Pekerjaan Setelah Pekerjaan: Catatan Lulusan Baru Menganggur yang Menyaksikan Pasar Kerja Runtuh

 (urlahmed.com)
19 poin oleh GN⁺ 2025-11-11 | 3 komentar | Bagikan ke WhatsApp
  • Seorang lulusan baru jurusan ilmu komputer yang telah menempuh magang dan proyek menghadapi kenyataan gagal mendapat pekerjaan meski sudah mengikuti jalur yang “normal”
  • Pasar kerja saat ini disebut sebagai “resesi white-collar” dan “krisis besar perekrutan lulusan”, dengan tingkat pengangguran yang sangat tinggi khususnya di kalangan lulusan ilmu komputer
  • Kombinasi otomatisasi, robot, dan kerja jarak jauh (teleoperation) mendorong perusahaan menuju struktur yang meminimalkan perekrutan tenaga kerja itu sendiri
  • Saat model AI dan robot menggantikan pekerjaan manusia yang berulang, pekerjaan yang “biasa” menghilang dan yang tersisa hanya “manusia di luar distribusi (out-of-distribution human)”, yakni tenaga kerja kreatif dan tidak terstruktur yang tidak bisa digantikan data
  • Berbeda dari masyarakat industri abad ke-20 yang menempatkan kerja sebagai pusat hidup, ekonomi abad ke-21 sedang beralih ke sistem yang semakin tidak membutuhkan kerja manusia

Realitas pencarian kerja lulusan baru

  • Penulis, setelah lulus kuliah, telah menjalani 3 kali magang, pengalaman konsultasi, dan nilai akademik yang bagus, tetapi tetap menganggur meski menempuh jalur sukses yang tipikal
    • Dulu, riwayat seperti itu cukup untuk mendapatkan pekerjaan yang stabil, tetapi sekarang peluang sangat langka sampai pasar ini terasa seperti “pasar yang rusak”
  • Tingkat pengangguran resmi masih tampak rendah, tetapi kepadatan peluang yang terasa di lapangan turun drastis
  • Lowongan memang ada, tetapi jumlah pelamar dibanding jumlah perekrutan aktual meledak, sehingga nasihat “lamar lebih banyak” menjadi tidak bermakna
  • Selain faktor makro seperti kenaikan suku bunga dan penyusutan modal, kombinasi software, robot, dan tenaga kerja luar negeri juga menjadi perubahan struktural yang mengurangi perekrutan baru

Kesenjangan antara prediksi otomatisasi dan kenyataan

  • Riset 10 tahun lalu memprediksi setengah dari pekerjaan di AS berisiko tinggi terotomatisasi, tetapi hasil analisis ulang OECD berbasis unit tugas menunjukkan proporsi berisiko tinggi itu menyusut jauh lebih kecil
  • Otomatisasi bekerja bukan seperti jurang, melainkan tekanan bertahap; bahkan pada pekerjaan berisiko tinggi, lapangan kerja tidak hilang sepenuhnya tetapi tumbuh lebih lambat
  • Penerapan robot industri di AS telah menyebabkan pengurangan pekerjaan dan penurunan upah yang signifikan, dengan dampak terbesar pada tugas yang rutin dan mudah diatur
  • Dari sudut pandang lulusan baru, yang dirasakan bukanlah gradualisme statistik melainkan jalur masuk yang makin menyempit, seolah harus bersaing dengan seluruh data masa lalu dan catatan proses yang pernah ada

Kasus Amazon: robot dan pengurangan tenaga kerja

  • Dokumen internal Amazon dan laporan analis menunjukkan rencana menggantikan sebagian besar pekerjaan gudang dengan robot dalam 10 tahun ke depan dan menghemat biaya dalam jumlah besar
  • Perusahaan mengklaim robot membantu manusia, tetapi jumlah robot meningkat tajam sementara total tenaga kerja di pusat yang terotomatisasi stagnan atau menurun
  • Dulu operasi fisik seperti gudang menganggap sejumlah tenaga kerja sebagai unsur wajib, tetapi kini titik berangkat model bisnisnya adalah “seberapa sedikit tenaga kerja yang dibutuhkan untuk tetap beroperasi?”

