- Yang paling terancam oleh AI bukan pekerja berpenghasilan rendah, melainkan profesi berpendidikan tinggi dan bergaji tinggi: dampak AI lebih dulu datang ke bukan "pekerjaan mudah", tetapi "pekerjaan bagus"
- Programmer menempati peringkat 1 sebagai profesi yang paling terekspos. Dengan coverage 75%, ini adalah salah satu yang tertinggi di seluruh jenis pekerjaan, tetapi ironisnya justru orang yang paling banyak memakai coding agent adalah para developer itu sendiri
- Belum ada orang yang dipecat karena AI, tetapi pintu perekrutan junior diam-diam mulai tertutup: AI menggantikan manusia bukan dengan memecat karyawan yang ada, melainkan dengan tidak merekrut orang baru
- Sebagian besar pekerjaan yang secara teori bisa digantikan AI masih belum benar-benar tergantikan: untuk kelompok Computer & Math, coverage teoretis mencapai 94%, tetapi realisasinya baru 33%. Ini menjadi peringatan bahwa ruang yang masih bisa terisi ke depan sangat besar
- Perempuan dan pekerja berpendidikan tinggi lebih terekspos pada risiko substitusi oleh AI, dengan proporsi perempuan 16%p lebih tinggi. Banyak yang mengira AI akan mengancam "pekerjaan kerah biru laki-laki", tetapi data justru menunjukkan kebalikannya
Temuan utama (Key Findings)
- "Observed exposure" adalah metrik yang menggabungkan potensi teoretis LLM dan data penggunaan nyata untuk mengukur tingkat pemanfaatan tugas yang berfokus pada otomatisasi
- Penggunaan otomatis dan penggunaan yang terkait pekerjaan diberi bobot lebih tinggi
- Penggunaan AI di dunia nyata hanya mencakup sebagian dari potensi teoretisnya, dan proporsi tugas yang benar-benar digunakan AI dari seluruh tugas yang bisa dikerjakan AI masih rendah
- Semakin tinggi exposure suatu profesi, semakin rendah proyeksi pertumbuhan lapangan kerja hingga 2034 menurut BLS AS
- Pekerja di profesi dengan exposure tinggi rata-rata memiliki proporsi perempuan lebih tinggi, pendidikan lebih tinggi, upah lebih tinggi, dan usia lebih tua
- Sejak akhir 2022, belum ada bukti kenaikan tingkat pengangguran yang sistematis, tetapi perlambatan perekrutan baru di kalangan usia muda mulai teramati
Latar belakang dan tujuan riset
- Studi yang mencoba mengukur dan memprediksi dampak AI terhadap pasar tenaga kerja meningkat pesat, tetapi akurasi prediksi dari pendekatan sebelumnya memiliki keterbatasan
- Contoh representatifnya, sekitar 25% pekerjaan yang diklasifikasikan rentan terhadap offshoring masih mempertahankan pertumbuhan lapangan kerja yang kuat 10 tahun kemudian
- Studi tentang dampak robot industri terhadap pekerjaan menghasilkan kesimpulan yang saling bertentangan, dan skala kehilangan pekerjaan akibat guncangan perdagangan dengan Tiongkok juga masih diperdebatkan
- Tujuan riset ini adalah menetapkan pendekatan untuk mengukur dampak AI terhadap pekerjaan, lalu memperbarui analisisnya secara berkala setiap kali data baru tersedia
- Dengan membangun framework sebelum dampak AI sepenuhnya jelas, gangguan ekonomi dapat diidentifikasi dengan lebih andal dibanding analisis yang dilakukan setelah fakta terjadi
Inferensi kausal dan pembanding (Counterfactuals)
- Dalam kasus seperti COVID-19 yang dampaknya besar dan mendadak, inferensi kausal relatif mudah, tetapi dampak AI mungkin tidak langsung terlihat dalam data agregat seperti halnya penyebaran internet atau guncangan perdagangan dengan Tiongkok
- Pendekatan umum adalah membandingkan hasil antara profesi dengan tingkat exposure AI tinggi dan rendah untuk memisahkan efek AI dari variabel campuran
- Studi ini juga mengikuti pendekatan berbasis tugas, dengan menggabungkan pengukuran kemampuan AI secara teoretis dan data penggunaan nyata lalu mengagregasikannya pada level profesi
Cara mengukur exposure
- Menggabungkan tiga sumber data:
- Database O*NET: daftar task pekerjaan untuk sekitar 800 profesi di AS
- Data penggunaan Claude yang nyata berbasis Anthropic Economic Index
