Era AI dengan Koneksi Dial-up

• Seperti internet pada masa-masa awal 1990-an, revolusi AI juga berada pada tahap awal ketika kekacauan dan ekspektasi berlebihan hidup berdampingan, dan baik optimisme berlebihan maupun skeptisisme sama-sama hanya sebagian benar
• Perdebatan tentang apakah AI akan menggantikan atau menciptakan pekerjaan terpolarisasi, mirip dengan perdebatan seputar internet di masa lalu
• Berlawanan dengan prediksi AI, lapangan kerja radiolog justru meningkat, tetapi ini merupakan contoh ketika paradoks Jevons (fenomena ketika peningkatan efisiensi mendorong kenaikan konsumsi total) bekerja
• Demam investasi AI menunjukkan tanda-tanda overheating yang mirip gelembung dot-com, tetapi investasi infrastruktur para hyperscaler dalam jangka panjang akan membangun fondasi masa depan
• AI menciptakan kategori pekerjaan dan industri baru, dan transformasi struktur kerja sedang berlangsung hingga makna “software engineer” sendiri pun berubah

---

Kemiripan antara internet awal dan era AI

• Pada awal adopsi internet tahun 1995, jumlah situs web hanya sekitar 2.000 dan kebanyakan masih berupa struktur sederhana berbasis teks
  • Memuat gambar butuh beberapa menit, pembayaran online tidak dipercaya, dan nasihat seperti “jangan percaya orang asing di internet” adalah hal yang umum
• Saat itu, kaum optimistis meramalkan pertumbuhan pesat e-commerce dan virtual reality, sementara kaum pesimistis menganggap internet hanya tren sesaat
• Dua puluh lima tahun kemudian, orang mengalami perubahan yang melampaui perkiraan, seperti mengonsumsi berita lewat media sosial, pacaran lewat aplikasi, dan menggunakan layanan ekonomi berbagi
• Tulisan ini menganalogikan bahwa “era AI saat ini seperti internet pada 1995” dan menyoroti bahwa prediksi dari kedua kutub ekstrem sama-sama hanya sebagian benar

Paradoks ketenagakerjaan: mengapa dampak otomatisasi berbeda menurut industri

• Geoffrey Hinton pada 2016 memperingatkan bahwa AI akan memicu pengangguran massal dan mengatakan bahwa “pelatihan radiolog harus dihentikan”
  • Namun pada 2025, posisi residensi radiologi di AS naik 4% menjadi 1.208, tertinggi sepanjang sejarah, dan tingkat kekosongannya juga mencatat rekor tertinggi
  • Gaji rata-rata mencapai US$520.000, naik 48% dibanding 2015, sehingga tetap menjadi spesialisasi medis dengan bayaran tertinggi kedua
• Peneliti Deena Mousa menunjukkan paradoks Jevons sebagai penyebab kegagalan prediksi itu
  • AI meningkatkan produktivitas radiolog sehingga biaya diagnosis turun → lebih banyak orang menjalani pemindaian → lapangan kerja meningkat
  • Kompleksitas dunia nyata, tugas di luar pengenalan gambar, serta hambatan regulasi/asuransi juga menjadi faktor tambahan
• Tokoh industri teknologi seperti Satya Nadella dan Aaron Levie mengemukakan pandangan optimistis bahwa “di hampir semua bidang yang menerapkan AI, permintaan akan meningkat”

• Batas paradoks Jevons

  • Andrej Karpathy menunjukkan bahwa radiologi tidak cocok untuk analisis awal soal penggantian pekerjaan
    • Bidangnya multidimensi, berisiko tinggi, dan sangat diatur
    • Perubahan pekerjaan lebih dulu terjadi di area yang sederhana dan repetitif, mandiri, singkat, serta berbiaya kesalahan rendah
  • Apakah lapangan kerja meningkat atau tidak bergantung pada persaingan antara besarnya permintaan yang belum terpenuhi dan kecepatan peningkatan produktivitas
    • Keseimbangan kedua faktor itu membuat hasil tiap industri berbeda-beda

