Bagaimana Kecerdasan Buatan yang Didorong Otomatisasi Akan Mempengaruhi Pekerjaan Sebenarnya?

Bagaimana Otomatisasi Berbasis AI Akan Mempengaruhi Pekerjaan?

Ditulis oleh Alex Imas dan Soumitra Shukla melalui Ghosts of Electricity,

Salah satu temuan yang paling banyak dikutip dalam kebijakan AI berasal dari makalah tahun 2023 oleh Eloundou, Manning, Mishkin, dan Rock berjudul “GPTs are GPTs.” Judulnya memiliki makna ganda yang bagus: makalah ini mempelajari bagaimana teknologi serbaguna (GPT) yang didukung oleh model bahasa besar (juga GPT) dapat membentuk kembali pasar tenaga kerja. Temuan utamanya adalah bahwa sekitar 80% pekerja AS dapat memiliki setidaknya 10% tugas mereka yang terpengaruh oleh LLM, dan sekitar 19% mungkin melihat setengah atau lebih dari tugas mereka berdampak. Secara luas, ukuran paparan ini mencoba menangkap seberapa "terkena" pekerjaan tersebut terhadap AI sebagai fungsi dari apakah AI dapat menambah tugas-tugas yang terlibat dalam pekerjaan: paparan langsung didefinisikan sebagai "apakah akses ke LLM atau sistem yang didukung LLM akan mengurangi waktu yang dibutuhkan manusia untuk melakukan DWA tertentu atau menyelesaikan tugas sebesar setidaknya 50%." Para penulis sangat jelas tentang hal ini dalam makalah: paparan sesuai dengan kapasitas AI untuk terlibat dalam pekerjaan, bukan sejauh mana pekerjaan dapat diotomatisasi. Namun kata "paparan" ternyata menimbulkan segala macam kecemasan tentang hal itu—pemindahan. Dan mungkin karena alasan ini, ukuran paparan AI ini secara rutin menjadi viral di media sosial selama beberapa bulan terakhir.

Contoh terbaru adalah oleh Andrej Karpathy, salah satu pendiri OpenAI dan pemimpin dalam cara memikirkan AI secara umum (misalnya, ia menciptakan istilah "jagged intelligence" dan "vibe coding"). Dasbornya, yang ia gambarkan sebagai proyek akhir pekan yang "divibe-coded", adalah peringkat seberapa terpapar pekerjaan utama terhadap otomatisasi berbasis AI. Itu dengan cepat menjadi viral di X, karena memberi makan semua narasi yang sudah ada tentang hilangnya pekerjaan yang cepat karena AI.

Setelah melihat dasbor disensasionalisasi dan menyebar seperti api, Karpathy mengklarifikasi bahwa kartu skor "paparan" miliknya didasarkan pada ukuran cepat yang dihasilkan LLM tentang seberapa digital suatu pekerjaan, dan tidak pernah dimaksudkan sebagai perkiraan serius tentang pekerjaan mana yang akan menyusut atau menghilang. Meskipun situs web proyeknya sendiri membuat peringatan yang sama, itu sebagian besar diabaikan di X. Untuk merusak ungkapan terkenal: "Proyek akhir pekan yang divibe-coded akan berkeliling dunia dua kali sebelum peringatan sempat mengenakan celananya."
Namun, apa yang diilustrasikan oleh episode baru-baru ini ini adalah bahwa ukuran paparan tersebut telah menarik perhatian publik tetapi secara rutin disalahartikan (dengan beberapa mengusulkan moratorium pada istilah "paparan" sama sekali). Ketika orang mendengar bahwa suatu pekerjaan "80% terpapar" terhadap AI, mereka membayangkan 80% pekerjaan itu menghilang. Ekonomi sebenarnya dari paparan AI dan hilangnya pekerjaan cukup jauh dari karakterisasi itu.

Apa itu "pekerjaan"?