- Estimasi exposure teoretis per task (β) dari Eloundou et al. (2023): jika LLM dapat meningkatkan kecepatan task lebih dari 2x maka nilainya 1, jika butuh alat tambahan maka 0.5, jika tidak memungkinkan maka 0
- Alasan task yang secara teori mungkin dilakukan AI tidak muncul dalam penggunaan nyata mencakup keterbatasan model, batasan hukum, kebutuhan software, dan tahap verifikasi manusia
- Contoh: "menyampaikan informasi resep ke apotek dan menyetujui refill obat" memiliki exposure teoretis β=1, tetapi tidak teramati dalam penggunaan Claude yang nyata
- Exposure teoretis dan penggunaan nyata menunjukkan korelasi tinggi; 97% task yang teramati dalam empat laporan Economic Index sebelumnya termasuk dalam kategori β=0.5 atau β=1
Metrik observed exposure
- Observed exposure mengukur proporsi task yang secara teoretis bisa dipercepat oleh LLM dan benar-benar digunakan dalam bentuk otomatis di lingkungan kerja nyata
- Kondisi yang membuat exposure suatu profesi meningkat:
- Task tersebut secara teoretis mungkin dilakukan AI dan menunjukkan frekuensi penggunaan yang bermakna di Anthropic Economic Index
- Digunakan dalam konteks yang terkait pekerjaan
- Rasio otomatisasinya tinggi atau diterapkan melalui API (otomatisasi berbobot penuh, penggunaan augmentatif berbobot setengah)
- Proporsi task yang terdampak AI cukup besar dalam keseluruhan pekerjaan
- Kesenjangan antara coverage teoretis (biru) dan observed exposure nyata (merah) sangat besar; AI masih jauh dari kemampuan teoretisnya
- Kelompok Computer & Math: coverage teoretis 94%, coverage nyata 33%
- Kelompok Office & Admin: coverage teoretis 90%
Profesi dengan exposure tertinggi
- Tiga teratas dari 10 profesi dengan observed exposure tertinggi:
- Computer Programmers: coverage 75% (Claude digunakan secara luas untuk coding)
- Customer Service Representatives: task utama dalam traffic API first-party menunjukkan tren naik
- Data Entry Keyers: otomatisasi sangat menonjol pada task utama membaca dokumen sumber dan memasukkan data, dengan coverage 67%
- 30% dari seluruh pekerja memiliki coverage 0, artinya task mereka tidak mencapai ambang minimum
- Contoh kelompok ini: koki, mekanik sepeda motor, lifeguard, bartender, pencuci piring, petugas ruang ganti
Hubungan antara exposure dan prospek kerja versi BLS
- Ketika proyeksi pertumbuhan lapangan kerja per profesi BLS 2024–2034 dibandingkan dengan observed exposure, hasilnya menunjukkan bahwa semakin tinggi exposure, semakin lemah prospek pertumbuhannya
- Setiap kenaikan coverage 10%p berkorelasi dengan penurunan 0.6%p dalam proyeksi pertumbuhan BLS (berdasarkan regresi berbobot tingkat pekerjaan)
- Korelasi ini tidak muncul jika hanya memakai metrik β teoretis dari Eloundou et al. → menunjukkan bahwa observed exposure adalah indikator prediktif yang secara independen lebih berguna
Karakteristik demografis pekerja di profesi dengan exposure tinggi
- Berdasarkan periode tepat sebelum peluncuran ChatGPT (Agustus–Oktober 2022), perbandingan antara 25% teratas exposure dan kelompok 0% exposure menunjukkan:
- Kelompok exposure tinggi 16%p lebih mungkin perempuan
- 11%p lebih mungkin berkulit putih, dan kemungkinan beretnis Asia sekitar 2x lebih tinggi
- Upah rata-ratanya 47% lebih tinggi
- Proporsi lulusan pascasarjana: kelompok non-exposed 4.5% vs kelompok exposure tinggi 17.4% (selisih hampir 4x)
Hasil analisis tingkat pengangguran
- Tingkat pengangguran dipilih sebagai indikator utama analisis karena paling langsung menangkap kondisi orang yang ingin bekerja tetapi belum mendapatkan pekerjaan
- Dalam tren tingkat pengangguran sejak 2016, pada masa COVID-19 tingkat pengangguran kelompok non-exposed (dengan proporsi profesi tatap muka lebih tinggi) naik jauh lebih besar
- Setelah peluncuran ChatGPT, perubahan tingkat pengangguran pada kelompok exposure tinggi tidak signifikan secara statistik (ada sedikit kenaikan, tetapi tidak bisa dibedakan secara meyakinkan dari nol)