• Analisis data lintas industri selama 200 tahun

  • Riset ekonom James Bessen menyajikan data ketenagakerjaan/produktivitas/permintaan industri tekstil, baja, dan otomotif dari 1800 hingga 2000
    • Tekstil dan baja: setelah otomatisasi, lapangan kerja naik selama sekitar 100 tahun lalu turun tajam
    • Manufaktur mobil: relatif bertahan stabil dan tidak mengalami penurunan tajam yang sama
  • Grafik produktivitas menunjukkan kenaikan produktivitas eksponensial di semua industri (skala logaritmik)
    • Pada 1900, pekerja tekstil bisa menghasilkan 50 kali lebih banyak dibanding 1800
  • Grafik permintaan: pada fase awal, penurunan harga menciptakan permintaan massal
    • Pada awal 1800-an, kebanyakan orang hanya mampu membeli satu celana atau satu kemeja
    • Otomatisasi menurunkan harga drastis → orang bisa membeli beberapa pakaian → lapangan kerja dan produktivitas melonjak bersamaan

• Kejenuhan permintaan dan penurunan lapangan kerja

  • Ketika permintaan jenuh, lapangan kerja berhenti di puncak permintaan tetapi otomatisasi tetap berjalan
    • Produktivitas terus naik → pada akhirnya lapangan kerja mulai turun
    • Tidak ada kebutuhan untuk pakaian tak terbatas atau laporan radiologi tak terbatas
  • Mobil menunjukkan pola berbeda: permintaannya masih belum jenuh
    • Sebagian besar orang di dunia masih belum memiliki mobil
    • Otomatisasi juga belum sepenuhnya menaklukkan bidang ini (mundurnya Tesla dari otomatisasi manufaktur penuh membuktikan batas teknologi saat ini)
    • Ketika permintaan dan potensi otomatisasi sama-sama tinggi, lapangan kerja bisa bertahan atau meningkat

• Kekhususan industri software

  • Waktu kejenuhan permintaan software adalah pertanyaan yang belum jelas
    • Selama ini, software yang dibuat manual menjadi faktor pembatas
    • Engineer yang mahal dan biaya tenaga kerja membatasi apa yang bisa dibangun perusahaan
  • Jika otomatisasi sangat meningkatkan produktivitas engineer, permintaan yang belum terpenuhi bisa meledak
    • Banyak perusahaan memiliki proyek yang bernilai bisnis tetapi tidak bisa dibangun karena biaya pengembangan tidak bisa dibenarkan atau karena kekurangan sumber daya
    • Contoh Amazon: ribuan ide tidak mendapat pendanaan karena kekurangan sumber daya engineering
  • Jika AI bisa menghasilkan software dengan biaya jauh lebih rendah, permintaan potensial yang sangat besar bisa terbuka
    • Pertanyaan kuncinya adalah kapan permintaan itu akan jenuh

• Faktor penentu hasil ketenagakerjaan per industri

  • Lapangan kerja di tiap industri bergantung pada persaingan antara dua kekuatan
    1. Besarnya dan pertumbuhan permintaan pasar yang belum terpenuhi
    2. Apakah pertumbuhan permintaan melampaui peningkatan produktivitas akibat otomatisasi
  • Bergantung pada keseimbangan dua faktor itu, tiap industri mengalami hasil yang berbeda-beda

Gelembung: euforia irasional membangun masa depan

• Ledakan dot-com pada 1990-an adalah masa ketika perusahaan menaikkan valuasi hanya dengan menambahkan “.com” ke nama mereka
  • Perusahaan infrastruktur menginvestasikan miliaran dolar pada serat optik dan kabel bawah laut (proyek mahal yang hanya mungkin karena hype)
  • Pada 2000-2001, keruntuhan dot-com datang dengan dramatis
• Perusahaan infrastruktur seperti Cisco sempat menjadi perusahaan paling bernilai di dunia lalu jatuh
  • Pets.com mengumpulkan US$82,5 juta saat IPO dan menghabiskan jutaan dolar untuk iklan Super Bowl, tetapi bangkrut hanya dalam 9 bulan

• Warisan positif gelembung dot-com

  • Gelembung dot-com juga benar dalam banyak hal
    • Pembangunan infrastruktur fisik yang memungkinkan YouTube, Netflix, dan Facebook
    • Perusahaan seperti Worldcom, NorthPoint, dan Global Crossing bangkrut, tetapi tetap meletakkan fondasi masa depan
  • Keruntuhan itu dalam jangka pendek membuktikan kaum skeptis benar, tetapi dalam jangka panjang kaum optimistis terbukti benar secara arah