Pekerjaan adalah serangkaian tugas; seseorang biasanya dibayar berdasarkan seberapa baik mereka menyelesaikan semua tugas yang terkait dengan pekerjaan itu. Jadi, katakanlah Anda seorang manajer proyek. Pekerjaan Anda melibatkan banyak tugas seperti menghasilkan ide, menguraikan ide-ide itu secara ringkas dan mendapatkan umpan balik dari anggota tim, menyusun presentasi, dan banyak pekerjaan rutin (misalnya, menyetujui lembar waktu, menangani logistik). Seiring model AI menjadi lebih baik, Anda menyadari bahwa Anda dapat mengotomatiskan banyak hal ini: AI dapat melakukan banyak pekerjaan rutin untuk Anda, dan bahkan dapat membantu Anda menyusun presentasi. Menurut ukuran paparan, pekerjaan Anda sekarang "terpapar" terhadap AI. Apa yang terjadi pada pekerjaan Anda dan apa yang terjadi pada upah Anda? Nah, jika mengotomatiskan beberapa tugas membebaskan waktu untuk menghasilkan ide yang lebih baik, produktivitas keseluruhan Anda meningkat—Anda menjadi lebih berharga bagi perusahaan. Manusia masih dipekerjakan dan jika ada, upah naik.

Di sisi lain, jika AI mengotomatiskan semua tugas—katakanlah pekerjaan Anda hanya melibatkan dua tugas dan keduanya diotomatisasi—maka ya, tenaga kerja manusia akan dipindahkan. Yang penting, semakin sedikit jumlah tugas (apa yang kita sebut dimensi pekerjaan), semakin besar insentif perusahaan untuk mengotomatisasinya sejak awal. Inilah bagian yang dilewatkan oleh banyak analisis tentang otomatisasi: mengadopsi AI ke dalam organisasi yang ada itu mahal, sehingga perusahaan akan lebih mungkin berinvestasi jika dapat mengotomatisasi pekerjaan, bukan hanya tugas. "Paparan" dan risiko otomatisasi bukan hanya fungsi dari kemampuan model, itu juga tergantung pada insentif perusahaan. Dan ini bukan hipotetis: kita sekarang memiliki banyak bukti bahwa insentif semacam itu sangat penting untuk apa yang diotomatisasi dan kapan (misalnya, perusahaan jauh lebih mungkin mengotomatisasi ketika biaya tenaga kerja manusia meningkat).

Terakhir, bahkan jika AI membuat orang lebih produktif dan menghasilkan upah yang lebih tinggi, masih bisa ada PHK besar-besaran di sektor tersebut jika konsumen tidak "menyerap" peningkatan produktivitas: jika penurunan harga yang didorong oleh produktivitas tidak meningkatkan permintaan untuk produk, maka lebih sedikit pekerja yang akan dibutuhkan di sektor tersebut.

Secara lebih umum, suatu tugas yang terpapar terhadap AI—bahkan jika paparan itu sesuai dengan otomatisasi penuh dari tugas tersebut—dapat berpotensi menyebabkan upah yang lebih tinggi dan perekrutan yang lebih banyak untuk pekerjaan itu. Atau dapat menyebabkan PHK dan bahkan pemindahan penuh. Apakah paparan menyebabkan hasil pasar tenaga kerja yang lebih baik atau lebih buruk bagi pekerja bergantung pada dua variabel kunci: elastisitas permintaan konsumen di sektor tersebut (berapa banyak lagi produk yang dibeli orang saat harga turun), dan dimensi pekerjaan (berapa banyak tugas yang terlibat dalam pekerjaan itu). Karena kami berharap dapat meyakinkan Anda pada akhir tulisan ini, kami seharusnya lebih khawatir tentang pekerjaan seperti truk dan pergudangan daripada yang kami lakukan saat ini.

