Sejarah Singkat Dampak Teknologi terhadap Tenaga Kerja
Sebelum kita membahas potensi dampak AI generatif terhadap pekerjaan saat ini, mari singkatnya kita telusuri bagaimana teknologi memengaruhi pekerjaan dan ekonomi pada titik-titik penting dalam sejarah baru-baru ini (lihat, misalnya, Acemoglu, 2002).
1770 hingga 1970: Otomatisasi Berkontribusi pada Peningkatan Produktivitas
Pada abad ke-19 di Britania, tenaga kerja berkemampuan rendah melimpah sementara pekerja berkemampuan tinggi langka. Pada masa itu, pabrik menyederhanakan dan mengotomatiskan pekerjaan pengrajin terampil seperti pemintalan kapas di industri tekstil. Hal ini menghasilkan peningkatan produktivitas yang besar namun juga memicu protes seperti kerusuhan Luddite, di mana para pengrajin menghancurkan mesin untuk mencegah otomatisasi tersebut.
Perkembangan serupa terjadi pada awal abad ke-20 dengan diperkenalkannya lini perakitan, yang (secara besar-besaran) meningkatkan permintaan untuk pekerjaan berulang dengan keterampilan rendah. Namun, sejak 1970-an, ini menjadi pengecualian: sejak saat itu, teknologi baru sebagian besar menguntungkan pekerja berkemampuan tinggi dengan menggantikan tugas rutin tanpa atau semi terampil yang sering dilakukan oleh pekerjaan kelas menengah, seperti dijelaskan pada bagian berikut.
Contohnya adalah otomatisasi luas di sektor pertanian, pertama melalui mesin bertenaga kuda dan kemudian melalui mesin pembakaran dalam yang menggantikan kerja manual yang berat.
1970 hingga 2010: Otomatisasi Berkontribusi pada Peningkatan Ketimpangan
Ketika saya menyelesaikan Ph.D. di bidang ekonomi tenaga kerja dan statistika beberapa tahun lalu, kami menyaksikan empat dekade kenaikan ketimpangan upah. Kenaikan ini, sejauh besar, merupakan efek dari meningkatnya permintaan terhadap pekerja yang lebih berpendidikan (dikombinasikan dengan tekanan ke bawah pada upah untuk pekerjaan yang bisa dialihdayakan ke luar negeri). Tentu saja, penyebab lain juga berperan penting di sini, seperti penurunan cakupan serikat pekerja.
Ini merupakan tren yang mengejutkan karena perluasan pendidikan menyebabkan peningkatan besar pasokan lulusan muda berpendidikan tinggi pada periode yang sama. Otomatisasi yang tidak cerdas seperti robot, dikombinasikan dengan offshoring, diterapkan secara luas, khususnya di manufaktur, dan menggantikan pekerjaan kelas menengah sebelumnya, yang sering melibatkan tugas rutin yang rentan terhadap otomatisasi (lihat Autor dkk., 2022).
Contohnya termasuk tugas perakitan berulang, mengambil atau menyortir, serta pembukuan atau perhitungan. Microsoft Excel jelas mengubah pekerjaan kantor khas, dan pekerjaan seperti teller bank atau operator switchboard sebagian besar menghilang. Pada saat yang sama, kita tidak mengalami dunia tanpa pekerjaan karena muncul karier baru yang sebelumnya tidak ada, seperti analis data, teknisi turbin angin, atau konselor kesehatan mental. Munculnya pekerjaan-pekerjaan ini bukanlah efek langsung dari otomatisasi, tetapi otomatisasi dan peningkatan produktivitas membebaskan kita untuk berfokus pada bidang-bidang baru.
Dampak makroekonomi keseluruhan dari teknologi baru ini lebih kecil dari yang diharapkan. Peningkatan produktivitas melambat secara nyata sejak awal 1970-an (dengan pengecualian singkat sekitar gelembung dot-com pada akhir 1990-an, lihat Moss dkk., 2020). Peraih Nobel Robert Solow menggambarkan ini dalam paradoks produktivitas yang terkenal: “Anda bisa melihat era komputer di mana-mana kecuali dalam statistik produktivitas."
