Bukti bahwa AI sedang menghancurkan pekerjaan kaum muda

• Makalah terbaru yang dipublikasikan oleh tim peneliti Stanford mengungkap bahwa tingkat pekerjaan pekerja muda usia 22–25 tahun di pekerjaan yang sangat terpapar AI turun sekitar 13%
• Studi ini dianalisis berdasarkan data payroll ADP, dengan mengendalikan berbagai hipotesis seperti COVID, kerja jarak jauh, kondisi ekonomi, dan lain-lain
• Penurunan pekerjaan kaum muda terlihat jelas hanya pada pekerjaan dengan dampak otomatisasi AI yang besar (seperti pengembangan perangkat lunak, layanan pelanggan, dan lain-lain)
• Pada pekerjaan di mana AI hanya berperan sebagai augmentasi (membantu atau melengkapi), penurunan pekerjaan kaum muda justru tidak terlihat jelas
• Ini dinilai sebagai bukti empiris yang kuat bahwa AI sudah menyebabkan perubahan struktural di pasar tenaga kerja kaum muda saat ini

---

Tren riset terbaru tentang penurunan pekerjaan kaum muda di AS dan dampak AI

Latar belakang perdebatan

• Berbagai perdebatan terus berlanjut mengenai kondisi ekonomi AS dan dampak AI
• Untuk pertanyaan "Apakah AI sudah merebut pekerjaan kaum muda?", ada tiga pandangan utama
  • Mungkin saja: pada tahap awal, muncul analisis bahwa melemahnya lapangan kerja bagi lulusan baru belakangan ini bisa jadi merupakan dampak AI
  • Jelas iya: media besar seperti New York Times dan Axios menyatakan bahwa AI mengambil pekerjaan level pemula, dan CEO Anthropic memprediksi bahwa dalam 5 tahun ke depan setengah dari pekerjaan white-collar tingkat masuk bisa hilang
  • Hampir tidak: lembaga analisis ekonomi merilis data bahwa dampak AI terhadap pekerjaan belum terlihat jelas, dan melaporkan bahwa di sebagian besar perusahaan efek bersih AI terhadap tenaga kerja hampir nol

Makalah riset Stanford dan temuan empiris

• Baru-baru ini, tim riset Stanford memanfaatkan jutaan data payroll ADP untuk mengamati tren ketenagakerjaan hingga pertengahan 2025
• Mereka mengonfirmasi bahwa pekerjaan kaum muda usia 22–25 tahun di pekerjaan dengan paparan AI sangat tinggi (misalnya pengembang perangkat lunak, pekerjaan layanan pelanggan) mengalami penurunan 13% sejak peluncuran ChatGPT
• Sebaliknya, pada pekerjaan dengan paparan rendah (seperti home healthcare) dan pada kelompok usia lebih tua, pekerjaan justru bertahan atau meningkat
• Mereka juga mengendalikan berbagai faktor eksternal seperti COVID, kerja jarak jauh, dan pertumbuhan rendah, tetapi hasilnya tidak banyak berubah
• Ini bukan eksperimen kausal, melainkan analisis observasional. Meski begitu, penurunan pekerjaan kaum muda pada pekerjaan dengan paparan tinggi terlihat jelas

Analisis berdasarkan grafik dan kasus

• Grafik 1: menunjukkan pola penurunan perekrutan baru yang jelas pada insinyur perangkat lunak muda dan pekerjaan layanan pelanggan
  • Pada kelompok usia lebih tua, pekerjaan bertahan atau meningkat, sedangkan hanya kelompok muda pada pekerjaan yang sama yang mengalami penurunan tajam
• Grafik 2: untuk pekerjaan dengan paparan AI sangat rendah seperti home healthcare, pekerjaan kaum muda justru meningkat cepat
  • Ini menunjukkan bahwa penurunan pekerjaan kaum muda akibat AI merupakan fenomena yang terbatas pada sebagian jenis pekerjaan
• Pada pekerjaan dengan paparan AI tingkat menengah seperti pemasaran, pekerjaan kelompok muda juga menurun dengan jelas

Mengapa riset ini berbeda dari riset sebelumnya?