Pendekatan standar untuk otomatisasi

Mari kita mulai dengan pendekatan "standar" untuk memikirkan otomatisasi. Pertama, kita menguraikan pekerjaan menjadi tugas menggunakan taksonomi seperti O*NET, kemudian mengevaluasi berapa banyak dari tugas-tugas tersebut yang dapat diotomatisasi atau ditingkatkan oleh AI. Dampak total pada pekerjaan adalah rata-rata tertimbang dari seberapa banyak setiap tugas ditingkatkan, yang berarti Anda dapat membangun "indeks paparan"—biasanya didefinisikan sebagai berapa bagian dari tugas pekerjaan yang dapat dilakukan AI?—dan indeks itu memetakan secara linear ke seberapa banyak pekerjaan terpengaruh (lihat, misalnya, makalah Michael Webb yang sudah klasik). Pendekatan ini sangat berguna untuk memetakan jangkauan potensi AI. Tetapi ia mengandung asumsi yang hampir pasti salah untuk sebagian besar pekerjaan di dunia nyata: ia mengasumsikan tugas-tugas itu terpisah. Yaitu, mengotomatisasi tugas A tidak berpengaruh pada produktivitas tugas B, dan dampak keseluruhan hanyalah jumlah dari bagian-bagiannya.

Pertimbangkan pekerjaan yang Anda kenal. Ada banyak di luar sana di mana hasil terdiri dari melakukan banyak hal yang berbeda dengan benar, bukan hanya beberapa di antaranya. Anda tidak bisa memiliki koki yang mengikuti sebagian besar langkah resep, seorang drummer yang sebagian besar tepat pada irama, seorang programmer yang kodenya hanya berfungsi sebagian (atau, untuk itu, seorang profesor yang hanya melakukan setengah dari pekerjaan penelitian… meskipun beberapa telah menguji persyaratan ini). Ini adalah pekerjaan di mana setiap tugas harus diselesaikan dengan sukses agar hasilnya dapat diterima.

Dengan kata lain, tugas-tugas itu tidak terpisah; mereka adalah pelengkap, yaitu, melakukan satu tugas dengan benar atau salah memengaruhi seberapa baik Anda dapat melakukan tugas lain dalam pekerjaan untuk menyelesaikannya. Bahwa tugas-tugas dalam suatu pekerjaan adalah pelengkap daripada pengganti tampaknya cukup masuk akal untuk sebagian besar produksi di dunia nyata. Dan ini memiliki berbagai implikasi penting tentang bagaimana AI akan benar-benar memengaruhi pekerjaan.

Model O-ring pekerjaan

Gagasan bahwa tugas-tugas pelengkap menciptakan produktivitas non-linear kembali ke makalah klasik Michael Kremer tahun 1993, “The O-Ring Theory of Economic Development”. Namanya berasal dari bencana Challenger yang tragis: satu O-ring yang rusak menyebabkan kegagalan katastropik seluruh sistem. Wawasan Kremer adalah bahwa jika produksi membutuhkan banyak langkah, dan setiap langkah harus dilakukan dengan baik agar produk akhir bernilai, maka produktivitas menjadi fungsi perkalian daripada linier dari keterampilan. Seorang pekerja yang membuat sedikit lebih sedikit kesalahan per tugas akan secara dramatis lebih produktif secara keseluruhan, karena peningkatan kualitas kecil itu terakumulasi di setiap langkah.

Model pekerjaan berbasis tugas ini telah mendapatkan relevansi baru dengan makalah terbaru oleh Joshua Gans dan Avi Goldfarb, “O-Ring Automation,” yang menerapkan kerangka kerja Kremer secara langsung ke otomatisasi berbasis AI. Meskipun model mereka mungkin tampak sederhana pada pandangan pertama, implikasinya sangat luas dan mendalam. Setidaknya salah satu dari kami (Alex) terobsesi dengan makalah ini selama berbulan-bulan (lihat di sini, di sini, dan di sini).

