalam mengukur sumbangan individu dalam kerja yang dipertingkat AI: apabila alat membesarkan output mentah, output tidak lagi menjadi wakil yang bersih bagi orang di sebaliknya.

Semua ini tidak bermakna output tidak lagi penting. Ia bermakna soalan yang jujur telah beralih daripada "berapa banyak yang dihasilkan orang ini" kepada "berapa banyak daripadanya datang daripada pertimbangan berbanding daya ungkitan yang diberikan syarikat", dan kebanyakan sistem prestasi tidak pernah dibina untuk memisahkan keduanya.

Jawapan Sejarah: Keuntungan Berasaskan Modal Jarang Sampai kepada Pekerja

Setiap kali syarikat berdepan versi soalan ini, sama ada alatnya mesin atau perisian, ada corak yang didokumenkan tentang apa yang berlaku kepada wang itu. Secara lalai, ia tidak mengalir kepada pekerja berkadar dengan produktiviti yang diperoleh.

Jurang Produktiviti-Gaji

Ahli ekonomi di Federal Reserve Bank of St. Louis menjejaki produktiviti buruh A.S. berbanding gaji sebenar sejak awal 1970-an dan mendapati jurang terkumpul kira-kira 70% menjelang akhir 2022, dengan menggunakan harga pengguna untuk melaraskan gaji. Jurang itu mengecil dengan ketara di bawah ukuran harga yang berbeza, dan ini patut dinyatakan dengan jelas: saiznya bergantung pada metodologi, dan ahli ekonomi tidak sepakat tentang ukuran mana yang menjawab soalan mana. Yang tidak berubah di bawah mana-mana ukuran ialah arahnya: gaji tidak mengikut rentak output sejam selama kira-kira setengah abad. Analisis Congressional Research Service yang berasingan dan tidak berpihak mencapai kesimpulan yang sama: produktiviti dan gaji bergerak seiring sehingga 1970-an dan menyimpang selepas itu, dengan bahagian buruh yang mengecil dalam pendapatan negara menjelaskan sebahagian besarnya.

Apa yang Diramalkan Rangka Kerja Kepakaran untuk AI

Perspektif yang lebih khusus datang daripada ahli ekonomi MIT, David Autor dan Neil Thompson, yang kajian kepakaran mereka pada 2025 menawarkan mekanisme dan bukan sekadar satu angka. Automasi mempunyai dua kesan gaji yang bertentangan bergantung pada apa yang dibuangnya. Buang bahagian rutin sesuatu pekerjaan dan tinggalkan pertimbangan pakar, maka peranan yang tinggal menjadi lebih sukar diisi: antara 1980 dan 2018, pekerjaan juruakaun menurun kira-kira satu pertiga manakala gaji sebenar sejam bagi yang kekal meningkat hampir 40%, kerana apa yang tinggal memerlukan lebih banyak pertimbangan. Buang bahagian pakar yang sukar dipelajari, dan sebaliknya berlaku: setelah automasi menyerap tugas paling khusus kerani inventori, kerja itu menjadi cukup mudah sehingga pekerjaan lebih daripada berganda manakala gaji sebenar jatuh kira-kira 13%.

Yang mana satu daripada dua ini menyerupai pelaksanaan AI ialah pilihan reka bentuk yang dibuat kebanyakan syarikat tanpa menyedarinya, dan ia meramalkan hasil gaji dengan lebih baik daripada mana-mana niat yang dinyatakan tentang "memberi ganjaran kepada output yang didorong AI". Ejen yang menyerap 80% kerja yang meletihkan dan meninggalkan 20% yang sukar menyokong gaji lebih tinggi bagi setiap orang yang tinggal. Ejen yang menyerap bahagian yang membezakan dan meninggalkan penyeliaan menyokong sebaliknya. Sedikit syarikat yang bertanya yang mana satu pelaksanaan mereka sendiri.

Soalan Gaji, Logik Lama, dan Apa yang Berubah dengan Daya Ungkitan AI

Persepsi Keadilan, Kepercayaan, dan Mengapa Ia Bukan Metrik Remeh

Setiap soalan mekanikal di atas akhirnya bertembung dengan soalan psikologi: adakah orang yang melakukan kerja itu percaya dia dibayar dengan adil, walau apa pun yang ditunjukkan hamparan. Itu bukan pemboleh ubah kecil. Ia antara pemacu kepercayaan dan penghijrahan keluar yang paling kerap diukur dalam penyelidikan pampasan, dan AI mempertajamkannya.