Kendali jarak jauh dan “tenaga kerja tak terlihat”

  • Teleoperation (kendali jarak jauh) adalah bentuk otomatisasi lain, yang pada praktiknya merupakan struktur di mana pekerja di negara berupah rendah mengendalikan robot dari jauh
    • Pekerja di kantor Manila, Filipina, memakai headset VR untuk mengendalikan robot stok di minimarket Jepang dari jarak jauh
    • Pekerja dari satu negara mengoperasikan forklift di negara lain lewat banyak layar dan setir, hanya turun tangan ketika software semi-otonom kebingungan
    Iklan
  • Ini adalah struktur migrasi tanpa migrasi, di mana negara kaya memperoleh tenaga kerja setingkat Tokyo dengan upah setingkat Manila tanpa harus menanggung perumahan, sekolah, atau integrasi budaya
  • Para pekerja tetap manusia, tetapi secara geografis diperlakukan seperti bagian dari jaringan, sebagai satu anak tangga dalam rantai yang membentang dari call center hingga platform microtask

Tujuan tersembunyi teleoperation: pengumpulan data

  • Banyak pekerjaan kendali jarak jauh bukan semata untuk menyelesaikan tugas, tetapi untuk mengumpulkan data bagi otomatisasi tanpa operator di masa depan
  • Robot rumah tangga Neo, dalam “expert mode”, membuat operator jarak jauh membuka pintu, mengambil barang, dan sebagainya, lalu memakai itu sebagai data pelatihan model kontrol
  • Tesla Optimus juga melibatkan pekerja yang mengenakan rig untuk berulang kali mengambil cangkir dan membersihkan meja, sehingga menghasilkan sampel yang akan ditiru robot
  • Ini mirip dengan kerja data pada mobil otonom dan large language model, yakni bentuk ghost work berwujud fisik di dunia nyata

Resesi white-collar dan lenyapnya pekerjaan level awal

  • Dalam beberapa tahun terakhir, pekerjaan white-collar level awal di bidang teknologi, keuangan, dan konsultasi menurun tajam, sehingga bidang yang dulu menyerap lulusan ilmu komputer ikut menyusut
  • Ilmu komputer, yang dulu dianggap gelar paling aman, kini muncul sebagai salah satu jurusan dengan hasil ketenagakerjaan terburuk
  • Papan lowongan untuk level awal kini lebih condong ke peran menengah dan senior daripada posisi developer junior, dan perusahaan menahan perekrutan fresh graduate sambil lebih memilih kombinasi pekerja berpengalaman + alat AI
  • Para pemberi kerja bahkan secara terbuka mengatakan di media bahwa mereka menunda perekrutan junior dan mengganti tugas level junior lewat otomatisasi

Perbedaan skalabilitas manusia dan software

  • Manusia hanya bisa diskalakan secara horizontal secara terbatas, tetapi software memungkinkan satu model kuat digandakan tanpa batas untuk membentuk kawanan agen
  • Paper dan demo agen terbaru membangun masyarakat kecil dari banyak salinan model yang sama yang berdebat, bernegosiasi, merencanakan, dan mengeksekusi
  • Para manajer kini sudah meminta alasan mengapa penambahan tenaga kerja tidak bisa digantikan sistem AI saat ada permintaan penambahan staf
  • CEO Shopify memerintahkan tim untuk mencoba AI terlebih dahulu sebelum menambah orang, dan sebagian perusahaan mengusung “AI-first” sambil mengecilkan kumpulan tenaga kerja

Konsep “manusia di luar distribusi (out-of-distribution human)”