Gans dan Goldfarb membangun model perusahaan di mana pekerjaan setiap pekerja terdiri dari n tugas. Hasil pekerjaan bersifat perkalian dari kualitas setiap tugas—ini adalah fungsi produksi O-ring:

Seorang pekerja memiliki batas waktu h dan mengalokasikannya di seluruh n tugas. Jika tugas s dilakukan secara manual, pekerja menghabiskan h_s jam untuk itu dan menghasilkan kualitas:

di mana a adalah produktivitas tenaga kerja, diasumsikan konstan di seluruh tugas (asumsi penyederhanaan). Batasan waktu pekerja adalah:

Perusahaan juga dapat memilih untuk mengotomatisasi tugas apa pun dengan menyewa unit modal yang memberikan kualitas tetap θ dengan biaya r per tugas. Ini adalah bagian penting yang perlu diperhatikan: apakah perusahaan berinvestasi dalam mengotomatisasi tugas tergantung pada trade-off yang tertanam dalam masalah ini. Setelah tugas diotomatisasi, pekerja tidak perlu lagi menghabiskan waktu untuk itu.

Sejauh ini pengaturannya cukup sederhana. Bagian yang menarik adalah apa yang tersirat oleh struktur perkalian fungsi produksi setelah otomatisasi masuk.

Bagaimana otomatisasi dapat menaikkan upah?

Sekarang anggaplah perusahaan memilih untuk mengotomatisasi k dari n tugas. Apa yang terjadi pada pekerja, dan bagaimana itu memengaruhi upah?

Sebelum otomatisasi, pekerja mengalokasikan waktu secara merata di semua n tugas, yang optimal mengingat struktur simetris. Setiap tugas manual oleh karena itu menerima h/n jam dan memiliki kualitas a · h/n. Total output adalah:

Setelah k tugas diotomatisasi dengan kualitas θ, pekerja sekarang memiliki semua h jam untuk dialokasikan di hanya n - k tugas manual yang tersisa. Setiap tugas manual sekarang mendapatkan h/(n-k) jam, menghasilkan kualitas a · h/(n-k). Total output menjadi:

Jadi output meningkat setelah otomatisasi parsial jika dan hanya jika:

Ini adalah kondisi penting yang menyatakan bahwa jika kualitas tugas yang diotomatisasi θ setidaknya sama baiknya dengan kualitas manual pra-otomatisasi asli pekerja pada tugas-tugas tersebut, maka output pasti meningkat. Output tidak secara otomatis naik hanya karena beberapa tugas diotomatisasi; itu meningkat ketika kualitas otomatisasi cukup tinggi.

Tetapi inilah wawasan kuncinya: karena otomatisasi juga membebaskan pekerja untuk memfokuskan lebih banyak waktu pada tugas-tugas yang tersisa, output dapat meningkat bahkan jika tugas-tugas yang diotomatisasi dilakukan dengan kualitas yang sedikit lebih rendah daripada yang dicapai pekerja secara manual sebelum otomatisasi. Otomatisasi memungkinkan pekerja untuk fokus pada lebih sedikit tugas, meningkatkan kualitas masing-masing. Ini adalah "efek fokus". Karena bentuk fungsional dari fungsi produksi, kualitas yang lebih tinggi pada tugas manual yang tersisa tidak hanya menambah output—itu berlipat ganda melalui fungsi produksi. Pekerja menjadi lebih produktif justru karena mereka melakukan lebih sedikit hal.

Ketika kualitas otomatisasi cukup tinggi dibandingkan dengan apa yang diproduksi pekerja secara manual pada tugas-tugas tersebut, produk marginal pekerja meningkat—dan begitu pula (biasanya) upahnya. Otomatisasi parsial, di dunia O-ring, seringkali merupakan pelengkap tenaga kerja manusia daripada pengganti, yang meningkatkan upah pekerja.

