Data dari TechCrunch menunjukkan lebih dari 90.000 posisi kerja di Amerika Serikat telah ditandai secara eksplisit sebagai "dihapus karena AI" sebelum Mei 2026. Angka ini bersamaan dengan temuan Nikkei Asia: lulusan teknik dari universitas terkemuka mengirim total 8.000 lamaran kerja dan hampir tidak mendapat jawaban. Keduanya bukan kebetulan, melainkan dua sisi mata uang yang sama — pengurangan tenaga kerja junior demi efisiensi biaya.
Laporan MIT NANDA 2025 memperkuat gambaran itu. Hanya 5 persen penerapan AI generatif di perusahaan yang mengembalikan keuntungan P&L, dan kelima persen itu justru memanfaatkan AI untuk pekerjaan berulang tingkat masuk: pemrosesan data, tinjauan kode, dan pengeditan konten. Keuntungan finansial muncul langsung dari pengurangan headcount. Pintu masuk bagi lulusan baru ditutup rapat.
Tiga kategori pekerjaan menjadi target utama. Pertama, dokumentasi teknis, code review, dan pemrosesan data — tugas harian junior data analyst dan insinyur pemula. Agent LLM kini mencapai kualitas 70 hingga 80 persen, beroperasi 24 jam, dan biayanya jauh di bawah gaji bulanan karyawan junior. Banyak perusahaan teknologi AS telah menghapus posisi ini sepenuhnya, tidak hanya memangkas.
Kedua, dukungan pelanggan dan pengeditan konten. Data TechCrunch menunjukkan kedua kelompok ini paling banyak tersingkir dari 90.000 posisi yang dihapus. Dulu, peran ini menjadi tangga naik karier: satu hingga dua tahun belajar jargon industri dan berkomunikasi dengan pelanggan, lalu naik ke pemasaran, produk, atau customer success. Sekarang AI menangani triase tiket tingkat-1, balasan FAQ, dan pembuatan salinan massal. Tangga itu patah.
Ketiga, peran analis pemula di keuangan, data, dan riset pasar. Ironisnya, perusahaan teknologi menggunakan AI untuk menyaring lamaran dan menjalankan wawancara tahap pertama, lalu menolak kandidat dengan alasan "AI sudah menggantikan peran ini". AI bertindak sebagai gerbang HR sambil membunuh lowongan entry-level — loop dingin di balik 8.000 lamaran tak terbaca.
Di sisi lain, lima pola peran justru bertahan. Pelatih AI dan insinyur prompt bukan sekadar "mengenal ChatGPT", melainkan merancang kriteria evaluasi, memecah mode kegagalan agent, dan memelihara kolaborasi multi-agent. Penulis sumber sendiri menghabiskan 20 hingga 30 jam seminggu untuk hal ini — jauh lebih dari menulis kode.
Integrasi sistem menjadi yang kedua. Menghubungkan pembuatan konten, basis data, notifikasi, dan gerbang tinjauan menjadi jalur produksi stabil membutuhkan komunikasi lintas tim dan penilaian kapan agent boleh berjalan mandiri dan kapan butuh tinjauan manusia. Kombinasi langka: memahami teknologi, bisnis, dan orang.
Ketiga, penempatan produk dan penemuan masalah pelanggan. AI bisa menghasilkan seratus solusi, tapi tidak bisa memutus sendiri apakah masalah itu layak diselesaikan. Keputusan itu butuh pemahaman mendalam pelanggan — wawancara langsung, mengujikan produk melalui kegagalan sendiri.
Keempat, etika keputusan dan kepatuhan. Di mana uang, hukum, kesehatan, atau privasi terlibat, manusia bernama harus ada dalam loop dengan akuntabilitas hukum. Praktik umum sistem perdagangan otomatis: tambahkan emergency stop dan gerbang tanda tangan manusia. Bukan karena teknologi tidak bisa, tapi karena tanggung jawab tidak bisa diserahkan ke agent.
Kelima, operasi dunia fisik. Teknik sipil, F&B, logistik, perbaikan di lokasi — substitusi AI bergerak jauh lebih lambat dari narasi berita. Nilai tenaga kerja fisik dan pengalaman lapangan tetap krusial, terlepas dari kebisingan headline.
Bagi pekerja kantor, tiga langkah konkret bisa diambil. Pertama, latih AI sebagai rekan, bukan musuh. Pilih satu tugas konkret — ringkasan laporan mingguan, kategorisasi balasan pelanggan, scraping data — rancang prompt, jalankan sepuluh kali, pelajari kegagalan, perbaiki. Tiga bulan kemudian pemahaman praktis akan mengungguli siapa pun yang memperlakukan AI sekadar "mainan obrol".
Kedua, bangun keterampilan lintas domain. Teknologi ditambah pengetahuan domain selalu bernilai lebih tinggi dari teknologi saja. Jika di pemasaran, hubungkan AI dengan psikologi pelanggan. Jika di keuangan, hubungkan dengan kepatuhan. Posisi yang bertahan semuanya duduk di persimpangan itu.
Ketiga, dokumentasikan visibilitas alur kerja. Catat serius apa yang dilakukan setiap minggu, rantai keputusan seperti apa, dan metrik output apa. Sebelum atasan memutus menggantikan dengan AI, catatan itulah yang dilihat pertama. Posisi dengan alur kerja tak terlihat akan dipotong duluan.