  • Sebagian besar pekerjaan terdiri dari tugas berulang yang bisa dipelajari dari data
    • Ia berada di bagian tengah kurva lonceng, tempat tugas berulang dengan sedikit variasi
    • Model belajar dengan baik di area tengah ini, dan mudah menirunya dari data masa lalu (log, email, catatan, repositori kode)
  • Hanya pekerjaan tidak terstruktur dan kreatif yang tak bisa dipelajari model yang akan tersisa di ujung kurva otomatisasi
  • Manusia di luar distribusi adalah orang yang pekerjaannya berada di ekor kurva itu, sehingga tidak bisa dikompresi oleh data pelatihan saat ini
    • Misalnya menangani masalah yang benar-benar baru, bekerja di lingkungan fisik kecil yang sensornya kurang memadai, atau memiliki selera yang tak bisa direduksi menjadi click log
    Iklan
  • Penulis mengatakan ia membangun karier untuk menargetkan “pusat distribusi normal”, tetapi pusat itu kini menghilang dengan cepat
    • Sebagian besar lulusan baru yang rajin berusaha masuk ke bagian tengah, yang secara historis merupakan pusat pasar kerja yang rasional dan terhormat
    • Tiga kali magang dan pengalaman konsultasi kecil adalah riwayat standar untuk membidik pekerjaan normal, tetapi kini bagian tengah itu sedang dikosongkan
  • Pemberi kerja masih berbicara tentang kemampuan dan kerja keras, tetapi pertanyaan sebenarnya adalah: “apakah kontribusimu cukup unik sehingga tidak bisa dirakit dari agen dan pekerja berupah rendah?”
    • Bahkan jika diterima kerja, tugas sehari-hari pada dasarnya bisa menjadi pekerjaan pelabelan yang menghasilkan data untuk melatih pengganti diri sendiri di masa depan
  • Struktur ketenagakerjaan saat ini membuat “menjadi biasa” justru berisiko, dan bahkan pekerjaan yang masih dilakukan manusia pun merosot menjadi produksi data untuk melatih model masa depan

Lambannya respons politik dan sosial

  • Negara industri abad ke-20 menempatkan kerja sebagai nilai pusat kehidupan, dan politik, agama, serta ekonomi semuanya berasumsi demikian
  • Namun hari ini, meski permintaan terhadap tenaga kerja itu sendiri menurun, institusi masih mempertahankan tujuan “menyediakan pekerjaan bagi semua orang”
    • Contohnya: program subsidi kerja yang efektivitasnya rendah, atau mempertahankan “pekerjaan zombie” yang simbolis
Iklan

Peran serikat pekerja dan dilemanya

  • Dalam beberapa kasus, serikat pekerja memperlambat otomatisasi sehingga upah dan daya tawar bertahan lebih lama dibanding mekanisme pasar
  • Jalur metro di Eropa tetap beroperasi dengan masinis walaupun jalur tanpa awak ada di kota yang sama dan teknologinya sudah terbukti
  • Pekerja pelabuhan berhasil mencantumkan klausul kontrak yang membatasi crane otomatis dan kendali jarak jauh
  • Perusahaan terus mengulang bahwa total pekerjaan secara agregat baik-baik saja, sementara serikat dan politisi berpendapat bahwa bahkan pekerjaan yang secara teknis tak lagi perlu pun harus dipertahankan
  • Tak satu pun kubu mampu mengungkapkan secara jelas makna menyusutnya kerja itu sendiri sebagai narasi pusat, dan yang diperebutkan hanya lokasi sisa pekerjaan serta siapa yang mengerjakannya

Kenyataan di negara maju otomatisasi: Korea, China, Jepang

  • Menurut statistik International Federation of Robotics (IFR), Korea, Singapura, Jepang, dan Jerman telah selama bertahun-tahun menanamkan robot industri secara intensif ke pabrik
  • China memulai lebih lambat, tetapi kini menyumbang lebih dari setengah instalasi robot industri dunia dan telah melampaui Jerman dalam kepadatan robot manufaktur
  • Pada saat yang sama, PDB per kapita China hanya sekitar sepertiga AS, dan tingkat pengangguran anak mudanya berada di kisaran belasan persen hingga level atas (perkiraan tidak resmi bahkan lebih tinggi)
    • Pengangguran pemuda di China berada pada dua digit, disertai meluasnya budaya “lying flat”
  • Meski dana dan kebijakan besar-besaran digelontorkan untuk otomatisasi, para lulusan mengeluh di media sosial bahwa mereka “membusuk” dalam pekerjaan layanan berupah rendah atau kerja sampingan online