Ada perdebatan luas tentang alasan pasti mengapa komputer tidak membuat kita lebih produktif (misalnya, kesalahan pengukuran atau produk yang tampak gratis seperti Wikipedia atau media sosial), tetapi alasan pastinya tetap kontroversial. Yang tidak diperdebatkan adalah fakta bahwa pertumbuhan produktivitas hanya sekitar setengah dari tiga puluh tahun setelah Perang Dunia II.
2010 hingga COVID-19: Pertumbuhan Ketenagakerjaan di Tengah Ketiadaan AI dan Kemajuan Teknologi terkait Pandemi
Sementara pemulihan (dan pertumbuhan produktivitas) mengecewakan setelah Resesi Besar, permintaan tenaga kerja kuat, atau seperti judul The Economist pada 2019: “Dunia kaya menikmati ledakan pekerjaan yang belum pernah terjadi sebelumnya.” Kenaikan ketenagakerjaan ini sebagian besar didorong oleh faktor-faktor yang tidak terkait dengan teknologi baru, seperti stimulus ekonomi, suku bunga rendah, dan meningkatnya partisipasi perempuan di pasar tenaga kerja.
Perusahaan mulai merekrut spesialis terkait AI sekitar 2010. Tren ini kembali meningkat sekitar 2015, dan ada beberapa bukti bahwa bisnis-bisnis tersebut mengurangi perekrutan di segmen perusahaan lainnya. Namun, hingga pandemi COVID-19 dimulai, hanya sedikit bukti bahwa model pembelajaran mesin awal berdampak pada pekerjaan atau upah (lihat, misalnya, Acemoglu dkk., 2022).
Pandemi COVID memiliki dampak tak terduga pada bisnis dan pekerjaan yang kalau tidak terjadi mungkin membutuhkan waktu satu dekade untuk terwujud. Kerja jarak jauh dan kantor di rumah menjadi meluas; sementara sebelum covid hanya sekitar 5% dari seluruh hari kerja dilakukan dari rumah, angka ini melonjak menjadi 60% pada puncak pandemi dan sejak itu bertahan sekitar 30% (lihat Bloom dkk., 2023). Banyak perusahaan juga mendorong investasi mereka dalam otomatisasi, misalnya melalui robot atau mesin kasir swalayan.
Bagaimana LLM akan Mempengaruhi Pekerjaan Kerah Putih?
Uraian sejarah singkat ini menunjukkan bahwa dampak perubahan teknologi terhadap pekerjaan tidaklah jelas. Ekonom mengatakan hal itu bisa bersifat pengganti keterampilan (seperti pada abad ke-19) atau pelengkap keterampilan (seperti pada abad ke-20).
Dalam model ekonomi modern, yang kadang disebut model kanonik yang ditinjau kembali (Acemoglu dan Autor, 2011), kita berasumsi bahwa pekerjaan terdiri dari sekumpulan tugas dan ada berbagai kelompok keterampilan manusia atau tingkat pendidikan, masing-masing dengan keunggulan komparatifnya.
Kelompok-kelompok ini dapat saling menggantikan, namun hanya secara tidak sempurna. Apakah teknologi baru akan menggantikan kelompok keterampilan tertentu bergantung, antara lain, pada permintaan terhadap tugas-tugas spesifik, pasokan atau ketersediaan kelompok tersebut, dan pada upah mereka.
Secara keseluruhan, kita melihat negara maju yang menua lebih cepat seperti Jerman, Jepang, dan Korea Selatan mengadopsi lebih banyak robot sebagai respons terhadap kelangkaan pekerja produksi. Perusahaan memiliki insentif untuk menemukan dan mengadopsi teknologi yang menggantikan keterampilan jika pekerja berkemampuan tinggi tidak cukup, jika upah pekerja berkemampuan tinggi tinggi, atau jika ada ketidaksesuaian keterampilan antara yang dibutuhkan dan yang tersedia. Di DataCamp, kami secara aktif membuat keterampilan tertentu yang banyak diminati tersedia bagi sebanyak mungkin orang!
