AI dapat membentuk kembali jalur menuju pertumbuhan ekonomi. Mereka yang ingin tumbuh akan beradaptasi dengan hal itu. Prediksi masa depan ekonomi kita harus memperhitungkan keduanya.
AI Masa Depan Tidak Akan Mampu Memenuhi Kebutuhan Dunia Saat Ini
Indonesian
Tiga tahun lalu, para pekerja di Kenya menjadi berita utama internasional karena kondisi yang mereka alami saat memberi label pada data untuk OpenAI . Para pekerja ini menghabiskan hari-hari mereka menyortir ujaran kebencian, pelecehan seksual, dan gambar kekerasan — beberapa materi paling mengganggu di internet — dengan upah sekitar $1,35 per jam. Label yang mereka hasilkan kemudian digunakan untuk membantu melatih ChatGPT agar dapat mengidentifikasi konten yang berbahaya atau tidak diizinkan.
Pada tahun 2023, sebagian besar kemarahan terfokus — dan memang seharusnya demikian — pada kondisi kerja para pelabel data ini. Namun, jika ditinjau kembali pada tahun 2026, kisah ini mengambil nuansa gelap yang berbeda.
Di tengah gelombang baru kecemasan terkait AI, orang-orang mulai khawatir bahwa kategori pekerjaan layanan TI yang lebih luas mungkin akan hilang sepenuhnya. Menurut pandangan ini, dengan membantu melatih ChatGPT, para pekerja ini mungkin secara tidak sengaja telah membantu mengotomatisasi jenis pekerjaan layanan yang dapat diperdagangkan yang mereka lakukan, mempersempit jalan Kenya menuju kemakmuran.
Namun seberapa banyak bukti yang menunjukkan bahwa perpindahan tenaga kerja akibat AI benar-benar telah dimulai di negara-negara berkembang? Dan bagaimana kita dapat memprediksi apa yang akan terjadi selanjutnya ketika para pekerja, perusahaan, dan negara yang terdampak AI akan beradaptasi, berimprovisasi, dan berubah sebagai respons terhadap dampak tersebut?
Mendaki Tangga Pertumbuhan
Secara historis, pertumbuhan manufaktur telah menjadi jalan bagi negara-negara untuk keluar dari kemiskinan. Di Jepang, Korea Selatan, Taiwan, dan yang paling spektakuler, Tiongkok, perluasan manufaktur ekspor menarik jutaan orang dari pertanian ke pekerjaan dengan upah lebih tinggi di pabrik-pabrik. Di bawah tekanan persaingan internasional, perusahaan-perusahaan Asia Timur dengan cepat berkonvergensi ke garis depan teknologi.
Namun, di luar beberapa titik terang seperti Vietnam dan Bangladesh, negara-negara berkembang sebagian besar gagal meniru keberhasilan Asia Timur. Di India, pangsa manufaktur terhadap PDB tidak pernah melebihi 20% dan bahkan menurun sejak tahun 2010. Di Afrika sub-Sahara, manufaktur menyumbang sekitar 10% dari PDB. Analisis baru menunjukkan bahwa selama 30 tahun terakhir, produktivitas manufaktur di negara-negara termiskin tetap jauh di bawah standar global.
Masuklah ke layanan TI.
Munculnya internet broadband murah di seluruh dunia membuat outsourcing layanan teknologi informasi menjadi layak bagi perusahaan-perusahaan Barat, memungkinkan mereka untuk memanfaatkan tenaga kerja yang lebih murah di negara-negara berkembang. Pada tahun 1999, India melakukan deregulasi sektor telekomunikasi, mempercepat adopsi internet berkecepatan tinggi dan memungkinkan perusahaan-perusahaan baru seperti Infosys dan Wipro menjadi sangat menguntungkan. Sektor baru—di India, "outsourcing proses bisnis" (BPO)—pun lahir.
Bagi negara-negara yang kesulitan mendorong pertumbuhan ekonomi, BPO (Business Process Outsourcing) tampak seperti penyelamat. Seperti pekerjaan manufaktur ekspor di masa lalu, jasa ekspor menjanjikan pendapatan devisa yang signifikan sekaligus menciptakan sejumlah besar pekerjaan dengan gaji lebih tinggi. Pada tahun 2021, Bank Dunia menerbitkan laporan yang memuji "janji pembangunan berbasis jasa," menyoroti keterkaitannya dengan "inovasi yang meningkatkan produktivitas tenaga kerja."