Gig economy dan kecemasan awal akibat robotaxi

  • Robotaxi masih menempati porsi yang sangat kecil dari total jarak tempuh, dan Waymo hanya menangani sebagian sangat kecil perjalanan di kota operasionalnya
  • Namun, pengemudi ride-hailing di San Francisco dan Phoenix sudah mengalami penurunan pendapatan di pasar tempat robotaxi beroperasi
  • Bank-bank mengeluarkan peringatan bahwa platform ride-hailing perkotaan menghadapi “risiko kendaraan otonom”
  • Walau pangsa riilnya masih kecil, pola yang terlihat adalah narasi hilangnya pekerjaan karena teknologi datang lebih dulu daripada hilangnya pekerjaan itu sendiri

Pandangan pribadi dan peringatan

  • Tidak ada yang tahu berapa banyak pekerjaan yang masih akan ada 20 tahun lagi, atau apakah pekerjaan dirinya akan cukup berada di ekor distribusi
  • Ia akan mencoba beragam pekerjaan dan tidak hanya bertahan di pusat, sambil berusaha menjadi manusia di luar distribusi
  • Jika seluruh rencana hidup bergantung pada menjadi pekerja kasus pusat yang dihormati, melakukan pekerjaan standar di perusahaan standar, maka kita harus menatap langsung betapa terfokusnya upaya untuk mengikis kategori itu
  • Politik yang berasumsi semua orang akan bekerja penuh waktu dan menemukan martabat di sana juga perlu ditinjau ulang
  • Abad ke-20 mencurahkan upaya intelektual dan moral untuk memuliakan kerja karena ekonomi memang membutuhkan orang setiap hari, tetapi abad ke-21 sedang membangun mesin dan sistem yang tidak membutuhkan manusia sebanyak itu

Kesimpulan: melemahnya sentralitas kerja

  • Penjelasan teknis mengatakan otomatisasi bersifat bertahap dan saling mengimbangi, tetapi realitas yang terasa adalah lenyapnya pekerjaan inti
  • Pertanyaan kunci pasar kerja masa depan adalah “sampai di mana wilayah manusia yang tidak bisa dipelajari model?”
  • Ekonomi abad ke-21 sedang bergerak menuju sistem yang membutuhkan lebih sedikit manusia, dan
    tatanan nilai abad ke-20 yang menempatkan kerja sebagai pusat hidup sedang terguncang secara mendasar

Bacaan terkait

3 komentar

 
laeyoung 2025-11-12

Sepertinya bagus jika dibaca bersama tulisan yang sempat diunggah beberapa waktu lalu ini dan komentar di Hacker News: https://id.news.hada.io/topic?id=24260
 
GN⁺ 2025-11-11
Opini Hacker News

  • Setelah membaca tulisan ini, saya punya dua pemikiran.
    Pertama, penulis ini benar-benar punya kemampuan menulis yang luar biasa. Ungkapan seperti “bersaing dengan masa lalu ekonomi”, “sisa perilaku dari dunia yang mensakralkan kerja”, dan “imigrasi tanpa imigran” terasa puitis.
    Kedua, desain CV-nya kurang bagus. Terlalu panjang seperti esai dan tidak langsung ke poin. Sekarang adalah era TikTok dan Instagram Reels, jadi teks harus dipangkas 70% dan hanya menampilkan inti