Menariknya, hingga baru-baru ini, banyak orang mungkin mengira bahwa kecerdasan buatan baru, seperti mobil otonom, pertama-tama akan menggantikan pekerjaan kerah biru seperti sopir truk atau masinis. Namun, aplikasi AI Generatif yang baru diluncurkan menunjukkan kemampuan luar biasa yang biasanya dilakukan oleh pekerja kerah putih, seperti menulis esai, melakukan riset latar belakang, atau pemrograman.
Mari kita tanyakan pada LLM seperti ChatGPT tugas apa yang mungkin diotomatiskan.
Ini menyarankan penerjemahan, pembuatan teks, gambar, video, komposisi musik, agen percakapan, atau rekomendasi personal. Daftar ini menyoroti mengapa beberapa studi menyarankan bahwa AI Generatif mungkin lebih berdampak pada pekerjaan berpenghasilan lebih tinggi. Pekerjaan ini mencakup pengajar bahasa, sastra, sejarah, layanan hukum, keuangan, asuransi, dan akuntansi (sebagaimana dibahas oleh Felten dkk., 2023).
Meskipun dampak AI Generatif pada pendidikan kemungkinan akan mendalam—pikirkan asisten AI yang memungkinkan siswa belajar sesuai kecepatan mereka—namun tampaknya kecil kemungkinan posisi pengajar akan digantikan dalam jumlah signifikan dalam waktu dekat (karena mereka memiliki peran krusial melampaui apa yang bisa diajarkan chatbot). Namun, kemajuan AI Generatif dalam pengenalan gambar, teks, dan audio mungkin memiliki implikasi mendalam pada riset (latar belakang), diagnosis medis, layanan pelanggan, atau analisis (data).
Ini tidak berarti bahwa ahli radiologi, penerjemah, atau akuntan akan hilang, tetapi bisa jadi pekerjaan ini akan terlihat sangat berbeda di masa depan. Memberi dokter (semoga) lebih banyak waktu untuk fokus pada pasien dan membebaskan mereka dari tugas administratif dasar.
Perkiraan Dampak Pekerjaan menurut OpenAI dan Goldman Sachs
Sebuah studi yang ditulis bersama oleh OpenAI, pendiri ChatGPT, menganggap model LLM baru sebagai teknologi tujuan umum yang pertama, dapat diadopsi ke dalam serangkaian alur kerja serbaguna di banyak domain; kedua, terus-menerus meningkat; dan ketiga, memicu inovasi pelengkap dan efek limpahan.
Mereka memperkirakan bahwa 15% dari semua tugas yang dilakukan tenaga kerja di Amerika Serikat mungkin dapat dilakukan jauh lebih cepat melalui LLM. Jika teknologi pelengkap tambahan ditambahkan, angka ini bisa melebihi setengah dari semua tugas.
Contoh tugas yang sangat terekspos adalah menulis dan pengkodean, sementara sains atau pemikiran kritis tidak. Eksposur dihitung di sini apakah "sebuah LLM atau sistem berbasis LLM akan mengurangi waktu yang diperlukan bagi manusia untuk melakukan [...] atau menyelesaikan suatu tugas setidaknya 50 persen". Mereka menemukan, secara umum, bahwa pekerjaan yang memerlukan pendidikan, pelatihan, dan pengalaman lebih tinggi cenderung lebih terekspos.
Goldman Sachs memperkirakan bahwa dua pertiga dari semua pekerjaan di Amerika Serikat akan setidaknya sebagian terdampak oleh AI Generatif (dengan 25% - 50% tugas mereka berpotensi diotomatisasi). Namun, mereka tidak memperkirakan PHK massal dan melihat AI Generatif secara umum lebih sebagai teknologi pelengkap manusia daripada menggantikan mereka.
Dampak Jangka Pendek AI Generatif
Ini kemungkinan merupakan batas atas dalam dampak jangka pendek hingga menengah karena teknologi baru biasanya memerlukan waktu adopsi. AI Generatif kemungkinan akan diadopsi lebih cepat daripada, misalnya, internet, yang membutuhkan satu atau dua dekade hingga benar-benar menjadi arus utama.