Selama beberapa dekade terakhir, negara-negara seperti Filipina dan Brasil telah mengembangkan sektor TI yang cukup besar, mengekspor jasa senilai miliaran dolar per tahun dan mempekerjakan hampir 2 juta pekerja di masing-masing negara. 1 </sup> Namun, secara global, pemimpin yang jelas adalah India, yang sektor jasa TI-nya mempekerjakan 5,8 juta orang dan mengekspor $200 miliar pada tahun 2025:
Kekhawatiran akan AI yang menggantikan pekerjaan manusia kini tersebar luas. Di Amerika, perhatian tertuju pada gangguan terhadap pekerjaan tingkat pemula di bidang pengembangan perangkat lunak dan layanan pelanggan — ibarat burung kenari di tambang batu bara, pekerjaan yang seharusnya (setidaknya secara teori) paling mudah diotomatisasi oleh agen pengkodean AI. Sebuah makalah berpengaruh karya ekonom Erik Brynjolfsson, Bharat Chandar, dan Ruyu Chen menemukan bahwa pekerja di awal karier (usia 22-25 tahun, di AS) di sektor yang paling terpapar AI telah mengalami penurunan relatif sebesar 19% dalam pekerjaan mereka sejak tahun 2022.
Tentu saja, perhatian mulai beralih ke implikasi AI bagi 6,8 miliar orang yang tinggal di negara berpenghasilan rendah dan menengah. Sejauh ini, AI belum memberikan dampak yang signifikan, baik positif maupun negatif, pada 2,5 miliar orang yang masih bergantung pada pertanian skala kecil. Di sektor manufaktur, bukti dampaknya juga terbatas, meskipun mungkin kemajuan yang dipicu AI dalam robotika industri akan segera terjadi. Ancaman terbesar dari hilangnya pekerjaan akibat AI justru terjadi di sektor ekspor jasa.
Burung Kenari di Tambang Batu Bara
Kini sudah empat tahun sejak peluncuran ChatGPT. Agen mampu melakukan sebagian besar pekerjaan layanan pelanggan; bahkan, saluran dukungan perusahaan semakin banyak digantikan dengan antarmuka ChatGPT atau Claude. Jadi, seberapa besar otomatisasi telah menggantikan ekspor jasa di negara berkembang?
Kita dapat mengambil pelajaran dari penelitian terbaru tentang PHK akibat AI yang dilakukan oleh Brynjolfsson dkk. di Amerika Serikat dan melihat bagaimana lapangan kerja berkembang bagi orang-orang yang kita perkirakan paling rentan terhadap PHK akibat AI: pekerja teknologi tingkat pemula. 2
Mungkin data terbaik yang tersedia dari negara berkembang mana pun berasal dari Survei Angkatan Kerja Berkala (PLFS) India, sebuah survei frekuensi tinggi yang mengamati tren pekerjaan dan upah. 3 Kita dapat menggunakan apa yang disebut ekonom sebagai "perbedaan rangkap tiga" untuk menentukan efek paparan AI. Pertama, kita mengambil data pekerjaan untuk pekerja muda (mereka yang berusia 15-24 tahun) di industri yang terpapar AI dan mengurangi tren untuk pekerja yang lebih tua (mereka yang berusia 25-39 tahun) di industri yang sama. Kemudian kita dapat melakukan perbandingan yang sama antara pekerja muda dan tua di industri yang sebagian besar terisolasi dari AI. Terakhir, dengan mengambil selisih antara kedua perbedaan ini, kita dapat mengisolasi guncangan pada pekerjaan tingkat pemula di industri yang paling terpapar AI.
Grafik di atas menunjukkan perbedaan tiga kali lipat ini pada lapangan kerja, dengan interval kepercayaan yang ditandai oleh batang vertikal. Selama tiga tahun sebelum ChatGPT, terdapat sedikit kesenjangan antara pekerja tingkat pemula dan pekerja yang lebih tua di industri yang paling terpapar dan tidak terpapar AI. Tetapi setelah tahun 2022 — tahun ChatGPT dirilis ke publik — lapangan kerja relatif untuk pekerja termuda yang terpapar AI tiba-tiba turun 32%. Lapangan kerja relatif belum pulih sejak saat itu, tetap sekitar 20% di bawah angka dasar tahun 2022 dalam data terbaru tahun 2025.
