- Data saat ini belum menunjukkan penurunan lapangan kerja besar-besaran pada pekerjaan dengan paparan AI tinggi, tetapi ada kemungkinan AI turut memengaruhi lemahnya perekrutan lulusan baru dan pekerja kantoran muda
- Sejak 2022, tingkat pengangguran naik 0,77 poin persentase pada 20% pekerjaan dengan paparan AI tertinggi dan 0,85 poin persentase pada 20% pekerjaan dengan paparan AI terendah, sehingga ini lebih mendekati perlambatan pasar tenaga kerja secara keseluruhan daripada PHK akibat AI
- AI generatif umumnya meningkatkan kecepatan dalam dukungan pelanggan, coding, penulisan, dan pekerjaan hukum, tetapi dampaknya berbeda menurut tugas dan tingkat keahlian, serta juga memunculkan ketidakakuratan, saran yang keliru, dan penyeragaman kreativitas
- Tingkat adopsi AI di perusahaan berbeda-beda dari sekitar 20% hingga lebih dari 80% tergantung survei, dan memang meningkat cepat, tetapi sebagian besar masih berada pada tahap eksperimen dan pilot untuk beberapa fungsi saja sehingga dampaknya pada pekerjaan masih kecil
- Bukti awal saja belum cukup untuk memastikan dampak jangka panjang AI terhadap pekerjaan, dan kecepatan adopsi serta lamanya reorganisasi organisasi akan menentukan besarnya guncangan pasar tenaga kerja dan ruang respons kebijakan
Bukti yang mendukung PHK massal akibat AI masih kurang
- Kekhawatiran bahwa AI akan segera mengguncang besar pasar tenaga kerja kerah putih makin besar, dan CEO Anthropic Dario Amodei memperkirakan AI dapat menghapus setengah pekerjaan kerah putih dan mendorong pengangguran hingga 20%
- Dalam data agregat saat ini, hampir tidak ada bukti bahwa AI sudah menyebabkan penurunan pekerjaan yang serius
- Sejak 2022, tingkat pengangguran naik 0,77 poin persentase pada 20% pekerjaan dengan paparan AI tertinggi dan 0,85 poin persentase pada 20% pekerjaan dengan paparan AI terendah
- Ini menunjukkan pelemahan pasar tenaga kerja secara umum, bukan guncangan yang khusus menimpa pekerjaan yang terekspos AI
- Tren pekerjaan pada profesi dengan paparan AI tinggi juga relatif stabil
- Pertumbuhan lapangan kerja pada profesi dengan porsi coding tinggi memang melambat, tetapi masih positif
- Tidak ada bukti bahwa adopsi AI mengurangi lowongan kerja yang dipasang perusahaan
- Lowongan untuk software developer dalam setahun terakhir meningkat lebih cepat dibanding profesi lain
- Pekerjaan di perusahaan yang mengadopsi AI untuk perusahaan meningkat 10% dalam dua tahun berikutnya, dan pertumbuhan ini dipimpin oleh perusahaan dengan pengeluaran AI per karyawan tertinggi
- Pengumuman PHK yang menyebut AI juga memiliki penyebab nyata yang berbeda-beda
- Sebagian pengurangan karyawan yang terbatas mungkin terkait dengan otomatisasi AI
- Pengurangan lain tampaknya berasal dari upaya menyiapkan dana tunai untuk investasi AI atau penyesuaian terhadap perekrutan berlebihan pada masa pandemi
- Para praktisi HR menilai pengaruh AI lebih jelas terlihat bukan pada PHK langsung, melainkan pada penggabungan peran dan penghindaran perekrutan baru untuk pekerjaan yang bisa diotomatisasi
- Bisa jadi ada dampak pada kelompok tertentu yang tidak tampak dalam statistik agregat, terutama dengan sinyal negatif pada permintaan terhadap pekerja kantoran muda
Hubungan antara penurunan perekrutan lulusan baru dan AI
- Tingkat pengangguran lulusan baru naik menjadi 5,6% pada awal 2026, naik 1,6 poin persentase dibanding tiga tahun sebelumnya
- Pekerjaan level awal memiliki banyak tugas seperti riset rutin, analisis, dan penulisan yang sebagian besar bisa dilakukan AI, sehingga permintaan perekrutan baru bisa melemah