• Euforia serupa pada ledakan AI saat ini

  • Startup AI yang didirikan mantan eksekutif OpenAI, Mira Murati, menggalang seed round US$2 miliar pada valuasi US$10 miliar (terbesar sepanjang sejarah)
    • Belum punya produk, dan menolak mengungkap apa yang akan dibuat maupun bagaimana akan menghasilkan uang
  • Sejumlah AI wrapper menggalang jutaan dolar pendanaan seed meski hampir tidak punya moat

• Investasi infrastruktur para hyperscaler

  • Belanja modal tahunan para hyperscaler naik lebih dari dua kali lipat sejak peluncuran ChatGPT
    • Microsoft, Google, Meta, dan Amazon secara kolektif menginvestasikan hampir US$500 miliar pada data center, chip, dan infrastruktur komputasi
  • Terlepas dari perusahaan mana yang akan bertahan, infrastruktur yang dibangun sekarang sedang menciptakan fondasi masa depan AI
    • Dari kapasitas inferensi hingga produksi listrik yang dibutuhkan untuk menopangnya

• Menilai apakah AI adalah gelembung

  • Azeem Azhar menawarkan kerangka kerja praktis untuk membandingkan ledakan AI lewat 5 indikator
    • Beban ekonomi (rasio investasi terhadap PDB)
    • Beban industri (rasio belanja modal terhadap pendapatan)
    • Lintasan pertumbuhan pendapatan (waktu pelipatan)
    • Overheating valuasi (price-to-earnings ratio)
    • Kualitas pendanaan (ketahanan sumber modal)
  • Hasil analisis: AI saat ini adalah ledakan yang didorong permintaan, bukan gelembung
    • Namun jika 2 dari 5 indikator masuk zona merah, maka itu memasuki wilayah gelembung

• Permintaan itu nyata, tetapi bukan jaminan bebas gelembung

  • OpenAI adalah salah satu perusahaan dengan pertumbuhan tercepat dalam sejarah
    • Tetapi itu saja tidak cukup untuk mencegah gelembung
  • Banyak perusahaan AI menghadapi masalah unit economics yang sama seperti perusahaan dot-com pada 1990-an
    • Pets.com juga punya jutaan pengguna, tetapi bangkrut karena pepatah “jika menjual dolar seharga 85 sen, Anda bisa mendapatkan pelanggan tanpa batas”
  • Terlepas dari adanya permintaan, polanya bisa mirip dengan 1990-an
    • Kelebihan pembangunan mungkin terjadi, kegagalan spektakuler juga mungkin terjadi
    • Tetapi infrastruktur itu akan melampaui siklus hype dan memungkinkan hal-hal yang saat ini belum bisa dibayangkan

Masa depan yang dapat diprediksi tak terduga

• Tahap awal revolusi AI

  • Kita berada di tahap awal revolusi AI (ibarat tahap modem berdecit di era internet)
    • Seperti perusahaan infrastruktur dulu menuangkan miliaran dolar ke serat optik, para hyperscaler kini menginvestasikan miliaran dolar ke komputasi
    • Seperti startup dulu menambahkan “.com”, kini mereka menambahkan “.ai” pada nama untuk mengejar valuasi lebih tinggi
  • Hype akan berputar antara euforia dan keputusasaan
    • Sebagian prediksi akan terlihat sangat salah
    • Sebagian yang tampak gila justru nanti terbukti terlalu konservatif

• Hasil yang terdiferensiasi menurut industri

  • Bertentangan dengan klaim para optimis Jevons, permintaan atas banyak hal akan mandek setelah kebutuhan manusia terpenuhi
  • Hasil ketenagakerjaan di semua industri bergantung pada besarnya dan pertumbuhan permintaan pasar yang belum terpenuhi, serta apakah pertumbuhan itu melampaui peningkatan produktivitas akibat otomatisasi

