AI mengubah pasar kerja: Mengapa 800.000 kehilangan pekerjaan hanyalah sebagian dari cerita

AI dan pasar tenaga kerja Jerman: Pergeseran pekerjaan besar dimulai

Mengapa khususnya para profesional muda bisa berada di bawah tekanan?

Kecerdasan buatan kemungkinan besar tidak akan mengubah pasar tenaga kerja Jerman melalui penurunan lapangan kerja secara tiba-tiba, melainkan melalui restrukturisasi mendalam terhadap pekerjaan, kualifikasi, dan peluang karier. Menurut skenario jangka panjang, sekitar 800.000 pekerjaan dapat hilang dalam 15 tahun – sementara jumlah posisi baru yang tercipta kurang lebih sama. Namun, hasil yang hampir seimbang ini bukanlah alasan untuk berpuas diri: pekerjaan dan orang-orang yang terkena dampak tidak dapat begitu saja diimbangi satu sama lain. Posisi baru mungkin membutuhkan keterampilan yang berbeda, muncul di lokasi yang berbeda, atau tersedia di kemudian hari. Mereka yang baru memulai karier mereka mungkin menghadapi tantangan khusus karena perusahaan mengubah proses mereka dan mengotomatiskan tugas-tugas standar. Oleh karena itu, pertanyaan krusialnya bukan hanya berapa banyak pekerjaan yang akhirnya tersisa, tetapi juga siapa yang mengelola transisi, bagaimana peningkatan produktivitas didistribusikan, dan apakah kemajuan teknologi benar-benar diterjemahkan menjadi peluang karier yang layak.

Berkaitan dengan ini:

• Biaya administrasi yang meledak: Badan Pemeriksa Keuangan membunyikan alarm – Bagaimana Badan Ketenagakerjaan Federal menghabiskan miliaran dolar di bawah kepemimpinan Andrea Nahles

Keseimbangan lapangan kerja mungkin positif – namun ratusan ribu orang masih kehilangan pekerjaan

Kecerdasan buatan kemungkinan akan mengubah pasar tenaga kerja Jerman bukan melalui penurunan lapangan kerja secara tiba-tiba, melainkan melalui restrukturisasi mendalam terhadap pekerjaan, kualifikasi, dan peluang karier. Sekitar 800.000 pekerjaan yang hilang dalam periode 15 tahun dapat diimbangi oleh jumlah pekerjaan baru yang serupa. Namun, hasil yang sebagian besar seimbang ini bukanlah alasan untuk berpuas diri. Ini hanya berarti bahwa kehilangan pekerjaan dan pekerjaan baru kurang lebih saling meniadakan dalam perekonomian secara keseluruhan, tetapi bukan berarti individu yang terkena dampak akan dapat beralih ke peran baru tanpa kehilangan pendapatan, relokasi, atau periode transisi yang panjang.

Oleh karena itu, pertanyaan yang sangat penting secara ekonomi bukanlah sekadar berapa banyak pekerjaan yang pada akhirnya akan tersisa. Yang lebih penting adalah pekerjaan mana yang akan hilang, di mana permintaan tambahan akan muncul, seberapa cepat perusahaan dapat melakukan reorganisasi, dan siapa yang dapat memperoleh keterampilan yang dibutuhkan tepat waktu. Bagi Jerman, AI menawarkan peluang untuk menghasilkan nilai tambah yang lebih besar dengan sumber daya manusia yang semakin langka. Pada saat yang sama, hal ini menciptakan risiko pasar tenaga kerja di mana hubungan kerja yang ada tetap relatif stabil, sementara para profesional muda, pekerjaan di sektor jasa tertentu, dan perusahaan yang kurang adaptif berada di bawah tekanan yang semakin besar.

Apa yang ada di balik angka 800.000 itu?

Angka 800.000 kehilangan pekerjaan tidak boleh diartikan sebagai prediksi peningkatan pengangguran yang sesuai. Angka tersebut menggambarkan potensi transformasi struktural dalam jangka waktu yang panjang. Dalam perhitungan skenario yang mendasarinya, setelah 15 tahun, sekitar 790.000 pekerjaan akan hilang dibandingkan dengan jalur referensi, diimbangi oleh jumlah pekerjaan baru yang kurang lebih sama. Jika dibulatkan, ini menghasilkan angka yang umum digunakan yaitu 800.000 pekerjaan dalam setiap kasus. Secara keseluruhan, ini berarti sekitar 1,6 juta pekerjaan akan terpengaruh oleh pergeseran struktural tambahan.

Tolok ukur ini sangat penting. Jalur referensi tidak menggambarkan ekonomi yang beku tanpa digitalisasi, melainkan perkembangan di mana tren ekonomi, teknologi, dan demografi yang ada sudah diekstrapolasi. Skenario AI meneliti bagaimana peningkatan penggunaan teknologi dapat mengubah jalur perkembangan ini. Oleh karena itu, perbedaan yang diidentifikasi tidak boleh disamakan dengan semua kehilangan pekerjaan di masa depan atau perubahan keseluruhan dalam lapangan kerja.

Ini juga tidak berarti bahwa 800.000 pekerjaan hilang setiap tahun. Besarnya angka tersebut muncul selama periode yang dipertimbangkan dan mencerminkan perbedaan antara dua kemungkinan struktur ekonomi. Distribusi yang seragam di setiap tahun akan menyesatkan karena investasi, penyesuaian organisasi, dan model bisnis baru berpengaruh pada tingkat yang berbeda. Angka tersebut berguna sebagai panduan untuk skala transformasi, bukan sebagai peta jalan yang tepat untuk PHK.

Anggaran berimbang tidak melindungi siapa pun

Terdapat perbedaan signifikan antara situasi ketenagakerjaan secara keseluruhan yang seimbang dan peluang kerja individu. Kehilangan pekerjaan di bidang pemrosesan dokumen standar tidak dapat secara otomatis digantikan oleh posisi tambahan di bidang keamanan TI atau integrasi sistem teknis. Hal ini mungkin memerlukan keahlian yang berbeda, pengalaman profesional tambahan, atau tempat kerja yang berbeda. Bahkan jika kedua posisi tersebut secara statistik setara, keduanya tidak dapat dipertukarkan dari perspektif individu yang terkena dampaknya.

Masalah ini sering digambarkan sebagai ketidakseimbangan antara penawaran dan permintaan tenaga kerja. Orang-orang mencari pekerjaan, sementara perusahaan secara bersamaan mengeluh tentang posisi yang belum terisi. AI dapat memperburuk situasi ini jika permintaan untuk tugas-tugas tertentu berubah lebih cepat daripada kemampuan karyawan untuk menyesuaikan keterampilan mereka. Oleh karena itu, keseimbangan pekerjaan yang mendekati nol dapat menyebabkan periode pengangguran yang lebih lama untuk kelompok-kelompok tertentu, peningkatan kebutuhan pelatihan, dan pelebaran kesenjangan pendapatan.

Dimensi temporal juga sangat penting. Lapangan kerja tambahan tidak selalu muncul tepat ketika posisi lain dihilangkan. Sebuah perusahaan mungkin mengurangi jumlah staf administrasinya sementara layanan baru baru menghasilkan pendapatan yang cukup di kemudian hari. Oleh karena itu, kondisi akhir jangka panjang bukanlah satu-satunya faktor dalam penilaian kebijakan ekonomi. Sama pentingnya adalah biaya transisi di sepanjang jalan: hilangnya pendapatan, keterampilan yang tidak terpakai, beban keuangan pada jaminan sosial, dan risiko orang-orang menjadi terpinggirkan secara permanen.

Tugas-tugas menghilang demi munculnya profesi-profesi utuh

AI pada awalnya mengubah tugas, bukan keseluruhan profil pekerjaan. Suatu pekerjaan biasanya terdiri dari berbagai tugas yang berbeda: mengumpulkan informasi, memeriksa data, mempersiapkan keputusan, berkomunikasi dengan pelanggan, bertanggung jawab atas hasil, dan memecahkan masalah yang tidak terduga. Jika suatu teknologi mempercepat beberapa tugas ini, bukan berarti seluruh pekerjaan tersebut menjadi usang secara ekonomi.

Sebagai contoh, pekerjaan yang berorientasi analitis mungkin membutuhkan waktu lebih sedikit untuk menyusun laporan, sementara peninjauan hasil yang tidak biasa, koordinasi dengan departemen spesialis, dan tanggung jawab atas keputusan tetap ada. Oleh karena itu, potensi otomatisasi teknis tidak boleh disamakan dengan risiko nyata kehilangan pekerjaan. Di antara keduanya terdapat biaya operasional, persyaratan kualitas, tanggung jawab hukum, dan pertanyaan apakah waktu yang dihemat dapat digunakan secara produktif di tempat lain.

Sebaliknya, akan terlalu optimis untuk menyimpulkan bahwa perspektif tugas ini menjamin keamanan pekerjaan. Jika cukup banyak tahapan kerja dihilangkan dan perusahaan mengatur ulang prosesnya, beban kerja yang sama dapat dikelola dengan lebih sedikit karyawan. Transisi kemudian dapat bertahap: karyawan yang keluar tidak digantikan, posisi tambahan tidak disetujui, atau fungsi yang sebelumnya independen digabungkan dengan fungsi lain. Dengan demikian, pasar tenaga kerja berubah bahkan tanpa gelombang PHK yang terlihat secara publik.

Mengapa efisiensi mengenal dua arah?

Apakah peningkatan produktivitas mengurangi lapangan kerja atau menciptakan lapangan kerja tambahan sangat bergantung pada permintaan. Jika suatu perusahaan dapat menghasilkan output yang sama dengan jumlah karyawan yang lebih sedikit dan volume penjualan tetap tidak berubah, kebutuhan tenaga kerja pada awalnya akan menurun. Namun, jika layanan menjadi lebih murah, lebih baik, atau lebih mudah diakses oleh lebih banyak pelanggan, permintaan dapat meningkat dan mengimbangi sebagian dari penghematan awal tersebut.

Sebagai contoh, penyedia layanan dapat menggunakan AI untuk mendukung bisnis kecil secara lebih ekonomis karena biaya analisis sederhana akan menurun. Hal ini dapat menghasilkan hubungan pelanggan tambahan dan layanan konsultasi baru. Namun, di pasar dengan permintaan yang sebagian besar jenuh, kemajuan teknologi yang sama justru dapat memicu tekanan harga dan pengurangan staf. Teknologi saja tidak menentukan perkembangan mana yang akan menang.

Penggunaan laba juga berperan. Laba yang lebih tinggi dapat membiayai investasi, upah yang lebih tinggi dapat mendukung konsumsi, dan harga yang lebih rendah dapat meningkatkan daya beli. Namun, jika tabungan sebagian besar terserap tanpa menghasilkan permintaan domestik atau investasi tambahan, efek penciptaan lapangan kerja akan lebih lemah. Oleh karena itu, analisis ekonomi yang baik harus melampaui proses otomatis individual dan mempertimbangkan dampaknya terhadap pasar, pendapatan, dan keputusan bisnis.

Tekanan pertama menghantam layanan

Layanan yang berkaitan dengan bisnis menjadi fokus utama karena banyak layanan mereka melibatkan pemrosesan informasi yang tersedia secara digital. Ini termasuk analisis standar, penelitian pendahuluan, dokumentasi, dan tugas-tugas administratif tertentu. AI generatif dapat mendukung atau sebagian mengotomatiskan proses-proses ini. Hal ini tidak hanya mengubah kebutuhan staf tetapi juga dasar ekonomi dari penawaran layanan yang ada.

Dalam skenario AI jangka panjang, lapangan kerja di penyedia layanan bisnis diproyeksikan akan berkurang sekitar 120.000 orang dari lintasan referensi setelah 15 tahun. Sebaliknya, penyedia layanan TI dan informasi diproyeksikan akan mengalami penambahan sekitar 110.000 lapangan kerja. Perbedaan ini menunjukkan bahwa digitalisasi suatu industri tidak secara otomatis berarti pertumbuhan atau penurunan lapangan kerja. Faktor krusialnya adalah layanan mana yang digantikan, didukung, atau dibutuhkan lebih banyak.

Hal ini menghadirkan tantangan mendasar bagi penyedia jasa konsultasi dan pengetahuan. Jika sekadar menghasilkan laporan standar menjadi lebih murah, laporan tersebut akan kehilangan nilainya sebagai pembeda yang berdiri sendiri. Pemilihan pertanyaan yang relevan, pengetahuan industri yang kuat, validasi asumsi, dan implementasi perubahan konkret menjadi lebih penting. Pergeseran struktural potensial mengarah pada menjauh dari sekadar menjual pengolahan informasi dan menuju peningkatan yang terbukti dalam pengambilan keputusan dan hasil bisnis. Namun, berbagai kelompok jasa bisnis tidaklah sama: metrik industri tertentu tidak dapat diterapkan tanpa modifikasi pada semua profesi konsultasi atau pengetahuan.

Bank membutuhkan lebih dari sekadar analisis

Aktivitas analitis di bank dan perusahaan asuransi sangat rentan karena seringkali bergantung pada data terstruktur, dokumentasi yang ekstensif, dan langkah-langkah evaluasi yang berulang. Potensi penerapannya berkisar dari meringkas dokumen yang diajukan hingga menyiapkan penilaian risiko standar. Meskipun dukungan teknis dapat mengurangi waktu pemrosesan, hal itu tidak secara otomatis menghilangkan kebutuhan akan pengawasan ahli.

Terutama di sektor jasa keuangan, hasil yang salah dapat menimbulkan kerugian besar. Penilaian yang dirumuskan secara meyakinkan belum tentu akurat. Jika data masukan tidak lengkap, keadaan yang tidak biasa salah diklasifikasikan, atau model mengandung bias sistematis, peningkatan efisiensi yang tampak dapat menciptakan risiko tambahan. Oleh karena itu, otomatisasi hanya layak secara ekonomi jika biaya pemantauan dan potensi kesalahan penilaian diperhitungkan.

Oleh karena itu, kebutuhan staf kemungkinan akan menjadi lebih terdiferensiasi. Pekerjaan pendahuluan yang terstandarisasi mungkin menjadi kurang penting, sementara audit yang menuntut, penanganan pengecualian, dan pemantauan sistem yang diterapkan dapat menjadi lebih penting. Apakah ini akan menghasilkan posisi baru dengan skala yang sama masih harus dilihat. Tidak setiap tugas pengendalian tambahan membutuhkan posisi penuh waktu baru, dan tidak setiap spesialis yang ada dapat dengan mudah beralih ke fungsi pengendalian khusus.

Kebijakan tersebut tidak memberikan perlindungan lengkap

Menyamakan pendidikan tinggi dengan kemampuan otomatisasi yang lebih rendah adalah penyederhanaan yang berlebihan jika berbicara tentang AI generatif. Teknologi ini sekarang menjangkau tugas-tugas yang dulunya dianggap sebagai pekerjaan berbasis pengetahuan: merumuskan teks, mengumpulkan informasi, membuat kode program, atau menyusun struktur masalah yang kompleks. Oleh karena itu, gelar universitas tidak melindungi setiap aspek pekerjaan dari dukungan atau penggantian teknologi.

Namun, ini tidak berarti bahwa pendidikan akademis kehilangan nilai ekonominya. Pengetahuan khusus membantu mengidentifikasi kesalahan, mengajukan pertanyaan yang tepat, dan menempatkan hasil dalam konteks yang lebih luas. Yang akan menjadi masalah adalah kualifikasi yang manfaat praktisnya hampir secara eksklusif terdiri dari pelaksanaan langkah-langkah kerja standar secara andal. Oleh karena itu, terdapat garis pemisah penting antara pemrosesan yang dapat direproduksi dan pemecahan masalah yang mandiri dan bertanggung jawab.

Bahkan karyawan tanpa gelar universitas pun sama sekali tidak otomatis terlindungi. Meskipun analisis skenario jangka panjang menunjukkan perubahan yang lebih signifikan dalam pekerjaan yang membutuhkan keterampilan tinggi, analisis saat ini secara bersamaan mengungkapkan potensi korelasi negatif antara paparan AI dan pekerjaan kaum muda di profesi non-akademik. Kedua temuan ini dapat terjadi bersamaan karena menyangkut periode waktu, struktur pekerjaan, dan pendekatan penelitian yang berbeda. Oleh karena itu, penilaian yang tepat menghindari generalisasi menyeluruh tentang pemenang dan pecundang hanya berdasarkan pencapaian pendidikan.

Kualitas pengerjaannya tetap terjaga, tidak berubah

Pekerjaan dengan proporsi tugas praktis dan manual yang tinggi dianggap relatif tahan terhadap aplikasi AI generatif saat ini. Perbaikan di tempat, penyesuaian benda kerja, atau bekerja di lingkungan spasial yang berubah tidak dapat dilakukan hanya melalui model bahasa. Eksekusi fisik, penilaian situasional, dan tanggung jawab langsung membatasi penggantian langsung dalam kasus-kasus ini.

Namun, ketahanan relatif ini bukan berarti keahlian tradisional akan tetap tidak terpengaruh oleh AI. Penawaran dapat disiapkan lebih cepat, dokumen teknis dapat dievaluasi lebih mudah, atau janji temu pelanggan dapat direncanakan lebih efisien. Potensi peningkatan produktivitas kemudian terutama terletak pada proses pendukung. Sebuah bisnis dapat menangani lebih banyak pesanan tanpa mengubah secara fundamental keahlian inti dari layanannya.

Penting juga untuk membedakan hal ini dari robotika dan bentuk otomatisasi lainnya. Paparan rendah terhadap AI generatif bukanlah jaminan umum akan ketidakmampuan untuk digantikan secara teknologi. Hal ini juga tidak mengatakan apa pun tentang sifat siklus suatu profesi. Pekerjaan yang berorientasi praktis dapat tahan terhadap model bahasa namun tetap rentan terhadap penurunan permintaan, investasi yang lemah, atau perubahan teknologi lainnya. Untuk evaluasi ekonomi, risiko-risiko ini harus dipertimbangkan secara terpisah.

Masuk ke dunia kerja semakin menjadi hambatan

Pengembangan karyawan muda membutuhkan pengawasan yang sangat ketat. Banyak tugas tingkat pemula terdiri dari pekerjaan persiapan yang secara teknis diperlukan tetapi masih relatif terstandarisasi. Ini dapat mencakup riset awal, analisis sederhana, dokumentasi, dan persiapan dokumen. Tugas-tugas tersebut sangat cocok untuk didukung oleh AI. Oleh karena itu, perusahaan dapat mempertimbangkan untuk mengurangi jumlah karyawan junior dan sebagai gantinya membekali karyawan berpengalaman dengan alat yang lebih canggih.

Indikator awal untuk Jerman menunjukkan bahwa pekerjaan penuh waktu di kalangan usia 20 hingga 24 tahun di bidang pekerjaan yang paling terpapar AI telah menurun dari sekitar 279.000 menjadi 239.000 sejak tahun 2022. Ini setara dengan penurunan sekitar 14 persen. Namun, di semua kelompok usia, lapangan kerja di bidang pekerjaan yang sangat terpapar ini telah berkembang jauh lebih baik. Perbedaan ini menjadikan masuknya ke angkatan kerja sebagai poin pengamatan penting, tetapi belum membuktikan bahwa AI bertanggung jawab atas seluruh penurunan tersebut.

Selain itu, kelompok usia ini tidak identik dengan semua pendatang baru di dunia kerja. Beberapa orang memulai karier mereka lebih awal, yang lain baru setelah periode studi yang lebih lama. Meskipun demikian, muncul risiko yang masuk akal: Pasar kerja dapat tampak relatif stabil bagi karyawan yang sudah mapan, sementara pada saat yang sama mempersempit aksesnya. Kurangnya posisi tingkat pemula seringkali kurang terlihat oleh publik daripada pemutusan hubungan kerja, tetapi dapat memiliki konsekuensi signifikan bagi pengembangan karier jangka panjang.

Kekurangan talenta muda akan berujung pada kerugian lebih besar bagi kita di kemudian hari

Ketika perusahaan mengotomatiskan tugas-tugas sederhana tingkat pemula, mereka harus memikirkan kembali bagaimana para profesional di masa depan harus memperoleh pengalaman. Kemampuan menilai profesional tidak hanya berkembang melalui pengetahuan teoretis. Kemampuan ini juga berkembang melalui pengalaman berulang kali dalam menangani kasus-kasus nyata, menerima umpan balik, dan merenungkan kesalahan. Jika fase pembelajaran ini dipersingkat atau dihilangkan sepenuhnya, kesenjangan dapat muncul kemudian antara kualifikasi formal dan kompetensi praktis.

Dari perspektif perusahaan individual, dalam jangka pendek mungkin menarik untuk terutama mempekerjakan para profesional berpengalaman dan mengurangi jumlah posisi junior. Namun, jika banyak perusahaan bertindak serupa, fondasi kolektif untuk tenaga kerja terampil di masa depan dapat melemah. Merekrut karyawan yang sudah berpengalaman tidak menyelesaikan masalah makroekonomi ini, tetapi hanya mendistribusikan kembali kumpulan bakat yang terbatas.

Oleh karena itu, respons bisnis yang masuk akal bukanlah dengan mempertahankan setiap tugas rutin yang ada secara artifisial. Sebaliknya, jalur pembelajaran perlu dirancang ulang secara sadar. Peserta pelatihan dapat meninjau hasil AI, membandingkan berbagai solusi, dan secara bertahap mengambil tanggung jawab atas keputusan di dunia nyata. Hal ini akan menggeser fokus pelatihan lebih ke arah pemahaman dan pemikiran kritis. Waktu yang dihemat kemudian tidak hanya menjadi alat untuk mengurangi biaya personel, tetapi juga dapat digunakan secara khusus untuk pengembangan keterampilan yang lebih cepat dan lebih menyeluruh.

Produktivitas juga dapat memberdayakan pemula

Dampak AI terhadap para profesional baru tidak sepenuhnya negatif. Asisten yang tepat dapat membuat pengetahuan lebih mudah diakses, memberikan panduan dalam penyusunan kalimat, dan mendukung penyelesaian masalah yang kurang familiar. Hal ini memungkinkan karyawan yang kurang berpengalaman untuk menjadi produktif lebih cepat. Apakah perusahaan menggunakan ini sebagai peluang untuk perekrutan tambahan atau untuk mengurangi kebutuhan staf adalah keputusan bisnis yang terpisah.

Sebuah studi komprehensif tentang layanan pelanggan yang melibatkan 5.172 karyawan mengungkapkan bahwa dukungan AI menghasilkan rata-rata sekitar 15 persen lebih banyak permintaan yang berhasil diselesaikan per jam kerja. Karyawan yang kurang berpengalaman dan sebelumnya berkinerja rendah mendapatkan manfaat yang sangat signifikan. Temuan ini menunjukkan bahwa AI dapat mengurangi kesenjangan kinerja yang ada dalam suatu pekerjaan. Namun, hal ini tidak memungkinkan untuk menarik kesimpulan umum tentang bagaimana lapangan kerja atau upah akan berubah di seluruh perekonomian.

Perbedaan ini sangat penting. Sebuah alat dapat meningkatkan produktivitas karyawan muda sekaligus mengurangi kebutuhan keseluruhan akan karyawan muda di dalam perusahaan. Demikian pula, peningkatan manfaat dari karyawan tambahan dapat membuat perekrutan baru menjadi layak secara ekonomi. Apakah efek pendukung atau efek kepadatan yang berlaku bergantung pada permintaan, organisasi, dan strategi perusahaan. Kemampuan teknologi tidak sepenuhnya menentukan hasilnya.

Bidang fokus industri: B2B, digitalisasi (dari AI hingga XR), teknik mesin, logistik, energi terbarukan, dan industri

Informasi selengkapnya di sini:

• Pusat Bisnis Pakar

Pusat tematik yang menawarkan wawasan dan keahlian:

• Platform pengetahuan yang mencakup ekonomi global dan regional, inovasi, dan tren spesifik industri
• Kumpulan analisis, wawasan, dan informasi latar belakang dari area fokus utama kami
• Sebuah tempat untuk mendapatkan keahlian dan informasi tentang perkembangan terkini di bidang bisnis dan teknologi
• Sebuah pusat informasi bagi perusahaan yang mencari informasi tentang pasar, digitalisasi, dan inovasi industri

Data ketenagakerjaan memerlukan interpretasi yang objektif

Sejauh ini, belum terlihat penurunan lapangan kerja yang meluas di bidang pekerjaan yang sangat terpapar AI di Jerman. Pada awal tahun 2026, lapangan kerja penuh waktu di bidang pekerjaan yang paling terpapar lebih tinggi 1,8 persen dibandingkan tahun 2022. Sebaliknya, lapangan kerja penuh waktu di bidang pekerjaan yang paling sedikit terpapar lebih rendah 6,4 persen. Angka-angka ini bertentangan dengan anggapan sederhana bahwa dampak teknologi yang tinggi dari AI pasti akan menyebabkan pengurangan lapangan kerja secara umum.