- Dalam riset Brynjolfsson·Chandar·Chen, setelah peluncuran ChatGPT pada 2022, perekrutan pekerja awal karier di profesi yang terekspos AI seperti software developer dan petugas layanan pelanggan menurun jelas
- Pekerjaan pekerja yang lebih tua di profesi yang sama relatif stabil atau terus meningkat
- Para peneliti mengibaratkan pekerja muda sebagai “burung kenari di tambang batu bara” yang pertama merasakan guncangan AI di pasar tenaga kerja
- Studi lanjutan di AS dan Inggris juga menemukan dampak negatif serupa pada perekrutan pekerja muda yang terekspos AI sejak 2022
- Namun, waktu penurunan itu sulit dijelaskan hanya dengan AI
- Pada 2022, kemampuan model AI saat itu masih sangat terbatas
- Federal Reserve AS mulai menaikkan suku bunga secara agresif sejak Maret 2022 untuk melawan inflasi, beberapa bulan sebelum ChatGPT dirilis
- Kedua studi itu menganalisis bahwa penurunan perekrutan di profesi yang terekspos AI dimulai setelah perubahan kebijakan moneter dan sebelum peluncuran ChatGPT
- Perekrutan berlebihan pada masa pandemi dan meluasnya kerja jarak jauh juga bisa berpengaruh
- Kerja jarak jauh dapat memperlambat pembelajaran di tempat kerja dan menurunkan nilai perekrutan pekerja muda, dan setelah pandemi perekrutan pada profesi yang ramah kerja jarak jauh mulai lebih condong ke pekerja berpengalaman
- Dalam analisis tambahan yang mengendalikan faktor pengacau, penurunan pekerjaan pekerja level awal menjadi menonjol mulai 2024
- Penurunan sekitar 2022 kemungkinan dipengaruhi faktor selain AI
- Pada 2024, adopsi AI dan kemampuan model berkembang pesat sehingga kemungkinan dampak langsung AI menjadi lebih tinggi
- Jelas bahwa perekrutan pada profesi level awal yang terekspos AI turun tajam sekitar 2022, tetapi masalah memisahkan dampak kausal AI dari guncangan makroekonomi masih belum terselesaikan
Produktivitas umumnya meningkat, tetapi dampaknya tidak merata
- Dalam eksperimen, chatbot dan alat coding sering kali meningkatkan kinerja kerja secara relatif lebih besar bagi pekerja dengan pengalaman dan performa yang lebih rendah
- Asisten AI generatif di call center besar meningkatkan produktivitas keseluruhan sebesar 15%
- Jumlah masalah yang diselesaikan per jam oleh agen pemula dan berkeahlian rendah naik 30%
- Pada agen berkeahlian tinggi tidak ada peningkatan performa, dan kualitas respons sedikit menurun
- Dalam eksperimen GitHub Copilot, pekerjaan pengembangan software menjadi 56% lebih cepat, dan peningkatan terutama terkonsentrasi pada developer yang kurang berpengalaman
- Dalam eksperimen lapangan perusahaan yang terpisah, dampak pada produktivitas pengembangan berkisar 10~30% tergantung perusahaan
- ChatGPT mengurangi waktu menulis pada semua kelompok tingkat keahlian, dan juga meningkatkan kualitas hasil pekerja dengan kemampuan menulis lebih rendah
- Peningkatan kecepatan juga diamati pada pekerjaan hukum seperti penyusunan kontrak oleh pengacara muda dan pada penulisan catatan medis
- Dampak alat pencatatan AI medis kecil, dan karena ketidakakuratan yang kadang muncul, tetap diperlukan pengawasan dokter
- Setiap studi memiliki jenis tugas dan durasi yang berbeda, dan sebagian bukan eksperimen acak, sehingga sulit membandingkan besaran dampaknya secara langsung
Kemampuan yang berubah-ubah menurut tugas dan biaya penilaian
- Kinerja AI menunjukkan batas bergerigi (jagged frontier) yang bisa sangat positif atau sangat negatif tergantung tugas yang diterapkan
- Di tempat kerja nyata, karyawan harus memutuskan kapan dan bagaimana menggunakan AI, serta menilai apakah hasilnya berguna atau perlu revisi tambahan