- Contoh skenario yang bisa dideteksi framework ini:
- Jika 10% teratas semuanya di-PHK, tingkat pengangguran kelompok itu naik dari 3% → 43%, dan tingkat pengangguran total dari 4% → 13%
- Skenario "resesi besar white-collar" (tingkat pengangguran 25% teratas naik dari 3% → 6%) juga dapat dideteksi oleh analisis ini
Tanda perlambatan perekrutan kaum muda
- Brynjolfsson et al. (2025) menganalisis bahwa pekerjaan di profesi dengan exposure tinggi untuk pekerja usia 22–25 tahun turun 6–16%, dan penyebab utamanya adalah penurunan perekrutan, bukan peningkatan PHK
- Dalam studi ini, tingkat pengangguran kaum muda di profesi dengan exposure tinggi sendiri tetap datar
- Penurunan perekrutan bisa tidak tercermin dalam tingkat pengangguran: banyak pendatang baru usia muda mungkin tidak mencatat profesi di CPS atau keluar dari pasar kerja sama sekali
- Dengan menggunakan data panel CPS, tingkat pekerjaan baru usia 22–25 tahun dilacak dengan memisahkan profesi ber-exposure tinggi/rendah
- Sejak 2024, tingkat masuk ke profesi ber-exposure tinggi mulai tampak menurun secara visual
- Tingkat pekerjaan bulanan profesi ber-exposure rendah stabil di 2%, tetapi tingkat masuk ke profesi ber-exposure tinggi turun sekitar 0.5%p
- Estimasi rata-rata periode setelah ChatGPT: tingkat pekerjaan di profesi ber-exposure tinggi turun 14% dibanding 2022 (secara statistik hanya nyaris signifikan)
- Penurunan serupa tidak teramati pada pekerja berusia di atas 25 tahun
- Namun ada juga interpretasi alternatif: kaum muda yang tidak direkrut mungkin tetap bertahan di pekerjaan lama, memilih profesi lain, atau kembali menempuh pendidikan
Keterbatasan studi dan rencana ke depan
- Metrik Eloundou et al. yang digunakan saat ini perlu diperbarui karena masih berbasis kemampuan LLM awal 2023
- Ke depan, Anthropic berencana terus memasukkan data penggunaan Claude untuk memperbarui tren coverage per task dan profesi
- Tugas lanjutan utama adalah melacak bagaimana lulusan baru dengan gelar di bidang yang sangat terekspos merespons pasar tenaga kerja
- Framework ini juga dapat diperluas ke data penggunaan lain dan konteks negara lain
1 komentar
Opini Hacker News
Saya bekerja di Big Tech selama 10 tahun terakhir lalu keluar sebulan yang lalu
Bekerja di luar perusahaan rasanya produktivitas saya naik 50x
Kalau melihat dampak AI terhadap produktivitas, LLM unggul dalam (1) menulis kode boilerplate, (2) mengonversi kode antarbahasa, (3) mempelajari dan merangkum konsep baru, (4) tugas sederhana seperti dokumentasi
Namun di perusahaan besar, hal-hal seperti ini tidak terlalu sering terjadi. Sebagian besar waktu habis untuk rapat dan integrasi sistem
Satu-satunya saat AI benar-benar membantu adalah saat hackathon. Selain itu, justru pekerjaan bertambah
Sebaliknya, saat bekerja secara independen, saya merasakan peningkatan produktivitas besar di keempat hal itu. Kekhawatiran soal masalah hukum atau bug deployment juga lebih kecil
Pada akhirnya, tergantung “siapa yang memakainya”, AI bisa menjadi game changer, atau tidak sama sekali
Tapi kalau memberi AI root access atas hidup Anda, yang tersisa hanya kekecewaan. AI selalu butuh kendali arsitek
Saya membiarkan AI menulis email, tetapi saya sendiri yang menekan kirim. Saya izinkan akses data, tetapi keputusan akhir tetap saya yang ambil
Karena pelajaran dari masa MongoDB, saya berhati-hati terhadap teknologi baru. Sekarang saya membuat wrapper sendiri dengan Elixir, lalu membangun otomasi dengan Ash framework dan Phoenix
Saya memakai beberapa model secara paralel agar tidak ada satu perusahaan pun yang mengetahui seluruh data saya. Tantangan sebenarnya adalah privasi
Tapi di perusahaan besar, menulis kode hanya sekitar 20% dari seluruh pekerjaan, jadi 80% sisanya tetap menjadi bottleneck
Saya ingin bertanya kepada orang-orang yang bilang mereka tidak merasakan peningkatan produktivitas dari AI, sebenarnya macetnya di mana?