• Riset sebelumnya (seperti CPS) memiliki keterbatasan karena ukuran sampelnya kecil, sehingga sulit menganalisis kelompok yang sangat spesifik seperti usia 22–25 tahun
• Berkat data ADP, kini estimasi yang andal dimungkinkan bahkan pada subkelompok rinci berdasarkan usia dan jenis pekerjaan

Perbedaan efek otomatisasi dan augmentasi AI

• Analisis ini memisahkan antara kasus ketika AI secara otomatis menggantikan pekerjaan manusia dan ketika AI mengaugmentasi atau melengkapi pekerjaan manusia menurut jenis pekerjaan
  • Pekerjaan dengan karakter otomatisasi yang kuat (insinyur perangkat lunak, audit akuntansi, dan lain-lain): pekerjaan kaum muda menurun dengan jelas
  • Pekerjaan dengan karakter augmentasi yang kuat (peran yang kompleks atau menuntut strategi): penurunan pekerjaan kaum muda tidak terlihat jelas
• Dengan merujuk pula pada indikator eksternal seperti Anthropic Economic Index, karakter dampak AI per pekerjaan diklasifikasikan dan dianalisis
• Grafik 6, 7: pekerjaan yang mudah diautomatisasi menunjukkan penurunan jelas pada pekerjaan kaum muda, sedangkan pekerjaan yang bersifat augmentatif justru menunjukkan tren kenaikan pekerjaan

Perbedaan dampak ketenagakerjaan antar divisi bahkan dalam perusahaan yang sama

• Bahkan di dalam perusahaan yang sama, divisi dengan paparan otomatisasi tinggi seperti hukum/akuntansi menunjukkan penurunan pekerjaan kaum muda, sementara divisi lain bertahan atau meningkat karena dampak augmentatif
• Terlepas dari faktor ekonomi di tingkat perusahaan (seperti suku bunga), terdapat perbedaan yang jelas berdasarkan tingkat paparan pekerjaan

Kemungkinan substitusi AI dan karakteristik tenaga kerja

• LLM (large language model) belajar sangat baik dari pengetahuan yang terdokumentasi dan terstruktur. Hal ini banyak tumpang tindih dengan pengetahuan formal yang dimiliki kaum muda
• Sebaliknya, tumpang tindihnya kecil dengan pengetahuan tacit tenaga kerja yang lebih senior dan berpengalaman (know-how rinci yang hanya diketahui di lapangan)
• Pekerjaan jangka pendek, berulang, dan mudah dievaluasi lebih mudah digantikan AI. Pekerjaan strategi jangka panjang yang kompleks lebih sulit digantikan AI

Arah respons pendidikan tinggi

• Kemampuan untuk secara aktif memanfaatkan AI sebagai alat menjadi semakin penting
  • Secara tak terduga, pengembang senior justru lebih terampil memanfaatkan AI. Ini memunculkan kebutuhan akan reformasi kurikulum pendidikan tinggi
• Batasan LLM (pekerjaan fisik, interaksi manusia, dan lain-lain) serta pentingnya kompetensi kerja baru semakin menonjol

Kesimpulan dan prospek

• Alih-alih hanya membahas capaian atau ancaman AI di masa depan, kita perlu melihat dengan jujur bahwa AI sudah memberikan dampak nyata pada ekonomi saat ini dan pasar tenaga kerja kaum muda
• Ditekankan perlunya data real-time dan verifikasi berulang dalam melihat hubungan antara pekerjaan kaum muda dan AI
• Pesan utamanya adalah bahwa diagnosis yang akurat terhadap situasi saat ini lebih penting daripada sekadar prediksi masa depan

[kimjoin2]

Semua perkembangan teknologi sedang menghapus pekerjaan yang sudah ada, tetapi hanya AI yang paling mudah memancing perhatian.

[GN⁺]

Opini Hacker News

• Saya penasaran kenapa penurunan perekrutan di pekerjaan yang berfokus pada NLP seperti Customer Service Rep sudah mulai terlihat sejak Januari 2023. Setahu saya, sebagian besar perusahaan besar baru memulai pilot LLM/NLP pada pertengahan hingga akhir 2023, jadi sulit dijelaskan mengapa perekrutan sudah turun lebih dari setahun sebelum adopsi teknologi nyata seperti ini. Penurunan perekrutan SWE mulai terjadi sejak pertengahan 2022, dan itu hampir persis bertepatan dengan kenaikan suku bunga. LLM dan Copilot baru populer setahun kemudian. Makalahnya memang mengatakan telah menyesuaikan efek berakhirnya ZIRP, tetapi saya tidak yakin penyesuaiannya cukup. Dari survei informal di sekitar saya juga, adopsi serius LLM Copilot baru dimulai dari akhir 2023 sampai pertengahan 2024. Saat itu penyebarannya belum sejauh ini.