- Dalam eksperimen terhadap wirausahawan Kenya, wirausahawan berkeahlian rendah yang menggunakan AI memiliki pendapatan dan laba lebih rendah daripada kelompok yang mengembangkan bisnis tanpa AI
- Pengguna berkeahlian rendah lebih mungkin menjalankan saran AI yang umum dan tidak sesuai dengan situasi mereka
- Wirausahawan yang berkinerja baik mampu mengekstrak saran yang lebih sesuai dengan kebutuhan bisnis mereka
- AI dapat meningkatkan kualitas hasil individu sambil mengurangi keberagaman ide dalam kelompok
- Dalam penulisan kreatif, kualitas cerita dari peserta berkeahlian rendah meningkat, tetapi cerita yang menggunakan AI jauh lebih mirip satu sama lain dibanding cerita yang ditulis manusia
- Ilmuwan yang mengadopsi alat AI menerbitkan lebih banyak paper, tetapi jumlah total topik penelitian dan pertukaran antarilmuwan menurun
Mengapa perbaikan pada tugas individual tidak langsung menjadi produktivitas seluruh ekonomi
- Porsi tugas yang bisa dipersingkat AI secara menguntungkan mungkin masih kecil dalam keseluruhan ekonomi
- Bottleneck pada proses yang tidak bisa didukung AI dapat membatasi peningkatan produktivitas secara keseluruhan
- Saat mengadopsi teknologi baru, perusahaan harus menata ulang fungsi kerja dan melakukan investasi pelengkap, sehingga produktivitas terukur justru bisa turun pada tahap awal
- Dampak yang terlihat dalam eksperimen umumnya ditujukan pada tugas tertentu dan periode singkat, sehingga tidak sama dengan dampak produktivitas jangka panjang pada seluruh ekonomi
- AI pada akhirnya mungkin meningkatkan produktivitas, tetapi pada kecepatan adopsi perusahaan saat ini hal itu mungkin belum terlihat dalam statistik produktivitas agregat
Adopsi perusahaan yang cepat tetapi tidak merata
- Apakah transisi AI terjadi dalam 3 tahun atau 20 tahun sangat mengubah persoalan kebijakan
- Transisi yang tajam dapat mendorong banyak pekerja keluar pada saat yang sama
- Transisi yang lambat memberi waktu bagi pekerja dan pembuat kebijakan untuk beradaptasi
- Semua survei perusahaan melihat penggunaan AI meningkat cepat, tetapi estimasi tingkat adopsi sangat berbeda
- Survei nasional representatif BTOS dari Biro Sensus AS memperkirakan sekitar 20% perusahaan menggunakan AI
- Dalam survei terhadap eksekutif perusahaan AS, lebih dari 80% karyawan menggunakan AI dalam pekerjaan
- Di antara pelanggan Ramp, lebih dari 50% mengeluarkan biaya untuk alat atau vendor AI
- Dalam survei rumah tangga nasional representatif, lebih dari 40% responden yang bekerja mengatakan mereka menggunakan AI di tempat kerja
- Perbedaan angka berasal dari metode survei dan komposisi sampel
- Tingkat adopsi AI di perusahaan besar lebih tinggi, sehingga rasio yang dibobot berdasarkan skala pekerjaan lebih tinggi daripada rasio berdasarkan jumlah perusahaan semata
- Sampel Ramp tidak mewakili seluruh perusahaan dan condong ke perusahaan teknologi dengan adopsi AI tinggi
- Riset Federal Reserve menilai ada alasan untuk lebih memihak estimasi rendah dari Biro Sensus yang memakai sampel nasional, dan bahwa jika bobot pekerjaan diterapkan maka perbedaan antar survei berkurang cukup besar
- Adopsi AI terkonsentrasi pada perusahaan teknologi dan industri padat informasi seperti keuangan
- Area penerapan paling umum adalah penjualan dan pemasaran, IT, strategi, keuangan, dan akuntansi
- Bahkan perusahaan yang mengadopsi AI sering membatasinya pada satu atau dua fungsi kerja saja atau menggunakannya dengan frekuensi rendah di banyak tugas