Apa yang Berlaku Apabila Pekerja Percaya Mereka Dibayar Kurang

Teori ekuiti, rangka kerja yang dicadangkan J. Stacey Adams pada awal 1960-an, berpendapat bahawa orang menilai keadilan dengan membandingkan nisbah input mereka (usaha, kemahiran, masa) kepada hasil (gaji, pengiktirafan, pertumbuhan) dengan nisbah orang rujukan. Apabila perbandingan itu terasa berat sebelah, orang mengurangkan usaha, menuntut kenaikan gaji, memperkecilkan perbandingan, atau berhenti.

Data semasa menyokong perkara ini. Laporan Fair Pay Impact 2025 oleh Payscale mendapati kebanyakan pekerja percaya mereka dibayar kurang walaupun sebenarnya dibayar pada atau melebihi paras pasaran, dan pekerja yang percaya mereka dibayar kurang 45% lebih berkemungkinan mencari kerja dalam tempoh enam bulan berbanding mereka yang merasa dibayar adil, tanpa mengira pendapatan sebenar. Tinjauan Salary.com 2026 yang berasingan mendapati pekerja yang menilai gaji mereka tidak adil lebih daripada lima kali ganda lebih cenderung melaporkan kepercayaan terhadap majikan yang merosot (36.4%) berbanding mereka yang merasa dibayar adil (6.6%). Kepercayaan mengikuti persepsi keadilan jauh lebih rapat daripada pampasan sebenar, dan itulah sebabnya budaya dan pengekalan pekerja menganggap persepsi gaji sebagai tuas pengekalan tersendiri, bukan sekadar satu baris dalam belanjawan.

Kerumitan AI: Membandingkan Diri dengan Mesin

Teori ekuiti mengandaikan titik rujukan ialah orang lain. Daya ungkitan AI merumitkan perkara itu: pekerja yang outputnya meningkat tiga kali ganda melalui timbunan ejen perlu menilai sama ada gaji patut mencerminkan output tiga kali ganda itu, kemahiran yang tidak berubah di bawahnya, atau campuran yang tidak dinyatakan. Jika tidak ditangani, kekaburan itu menjadi rasa kesal (syarikat mengaut semua keuntungan) di satu pihak atau rasa terlebih bayar di pihak lain, dan kedua-duanya menghakis kepercayaan di tempat kerja yang dianggap oleh membina kepercayaan di tempat kerja sebagai prasyarat bagi hampir semua perkara lain yang dilakukan sesebuah pasukan dengan baik.

Patutkah Kemahiran AI Mendapat Premium Gaji, dan Seberapa Cepat Ia Susut?

Berasingan daripada keadilan ialah soalan yang lebih sempit dan lebih boleh diukur: adakah bekerja dengan AI benar-benar mendapat premium gaji hari ini, dan seberapa tahan lamanya.

Premium Itu Nyata, dan Bergerak Pantas

PwC Global AI Jobs Barometer 2025, berdasarkan hampir satu bilion iklan pekerjaan di 24 negara, mendapati peranan yang memerlukan kemahiran AI mendapat premium gaji 56% berbanding peranan setara, lebih daripada dua kali ganda premium 25% yang ditemui analisis yang sama setahun sebelumnya. Lightcast, dengan kaedah yang lebih konservatif merentasi 1.3 bilion iklan, meletakkannya lebih hampir 28%, atau kira-kira $18,000 setahun, meningkat kepada 43% bagi iklan yang memerlukan dua atau lebih kemahiran AI. Kedua-duanya mengukur perkara yang berbeza (PwC melihat apa yang dibayar peranan berkemahiran AI; Lightcast melihat apa yang diiklankan majikan), yang menjelaskan sebahagian jurang itu, tetapi kedua-duanya menunjuk ke arah yang sama: nyata, dan semakin membesar.