Kita harus berhati-hati dalam menafsirkan hasil ini secara berlebihan. Ada kemungkinan penurunan tersebut mencerminkan kekuatan struktural yang terjadi bersamaan dengan munculnya AI generatif. Misalnya, beberapa perusahaan TI India melakukan perekrutan berlebihan selama pandemi dan membekukan perekrutan lulusan baru pada tahun 2023.
Tidak adanya pemulihan lapangan kerja yang kuat—di tengah retorika dari perusahaan BPO sendiri tentang peningkatan adopsi AI—memberikan petunjuk bahwa efeknya mungkin nyata. Kebetulan, ini menggemakan hasil dalam revisi terbaru karya Brynjolfsson dan rekan penulisnya, di mana penurunan lapangan kerja sebesar 19% untuk pekerja muda yang terpapar AI belum menunjukkan tanda-tanda akan menghilang.
Namun, kita tidak boleh menganggap ini sebagai tanda bahwa semua pekerjaan akan hilang. Data ini berasal dari satu sektor, di satu negara, di antara para pekerja yang kita perkirakan akan paling terpengaruh. Belum ada bukti penurunan umum di semua kategori usia atau sektor yang terpapar AI. Bahkan hasil ini pun hampir tidak dapat dibedakan secara statistik dari nol.
Bagaimana dan kapan kita dapat menarik kesimpulan yang lebih jelas? Mungkin akan lebih lama dari yang kita inginkan — di sebagian besar negara berkembang lainnya, data datang dengan jeda waktu yang jauh lebih lama.
Terbang Buta Sejak Lepas Landas
“Tuan-tuan, Anda datang terlambat 60 hari. Depresi sudah berakhir.” Herbert Hoover, Juni 1930 4
Pada tahun 1930, Depresi Besar belum sepenuhnya berakhir. Tetapi bagaimana Hoover bisa mengetahuinya? Ini sebelum laporan "Pendapatan Nasional" Kuznets dipresentasikan pada tahun 1934, yang merupakan cikal bakal akun pendapatan nasional modern dan PDB. Ini juga sebelum statistik pengangguran bulanan yang dapat diandalkan tersedia, karena survei rumah tangga modern baru dimulai pada tahun 1940.
Banyak pemimpin saat ini, khususnya di negara-negara berpenghasilan rendah dan menengah, mendapati diri mereka berada dalam posisi yang mirip dengan Hoover pada tahun 1930-an — memasuki periode transformasi ekonomi tanpa menyadari bagaimana perekonomian mereka sebenarnya berubah secara nyata. Survei PLFS India adalah upaya yang luar biasa, dan tidak ada padanannya di negara lain yang mungkin rentan terhadap guncangan ekspor TI.
Ambil contoh Filipina, negara lain dengan sektor ekspor jasa yang signifikan. Survei tahunan mereka tentang bisnis dan industri dirilis lebih dari satu tahun setelah periode yang diteliti. Hal ini membuatnya hampir tidak berguna dalam menganalisis perubahan angkatan kerja frekuensi tinggi sebagai respons terhadap perubahan kemampuan AI. Mungkin baru setelah Fable 8 dirilis kita dapat sepenuhnya memisahkan dampak Fable 5 (dan model-model terdepan lainnya saat ini) pada angkatan kerja sektor TI Filipina. Sederhananya, tidak ada data pelacakan waktu nyata. 5
Dengan perhatian dan dana yang kini mengalir ke penelitian ekonomi AI, kita kemungkinan akan dibanjiri dengan perkiraan serupa dengan perkiraan kita sendiri, dari abstrak makalah kerja terbaru yang memberi tahu kita bagaimana AI telah menggantikan beberapa kategori pekerja dibandingkan dengan kategori lain atau meningkatkan produktivitas di beberapa perusahaan dibandingkan dengan perusahaan lain.
Jadi, akan ada godaan untuk menafsirkan data yang kita miliki secara berlebihan — untuk segera membuat utas Twitter yang membahas tentang krisis lapangan kerja yang akan dihadapi oleh pekerja IT muda di India. Tetapi setiap hasil hanyalah satu bagian dari teka-teki. Hasil ini — dan hasil serupa lainnya — tidak memberi tahu kita tentang dampak keseluruhan.