Tetapi ini belum tentu kabar baik bagi tenaga kerja

Produktivitas pekerja yang lebih tinggi baik untuk upah, tetapi apakah itu mengarah pada lebih banyak pekerjaan atau lebih sedikit? Ini tergantung pada permintaan konsumen. Setiap pekerja membuat satu kalkulator sehari dan perusahaan memiliki 10 pekerja. Semua kalkulator dijual dengan harga yang berlaku. Sekarang bayangkan setiap pekerja menjadi jauh lebih produktif sehingga setiap pekerja dapat membuat 10 kalkulator. Harga setiap kalkulator turun (biaya turun), tetapi konsumen masih menuntut jumlah kalkulator yang kurang lebih sama. Ini adalah kasus permintaan yang tidak elastis—yang tidak banyak merespons harga. Sekarang perusahaan akan memecat 9 pekerja. Tetapi bagaimana jika konsumen membeli lebih banyak kalkulator dengan harga lebih rendah, yaitu, permintaan sangat elastis. Maka perusahaan pada akhirnya akan mempekerjakan lebih banyak pekerja untuk memenuhi permintaan baru, meskipun masing-masing pekerja sekarang lebih produktif.

Secara lebih umum, jika permintaan elastis (elastisitas > 1), maka penurunan harga menyebabkan peningkatan kuantitas yang diminta lebih dari proporsional. Output berkembang pesat. Perusahaan membutuhkan lebih banyak pekerja untuk menghasilkan output yang lebih tinggi ini, meskipun setiap pekerja sekarang lebih produktif. Efek bersih: perekrutan lebih banyak.

Jika permintaan tidak elastis (elastisitas

Ini terkait erat dengan ide populer yang biasa disebut paradoks Jevons: ketika suatu sumber daya menjadi lebih efisien untuk digunakan, konsumsi total sumber daya tersebut seringkali meningkat daripada menurun. Ketika mesin uap membuat batu bara lebih efisien, konsumsi batu bara meroket karena begitu banyak aplikasi baru menjadi layak secara ekonomi. Logika yang sama berlaku untuk tenaga kerja: jika AI membuat pekerja menjadi jauh lebih produktif, dan permintaan untuk produk itu elastis, seseorang mungkin akhirnya memiliki lebih banyak pekerja dalam pekerjaan itu, bukan lebih sedikit.

Mengapa dimensi pekerjaan penting: Kasus insentif perusahaan

Hubungan antara tugas dan elastisitas permintaan konsumen adalah dimensi penting untuk memprediksi pemindahan berbasis AI, tetapi satu variabel yang sering terlewatkan adalah jumlah tugas dalam pekerjaan itu sendiri, yaitu dimensinya. Dimensi pekerjaan penting karena dua alasan.

Pertama, bersyarat pada tugas yang diotomatisasi, pekerjaan berdimensi rendah lebih mungkin untuk sepenuhnya dipindahkan. Jika suatu pekerjaan memiliki 20 tugas dan satu diotomatisasi, pekerja manusia masih diperlukan untuk melakukan 19 tugas lainnya. Tetapi jika suatu pekerjaan memiliki satu tugas dan satu tugas diotomatisasi, pekerjaan itu hilang. Kedua—dan dimensi ini mungkin paling terlewatkan—organisasi memiliki insentif yang lebih kuat untuk mengotomatisasi tugas-tugas yang semakin sedikit tugas non-otomatisasi yang tersisa dalam pekerjaan. Bayangkan bahwa mengotomatisasi suatu tugas memerlukan investasi $10 juta dolar (membeli perangkat lunak, orientasi, menghubungkannya ke seluruh sistem, dll.). Dalam satu kasus, tugas ini adalah satu-satunya tugas non-otomatisasi yang tersisa dalam suatu pekerjaan; dalam kasus lain, jika tugas ini diotomatisasi, ada 19 tugas non-otomatisasi lainnya yang tersisa. Perusahaan memiliki insentif yang jauh lebih tinggi untuk mengotomatisasi tugas dalam kasus pertama daripada kasus kedua karena kemudian dapat mengganti pekerja dan meraup penghematan biaya yang terlibat.1

Karena itu, perusahaan memiliki insentif yang lebih kuat untuk berinvestasi dalam teknologi untuk mengotomatisasi pekerjaan berdimensi rendah. Dalam pekerjaan berdimensi rendah, mengotomatisasi semua atau sebagian besar tugas inti dapat menghilangkan posisi dan tagihan upah sama sekali. Itu membuat pengembalian otomatisasi jauh lebih besar. Dengan kata lain, tidak semua tugas "tidak terpapar" sama pentingnya: dalam beberapa pekerjaan tugas yang tersisa masih mempertahankan pekerja yang ada di perusahaan; dalam pekerjaan lain tidak.