- Integrasi AI yang menyeluruh adalah pengecualian; dalam survei McKinsey, mayoritas masih berada pada tahap eksperimen dan pilot, dan hanya sedikit perusahaan besar yang memimpin deployment skala luas
- Dampak adopsi AI di perusahaan terhadap pekerjaan saat ini kecil
- Dalam data Biro Sensus, hanya 5% perusahaan yang menjawab ada dampak terhadap pekerjaan, dan jumlah jawaban peningkatan sama dengan penurunan
- Dalam survei Atlanta Fed, 80% eksekutif menjawab investasi AI belum mengubah jumlah karyawan maupun produktivitas
- Dalam studi Denmark, AI menata ulang tugas dan alokasi waktu pekerja, tetapi belum memengaruhi pekerjaan, jam kerja, atau pendapatan
- Ada juga hasil riset bahwa pekerjaan di perusahaan yang mengadopsi AI meningkat 10% dalam dua tahun berikutnya
Bukti awal tidak menentukan masa depan jangka panjang
- Inovasi teknologi di masa lalu membutuhkan waktu bertahun-tahun hingga puluhan tahun untuk mengubah perusahaan dan pasar tenaga kerja
- Robert Solow pada 1987 mengatakan, “era komputer terlihat di mana-mana kecuali dalam statistik produktivitas”
- Pada 1980-an perusahaan berinvestasi besar dalam PC, tetapi untuk memperoleh hasil mereka juga membutuhkan software perusahaan, pelatihan ulang pekerja, dan reorganisasi organisasi
- Karena friksi adopsi seperti ini, hasil ekonomi yang terukur dari revolusi komputer baru tampak pada akhir 1990-an
- Pandangan terhadap AI sangat terbelah
- Pihak yang melihatnya sebagai teknologi normal (normal technology) menilai AI akan transformatif seperti teknologi masa lalu, tetapi menyebar secara bertahap
- Pihak lain memperkirakan dampak yang mengubah dunia bisa muncul secepat 2027
- Dasar kuat bagi pandangan teknologi normal adalah sejarah bahwa revolusi teknologi masa lalu menghapus atau mengurangi permintaan tenaga kerja pada sebagian profesi sekaligus menciptakan pekerjaan dan industri baru
- Sifat pekerjaan dan ekonomi berubah, tetapi total lapangan kerja meningkat
- Pihak yang menilai AI berbeda dari masa lalu berargumen berdasarkan kecepatan adopsi yang cepat, dampaknya yang tidak seimbang pada kerja kognitif, dan sifatnya yang menjangkau luas pekerjaan kerah putih, bukan hanya satu profesi
- Apa pun pandangan yang benar, revolusi teknologi dapat memberi guncangan besar pada individu, sehingga perubahan pasar tenaga kerja harus segera dipahami dan respons kebijakan yang mungkin perlu dipersiapkan
1 komentar
Pendapat Hacker News
Begitu diskusi dibuka, dua komentar teratas langsung berlawanan total. Yang satu mengatakan AI meningkatkan produktivitas para high performer yang sudah ada hingga mengubah 80:20 menjadi 99:1, sementara yang lain mengatakan LLM mengangkat mereka yang di bawah rata-rata tetapi menghambat orang berpengalaman sehingga membuat semuanya konvergen ke rata-rata
Setelah pekerjaan mudah habis, yang tersisa hanya pekerjaan sulit sehingga junior bisa jadi tidak mampu melanjutkan. Perusahaan birokratis menciptakan banyak pekerjaan mudah, jadi jika produktivitas diukur dari jumlah tiket Jira yang diselesaikan, peningkatan produktivitas AI pada junior akan terlihat jauh lebih besar
Sekarang saya merasa proyek besar yang terdiri dari saya, 2 developer frontend, satu developer yang hampir full-stack, tester, 2 orang produk, dan PM bisa dijalankan lebih efisien hanya oleh saya dan tester. Meski menulis SQL lagi setelah 20 tahun, saya tidak melambat, dan bisa menangani CSS, fitur, hingga pengujian sendirian dengan cepat
Karena organisasi kami kecil dan biasanya hanya 1–2 developer per proyek, operasi proyek besar berantakan dan 80% upaya terbuang untuk komunikasi. Di tahap awal, tim produk berguna untuk cakupan dan pola UI/UX, tetapi setelah itu cukup minta mereka menangani permintaan desain yang spesifik, sementara tester yang teliti menangkap kondisi batas yang aneh