    • Saya sulit setuju. Baru turun satu paragraf saja sudah terlihat pengalaman di Google DeepMind, dan itu saja sudah cukup mengesankan. Saat ini pasar memang sangat kejam bagi lulusan baru. Sering kali orang harus melamar ke ratusan tempat dan menjalani puluhan wawancara hanya untuk mendapatkan satu posisi.
      Namun, orang ini jelas punya bakat menulis yang cukup untuk menulis buku. Mungkin justru akan lebih baik bagi masyarakat jika talenta seperti ini mengambil jalur kreatif alih-alih masuk ke big tech atau keuangan
    • Komentar seperti “CV-nya terlalu panjang” rasanya selalu terulang. Sistem yang menuntut pencari kerja menjadi ahli format CV melebihi HR itu sendiri memang bermasalah. Membuang CV kandidat unggul hanya karena “terlalu panjang jadi tidak dibaca” benar-benar menunjukkan penyakit sistem saat ini
    • Saya rasa nasihat soal CV terlalu dibesar-besarkan. Setiap perusahaan punya kriteria yang sangat berbeda. Daripada format, lebih baik menunjukkan diri lewat demo proyek atau aktivitas komunitas. Sulit membedakan diri hanya dengan CV.
      Sebagai referensi, CV-nya bisa dilihat di sini
    • Justru itu inti masalahnya. Tidak masuk akal bahwa orang yang berpikir sedalam ini harus membuat CV bergaya TikTok agar bisa diterima kerja. Dulu dunia sepertinya tidak seperti ini, tapi saya tidak tahu kapan semuanya berubah
    • Dia menyebut ini sebagai ‘CV’, dan melihat latar pendidikan bergaya Inggris, itu memang istilah yang tepat. CV di Inggris jauh lebih mirip dokumen riwayat karier yang rinci daripada resume ringkas satu halaman ala Amerika

  • Tulisannya sangat bagus dan membekas. Kalau saya sedang merekrut, saya akan mempertimbangkan untuk mewawancarainya.
    Ahmed berada di Inggris, jadi masalah visa H1B di AS tidak berlaku baginya. Namun, peningkatan imigrasi di Inggris mungkin telah membuat persaingan untuk pekerjaan level tinggi menjadi lebih sengit.
    Latar belakang yang berpusat pada AI, termasuk magang di DeepMind, ironisnya berarti teknologi yang ia bantu bangun justru mengotomatisasi pekerjaannya sendiri.
    Selain itu, ekonomi Inggris saat ini sedang lesu, dan itu mungkin salah satu alasan ia sulit mendapat pekerjaan

    • Gaya penulisannya terlalu konsisten, jadi saya curiga ini mungkin tulisan yang ditulis ulang oleh LLM. Terlihat seperti penulis berdialog dengan AI lalu hasilnya dirapikan manusia
    • Dia adalah lulusan baru yang lulus awal tahun ini, jadi sebenarnya belum lama berada di pasar kerja. Beberapa bulan gagal mencari kerja saja sudah bisa menjadi pengalaman yang sangat berat secara mental
    • Saya tidak setuju dengan pernyataan bahwa “Inggris terlalu banyak mengatur industri tech”. Justru pemerintah Inggris terlalu lunak terhadap big tech Amerika
    • Fokus pada AI memang bisa dipahami, tetapi justru mungkin akan lebih mudah mendapat kerja jika ia punya pengalaman di aplikasi bisnis yang membosankan (BLOB). Permintaan industri nyata masih banyak di area seperti itu

  • Penulisnya sendiri di sini. Saya tidak menyangka tulisan yang saya buat beberapa hari lalu dalam keadaan frustrasi akan mendapat perhatian sebesar ini.
    Saya sedang mencari peran di persimpangan ML, produk, dan riset. Saya lebih suka peran PM builder yang dekat dengan pengguna dan produk.
    Jika ada yang bekerja di bidang terkait, saya ingin berbincang. Terima kasih kepada semua yang sudah membaca dan memberi masukan

