Anthropic baru-baru ini menerbitkan sebuah makalah penelitian berjudul "Labor market impacts of AI: A new measure and early evidence." Inti dari penelitian ini adalah sesuatu yang belum pernah dilakukan sebelumnya: menarik garis yang jelas antara apa yang secara teoretis dapat dilakukan AI dan apa yang sebenarnya sedang dilakukan di dunia nyata.
Perbedaan ini jauh lebih penting dari yang Anda kira.
Mengapa prediksi sebelumnya selalu meleset
Saat menilai dampak AI terhadap pekerjaan, pendekatan konvensional selama ini adalah mendaftar tugas-tugas dalam suatu pekerjaan, bertanya "Bisakah AI melakukan ini?", menghitung persentase, lalu menyimpulkan sesuatu seperti "65% dari profesi ini akan digantikan oleh AI."
Masalahnya, ada kesenjangan besar antara "bisa melakukan" dan "sedang melakukan."
Dalam studi ini, ekonom Anthropic Peter McCrory memperkenalkan konsep "observed exposure." Konsep ini menumpangtindihkan kemampuan teoretis AI dengan data penggunaan API nyata dari Claude, untuk melihat apa yang sebenarnya dilakukan pengguna dengan AI.
Apa yang dikatakan data
Contoh yang paling representatif adalah pengembang perangkat lunak:
- Eksposur teoretis: AI secara teoretis dapat menangani 94% tugas pemrograman
- Eksposur terobservasi: Hanya 33% tugas yang benar-benar dilakukan oleh AI dalam praktik
Dengan kata lain, meskipun 94% pekerjaan programmer secara teoretis dapat dilakukan oleh AI, dalam kenyataannya AI baru menembus sekitar sepertiganya. Sisa 60-plus poin persentase bukanlah tugas yang tidak bisa dilakukan AI; itu adalah tugas yang, karena berbagai alasan—kelembaman, masalah otorisasi, regulasi, hambatan kepercayaan, biaya integrasi—masih dilakukan oleh manusia.
| Pekerjaan | Eksposur teoretis | Eksposur terobservasi |
|---|---|---|
| Programmer (keseluruhan) | 94% | 33% |
| Petugas entri data | Relatif tinggi | Relatif tinggi (berdekatan) |
| Ahli mikrobiologi | Tinggi | Rendah (pekerjaan lab tidak bisa dialihkan ke AI) |
| Manajer real estat | Sedang | Rendah (keterampilan negosiasi sulit di-AI-kan) |
Untuk pekerjaan yang sangat repetitif seperti entri data, eksposur teoretis dan aktual relatif berdekatan—AI memang melakukan tugas-tugas ini.
Tapi untuk ahli mikrobiologi, eksposur teoretis tidak rendah (AI bisa menangani analisis data dan tinjauan literatur), namun eksposur terobservasi sangat rendah karena pekerjaan inti dilakukan dengan tangan di laboratorium.
Siapa yang lebih berisiko: bukan kelompok yang Anda kira
Temuan lain yang berlawanan dengan intuisi: pekerja di pekerjaan dengan eksposur tinggi cenderung lebih berpendidikan, bergaji lebih tinggi, dan lebih banyak perempuan.
- Pekerja di 25% pekerjaan dengan eksposur tertinggi memperoleh gaji rata-rata 47% lebih tinggi daripada mereka yang di pekerjaan dengan eksposur rendah
- Kemungkinan memiliki gelar pascasarjana 4,5 kali lebih tinggi
- Proporsi perempuan 16 poin persentase lebih tinggi daripada pekerjaan dengan eksposur rendah
Ini membalikkan anggapan umum bahwa "AI akan menghilangkan pekerjaan berketerampilan rendah terlebih dahulu." Pekerjaan berbasis pengetahuan, penulisan naskah, analisis, dan pemrograman—peran kerah putih inilah yang justru pertama kali ditembus AI.
Dampak pada kaum muda sudah dapat diukur: kaum berusia 22-25 tahun 14% lebih kecil kemungkinannya untuk mendapatkan pekerjaan di pekerjaan dengan eksposur tinggi dibandingkan sebelumnya. Belum ada pengangguran massal, tetapi hambatan masuk telah meningkat—lebih sedikit posisi baru yang terbuka di bidang-bidang ini karena karyawan yang ada telah menggunakan AI untuk meningkatkan produktivitas mereka sendiri.
Apa yang dikatakan McCrory
"Jika Anda ingin Claude membantu Anda dengan machine learning, Anda sendiri harus memahami machine learning untuk mengarahkannya."
Implikasinya adalah AI tidak menggantikan keahlian profesional; AI justru mengharuskan praktisi menggunakan keahlian tersebut untuk memanfaatkan AI. Standarnya tidak diturunkan, hanya berubah bentuk.
Hal ini tercermin dalam data ketenagakerjaan: di pekerjaan dengan eksposur tinggi, upah pekerja berpengalaman meningkat, tetapi posisi tingkat pemula menghilang. AI membantu para veteran menjadi lebih efisien sekaligus menggantikan sebagian pekerjaan dasar yang dulu menjadi batu loncatan bagi pekerja muda.
Mengapa penelitian ini penting
Diskusi sebelumnya tentang AI dan pekerjaan berkisar antara skenario kiamat (AI akan menghilangkan semua pekerjaan) dan optimisme (AI hanya akan menciptakan lebih banyak lapangan kerja).
Nilai dari studi Anthropic adalah ia menyediakan kerangka kerja yang terukur yang dapat mengidentifikasi pekerjaan mana yang sedang ditembus sebelum data ketenagakerjaan runtuh. Ini memberi waktu bagi pembuat kebijakan untuk bereaksi, daripada memulai perbaikan hanya setelah gelombang PHK terjadi.
Data terobservasi saat ini menunjukkan: kita belum mencapai pengangguran massal, tetapi jalan bagi kaum muda untuk masuk ke pekerjaan dengan eksposur tinggi sudah mulai menyempit. Tren ke depannya, pembaca dapat menyimpulkan sendiri.
Sumber: Anthropic's research shows that AI can already do a huge portion of many jobs (Fortune); CocoLoop; Labor market impacts of AI: A new measure and early evidence (Anthropic Research)