  • Penurunan perekrutan SWE (software engineer) terjadi karena perubahan undang-undang pajak pada 2017. Sebagian kredit pajak terkait riset dan pengembangan (R&D) dihapus mulai 2022, sehingga biaya tenaga kerja untuk peran R&D seperti engineer dan ilmuwan naik tajam. Perusahaan besar dengan porsi R&D tinggi terkena dampaknya paling cepat. Sementara itu, penurunan perekrutan Customer Service terjadi karena perusahaan memang tidak peduli pada layanan pelanggan. Selama puluhan tahun, kualitas layanan sudah rendah lewat sistem telepon otomatis, call center outsourcing, situs web yang buruk, dan sebagainya. Kalau mereka bilang ke investor bahwa mereka “menerapkan AI untuk mengurangi karyawan lebih jauh”, responsnya justru positif. Tidak terhalang pasar atau regulasi, jadi bahkan kalau layanan sengaja dirusak pun hampir tidak ada harapan akan diperbaiki.

  • Saya bekerja di konsultasi, dan suasananya berubah drastis sekitar November 2022. Sebelumnya kami kewalahan menangani banyak calon klien, lalu tiba-tiba pekerjaan berhenti total. Klien yang saya hadapi juga startup atau perusahaan menengah, bukan tempat dengan informasi internal atau tren mutakhir. Saya belum pernah melihat siapa pun membahas pengurangan biaya tenaga kerja dengan GPT. Secara pribadi saya merasa penyebab utamanya adalah berakhirnya ZIRP dan dimulainya PHK, yang terlihat dari proyek langsung terisi.

  • Saya juga berpikir mirip dengan penulis. Sebelum LLM dan AI benar-benar ramai dibahas pun, sudah ada sinyal jelas bahwa pasar tenaga kerja melemah. Saya rasa penyebab utama lesunya perekrutan bukan LLM, melainkan sekadar korelasi. Lebih mendasarnya lagi, struktur ekonomi bukan cuma di AS tetapi di seluruh dunia sedang retak, sehingga kesulitan kerja bagi anak muda makin meluas. Akar masalahnya adalah gabungan berbagai faktor seperti efek samping kebijakan moneter/fiskal, ketimpangan kekayaan, tarif, geopolitik, dan lain-lain.

  • Makalah itu memang menyebut penyesuaian untuk efek berakhirnya ZIRP, tetapi saya ragu seberapa memadai itu. Di makalah (Equation 4.1, p.15), efek dipisahkan berdasarkan perusahaan, tingkat paparan AI, dan waktu masing-masing (log(y_{c,q,t}) ~ a_{c,q} + b_{c,t} + g_{q,t}). Efek yang berlaku di seluruh deret waktu seperti ZIRP, Section 174, dan sejenisnya seharusnya terserap ke b. g dinormalisasi pada Oktober 2022 dan tingkat paparan 1, dan ada grafik menurut kelompok usia serta paparan pada Figure 9 (p.20). Hanya kelompok muda dengan paparan 3, 4, dan 5 yang turun mulai pertengahan 2024. Nuansa grafik di artikel dan Figure 9 di makalah terasa berbeda, dan menurut saya dampak ZIRP sangat besar. Namun, dengan metode saat ini, jabatan junior dengan paparan AI tinggi seperti SWE yang terkena hantaman langsung Section 174 tidak bisa langsung dikoreksi oleh b dan bisa tercermin di g, sehingga pada praktiknya dapat keliru dibaca sebagai efek AI. Akan bermakna kalau dianalisis ulang dengan mengecualikan jabatan seperti SWE yang termasuk Section 174. Makalah asli

  • Perusahaan kami juga mulai serius memperluas outsourcing pada 2023. Kami juga memulai proyek AI, tetapi hasilnya kurang memuaskan, sementara outsourcing justru berjalan sangat cepat.