Ini memberikan prediksi yang jelas: bahkan jika suatu pekerjaan saat ini tidak "terpapar" terhadap AI, dalam arti bahwa AI tidak digunakan untuk tugas-tugas yang terlibat, jika itu berdimensi rendah dan teknologi semakin dekat untuk mengotomatisasi tugas-tugas tersebut, itu harus dianggap berisiko. Perusahaan akan bekerja lebih keras dan berinvestasi lebih banyak untuk mengotomatisasi tugas-tugas yang terlibat daripada dalam kasus di mana pekerjaan memiliki banyak tugas non-otomatisasi.

Truk dan pergudangan, kenari di tambang batu bara yang terabaikan

Inilah sebabnya mengapa kami pikir orang harus lebih khawatir tentang pekerjaan seperti truk dan pergudangan.

Sekitar 3 juta orang Amerika mengemudi truk untuk mencari nafkah. Banyak yang berusia 50-an, telah mengemudi selama puluhan tahun, dan tinggal di komunitas di mana truk adalah tulang punggung ekonomi. Truk adalah salah satu pekerjaan terbaik yang bisa didapatkan tanpa gelar sarjana. Pekerjaan sebenarnya dari pengemudi truk jarak jauh didominasi oleh beberapa fungsi inti: memindahkan truk dengan aman dari titik A ke titik B. Logistik, pemuatan/pembongkaran, dll. semuanya dilakukan oleh orang lain. Jika mengemudi otonom menjadi andal di rute jarak jauh, pekerjaan pengemudi truk tidak hanya ditingkatkan; itu secara fundamental terancam dan bahkan mungkin dihilangkan sepenuhnya. Dan kemungkinan itu tidak lagi teoretis. Perusahaan seperti Aurora Innovation dan Kodiak Robotics sudah menjalankan uji coba truk otonom skala besar dan penerapan komersial di rute terbatas. Pergudangan menceritakan kisah serupa. Pergudangan mempekerjakan jutaan pekerja AS, dan banyak pekerjaan gudang—memilih, mengemas, menyortir, memindahkan palet—relatif sempit dan semakin dapat diotomatisasi. Di luar negeri, perusahaan sudah mengoperasikan "gudang gelap" yang sangat otomatis yang berjalan sepanjang waktu dengan tenaga kerja manusia minimal. Gudang-gudang ini sama sekali tidak terlihat seperti yang kita lihat hari ini: mereka dirancang dari awal untuk dijalankan oleh mesin.

Sekarang bandingkan dengan pekerja pengetahuan, katakanlah, seorang konsultan manajemen. Pekerjaan itu menggabungkan penelitian, analisis data, komunikasi klien, desain presentasi, penalaran strategis, koordinasi tim, dan manajemen hubungan. Itu setidaknya tujuh atau delapan tugas pelengkap yang berbeda. Claude atau Codex mungkin mengotomatisasi putaran pertama pada analisis data dan pembuatan dek slide, tetapi konsultan masih dibutuhkan untuk semuanya. Dalam istilah O-ring, mengotomatisasi beberapa tugas dapat membuat tugas-tugas yang tersisa lebih berharga dengan memungkinkan pekerja mengalokasikan lebih banyak waktu untuk tugas-tugas tersebut—konsultan dapat menghabiskan lebih banyak waktu berbicara dengan klien dan membuat mereka nyaman dengan implementasi, mendapatkan dukungan dari berbagai unit, dll. Akibatnya, upah dapat naik, dan lapangan kerja juga dapat naik jika output yang lebih baik dan harga yang lebih rendah memperluas permintaan klien.