Pertanyaan hukum dan etika seputar adopsi AI generatif
Namun, bahkan teknologi baru akan menghadapi hambatan tertentu untuk diatasi. Ada pertanyaan hukum yang sangat relevan dalam pekerjaan kerah putih berupah tinggi dan ketidakpastian dalam mengotomatiskan tugas di bidang pendidikan, kedokteran, atau layanan profesional.
Siapa, misalnya, yang akan bertanggung jawab jika AI Generatif melakukan kesalahan, atau bagaimana dengan potensi pelanggaran hak cipta karena merayapi web secara masif untuk melatih model semacam itu? Dan perlu ditambahkan bahwa bahkan perusahaan yang menerbitkan LLM terbaru pun mengakui bahwa model-model ini kadang gagal secara spektakuler (dan tampaknya rumit untuk menilai secara tepat alasannya).
Disrupsi pekerjaan tertentu oleh AI generatif
Hambatan-hambatan ini tidak sama relevannya untuk semua pekerjaan kerah putih. AI Generatif mungkin, dan mungkin sudah, mendisrupsi segmen tertentu dari pasar tenaga kerja. Pikirkan pemasaran yang sering mencakup perancangan teks yang cukup generik atau dukungan pelanggan di mana chatbot meningkat pesat. LLM tampak sangat mampu menerjemahkan, mensintesis, dan bahkan menafsirkan teks sehingga sulit membayangkan kita akan membutuhkan jumlah penerjemah yang sama di masa depan.
Alat seperti Google Translate atau DeepL sudah sangat baik, dan kasus penggunaan pertama BERT dari Google adalah penerjemahan. Berikutnya, pekerjaan pengembangan perangkat lunak yang relatif sederhana dan pembuatan konten standar di media dan pendidikan mungkin dialihdayakan ke mesin hingga batas tertentu, seperti halnya tugas paralegal atau persiapan pajak.
Pekerjaan layanan pelanggan tidak diragukan lagi akan terdampak karena kemajuan besar dalam tugas dukungan percakapan. Misalnya, working paper yang baru dirilis, ditulis bersama Erik Brynjolfsson, memperkirakan bahwa AI Generatif meningkatkan kinerja lebih dari 5.000 agen layanan pelanggan sekitar 14% rata-rata, terutama bagi pekerja yang lebih baru tetapi hampir tidak bagi agen yang lebih berpengalaman.
Dampak alih tugas ke mesin (otomatisasi) dan alih daya ke luar negeri (offshoring) bagi pekerja yang terdampak sangat mirip. Pekerjaan mereka akan dikodifikasi dan dilakukan secara lokal oleh robot yang lebih murah atau mungkin ditransfer secara elektronik atau dikirim secara fisik ke negara lain dan dilakukan oleh tenaga kerja yang lebih murah.
Dampak Jangka Panjang AI Generatif
Dampak AI Generatif pada ekonomi kita dalam jangka menengah hingga panjang pasti akan mendalam. Jika dikombinasikan dengan teknologi lain, seperti robotika, sebagian besar pekerjaan akan terdampak dalam derajat yang bervariasi (meskipun guru TK, pramusaji, atau pekerjaan sosial untuk saat ini masih relatif aman).
Kita melihat permintaan dan upah meningkat, khususnya untuk pekerjaan berkemampuan tinggi, dalam beberapa dekade terakhir, sementara jumlah pekerjaan kelas menengah menurun, dan upah untuk pekerjaan berupah rendah sering stagnan. Namun kita juga menyaksikan tren lain yang menyebabkan polarisasi di pasar tenaga kerja: peningkatan permintaan untuk pekerjaan jasa, yang sering kali berupah rendah. Ini termasuk mengantarkan paket, mengisi rak supermarket, pekerjaan gudang, dan layanan personal seperti kebersihan, keamanan, atau merawat anak-anak dan lansia. Tambahkan di sini sopir truk, kereta, atau Uber.
