Ribuan CEO mengakui AI belum berdampak pada lapangan kerja maupun produktivitas

• Dari perusahaan S&P 500, 374 perusahaan menyebut AI dalam paparan kinerja, tetapi dalam survei terhadap 6.000 eksekutif, sekitar 90% menjawab bahwa AI tidak berdampak pada lapangan kerja maupun produktivitas selama tiga tahun terakhir
• Paradoks produktivitas yang diajukan peraih Nobel Ekonomi 1987 Robert Solow kembali muncul di era AI, dengan efek AI belum terlihat dalam data makroekonomi
• Waktu penggunaan AI oleh para eksekutif hanya sekitar 1,5 jam per minggu, dan 25% responden sama sekali tidak menggunakan AI di tempat kerja
• Dalam survei ManpowerGroup, penggunaan rutin AI pada 2025 naik 13%, tetapi tingkat kepercayaan terhadap teknologi turun 18%
• Ada preseden ketika ledakan IT pada 1970-an~1980-an baru berujung pada lonjakan produktivitas pada 1990-an, sehingga AI juga berpotensi tumbuh setelah jeda berbentuk kurva J

---

Paradoks produktivitas Solow dan AI

• Pada 1987, ekonom Robert Solow mengamati bahwa meski transistor, mikroprosesor, sirkuit terpadu, dan chip memori telah muncul, laju pertumbuhan produktivitas justru turun dari 2,9% pada 1948~1973 menjadi 1,1% setelah 1973
• Ia meninggalkan ungkapan terkenal, "Era komputer terlihat di mana-mana, tetapi tidak terlihat dalam statistik produktivitas"
• Saat itu komputer justru menghasilkan informasi berlebihan, termasuk mencetak laporan yang terlalu rinci dalam jumlah besar, sehingga menghambat produktivitas

Hasil survei CEO: dampak nyata AI masih minim

• Dari September 2024 hingga 2025, 374 perusahaan S&P 500 menyebut AI dalam paparan kinerja dan menilai adopsinya secara positif
  • Namun, belum ada cerminan yang jelas pada indikator produktivitas makro
• Dalam studi yang dirilis bulan ini, NBER (National Bureau of Economic Research) melakukan survei terhadap 6.000 eksekutif di AS, Inggris, Jerman, dan Australia
• Sekitar dua pertiga menjawab bahwa mereka menggunakan AI, tetapi waktu pemakaiannya hanya sekitar 1,5 jam per minggu
• 25% responden sama sekali tidak menggunakan AI di tempat kerja
• Sekitar 90% perusahaan menjawab bahwa AI tidak berdampak pada lapangan kerja maupun produktivitas selama tiga tahun terakhir
• Meski begitu, para eksekutif memperkirakan dalam tiga tahun ke depan AI akan meningkatkan produktivitas 1,4% dan output 0,8%
• Perusahaan memperkirakan lapangan kerja turun 0,7%, tetapi pekerja individual justru memperkirakan kenaikan lapangan kerja 0,5%

Hasil yang saling bertolak belakang antar riset akademik

• Studi MIT pada 2023 menyatakan bahwa adopsi AI dapat meningkatkan kinerja pekerja hingga 40%
• Namun hingga 2024, investasi AI perusahaan melonjak menjadi lebih dari US$250 miliar, sementara peningkatan produktivitas yang dijanjikan belum terwujud
• Kepala ekonom Apollo, Torsten Slok, mengatakan "AI tidak terlihat dalam data ketenagakerjaan, data produktivitas, maupun data inflasi"
  • Di luar Magnificent Seven, juga belum ada tanda efek AI pada margin laba maupun prospek pendapatan
• Federal Reserve Bank of St. Louis mengumumkan bahwa sejak adopsi ChatGPT, pertumbuhan produktivitas kumulatif meningkat lebih dari 1,9%
• Sebaliknya, studi MIT 2024 oleh peraih Nobel Daron Acemoglu menyajikan angka yang lebih konservatif, yakni kenaikan produktivitas 0,5% dalam 10 tahun ke depan
  • Acemoglu menilai, "0,5% tidak boleh diremehkan, tetapi dibandingkan dengan apa yang dijanjikan industri dan media, ini adalah tingkat yang mengecewakan"