Mengapa Premium Seperti Ini Jarang Bertahan

Premium yang lebih daripada berganda dalam dua belas bulan adalah luar biasa, dan kepantasan itu memberi kesan dua hala. Premium sebesar ini biasanya muncul awal dalam lengkung penerimaan, apabila sesuatu kemahiran benar-benar jarang, dan cenderung mengecil apabila ia menjadi keperluan asas, corak yang dilihat pada lebih daripada satu gelombang kemahiran teknikal yang hangat sepanjang dua dekad lalu. Belum ada sesiapa yang menerbitkan data penyusutan yang kukuh, kerana premium itu sendiri baru kira-kira setahun diukur pada skala besar. Anggaplah angka 56% atau 28% sebagai gambaran pasaran yang masih dalam fasa kekurangan, bukan ciri tetap, dan bina dasar yang boleh dilaraskan ke bawah tanpa rundingan semula yang menyakitkan apabila ia berlaku.

Pemampatan Gaji antara Junior Berdaya Ungkitan AI dan Senior Berpengalaman

Masalah yang lebih berserabut muncul dalam satu pasukan: apa yang berlaku kepada jurang gaji antara junior yang timbunan ejennya menghampiri output tahap senior, dan rakan senior yang membina pertimbangan yang sama dengan cara yang lebih perlahan, selama bertahun-tahun.

Senario Pemampatan

Jika rakan sekerja dua tahun yang mahir mengorkestrakan ejen AI menghasilkan kerja yang setanding dari segi jumlah dan kemasan dengan veteran sepuluh tahun, tangga gaji berasaskan pengalaman mula kelihatan sewenang-wenangnya kepada kedua-duanya, atas sebab yang bertentangan. Junior melihat output yang sepadan dan tertanya-tanya mengapa gajinya tidak sepadan. Senior melihat output berbantukan AI diukur dengan pembaris yang sama seperti pertimbangannya yang diperoleh dengan lebih susah payah dan tertanya-tanya untuk apa tahun-tahun itu. Ini ketegangan yang sama yang diteroka dari sudut tangga kerjaya dalam laluan kerjaya dalam zaman AI: apa yang dimaksudkan dengan "senior" menjadi lebih sukar ditakrifkan apabila ia lebih mudah dipalsukan di permukaan.

Mengapa Ini Mungkin Sementara, atau Mungkin Tidak

Satu hujah menganggap ini sebagai artifak peralihan: output berbantukan AI kelihatan serupa dengan output pakar di permukaan, tetapi jurang pertimbangan (mengetahui bila AI silap, bila draf yang digilap menyembunyikan andaian yang buruk) belum hilang, cuma menjadi kurang kelihatan. Menurut pandangan ini, pemampatan ialah kegagalan pengukuran yang akhirnya dibetulkan oleh penilaian. Hujah balas: jika AI terus merapatkan jurang output yang kelihatan lebih pantas daripada kemampuan penilaian mengejarnya, pasaran membayar untuk apa yang boleh diperhatikan, dan pertimbangan tersirat selama bertahun-tahun tidak lagi mendapat premium, sebagaimana anak tangga bawah yang patah menerangkan apa yang berlaku kepada pekerjaan peringkat permulaan yang dahulu membina pertimbangan itu. Belum ada data longitudinal yang mencukupi untuk menentukan masa depan mana yang lebih hampir dengan kebenaran.

Rupa Dasar yang Jujur

Tugas praktikalnya bukan mencari satu formula yang betul. Ia membina dasar yang menyatakan andaiannya dengan lantang, supaya pekerja dapat melihat penaakulannya walaupun mereka tidak bersetuju, dan menyemaknya tanpa ia terasa seperti janji yang dimungkiri apabila bukti berubah.