Ini bukan berarti saya jenius, melainkan hanya cukup kompeten di beberapa bidang; tetap saja, yang bisa dilakukan developer full-stack berpengalaman dengan naluri UX dan kemampuan mengelola stakeholder ketika memakai alat ini terasa menakutkan
Temuan bahwa peningkatan terkonsentrasi pada junior juga bisa disebabkan perbedaan jenis tugas yang diberikan. Jika senior mengerjakan tugas junior, mereka bisa 1.000% lebih cepat, tetapi pekerjaan yang benar-benar sulit memang terkonsentrasi pada senior, dan sekarang pekerjaan yang tidak mudah diselesaikan dengan Claude itu sendiri diklasifikasikan sebagai pekerjaan sulit
High performer menyelesaikan pekerjaan dengan sangat cepat lalu berfokus pada kualitas dan proses untuk membuat software yang rapi, tetapi keadaan mulai memburuk ketika para PM menyadarinya dan terus menambahkan pekerjaan ke sprint
Yang lebih mengejutkan adalah tidak lagi perlu menjadi subject matter expert (SME). Sebuah tim kecil tanpa pengalaman Android sama sekali merilis fitur produk yang sulit di-porting dalam beberapa bulan dengan hampir tanpa bug; tanpa AI, setidaknya akan butuh lebih dari setengah tahun. Pekerjaan yang sehari sebelumnya masih mereka katakan “saya bahkan tidak tahu maksudnya apa” selesai keesokan harinya
Kesulitan penelitian seperti ini adalah agen coding seperti Claude Code dan OpenAI Codex baru mulai benar-benar berfungsi pada akhir November, dan karena libur Desember, banyak orang baru benar-benar memakainya pada awal Januari. Agen serbaguna seperti OpenClaw, Anthropic Copilot, dan ChatGPT “Work” bahkan lebih belakangan
Dampaknya pada pekerjaan bisa jauh lebih besar daripada sistem percakapan pada 2022–2025, sehingga penelitian yang hanya mencakup hingga akhir 2025 mungkin melewatkan lonjakan kinerja yang substansial
Saya memakai Claude, tetapi hampir tidak melihat fanatik AI seperti di tempat lain, dan ini juga menjadi filter penting dalam mencari kerja. Narasi penurunan lapangan kerja sangat dilebih-lebihkan dan menurut saya lebih mirip pemasaran kiamat dari Anthropic, OpenAI, dan para juru bicaranya
Tahun lalu nuansanya “membuat software yang sama dengan lebih sedikit orang”, tetapi sekarang startup tahap awal tumbuh dengan harapan “membuat software jenis lain atau dengan cara lain”. Namun ukuran tenaga kerja di masa depan ataupun keberhasilannya tidak terjamin
Di perusahaan non-startup, ancaman PHK dan tekanan untuk memakai alat AI masih ada, dan keyakinan masih terbelah soal apakah agen yang berjalan lama benar-benar efektif di kode legacy tanpa pengawasan hati-hati dan tanpa membuat kerusakan
Sekalipun pengembangan software telah berubah total, tampaknya tidak banyak orang yang percaya bahwa pada 2027 developer tidak lagi dibutuhkan atau jumlahnya turun 50%
Produktivitas mengikuti distribusi Pareto, dan AI adalah alat tajam yang membuat orang yang sudah produktif menjadi lebih produktif secara proporsional. Seiring kecerdasan AI meningkat, 80:20 bisa berubah menjadi 90:10, 95:5, 99:1
Birokrasi perusahaan berubah lambat, tetapi jika para top performer keluar dan membangun pesaing yang lebih kecil, pergeseran dari perusahaan menengah-besar ke perusahaan kecil akan berlangsung cepat. Persaingan antarperusahaan yang efisien dapat meningkatkan surplus konsumen, sekaligus memicu dislokasi ekonomi berskala besar dan runtuhnya basis pajak