Tiga skenario kemungkinan untuk masa depan pengembangan AI generatif
Banyak dari pekerjaan ini mungkin rentan jika teknologi otomotif makin maju dan robot menjadi cerdas dan lebih mampu menangani tugas 3D yang tidak sepele. Saya bisa membayangkan tiga skenario berbeda:
- Kita menyaksikan titik belok, dan AI Generatif adalah teknologi terobosan seperti mesin cetak, mesin uap, atau manufaktur transistor, yang menghasilkan perubahan signifikan dalam cara kita bekerja dan hidup, dengan perbaikan berkelanjutan yang diharapkan dalam jangka menengah.
- AI Generatif mungkin memerlukan pengembangan selama beberapa dekade sebelum dapat dengan aman menggantikan tugas manusia di luar area spesifik, seperti mobil tanpa pengemudi, yang menghadapi keterbatasan keselamatan tanpa pengawasan manusia, meskipun ada peningkatan signifikan satu dekade lalu.
- Teknologi saat ini mungkin sudah mencapai puncaknya, dan tidak banyak lagi yang akan datang, mirip dengan mesin pencari di mana PageRank Google merevolusi pencarian (mengambil pangsa pasar dari Yahoo! dan Altavista) pada awal 2000-an, yang sejak itu mengarah pada kemajuan bertahap.
Tentu, kita tidak tahu skenario mana yang akan terjadi, tetapi saya jauh lebih optimistis (dan agak waswas) bahwa kita sedang melihat teknologi transformatif yang mulai mengumpulkan momentum dibandingkan kapan pun sejak masa-masa awal internet.
Apakah Kita Menuju Utopia AI atau Distopia AI?
Apakah perkembangan ini akan mengarah pada masa depan distopis di mana hanya sedikit pekerjaan yang tersisa yang terutama mencakup interaksi tatap muka langsung dengan manusia lain, mengembangkan dan memelihara teknologi baru ini, atau tugas manual yang kompleks atau khusus?
Saya rasa tidak.
Kita biasanya piawai menciptakan peran baru yang melengkapi teknologi atau melakukan sesuatu yang benar-benar baru (seperti data scientist, terapis drama, atau seniman tato). Itulah mengapa saya tidak khawatir tentang masa depan tanpa pekerjaan.
Namun demikian, seandainya saya pemimpin perusahaan, saya akan mempertimbangkan dampak potensial pada bisnis saya dengan sangat serius dan berpikir secara strategis tentang bagaimana bereaksi dan siapa yang harus direkrut.
Sebagai individu, saya juga akan memikirkan dengan saksama keterampilan apa yang ingin saya investasikan dan apakah keterampilan tersebut rentan terhadap otomatisasi oleh mesin cerdas.
Sebagai pembuat kebijakan, saya akan terus mendorong pendidikan, meninjau kurikulum pendidikan, meningkatkan kesadaran bahwa kita mungkin berada pada titik belok, dan menghindari menjerumuskan terutama anak muda ke pekerjaan yang segera akan terotomatisasi.
Naik ke Level Berikutnya
Apa yang dapat Anda lakukan, secara individual, sebagai seseorang yang bertanggung jawab atas kesuksesan bisnis Anda atau orang lain untuk memaksimalkan manfaat dari AI Generatif?
Menurut saya, hingga saat ini, kemungkinannya besar bahwa kita benar-benar akan menyaksikan perubahan teknologi terobosan baru. Oleh karena itu, saya sangat menyarankan untuk memahami dasar-dasar di balik AI Generatif guna menentukan cara terbaik untuk merespons.
Bagaimana caranya? Anda bisa, misalnya, mempelajari ChatGPT dengan kursus Introduction to ChatGPT dari DataCamp (dan kursus tambahan yang akan segera kami rilis) atau beberapa sumber daya lain kami, seperti Panduan Menggunakan ChatGPT untuk Proyek Data Science atau Cheat Sheet OpenAI API di Python.
Tentu saja, saya menyarankan Anda mencoba sendiri teknologi baru ini dan menghasilkan beberapa rangkaian prompt. Jika Anda memahami lebih banyak tentang LLM, Anda juga dapat membaca beberapa artikel riset yang ditautkan di bawah ini dan terus memperbarui diri tentang perkembangan baru.
Sumber:
