Ramalan yang tidak mau mati
Selama lebih dari satu dekade, satu angka telah menjadi jangkar ketakutan publik terhadap otomasi: 47%. Pada 2013, para ekonom Oxford Martin School, Carl Benedikt Frey dan Michael Osborne, memperkirakan bahwa porsi ketenagakerjaan AS itu berada dalam pekerjaan berisiko tinggi terkomputerisasi, dalam jendela waktu masa depan yang tidak ditentukan yang mereka gambarkan hanya sebagai “mungkin satu atau dua dekade.” Makalah itu menjadi salah satu makalah kerja ekonomi paling banyak dikutip abad ini, dan angka 47% masih beredar dalam judul berita dan slide ruang rapat seolah-olah itu adalah prediksi yang mapan, bukan estimasi probabilistik yang dibangun di atas asumsi era 2013 tentang tugas mana yang secara masuk akal dapat dipelajari perangkat lunak.
Pada 2022, Robert D. Atkinson dari Information Technology and Innovation Foundation memiliki eksperimen alami yang tidak dimiliki para peramal lain: sembilan tahun data pasar-tenaga-kerja yang sesungguhnya. Vonisnya blak-blakan. AS telah menambahkan sekitar 16 juta pekerjaan sejak makalah itu dirilis, pengangguran berada di 3,7%, dan ketika ia memeriksa skor risiko tingkat-pekerjaan Frey dan Osborne terhadap apa yang sesungguhnya terjadi pada pekerjaan-pekerjaan itu, korelasinya lemah — sekitar 0,26. Angka 47% itu tidak terjadi. Itu tidak berarti otomasi tidak berbahaya; itu berarti sebuah skor kerentanan titik-waktu tunggal, betapapun ketat dimodelkan, adalah panduan yang buruk untuk satu dekade perubahan teknologi, ekonomi, dan institusional. Klaim apa pun tentang bidang keahlian “aman” di bawah ini harus dibaca dengan mengingat pola kegagalan itu.
Dua paradoks yang terus dicampuradukkan orang
Diskusi tentang kerja manual dan AI secara rutin mengutip dua gagasan seolah-olah keduanya dapat dipertukarkan. Keduanya tidak, dan perbedaannya penting untuk perencanaan.
Paradoks Moravec adalah pengamatan komputasional, dinamai dari buku tahun 1988 milik roboticist Hans Moravec, Mind Children, dan diartikulasikan pada waktu yang sama oleh Rodney Brooks dan Marvin Minsky. Paradoks ini menyatakan bahwa penalaran abstrak murah secara komputasional bagi mesin, sementara keterampilan sensorimotorik dan perseptual seorang balita — keseimbangan, genggaman, persepsi kedalaman, pengenalan objek dalam kekacauan — luar biasa mahal. Ini menjelaskan mengapa sebuah model dapat lulus ujian pengacara sebelum sebuah robot dapat secara andal melipat cucian.
Paradoks Polanyi adalah istilah ekonomi-tenaga-kerja, dan inilah yang sesungguhnya memprediksi pekerjaan mana yang tahan terhadap otomasi. Ekonom MIT David Autor menciptakan istilah ini dalam makalah kerja NBER September 2014, dibangun di atas pengamatan filsuf Michael Polanyi tahun 1966 bahwa “kita dapat mengetahui lebih banyak daripada yang dapat kita katakan.” Para pekerja terampil secara rutin mendiagnosis sirkuit yang gagal, katup yang macet, atau kompresor yang mendesah menggunakan pengenalan pola yang tidak dapat mereka artikulasikan sepenuhnya sebagai seperangkat aturan — yang berarti itu juga tidak dapat dikodifikasikan secara bersih ke dalam data pelatihan atau pohon keputusan. Kesimpulan Autor sendiri masih berlaku: “tantangan untuk menggantikan pekerja dengan mesin dalam tugas yang membutuhkan kemampuan beradaptasi, akal sehat, dan kreativitas tetap sangat besar.”
Perbedaannya penting karena paradoks Moravec adalah tentang tubuh robot, dan paradoks Polanyi adalah tentang penilaian manusia yang tersirat. Sebuah bidang keahlian dapat tahan otomasi karena salah satu alasan, keduanya, atau tidak sama sekali — dan mencampuradukkan keduanya menghasilkan prediksi yang ceroboh.
Apa yang ditunjukkan 200.000 percakapan nyata — dan apa yang tidak
Frey dan Osborne memodelkan kerentanan dari luar. Pada 2025, Microsoft Research mengambil pendekatan yang berbeda: Kiran Tomlinson dan rekan-rekannya memeriksa 200.000 percakapan Bing Copilot yang dianonimkan terhadap basis data O*NET tentang aktivitas kerja okupasional, menghasilkan “skor keberlakuan AI” untuk ratusan pekerjaan. Pekerjaan dengan skor terendah — phlebotomist, asisten perawat, terapis pijat, operator peralatan, dan tukang atap — memiliki satu ciri yang jelas: pekerjaan itu terjadi pada sebuah tubuh, di tempat tertentu, menggunakan tangan.
Para peneliti secara eksplisit menyatakan bahwa ini adalah pengukuran tumpang-tindih tugas dengan sebuah chatbot, bukan ramalan pemutusan kerja. Dalam sebuah posting blog lanjutan yang menanggapi liputan pers yang berlebihan, mereka menulis: “studi kami tidak menarik kesimpulan apa pun tentang pekerjaan yang dihapuskan; dalam makalah tersebut, kami secara eksplisit memperingatkan agar tidak menggunakan temuan kami untuk membuat kesimpulan itu.” Skor keberlakuan rendah hari ini menggambarkan di mana AI generatif saat ini tidak membantu sebagai asisten obrolan. Itu tidak mengatakan apa pun tentang seorang anak berusia lima tahun dengan kamera yang lebih baik dan aktuator yang lebih murah — yang persis merupakan wilayah yang dilacak bab robot humanoid manual ini.
Rumitnya: “manual” bukanlah satu hal
Di sinilah kisah yang bersih ini pecah. Future of Jobs Report 2025 milik World Economic Forum bertanya kepada pemberi kerja keterampilan apa yang mereka perkirakan akan lebih atau kurang penting pada 2030. Hampir setiap kategori keterampilan diperkirakan akan tumbuh pentingnya. Hanya dua yang diperkirakan menurun bersih — dan salah satunya adalah “ketangkasan, daya tahan, dan presisi manual,” pada 24% negatif bersih.
Itu bukan kontradiksi dari data bidang keahlian di atas; itu adalah pengingat bahwa “kerja manual” mencakup pekerjaan yang sangat berbeda. Pemilihan gudang, stasiun jalur perakitan, dan penanganan industrial berulang bersifat manual, menuntut fisik, dan persis jenis gerakan terstruktur dan berulang yang telah diotomasi robotika industrial selama bertahun-tahun — jauh sebelum AI generatif ada. Seorang tukang listrik berlisensi yang menelusuri masalah pada panel yang tidak dikenal di rumah yang tidak dikenal juga “manual,” tetapi itu hampir tidak mirip dengan tugas gudang dalam ketidakpastiannya, tanggung jawab hukumnya, atau kebutuhan penilaiannya. Pemberi kerja yang disurvei WEF tampaknya menangkap yang pertama bahkan ketika permintaan bertahan untuk yang kedua. Sebuah bidang keahlian tidak dilindungi karena bersifat manual; ia dilindungi dengan menggabungkan penilaian tersirat dengan persyaratan kehadiran-fisik yang keras atau permintaan penggantian struktural yang belum dapat dipenuhi robot secara murah.
Lima bidang keahlian, dua alasan berbeda untuk mengharapkan permintaan
Proyeksi Occupational Outlook Handbook 2025–2035 milik Bureau of Labor Statistics mengilustrasikan kedua mekanisme sekaligus:
| Bidang Keahlian | Pertumbuhan Proyeksi | Lowongan Tahunan | Upah Median (Mei 2025) |
|---|---|---|---|
| Tukang listrik | 9% | ~72.700 | $63.190 |
| Tukang pipa, pipefitter, steamfitter | 7% | ~42.000 | $63.800 |
| Mekanik HVAC/pendingin | 11% | ~40.600 | $61.010 |
| Pemasang lift/eskalator | 6% | ~1.900 | $109.910 |
| Pendamping kesehatan rumah/perawatan pribadi | 18% | ~760.500 | $35.800 |
Tukang listrik, tukang pipa, dan teknisi HVAC menggabungkan penilaian paradoks-Polanyi (mendiagnosis sistem yang tidak dikenal) dengan tenaga kerja lama yang menua dan jalur magang bertahun-tahun — kira-kira empat hingga lima tahun dan sekitar 2.000 jam berbayar per tahun untuk tukang listrik — yang tidak dapat dipersingkat hanya karena permintaan meningkat. Pemasang lift membawa upah tertinggi dari kelima bidang ini, mencerminkan spesialisasi sempit, berlisensi, dan kritis-keselamatan dengan sedikit pendatang baru. Pendamping kesehatan rumah dan perawatan pribadi berada di ujung skala upah yang lain tetapi mencatat jumlah lowongan mentah terbesar sejauh ini, didorong oleh demografi daripada kelangkaan slot pelatihan: populasi yang menua membutuhkan lebih banyak perawatan langsung daripada yang dapat disediakan tenaga kerja saat ini, dan permintaan itu relatif tidak sensitif terhadap otomasi karena bergantung pada kehadiran fisik, kepercayaan, dan penilaian tatap-muka yang belum dapat disediakan robotika saat ini dalam skala atau biaya.
Benang merahnya
Tidak satu pun dari ini setara dengan pengecualian permanen. Sebuah bidang keahlian tampak tahan lama ketika membutuhkan keterampilan tersirat yang tahan terhadap kodifikasi, ketika tenaga kerja yang menyediakannya menyusut lebih cepat daripada permintaan, atau ketika pekerjaan itu membutuhkan kehadiran fisik dengan cara yang belum dapat dilakukan robot secara murah — idealnya lebih dari satu hal ini sekaligus. Ia tampak rapuh ketika komponen “manual”-nya sebenarnya berulang dan terstruktur, yang persis merupakan jenis kerja manual yang telah ditargetkan robotika industrial dan gudang selama satu generasi. Membaca data pertumbuhan dan upah BLS adalah filter awal yang masuk akal bagi rumah tangga atau pekerja muda yang menimbang pilihan, tetapi itu adalah filter, bukan jaminan — disiplin yang sama yang seharusnya mencegah orang memperlakukan angka 47% sebagai kebenaran mutlak pada 2013 berlaku untuk setiap angka dalam artikel ini.