AI baru belakangan ini menjadi sebagus ini, dan mendirikan pesaing juga butuh waktu, jadi hal ini belum akan terlihat pada indikator tertinggal. Saya sendiri sedang menjalankan komoditisasi yang dapat menghasilkan banyak uang dengan menyediakan produk yang lebih baik daripada software kelas atas di industri niche secara praktis gratis, dan tidak ada alasan untuk memberi tahu pesaing tentang ini. Jika hal yang sama terjadi di banyak industri, dunia bisa berubah sepenuhnya
Diperlukan robot yang sangat pintar untuk menangani birokrasi, mulai dari deployment multi-cloud dan multi-region hingga regulasi lokal, akuntansi, pajak, dan hukum; saat ini perusahaan seperti SAP menjalankan peran ini. Jika otomatisasi seperti itu menjadi mungkin, kita mendekati situasi ketika perusahaan itu sendiri, dalam bentuk yang kita kenal, tidak lagi diperlukan
Saya heran mengapa grafik pengangguran naik perlahan selama lebih dari setahun sebelum wabah COVID. Data BLS melonjak tajam pada Maret 2020(data)
Selain itu, tidak jelas apa yang dimaksud “paparan AI” pada 2015. Saat itu LLM belum ada, dan pembagian kuintil dalam makalah yang dikutip pada dasarnya lebih dekat ke tingkat penggunaan komputer daripada AI. Kita perlu membedakan AI yang bermain catur dengan LLM yang melakukan pekerjaan nyata; yang terakhir mungkin baru muncul sekitar satu tahun lalu
Saya baru-baru ini menguji kualifikasi saya di pasar kerja, dan meski saya merasa sebagai satu-satunya developer di organisasi saya sudah cukup mengikuti perkembangan terbaru selama 18 bulan terakhir, hasilnya keras. Perusahaan-perusahaan meminta 4 tahun pengalaman AI agentik
Pada akhirnya semua orang sedang mengarang-ngarang, percaya pada hype tanpa memahami prinsip dasarnya, lalu menetapkan standar yang tidak bisa dilewati siapa pun. Sekalipun membangun kemampuan AI-native, Anda tetap dianggap tidak memenuhi syarat untuk posisi AI-native
Meski begitu, ada nilai dalam mencoba model lama atau model kecil terbaru dengan batasan serupa. Kebiasaan seperti manajemen konteks yang cermat dan contoh yang dirancang dengan baik tetap berlaku pada model terbaru, meningkatkan performa, dan menurunkan biaya. Jika memungkinkan, tunjukkan daripada menjelaskan dengan kata-kata
Sayang sekali model dasar/teks yang sangat menarik dan menyenangkan itu menghilang
“X tahun pengalaman” juga lebih merupakan indikator pengganti untuk tingkat kemahiran daripada durasi literal. Jika Anda bisa melakukannya sebaik rata-rata orang yang sudah mengerjakan itu selama X tahun dan dapat membuktikannya, itu sudah cukup
Ada dua poin utama yang perlu diperhatikan. Pertama, sebagian besar studi produktivitas pada grafik 3 berasal dari data 2023–2024, sehingga Copilot mencatat angka tinggi; saat itu ia masih sebatas autocomplete yang kuat dan sebelum coding agent menyebar secara eksplosif
Kedua, lebih dari 50% warga AS melaporkan sendiri bahwa mereka menggunakan AI setiap minggu, tetapi penggunaan aktualnya hanya 6% dari jam kerja, sehingga termasuk “penggunaan luas tetapi dangkal” seperti yang digambarkan studi Google
Dalam survei yang sama, waktu yang dihemat tercatat 2% dari jam kerja, sehingga peningkatan produktivitas per jam penggunaan AI lebih dari 30%, selaras dengan hasil berbagai industri dan studi terkontrol. Sebagian ekonom menilai bahwa bahkan tingkat adopsi serendah ini sudah bisa terlihat dampaknya pada statistik produktivitas tenaga kerja tingkat nasional
Karena 6% sangat rendah, dampak terhadap ketenagakerjaan mungkin baru dimulai. Karena kegunaannya telah terkonfirmasi lewat laporan mandiri serta angka mikro dan makro, baik jumlah pengguna maupun cakupan tugas akan meningkat, dan yang menakutkan adalah dampaknya bisa berjalan perlahan lalu tiba-tiba meledak