Saya menjelaskan workflow saya di komentar sebelumnya, dan bahkan di codebase legacy saya memangkas setengah tahapan
Sekarang saya hampir tidak menulis kode langsung, hanya meninjau perubahan yang diusulkan LLM. Hasilnya sangat bagus sampai terasa menakutkan
Kalau pekerjaan jadi lebih cepat, ya lakukan lebih banyak pekerjaan. Kami mengembalikan hasilnya ke komunitas dan menciptakan nilai nyata
Tapi pada kode yang kompleks, malah sering berujung pada penurunan kualitas. Kalau ingin kode yang bisa dirawat, lebih baik dikerjakan sendiri
Implementasi awal memang cepat, tapi tahap debugging tampaknya akan memakan waktu jauh lebih lama
AI mengabaikan instruksi dan membereskan kode dengan kacau, sehingga biayanya justru jadi 5x lebih besar
Meski begitu, saya dengar sejak Desember sudah ada perbaikan, jadi saya akan mencobanya lagi
Masih sebatas pengganti Stack Overflow
Saya lebih menangani operasional dan maintenance daripada menulis kode
Sejauh ini AI hampir tidak berdampak pada pekerjaan saya. Justru Docker yang membawa perubahan jauh lebih besar
Fungsi dasar pun sering salah dibuat, dan error logika juga sering muncul
Teknologi seperti cloud, Terraform, dan Ansible membawa perubahan yang jauh lebih besar
Seperti di dokumen wiki, teknologinya terlihat jelas tetapi belum tampak di statistik
Sekarang kami bahkan mempertimbangkan mengurangi PM dan engineering manager. Ini perubahan terbesar dalam 35 tahun karier saya
Karena kami NGO kecil, dengan AI kami bisa menangani lebih banyak pekerjaan dengan dana yang sama. Karena itu kecepatan belajar dan kualitas juga meningkat
Tapi jumlah pekerjaannya tidak berkurang. Malah jadi mengerjakan lebih banyak hal
Sebagai developer, produktivitas saya naik dua kali lipat, tapi beban kerja tetap sama
Ekspektasi ikut naik, jadi pada akhirnya yang terjadi hanya jadwal makin terkompresi
Proyek yang sedang saya jalankan sekarang punya skala yang bahkan tak akan saya coba tanpa AI
Tetapi saya tetap tidak sepenuhnya percaya pada output LLM. Bahkan menjalankan SwiftLint pun terasa menakutkan
Meski begitu, kecepatan proyek meningkat luar biasa. Dulu butuh 2 tahun, sekarang dalam sebulan sudah lebih dari separuh selesai
Saya rasa dampak nyata AI tidak terlalu besar
Orang yang pandai memakai AI memang sedikit lebih produktif, tetapi kalau itu terlihat, beban kerja akan naik 10x
Perubahan yang benar-benar terasa justru ada pada developer indie atau freelancer
Saya tidak percaya pada omongan perusahaan yang menjual produk AI
Rekan di tim marketing hanya mengerjakan pekerjaan palsu dengan LLM resmi perusahaan (Gemini),
sedangkan pekerjaan sungguhan diselesaikan dengan Claude di akun pribadi
Alasannya, mereka takut perusahaan mengumpulkan prompt untuk melatih model pengganti dirinya
Perusahaan berhenti merekrut junior
Sekarang lebih efisien menyerahkan pekerjaan yang dulu mereka tangani kepada AI
Namun ini hanya masa penyesuaian sementara. Ke depan, ketika bentuk keahlian berubah, perekrutan akan dimulai lagi
Masalahnya bukan AI, melainkan faktor makroekonomi seperti struktur pendapatan
Saya bertanya-tanya apakah mereka hanya memperkirakan dampak dari frekuensi kemunculan di log Claude
Itu seperti penjual snake oil yang mensurvei pelanggannya sendiri lalu menyimpulkan “dokter tidak diperlukan”
Seluruh interpretasi datanya berdiri di atas premis yang benar-benar terdistorsi