• Penurunan biaya membuka segmen pasar

  • Aswath Damodaran meremehkan valuasi Uber karena mengasumsikan Uber hanya akan menangkap sebagian pasar taksi yang sudah ada
    • Ia melewatkan fakta bahwa jika perjalanan dibuat jauh lebih murah, pasarnya sendiri akan meluas
    • Orang mulai naik Uber ke tujuan yang sebelumnya tidak akan mereka datangi jika harus membayar harga taksi
  • AI juga akan secara serupa memungkinkan produk dan layanan yang saat ini terlalu mahal untuk dibangun dengan kecerdasan manusia
    • Pemilik restoran menggunakan AI untuk membuat software rantai pasok kustom (sesuatu yang tidak akan pernah dibangun dengan developer manusia seharga US$100.000)
    • Organisasi nirlaba menerapkan AI untuk pertarungan hukum yang sebelumnya tidak mampu mereka tanggung

• Perubahan dapat diprediksi, tetapi detailnya tidak

  • Pada 1995, tidak ada yang meramalkan bahwa orang akan berkencan dengan orang asing di internet, naik mobil mereka (Uber), dan tidur di rumah mereka (Airbnb)
    • Tidak ada juga yang meramalkan bahwa influencer akan menjadi pekerjaan paling diinginkan di kalangan anak muda
  • Kreativitas manusia menghasilkan konsekuensi yang tidak bisa diprediksi oleh model mental saat ini
    • Wilayah dan industri baru diperkirakan akan muncul
  • AI dalam 5 tahun terakhir sudah membantu lebih banyak dalam menguraikan komunikasi hewan daripada 50 tahun sebelumnya
    • Bisakah kita memprediksi pekerjaan apa yang akan muncul jika teknologi memungkinkan percakapan penuh dengan hewan?
  • Pekerjaan paling diinginkan pada 2050 kemungkinan adalah pekerjaan yang belum ada hari ini
    • Kita belum bisa menamainya karena belum ditemukan

• Transformasi kategori pekerjaan

  • Internet membuat sebagian pekerjaan menjadi usang, tetapi mengubah pekerjaan lain dan menciptakan kategori baru
    • Pola yang sama diperkirakan terjadi pada AI
  • Pertanyaan Karpathy: “Enam bulan lalu saya diminta memilih apakah lima tahun ke depan software engineer akan lebih banyak atau lebih sedikit”
    • Itu dibiarkan sebagai latihan bagi pembaca

• Pelajaran dari kasus jurnalis

  • Jika kita kembali ke 1995 dan menanyakan hal yang sama tentang jurnalis:
    • Kita mungkin akan memprediksi lebih banyak jurnalis, karena internet memungkinkan jangkauan global dan menciptakan permintaan lebih besar
    • Selama sekitar 10 tahun awal, prediksi itu akan benar (lapangan kerja jurnalisme meningkat hingga awal 2000-an)
  • Tiga puluh tahun kemudian: jumlah surat kabar dan jumlah jurnalis sama-sama menurun
    • Tetapi “jurnalisme” berlangsung lebih banyak daripada sebelumnya
    • Hanya saja bukan semata oleh orang yang kita sebut jurnalis
  • Blogger, influencer, YouTuber, dan penulis newsletter melakukan pekerjaan yang dulu dikerjakan jurnalis tradisional

• Masa depan software engineer

  • Pola yang sama akan berlaku bagi software engineer
    • Akan ada lebih banyak orang yang melakukan pekerjaan software engineering
    • Dalam sekitar 10 tahun, makna “software engineer” akan berubah
  • Pemilik restoran yang disebut sebelumnya menggunakan AI untuk membuat software inventaris kustom khusus untuk dirinya
    • Mereka tidak akan menyebut diri mereka software engineer

• Masa depan AI yang tak bisa diprediksi

  • Seperti pada 1995, jika para optimis AI hari ini mengatakan bahwa “dalam 25 tahun orang akan lebih memilih berita dari AI daripada influencer media sosial, menonton karakter buatan AI alih-alih aktor manusia, menemukan pasangan lewat mak comblang AI (atau bahkan menggunakan pasangan AI itu sendiri), membalik total nasihat ‘jangan percaya AI’ sehingga bergantung pada AI untuk keputusan hidup-mati dan mempercayai AI membesarkan anak-anak”
    • Kebanyakan orang akan sulit mempercayainya
  • Meski memiliki semua kecerdasan (alami maupun buatan), tidak ada seorang pun yang bisa memprediksi dengan pasti seperti apa masa depan AI
    • CEO teknologi, peneliti AI, maupun orang acak di internet yang bicara panjang lebar sama saja
  • Entah detailnya tepat atau tidak, masa depan AI sedang dimuat