• Saya membuat model sederhana, dan kalau semua kelompok usia mengalami kenaikan perekrutan yang landai sampai 2021 lalu menurun bertahap setelah itu, polanya akan mirip seperti grafik di makalah. Alasannya, engineer yang direkrut besar-besaran di sekitar masa puncak akan bergeser mengikuti kelompok umur. Kalau grafik di makalah dinormalisasi berdasarkan tahun 2022, fakta bahwa perubahan rasio perekrutan sebenarnya hampir tidak ada jadi tersembunyi. Spreadsheet Google dibagikan

  • Hasil yang menarik. Sebenarnya, bahkan jika perekrutan sama di semua kelompok usia, karena struktur datanya sendiri—misalnya kelompok muda bertambah umur seiring waktu—bisa muncul kesan keliru bahwa hanya kelompok muda yang kehilangan pekerjaan secara khusus.

  • Agak membingungkan. Dalam model penjelasan itu, kelompok usia 20-24 dan 25-29 mencapai puncak pada tahun yang berbeda (2022 vs 2024). Kalau strukturnya sama, saya kira semuanya akan naik-turun dan mencapai puncak di waktu yang sama, jadi saya penasaran apakah ini memang normal.

• Penurunan perekrutan junior adalah “tragedy of the commons”. Ini sudah dimulai sejak masa COVID sebelum ledakan AI, dan juga bukan fenomena yang hanya terjadi di AS. Karena ZIRP, perusahaan merekrut tanpa henti, dan saat saling membajak talenta dari pesaing, bahkan intern yang baru punya pengalaman 2 tahun diperlakukan seperti senior. Kenalan saya bahkan dibayar hanya dengan ikut bootcamp. Pada akhirnya, karena junior yang direkrut cepat pindah ke perusahaan lain sebagai senior, perusahaan jadi enggan merekrut junior.

  • Euforia berlebihan terkait AI sedang menyedot modal dari perekrutan tradisional.

• Apa yang sekarang kita sebut “AI” sudah berubah dari teknologi menjadi layanan berlangganan. Teknologi seharusnya masuk ke toolchain untuk membantu meningkatkan kemampuan saya, tetapi perusahaan langganan hanya mengambil alih beban kognitif saya selama saya terus membayar. Alasan CEO Anthropic berkata bahwa pekerjaan white-collar akan hilang juga karena, dari posisi menjual langganan AI untuk perusahaan, itu adalah pernyataan pemasaran bahwa perusahaan akan menjadi pembeli yang tak terelakkan.

  • AI sebentar lagi akan masuk tahap commoditization. Model open source juga hanya tertinggal satu generasi dari model privat/proprietary, dan itu sudah cukup bagi hampir semua pengguna. Karena berbasis bahasa alami, LLM dari perusahaan mana pun bisa diganti dengan mudah. Perusahaan yang ingin menjual layanan selain hosting AI mungkin akan sangat kecewa. Hanya vendor lock-in yang bisa mencegah commoditization, tetapi secara teknis itu tampaknya tidak mudah.

• Data ekonomi 2020~2025 tidak bermakna, jadi seharusnya dibuang. Kita sedang hidup di era penuh variabel seperti pandemi, inflasi tajam, ketidakpastian suku bunga, dampak tarif, dan sebagainya, jadi mustahil mengetahui pengaruh AI saat ini. Kita harus melihat situasi ketenagakerjaan setelah resesi berikutnya dan setelah variabel-variabel itu mereda, baru bisa menilai dampak nyata AI terhadap pekerjaan.

  • Dan 20 tahun sebelumnya juga data sampah karena krisis perumahan global dan krisis utang negara. Dua puluh tahun sebelumnya lagi penuh faktor anomali seperti dot-com bubble, 9/11, dan lain-lain. Data ekonomi memang selalu berisik, dan eksperimen steril itu mustahil di bidang ini. Karena itu orang menyebutnya disiplin yang pahit. Tapi saya sama sekali tidak berpikir data jadi tidak berguna karena hal itu.

• Bisa saja ada banyak penyebab lain yang belum terjelaskan. Di era ketidakpastian, perusahaan tidak akan merekrut kecuali benar-benar perlu. Perekrutan junior atau call center bisa dengan mudah ditunda, tetapi pekerjaan esensial seperti perawatan tidak memberi banyak pilihan. Tarif sekarang adalah sumber ketidakpastian bisnis nomor satu, dan ketidakpastian suku bunga juga besar.