Soalan untuk Dijawab Sebelum Anda Menetapkan Dasar

Nyatakan secara bertulis sama ada jalur gaji anda memberi ganjaran kepada output, pertimbangan, atau campuran yang jelas, kerana kebanyakan syarikat tidak pernah benar-benar memutuskannya. Audit sama ada sesuatu pelaksanaan AI menyerupai corak juruakaun (kerja rutin dibuang, pertimbangan dipertingkat) atau corak kerani inventori (kerja pakar dibuang, peranan dikomoditikan), kerana keduanya menuntut pelarasan yang bertentangan. Putuskan, sebelum ada yang bertanya dalam sesi satu-lawan-satu, sama ada premium kemahiran AI ialah sebahagian sebenar daripada falsafah anda atau pelarasan sementara untuk menyamai pasaran, dan nyatakan yang mana satu. Ini tergolong dalam perbualan yang sama dengan pengurusan prestasi apabila AI melakukan kerja, kerana menilai memerlukan takrifan dahulu, dan ia harus berdasarkan kemahiran pelengkap AI yang benar-benar diputuskan oleh syarikat anda untuk diberi ganjaran, bukan yang paling kuat disebut dalam pasaran kerja.

Apa yang Tidak Patut Dijanjikan kepada Pekerja

Jangan janjikan gaji akan mengikut output individu satu-lawan-satu, kerana pautan itulah yang sedang runtuh. Jangan janjikan premium kemahiran AI kekal, kerana premium sebesar ini cenderung mengecil apabila kemahiran itu tidak lagi jarang. Jangan anggap keadilan sebagai perkara sampingan berbanding angka "sebenar": data di atas menunjukkan persepsi keadilan meramalkan kepercayaan dan penghijrahan keluar lebih boleh dipercayai daripada kebanyakan metrik output. Dan jangan anggap ini sebagai kotak semak DEI yang terpisah daripada strategi pampasan teras: pemampatan gaji dan pembengkakan output akibat AI jatuh secara tidak sekata merentasi peranan dan tempoh perkhidmatan, dan dasar yang mengabaikannya akan muncul sebagai aduan keadilan juga.

Semua ini tidak menghasilkan formula untuk diserahkan kepada jawatankuasa pampasan dan dianggap selesai. Ia menghasilkan pendirian yang boleh dipertahankan: peka kepada bukti, jujur tentang apa yang belum diketahui, dan dibina untuk disemak semula apabila data yang lebih baik tiba. Pampasan hanyalah satu bahagian daripada persoalan lebih besar yang cuba dijawab oleh apakah masa depan kerja, dan tentang bahagian ini khususnya, kekal tidak muktamad mungkin tempat pendaratan yang paling jujur tahun ini.

Fakta Utama

• Jurang terkumpul antara produktiviti buruh A.S. dan gaji sebenar (pendeflasi harga pengguna) mencapai kira-kira 70% menjelang akhir 2022, walaupun saiznya sangat bergantung pada indeks harga mana yang melaraskan gaji. Sumber: Federal Reserve Bank of St. Louis, FRED Blog, 2023
• Automasi yang membuang tugas rutin cenderung menaikkan gaji dan mengurangkan bilangan pekerja (juruakaun: pekerjaan turun kira-kira satu pertiga, gaji sebenar naik hampir 40%, 1980-2018); automasi yang membuang tugas pakar cenderung melakukan sebaliknya (kerani inventori: pekerjaan lebih daripada berganda, gaji sebenar turun kira-kira 13%). Sumber: Autor and Thompson, "Expertise," NBER, 2025
• Peranan yang memerlukan kemahiran AI mendapat premium gaji 56%, lebih daripada dua kali ganda premium 25% yang direkodkan setahun sebelumnya, merentasi hampir satu bilion iklan kerja di 24 negara. Sumber: PwC 2025 Global AI Jobs Barometer, reported by Open Data Science
• Analisis berasingan terhadap 1.3 bilion iklan kerja mendapati premium gaji kemahiran AI yang lebih konservatif iaitu 28% (kira-kira $18,000 setahun), meningkat kepada 43% bagi dua atau lebih kemahiran AI. Sumber: Lightcast, "Beyond the Buzz," via PR Newswire, 2025
• Pekerja yang percaya mereka dibayar kurang, walaupun pada atau melebihi paras pasaran, 45% lebih berkemungkinan mencari kerja dalam tempoh enam bulan berbanding mereka yang merasa dibayar adil. Sumber: Payscale, 2025 Fair Pay Impact Report
• Pekerja yang menilai gaji mereka tidak adil lebih daripada lima kali ganda lebih cenderung melaporkan kepercayaan yang merosot (36.4%) berbanding mereka yang merasa dibayar adil (6.6%). Sumber: Salary.com research, August 2026, via GlobeNewswire