Kemudian, hanya ada masalah kecil yaitu memproyeksikan hal ini ke masa depan. Bahkan jika kita dapat memahami perekonomian saat ini dengan sempurna, mengekstrapolasikan hal itu untuk memenuhi kemampuan model masa depan dapat menyebabkan kita membuat perkiraan yang sangat menyesatkan.
Petani yang Tidak Begitu Bodoh dan Ledakan Populasi yang Tidak Terjadi
Banyak kekhawatiran tentang dampak ekonomi AI muncul dari proyeksi efek teknologi masa depan pada dunia yang secara umum tampak mirip dengan dunia saat ini. Namun, ekstrapolasi semacam ini memiliki sejarah panjang dan penuh liku-liku, karena kita manusia cenderung jauh lebih mudah beradaptasi daripada yang kita sadari.
Mungkin prediksi paling terkenal dalam pembangunan internasional berasal dari buku laris Paul Ehrlich tahun 1968, “The Population Bomb.” Dengan mengekstrapolasi tren pertumbuhan penduduk yang diamati dan kemajuan terbatas dalam produksi pangan, Ehrlich khawatir dengan kemungkinan kelebihan penduduk dan kelaparan massal. Skenario paling optimis yang disajikan dalam “The Population Bomb,” yang membutuhkan “kedewasaan pandangan dan perilaku di Amerika Serikat yang tampaknya tidak mungkin berkembang,” melibatkan kematian akibat kelaparan setengah miliar orang (seperlima dari populasi dunia). 6
Namun proyeksi Ehrlich didasarkan pada ekstrapolasi statis perilaku manusia. Ia gagal mengantisipasi Revolusi Hijau, yang secara dramatis meningkatkan hasil panen biji-bijian (terutama di India), dan Transisi Demografis, di mana angka kelahiran menurun. Kematian akibat kekurangan gizi dan kelaparan justru menurun. Ehrlich bertaruh melawan kemampuan kita yang seringkali diremehkan untuk berinovasi dan beradaptasi, dengan memaksakan pertumbuhan populasi yang pesat ke dunia masa depan yang kemungkinan produktifnya berubah terlalu lambat.
Memang, episode 7 , guncangan permintaan yang mendorong sektor ekspor TI India, adalah contoh lain dari prediksi yang tidak sesuai dengan adaptasi. Kali ini, sebelum jam menunjukkan tengah malam pada tanggal 31 Desember 1999, adaptasi datang dalam bentuk para pemrogram di India yang memeriksa dan memodifikasi jutaan baris kode untuk mencegah bencana. Pada akhirnya, prediksi apokaliptik tentang runtuhnya sistem keuangan, pemerintahan, dan transportasi secara bersamaan di seluruh dunia tidak pernah terjadi, karena kita beradaptasi untuk memastikan hal itu tidak terjadi.
Ekonomi iklim juga telah mempelajari pelajaran serupa selama beberapa dekade terakhir. Model-model awal kerusakan pertanian akibat perubahan iklim sering kali menggunakan proyeksi suhu, menjalankannya melalui persamaan hasil panen pada suhu yang berbeda, dan memproyeksikan kerugian. Dapat diprediksi, perkiraan kerusakan iklim dalam generasi prediksi awal ini cenderung sangat besar. Tetapi model-model ini memasukkan asumsi penting bahwa petani tidak akan beradaptasi dengan perubahan iklim.
Tentu saja, masih akan ada biaya besar akibat perubahan iklim. Dan tidak semua adaptasi berhasil: Di sektor pertanian AS, adaptasi dalam jangka panjang paling banyak hanya mengurangi setengah, atau bahkan tidak sama sekali , dari kerusakan akibat perubahan iklim. Ada kendala nyata dalam adaptasi — bahkan jika ada kemauan untuk beradaptasi, belum tentu ada cara untuk melakukannya.
AI mungkin akan berkembang dengan cara yang sama seperti tantangan-tantangan sebelumnya. Kemungkinan akan ada pihak yang kalah akibat adaptasi. Bahkan mungkin ada ambang batas di mana kemampuan untuk beradaptasi akan habis. Tetapi jika Anda memperkirakan seperti apa dunia dalam lima atau 10 tahun ke depan, Anda mungkin akan sangat salah jika mengabaikan kemampuan kita di masa depan untuk beradaptasi. AI masa depan akan menghadapi dunia masa depan, bukan dunia saat ini.