Anda dapat melihat logika yang sama dalam banyak profesi berisiko tinggi seperti kedokteran dan akademisi. Sekarang ada lebih dari 870 alat AI radiologi yang disetujui FDA, dan 66% dokter menggunakan setidaknya satu alat AI, terutama untuk dikte catatan dan dukungan diagnostik. Tetapi alat-alat ini meningkatkan ahli radiologi dan dokter, bukan menggantikan mereka. AI biasanya menangani aspek pengenalan pola rutin dari pekerjaan, membebaskan dokter untuk fokus pada kasus-kasus kompleks, komunikasi pasien, dan penilaian klinis. Demikian pula, para akademisi telah memperdebatkan apakah kemajuan dalam AI membuat asisten penelitian lebih berharga atau kurang. Karena AI mengotomatisasi tugas-tugas analitis rutin, baik profesor maupun RA dapat lebih fokus pada ide dan penilaian, sehingga memperluas output dan permintaan untuk tenaga kerja penelitian terampil. Ini sekali lagi adalah efek fokus O-ring dalam praktik.

Sama di lab kami. Setiap anggota tambahan dapat melakukan begitu banyak lagi, tantangannya adalah membuat semua orang siap, melakukan diskusi terbuka tentang cara terbaik menggunakan alat ini vs tidak dan membangun budaya di mana orang merasa lebih dihargai bukan kurang. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) 18 Maret 2026
Apa yang ditangkap oleh indeks paparan?

Mari kita kembalikan ini ke kerangka paparan. Dalam pendekatan standar, seorang konsultan manajemen sangat "terpapar" terhadap AI sedangkan seorang pengemudi truk tidak. Tetapi apakah ini berarti konsultan memiliki risiko pemindahan yang lebih tinggi daripada pengemudi truk? Belum tentu. Paparan tinggi konsultan justru bisa menjadi berita baik karena berarti AI akan menambah banyak tugas pelengkap mereka, memicu efek fokus dan berpotensi menaikkan upah. Di sisi lain, paparan sedang pengemudi truk pada satu tugas kritis jauh lebih berbahaya karena perusahaan truk memiliki insentif yang jauh lebih tinggi untuk mengotomatisasi tugas mengemudi, dan setelah itu selesai, pekerjaan itu juga hilang. Insentif ini sudah terjadi dalam praktik:

BERITA: Jeff Bezos sedang dalam pembicaraan untuk mengumpulkan $100 miliar untuk dana baru yang akan membeli perusahaan manufaktur dan berusaha menggunakan teknologi AI untuk mempercepat jalur mereka menuju otomatisasi.
Ini terkait dengan startup AI Project Prometheus milik Jeff, yang bertujuan untuk membangun produk AI untuk rekayasa… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) 19 Maret 2026
Objek yang relevan oleh karena itu bukanlah paparan tugas rata-rata, melainkan struktur hambatan dan bagaimana otomatisasi membentuk kembali waktu pekerja di sekitarnya. Dua pekerjaan dengan skor paparan yang identik dapat memiliki risiko pemindahan yang sama sekali berlawanan tergantung pada apakah tugas mereka adalah pelengkap, apakah permintaan untuk output mereka elastis atau tidak elastis, dan insentif perusahaan untuk berinvestasi dalam otomatisasi. Pekerja yang paling berisiko bukanlah mereka yang memiliki paparan rata-rata tertinggi, tetapi mereka yang pekerjaannya dibangun di sekitar sejumlah kecil tugas inti yang dapat diotomatisasi oleh AI.

1 Dalam kasus di mana pekerjaan tidak sepenuhnya diotomatisasi, penghematan biaya dari mengotomatisasi tugas marjinal akan bergantung pada komplementaritas antara tugas-tugas lain dalam pekerjaan. Hubungan persisnya diuraikan dalam makalah model O-ring otomatisasi.

Alex Imas adalah seorang profesor di UChicago Booth. Melakukan penelitian tentang Ekonomi dan AI Terapan. Substack di sini.

Tyler Durden
Sab, 04/04/2026 - 09:20