    • Bakat menulisnya luar biasa. Kalau memungkinkan, saya sarankan memperluas pandangan ke pasar internasional juga. Posisi ML/produk/riset masih punya peluang di luar negeri
    • Tulisannya penuh wawasan dan menarik. Akan bagus jika ditambahkan fitur berlangganan RSS feed atau newsletter
    • Setelah membaca ini, saya jadi bertanya pada diri sendiri apakah saya cukup “out of distribution”. Tiga tahun lalu tulisan seperti ini mungkin akan terasa seperti esai fiksi ilmiah
    • Semoga berhasil dalam pencarian kerja. Namun, peran bergaya product planning memang jarang untuk lulusan baru, dan lebih realistis memulai sebagai builder junior lalu membangun kepercayaan
    • Blog-nya sangat bagus. Di tim kami juga sedang ada posisi terkait pelatihan ML junior, jadi Anda sangat dipersilakan

  • Sampai baru-baru ini saya merekrut di Inggris. Saya sering melihat gaya CV seperti ini, dan untuk posisi junior dengan lebih dari 250 pelamar, CV seperti ini akan langsung tersaring.
    Kriteria peninjauannya adalah (a) apakah gelar dan status visa di Inggris disebutkan, (b) kecocokan jurusan, (c) reputasi universitas.
    Bahkan magang di DeepMind pun tidak dianggap istimewa karena itu magang saat kuliah.
    Secara realistis, pasar sudah jenuh hanya dengan pelamar dari universitas seperti Bristol, Birmingham, UCL yang punya pengalaman magang di perusahaan besar

    • Sampai 250 pelamar untuk posisi junior benar-benar menunjukkan betapa ketatnya persaingan pasar lulusan baru

  • Sebagai peringatan, ini tulisan yang agak penuh amarah.
    Menyedihkan melihat generasi lulusan baru menjadi generasi yang dieksploitasi dan dibuang oleh industri.
    Dengan alat AI, lulusan baru sebenarnya bisa cepat produktif, tetapi perusahaan justru terobsesi pada PHK dan restrukturisasi.
    Para eksekutif memandang manusia bukan sebagai aset, melainkan biaya, dan memperlakukan software seperti pabrik.
    Akibatnya, sebagian besar produk menjadi sampah yang tidak ramah pengguna.
    Saya ingin membuat software untuk manusia. Namun, pasar kerja saat ini terasa seperti permainan rebut kursi

    • Banyak pekerja tech merasakan emosi yang sama. Saya juga meninggalkan industri karena ketidakcocokan nilai, lalu mulai mengambil magister ornitologi, dan rasanya hati saya jauh lebih ringan
    • Para eksekutif juga kecanduan feed media sosial. Mereka terseret FOMO AI dan kehilangan arah. Nanti akan datang tren lain lagi
    • Tulisan ini justru memberi inspirasi. Saya jadi ingin membangun perusahaan yang fokus pada penciptaan, bukan penghematan biaya

  • Bagi orang-orang di lapisan atas, pasar tenaga kerja hanyalah angka statistik. Empati mereka rendah, dan tidak ada kemauan untuk menyelesaikan masalah.
    Inovasi teknologi seharusnya bisa menciptakan masyarakat di mana semua orang bekerja lebih sedikit dan memperoleh lebih banyak, tetapi kenyataannya justru hanya menambah pekerjaan tak bermakna dan pemusatan kekayaan

    • Berkat inovasi selama 100 tahun terakhir, sebagian besar masyarakat Barat kini menikmati manfaat infrastruktur dasar. Namun semua orang menganggapnya wajar lalu tetap mengeluh
    • Orang bisa saja bertanya siapa yang dimaksud dengan “lapisan atas”. Pada akhirnya, semua orang ingin hidup yang lebih baik, dan hasrat itu melahirkan kerja dan konsumsi tanpa akhir
    • Masalahnya adalah tujuan inovasi teknologi bukan peningkatan produktivitas, melainkan penghematan biaya, terutama penghematan biaya tenaga kerja