Hal ini mengarahkan kita pada satu saran kecil namun mungkin konstruktif bagi para ekonom. Selama 20 tahun terakhir, inferensi kausal — kemampuan untuk memisahkan sebab dan akibat secara jelas — telah menjadi syarat mutlak penelitian ekonomi akademis. Sebaliknya, peramalan telah direlegasikan ke status sekunder atau tersier, ranah para pembuat kebijakan dan (mengerikan) para bankir.
Pembagian kerja tersebut masuk akal ketika kita dapat secara wajar mengharapkan bahwa dunia esok akan menyerupai dunia saat ini. Tetapi jika AI benar-benar akan membentuk kembali jalur menuju pertumbuhan, hal paling bermanfaat yang dapat dilakukan para ekonom bukanlah mengukur guncangan kemarin dengan lebih tepat, tetapi menjadi lebih baik dalam memprediksi guncangan berikutnya.
Visi yang lebih akurat tentang masa depan ekonomi kita harus memperhitungkan kemampuan mesin dan kemampuan adaptasi manusia. Sama seperti umat manusia tidak hanya duduk diam menunggu kelaparan, para eksekutif bisnis di Infosys juga tidak hanya duduk diam menunggu digantikan. Mungkin akan ada lebih sedikit pekerjaan yang tersedia, atau jenis pekerjaan yang berbeda, tetapi jika ada sesuatu yang dapat mereka lakukan, industri yang lahir dari adaptasi terhadap krisis akan mencoba beradaptasi sekali lagi.
Oliver Kim adalah seorang ekonom pembangunan yang bekerja sebagai Peneliti di Global Growth Fund milik Coefficient Giving. 8 Ia menulis sebuah artikel di Substack bernama Global Developments . Oliver Hanney adalah editor kontributor di In Development, dan merupakan editor pelaksana di VoxDev, tempat ia membawakan podcast Ideas in Development.
Jika Anda memiliki komentar tentang artikel ini, atau ingin berkontribusi dalam diskusi, silakan kirimkan melalui email ke letters@indevelopmentmag.com. Tanggapan Anda akan ditampilkan di bagian surat pembaca.
- Kisah OpenAI relatif tidak biasa karena menampilkan pekerja Afrika; sektor di Kenya hanya mempekerjakan 36.000 orang pada tahun 2025 . ↩︎
- Ada kemungkinan bahwa para pekerja teknologi yang lebih senior telah memperoleh lebih banyak "keterampilan lunak" dan keterampilan teknis yang lebih khusus, sehingga lebih sulit untuk digantikan oleh AI. ↩︎
- Metodologi PLFS direvisi pada tahun 2025, sehingga perbandingan mundur menjadi sulit. Meskipun demikian, ini adalah data terbaik yang kita miliki. ↩︎
- Kata-kata persisnya tidak pasti, tetapi kemungkinan besar dia mengatakan sesuatu seperti ini . ↩︎
- Terdapat semakin banyak penelitian yang mengeksplorasi bentuk-bentuk pengukuran baru, misalnya, peramalan jangka pendek berbasis pembelajaran mesin, data satelit, data telepon seluler, dan klasifikasi otomatis. Masih perlu dilihat apakah pendekatan baru seperti ini dapat melampaui kebutuhan akan sumber data administratif dan survei tradisional. ↩︎
- Paul Ehrlich, Bom Populasi (Sierra Club Ballantine Books), 80. ↩︎
- Awalnya dikenal sebagai "Millennium Bug"; banyak program komputer menyimpan tahun hanya menggunakan dua digit, yang menyebabkan kekhawatiran luas bahwa sistem akan salah mengartikan "00" sebagai 1900 dan mengalami kerusakan massal pada tanggal 1 Januari 2000. ↩︎
- Tim lain di dalam Coefficient Giving, yaitu tim Effective Giving & Careers, adalah penyandang dana In Development. Mereka tidak berperan dalam keputusan editorial kami untuk menugaskan, mengedit, dan menerbitkan tulisan ini, dan Oliver menulis dalam kapasitas pribadinya. ↩︎