Turunnya kepercayaan pekerja dan respons perusahaan

• Dalam survei 2026 Global Talent Barometer dari ManpowerGroup (sekitar 14.000 pekerja di 19 negara), penggunaan rutin AI pada 2025 naik 13%, tetapi kepercayaan terhadap kegunaan teknologi turun 18%
• CHRO IBM, Nickle LaMoreaux, mengumumkan pekan lalu bahwa IBM akan melipatgandakan perekrutan lulusan baru hingga 3 kali
  • AI memang dapat mengotomatisasi sebagian pekerjaan, tetapi jika tenaga junior digantikan, hal itu bisa memicu kekurangan manajer menengah dan krisis pipeline kepemimpinan di masa depan

Prospek masa depan produktivitas AI

• Ledakan IT pada 1970-an~1980-an memiliki preseden: setelah puluhan tahun stagnasi, periode 1995~2005 diikuti kenaikan laju produktivitas sebesar 1,5%
• Direktur Stanford Digital Economy Lab, Erik Brynjolfsson, menangkap sinyal lonjakan produktivitas dari fakta bahwa GDP kuartal IV mencatat pertumbuhan 3,7%, sementara pertambahan pekerjaan direvisi turun menjadi 181.000
  • Menurut analisis internalnya, produktivitas AS tahun lalu naik 2,7%, yang ia tafsirkan sebagai transisi dari fase investasi AI ke fase panen manfaat nyata
• Mantan CEO Pimco, Mohamed El-Erian, juga mengatakan bahwa berkat adopsi AI, sedang terjadi decoupling antara pertumbuhan lapangan kerja dan pertumbuhan GDP, fenomena yang mirip dengan masa otomasi perkantoran pada 1990-an
• Slok menganalisis bahwa dampak AI di masa depan bisa mengikuti kurva J, yakni performa awal yang lambat lalu melonjak tajam
  • Namun berbeda dari IT pada 1980-an, alat AI saat ini mudah diakses karena harga turun akibat persaingan sengit antar LLM
  • Karena itu, masa depan produktivitas AI tidak ditentukan oleh nilai produk itu sendiri, melainkan oleh bagaimana tiap sektor ekonomi memanfaatkan dan mengimplementasikan AI generatif

[GN⁺]

Komentar Hacker News

• Tulisan ini bukan mengkritik perdebatan produktivitas AI, melainkan menjelaskannya sebagai ‘fenomena yang sudah diduga’ berdasarkan paradoks produktivitas Solow (Productivity paradox)
  Pada 1970~80-an pun investasi TI sangat besar, tetapi keuntungan bersih bagi ekonomi secara keseluruhan baru terlihat jauh belakangan, yakni pada pertengahan hingga akhir 1990-an
  Alasannya, pada tahap awal biayanya terlalu besar dan trial-and-error sangat banyak. AI juga sama: sekarang butuh banyak uang dan waktu, tetapi jika integrasi dan efisiensi makin membaik, produktivitas akan naik