  • Sangat menyedihkan melihat sulitnya mencari kerja yang dialami lulusan CS saat ini.
    Pada tahun 90-an, programmer pernah dianggap bukan pekerjaan yang terlalu bagus, tetapi setelah itu datang masa keemasan.
    Saya penasaran apakah ini juga hanya siklus berulang, atau memang zaman yang benar-benar berbeda

    • AI mungkin akan mengubah segalanya, tetapi pada akhirnya kemungkinan besar profesi ini akan kembali menjadi pekerjaan stabil setingkat kelas menengah. Gaji supertinggi seperti dulu mungkin akan lebih jarang
    • Saya juga mendengar hal serupa di dekat Silicon Valley pada awal 2000-an. Pertengahan 2010-an memang terlalu panas, dan sekarang sedang kembali normal. Gelar CS tidak otomatis menjamin kekayaan
    • Sebenarnya sekarang pasar kerja di semua bidang sedang sulit
    • Sebelum ledakan dot-com, kebanyakan orang bekerja sebagai “Programmer/Analyst” di perusahaan besar bergaji rendah. Butuh waktu lama untuk bisa masuk Silicon Valley, tetapi begitu berhasil masuk, dunianya berubah

  • Hal yang sulit saya pahami adalah, ketika lulusan baru seperti ini tidak bisa mendapat kerja, tenaga kerja visa H1B tetap terus masuk

    • Di perusahaan kami juga ada larangan merekrut onshore, dan hanya boleh merekrut offshore. Eksekutif berbohong dengan mengatakan ada “kekurangan talenta lokal”
    • Di perusahaan besar tempat saya bekerja, rasanya sudah 5 tahun sejak terakhir kali kami mewawancarai warga negara AS. Sementara itu, lulusan baru CS di sekitar saya tidak bisa mendapatkan pekerjaan
    • Sistem H1B awalnya dibuat untuk menarik talenta tingkat tinggi, tetapi dalam praktiknya sering disalahgunakan menjadi struktur eksploitasi tenaga kerja
    • H1B bukan soal kekurangan talenta, melainkan sistem untuk menekan upah dan menciptakan ketergantungan
    • Google juga sedang membangun tim paralel di India. Karena kesenjangan budaya makin kecil, offshore sekarang jauh lebih mudah dilakukan

  • Saya paham soal sulitnya mencari kerja.
    Namun, penting untuk memahami batas otomatisasi. Misalnya, Ocado di Inggris punya sistem logistik yang sangat otomatis, tetapi saat pandemi skalanya kurang fleksibel sehingga mereka tidak bisa menerima pelanggan baru.
    Sebaliknya, supermarket tradisional bisa cepat merespons dengan mempekerjakan orang.
    Pada akhirnya, yang penting adalah keseimbangan antara efisiensi dan fleksibilitas

    • Efisiensi cenderung berbanding terbalik dengan fleksibilitas. Di alam pun begitu.
      Masalahnya, efisiensi bisa diukur dengan angka, sedangkan fleksibilitas tidak

  • Saya memikirkan strategi “out of distribution” yang disebut penulis.
    Jika Anda membuat kemampuan Anda sangat unik, maka pekerjaan Anda juga menjadi unik. Artinya, peluang berkurang dan batasan lokasi makin besar.
    Saat menempuh PhD, saya juga meneliti topik yang hanya ada di sekitar 10 laboratorium di seluruh dunia, sehingga pekerjaannya pun langka.
    Pada akhirnya, riset inovatif pada dasarnya adalah pekerjaan yang menghilangkan pekerjaannya sendiri.
    Penghematan biaya dari otomatisasi tidak selalu kembali ke tenaga ahli tingkat tinggi, dan kemungkinan besar justru diserap menjadi laba

    • Namun, sisi yang memberi harapan adalah bahwa ke depan, pencocokan antara permintaan yang unik dan talenta yang unik itu sendiri mungkin bisa diotomatisasi
 
aer0700 2025-11-15

Efisiensi diukur dengan angka, tetapi fleksibilitas tidak — kalimat ini terasa sangat berkesan.