• Saya juga masuk kuliah pada 2004 (Australia), tepat setelah dampak dot-com bubble. Saat itu peminat CS sedikit dan orang-orang lari karena cemas soal mencari kerja. Akibatnya kekurangan tenaga entry-level jadi parah, dan perusahaan mulai meningkatkan perekrutan lagi sekitar 2004. Saya sendiri langsung dapat kerja saat lulus pada 2008, dan sejak itu tidak pernah khawatir kekurangan pekerjaan. Kalau memberi saran kepada siswa SMA tahun 2025, justru sekarang adalah waktu yang sempurna untuk memilih CS. Lima tahun lagi, euforia AI akan mereda dan tenaga entry-level akan kurang.

  • Saya penasaran apa dasarnya. Apakah Anda benar-benar yakin bahwa AI hanya hype belaka?

  • alternative view: kali ini hype AI bisa jadi memang nyata, AI benar-benar menggantikan pekerjaan, dan lima tahun lagi semua orang bisa saja menganggur. Di sisi lain, kalau dipikir-pikir, dalam lima tahun mendatang baby boomer dan gelombang pertama GenX akan pensiun dalam jumlah besar, jadi pasar kerja itu sendiri bisa saja terbuka lebar di sebagian besar bidang.

  • Kali ini bisa berbeda. Sekarang kita hidup di era ketika perangkat lunak bisa dikembangkan dengan mengorkestrasi LLM dan agent. Peran software engineer juga menyusut menjadi kontrol kualitas, compliance, arsitektur perangkat lunak, serta menangani situasi-situasi khusus yang tidak bisa dikerjakan LLM dengan baik. Tetapi saya juga merasa kemajuan AI pada akhirnya mungkin akan menyelesaikan bahkan hal-hal itu. Pada akhirnya, jenis pekerjaan yang bisa dilakukan dengan keterampilan yang dipelajari lulusan CS tampaknya akan terus berkurang. Ke depan, yang lebih penting adalah cara berpikir untuk merancang kebutuhan pelanggan secara abstrak, menilai dan menyampaikannya kepada AI, lalu mengevaluasi hasil AI seperti mengapresiasi karya seni.

• Tren membutuhkan waktu. Setelah sesuatu yang mengandung kata “AI” masuk dan mengobrak-abrik keadaan, sering kali belum jelas apakah AI itu benar-benar punya 'Intelligence'. HR, begitu mendapat instruksi dari atas untuk mengadopsi AI, bisa melakukan PHK massal dalam hitungan bulan dengan dasar yang meragukan, sementara perekrutan ulang berjalan lambat. LLM memang berguna, tetapi bukan alat untuk PHK massal. Dari sudut pandang eksekutif, efisiensi biaya memang menggoda, tetapi di dunia nyata AI tidak langsung menjadi I seperti yang diharapkan. Dari pengalaman saya sendiri, LLM lebih merupakan semacam slide rule yang sangat bagus daripada alat revolusioner. Slide rule saya selalu berfungsi tanpa internet atau listrik, tetapi LLM tidak.

• Selain pengetahuan dan kemampuan, banyak faktor lain ikut bekerja dalam perekrutan anak muda. Bahkan di dalam IT pun ada banyak pekerjaan sederhana bernuansa blue-collar, dan ini kebanyakan ditangani lewat outsourcing atau pekerja kontrak, yang umumnya anak muda. Misalnya, pekerjaan berulang seperti dukungan TI dan maintenance banyak dilakukan di luar negara-negara Barat. AI tampaknya belum akan segera menggantikan area ini. Sebagian pekerjaan kasar juga diberikan kepada kaum muda demi penyebaran tanggung jawab dan risiko. Saya tidak menganggap AI bisa memikul tanggung jawab seperti manusia. Kaum muda disukai karena cepat, fleksibel, kuat bekerja, bergaji rendah, dan tidak terlalu keberatan lembur. Dalam pengalaman saya, kerja sama tim juga lebih baik pada kelompok muda. Kalau fenomena sekarang ditafsirkan hanya dari sudut pandang kemampuan, itu berarti melewatkan gambaran keseluruhan.

• Software engineering memasuki fase koreksi sejak 2022, dan AI hanyalah alasan untuk PHK massal. Zuck sudah bertahun-tahun meneriakkan “year of efficiency”.