  • Masih banyak orang yang belum benar-benar tahu cara memanfaatkan AI
    Bahkan di Hacker News yang akrab dengan teknologi, banyak orang percaya bahwa “AI tidak bisa menghasilkan kode”
    Bahkan teman yang pernah bekerja di Amazon pun tidak tahu bahwa hasil berkualitas tinggi dari ChatGPT baru keluar jika fitur “thinking” diaktifkan. Sulit mengharapkan dampak yang benar-benar inovatif sebelum orang terbiasa dengan cara memakainya
  • Sebagai jawaban klasik untuk topik ini, direkomendasikan Paul David, The Dynamo and the Computer
    Tautan PDF asli
  • Dari sisi biaya, perbandingannya terasa kurang tepat
    Misalnya, biaya langganan Claude hanya sekitar $20 per karyawan per bulan, mirip alat seperti Slack
    Berbeda dengan masa pekerja kantoran belajar komputer pada 1970-an, onboarding-nya sangat sederhana, dan efek jangka pendek pun sebagian sudah mulai terlihat
  • Ledakan produktivitas TI pada 1990-an terjadi berkat konektivitas internet (connectivity)
    Ketika jutaan komputer terhubung ke jaringan, barulah muncul dampak ekonomi yang sesungguhnya
  • Artikel Fortune terbaru juga menyajikan data bahwa AI telah memasuki fase J-curve
    Analisis terkait juga bisa dilihat di artikel FT dan tulisan Apollo Academy

• Saya memandang perusahaan besar sebagai sistem terdistribusi yang berjalan di atas hardware cacat (manusia)
  Setiap individu (CPU) cepat, tetapi ada banyak latensi karena rapat, menunggu persetujuan, pekerjaan yang tidak bisa diparalelkan, dan sebagainya
  Sebelum upgrade, kita harus tahu dulu apakah bottleneck-nya ada di I/O atau di CPU

  • Saat perusahaan kami mulai mendorong adopsi AI, seorang developer senior berkata bahwa masalahnya bukan kecepatan coding, melainkan bottleneck I/O
    Proyek terlalu banyak sehingga sulit fokus, memicu masalah caching juga, dan pada akhirnya bottleneck malah makin parah
  • Karyawan berpengalaman itu seperti semacam cache L2
    Memori organisasi harus bisa diambil dan dipakai dengan cepat. Jika tidak ada cache, pemecahan masalah jadi lama; dan jika informasi yang salah masuk ke cache, semua orang akan mempercayainya lalu bergerak ke arah yang salah
  • Startup baru diuntungkan karena bisa dirancang sejak awal dengan struktur agent-first
    Kualitas akhirnya mungkin lebih rendah, tetapi jauh lebih lincah dan efisien dari sisi biaya
  • Analogi yang membandingkan sistem terdistribusi dengan dinamika organisasi ini menarik
  • Tapi kalau begitu, muncul pertanyaan kenapa kita masih belum melihat proyek open source luar biasa buatan developer individu atau perusahaan kecil yang didorong AI

• Sebagian besar pekerjaan white-collar adalah berpikir dan berbicara
  Coding ternyata porsi implementasinya lebih besar daripada yang dibayangkan, tetapi profesi lain terdiri dari rapat, penyelarasan, pembuatan slide, positioning pasar, dan sebagainya
  Alat seperti Cowork bisa membantu menelusuri file, merapikan tiket, menulis rumus Excel, dan lain-lain
  Namun kode adalah hasil dari keputusan bisnis, sehingga merupakan bentuk yang paling cocok untuk otomasi LLM
  Sebaliknya, profesi lain mungkin hanya menjadi lebih cepat, tetapi otomatisasi penuh masih terasa jauh

  • Saya tidak tahu ada peran engineering apa yang bisa dijalankan tanpa rapat atau koordinasi
    Pada akhirnya hampir semua engineering tetap membutuhkan diskusi dan penyelarasan
  • Bagi saya, berpikir adalah bottleneck terbesar
    Untuk menghasilkan kode berkualitas baik, saya perlu berpikir dua kali lebih banyak daripada menulis kode
  • Pembuatan slide memang sudah banyak diserahkan ke LLM, tetapi kenaikan produktivitasnya tidak linear
    Menghemat satu jam belum tentu berarti kita melakukan pekerjaan lain yang lebih bernilai. Sebaliknya, slide yang tidak akurat justru bisa menimbulkan kerugian karena harus diperbaiki orang lain
  • Bagi saya selalu rasio berpikir:coding itu 80:20
    Dengan LLM, saya hanya bisa menghasilkan lebih banyak kode dengan jumlah pemikiran yang sama
  • Bidang yang punya banyak aturan dan tata bahasa yang ambigu punya kemungkinan besar untuk diautomasi AI
    Misalnya, Hazel.ai memberi perencanaan pajak dan investasi yang lebih baik daripada 90% RIA di AS
    Karena itu, biaya RIA diperkirakan turun dari 1% menjadi sekitar 0,1~0,2%