Materi pelacakan adopsi, studi Google (diskusi), data St. Louis Fed, analisis produktivitas
Ada petunjuk kuat bahwa peningkatan produktivitas terutama terkonsentrasi pada engineer berpengalaman rendah, sementara pada yang berpengalaman tinggi efeknya hilang atau bahkan negatif. Ini sesuai dengan kesan bahwa LLM menggeser baseline ke rata-rata: membantu mereka yang di bawah rata-rata, tetapi menghambat mereka yang di atas rata-rata
Selain itu, pekerjaan yang dilakukan dengan LLM kurang membekas dalam ingatan dibandingkan jika dikerjakan sendiri. Jika demikian, engineer berpengalaman rendah sebenarnya tidak sedang membangun pengalaman nyata. Para CEO perusahaan teknologi mungkin menginginkan pekerja berketerampilan rendah yang bisa dibayar lebih murah
Sebaliknya, di perusahaan yang software-nya hanya komponen non-inti atau sistem IT internal, developer dipandang bukan sebagai aset penghasil pendapatan, melainkan biaya yang harus diminimalkan. Mereka mencari tenaga kerja termurah dan paling minim pengalaman, serta mencoba menghindari perekrutan developer unggul lewat outsourcing atau LLM
Sekalipun pekerjaan sebenarnya sulit dan membutuhkan orang berpengalaman, selama perusahaan melihatnya sebagai biaya, mereka akan mencoba menanganinya dengan tenaga kerja termurah. Jika memungkinkan, hindari pekerjaan pada produk atau sistem IT ketika kaitan antara kualitas software dan profitabilitas tidak jelas bagi manajemen
Dampak terbesar AI di tempat kerja adalah generator kode LLM untuk developer, tetapi itu baru menggores permukaan dari apa yang mungkin dilakukan di perusahaan. Perusahaan kami tidak punya arah, kemauan, atau kemampuan teknis untuk memanfaatkan kekuatan AI yang sebenarnya demi tujuan bisnis; kami hanya membeli solusi paket eksternal dan gagal mengintegrasikan lapisan kecerdasan ke lingkungan kami
Perusahaan seperti ini mungkin tidak langka. Chatbot memang berguna, tetapi AI akan butuh bertahun-tahun, mungkin puluhan tahun, untuk mengubah pekerjaan, dan kehidupan sehari-hari bisa memakan waktu lebih lama lagi. Teknologi sedalam apa pun harus menyebar sambil menghadapi friksi dunia nyata
Namun AI meresap jauh lebih luas daripada situs web, dan karena semua orang sudah memakai ponsel, friksinya juga lebih rendah dari yang dibayangkan. Jika MS Copilot menjadi cukup baik, pengguna non-teknis pun akan menyuruh AI melakukan pekerjaan
Pemilik perusahaan HVAC bisa memberi instruksi, “Ada keadaan darurat besar di Bob’s Burgers di Brentwood, kirim dua karyawan secepat mungkin dan ubah jadwal kunjungan lain jika perlu.” Tugas seperti ini tidak membutuhkan token dalam jumlah besar sehingga akan menjadi murah, dan perintah kantor umum seperti “jadwalkan” atau “hubungi X tentang Y” diperkirakan akan sangat praktis dalam 3–5 tahun. Bottleneck utamanya adalah membuat agent dapat mengakses data yang tepat
Di sekitar saya, ada orang yang benar-benar kehilangan pekerjaan, tetapi untungnya saya belum terdampak langsung. Dengan SaaS, iPaaS, dan serverless diadopsi sebagai teknologi utama yang ditawarkan, pekerjaan agensi sudah dilakukan oleh tim yang lebih kecil dibandingkan 10 tahun lalu
Berkat AI, lebih banyak pekerjaan bisa dilakukan dengan lebih sedikit orang, tetapi permintaan proyek tidak cukup untuk membuat semua orang tetap sibuk
CEO Anthropic Dario Amodei memperkirakan AI dapat menghapus separuh pekerjaan kantoran dan menaikkan tingkat pengangguran menjadi 20%, sambil mengatakan bahwa model tertentu terlalu berbahaya untuk dirilis