• Sebagai engineer senior, bagian yang terasa lambat bukan menulis kode, melainkan proses review dan approval
  Review kode, mengumpulkan masukan stakeholder, keterlambatan testing, dokumentasi, presentasi, dan lain-lain
  Proses peninjauan seperti ini terus berulang bahkan di dalam organisasi, sehingga menciptakan bottleneck

• Semakin dekat ke singularity, dunia menjadi makin kacau dan sulit diprediksi
  Dalam perubahan yang sangat cepat, semuanya terasa seperti noise
  Saat ini mungkin yang perlu ditanyakan hanyalah, “apakah dunia menjadi lebih bisa diprediksi, atau justru semakin tidak bisa diprediksi?”

• Jika melihat makalah asli NBER,
  ada data tentang tingkat adopsi AI per industri (A6), dampaknya pada lapangan kerja (A11), dan dampaknya pada produktivitas (A12)
  Industri yang banyak bersentuhan dengan pelanggan atau berpusat pada produk fisik (konstruksi, ritel) menunjukkan dampak AI yang rendah
  Menariknya, sektor akomodasi dan makanan justru berada di peringkat 4 dampak produktivitas tertinggi

• Perusahaan kami masih lambat dalam mengadopsi AI
  Hari ini kami mendapat tekanan bahwa “kalau penggunaan AI terlalu rendah, itu bisa buruk”
  Mungkin 6 bulan sampai 1 tahun lagi kesimpulannya akan jadi “ternyata ini pemborosan uang”

  • Pada akhirnya manajemen tidak tahu arahnya dan menyuruh karyawan mencari jalannya sendiri
    Tidak jauh beda dengan menyuruh orang menulis penilaian kinerjanya sendiri

• Melihat uji coba AI di Fortune 500, termasuk Microsoft Copilot,
  masih banyak perusahaan besar yang tidak benar-benar memahami kemampuan AI
  Eksekutif tingkat tinggi bahkan tidak mencobanya sendiri karena malas

  • LLM berguna untuk tugas yang repetitif dan jelas, tetapi untuk pekerjaan kantor umum, ia agak dinilai berlebihan
    Menulis email, membuat slide, mencari informasi, semua itu sebenarnya sudah cukup mudah
    Kekuatan sejatinya ada pada pekerjaan level rendah seperti transkripsi, terjemahan, pengenalan gambar, dan pemecahan masalah berbasis API
    Memang inovatif, tetapi bukan ‘akselerator serbaguna’
  • Seperti pepatah “memberi joran tapi tidak mengajari cara memakai reel berarti tetap tidak bisa memancing”
    Ketiadaan pelatihan adalah penyebab turunnya produktivitas
  • Orang yang sekarang terkesan dengan AI kebanyakan adalah developer, sedangkan yang skeptis justru pekerja non-developer
    Khususnya Microsoft Copilot terasa sebagai implementasi terburuk di antara produk AI, sehingga mengecewakan
    Akibatnya, hampir tidak ada yang benar-benar merasakan peningkatan produktivitas

• Dari sudut pandang karyawan, LLM mungkin terasa seperti cheat code untuk pekerjaan rumah,
  tetapi dari sudut pandang CEO, itu terlihat seperti ledakan konten yang harus direview (DDoS)
  Saat menerima dokumen 155 halaman lewat WhatsApp atau PR yang membanjir,
  muncul masalah “siapa yang akan meninjau semua ini?”

• Pada akhirnya AI adalah pengganda risiko
  Sekarang kita sedang melangkah membabi buta ke dalam peristiwa sekelas pemanasan global di dunia komputasi