Namun, hal itu juga tidak membuktikan bahwa AI telah meningkatkan lapangan kerja hingga sejauh ini. Perkembangan kelompok pekerjaan yang diteliti berbeda dalam beberapa kasus bahkan sebelum ketersediaan AI generatif secara luas. Digitalisasi, pergeseran industri, dan faktor struktural lainnya dapat memengaruhi hasilnya. Siapa pun yang menafsirkan seluruh perbedaan tersebut sebagai efek AI berarti mencampuradukkan korelasi yang diamati dengan penyebab yang terbukti.

Keterbatasan tambahan muncul dari segmen pekerjaan yang dipertimbangkan. Pekerjaan penuh waktu tidak mewakili seluruh pekerjaan atau secara otomatis volume pekerjaan total. Perubahan dalam pekerjaan paruh waktu, wiraswasta, atau jam kerja dapat memberikan informasi tambahan. Oleh karena itu, untuk diagnosis yang andal, tingkat pekerjaan, perekrutan baru, jam kerja, dan pendapatan harus dipertimbangkan bersama. Satu indikator saja dapat memberikan sinyal peringatan, tetapi tidak dapat memberikan gambaran lengkap tentang transformasi ekonomi.

Tren ekonomi dan AI saling tumpang tindih

Kemerosotan ekonomi saat ini menyulitkan untuk mengaitkan perubahan yang diamati dengan faktor-faktor spesifik. Perusahaan seringkali lebih ragu untuk merekrut ketika prospek penjualan tidak pasti. Hal ini terutama dapat memengaruhi para profesional muda, karena mereka belum memiliki pekerjaan tetap dan kemampuan mereka lebih sulit dinilai oleh calon pemberi kerja. Oleh karena itu, kesulitan memasuki dunia kerja tidak secara otomatis menjadi bukti perpindahan akibat teknologi.

Analisis lain tentang Jerman berfokus pada kelompok usia 20 hingga 29 tahun, kelompok usia yang lebih luas. Dalam kelompok ini, pekerjaan penuh waktu turun sebesar 3,8 persen antara tahun 2022 dan 2025 pada pekerjaan dengan paparan AI yang lebih besar dan sebesar 2,6 persen pada pekerjaan dengan paparan yang lebih rendah. Setelah mempertimbangkan kerentanan ekonomi dan kesesuaian untuk bekerja dari rumah, korelasi negatif dengan paparan AI untuk kelompok usia ini tetap tidak meyakinkan secara statistik. Korelasi dengan kelemahan ekonomi jauh lebih kuat.

Hasil ini belum tentu bertentangan dengan penurunan yang lebih nyata di kalangan usia 20 hingga 24 tahun. Definisi usia, periode waktu, dan klasifikasi pekerjaan berbeda. Secara keseluruhan, temuan ini memerlukan interpretasi yang hati-hati: ada indikasi serius tentang perubahan peluang masuk kerja, tetapi tidak ada alasan yang cukup untuk mengaitkan semua masalah yang dihadapi pekerja muda dengan AI. Oleh karena itu, kebijakan ekonomi harus mengatasi adaptasi teknologi dan kelemahan umum dalam investasi dan permintaan secara bersamaan.

Distribusi belum menjadi transformasi

AI generatif telah menyebar dengan cepat di perusahaan-perusahaan Jerman. Tingkat penggunaannya meningkat dari sekitar 5 persen pada tahun 2023 menjadi hampir 25 persen pada tahun 2025. Sekitar 40 persen dari seluruh karyawan yang wajib membayar iuran jaminan sosial bekerja di perusahaan-perusahaan pengguna tersebut. Namun, ini tidak berarti bahwa semua orang tersebut bekerja dengan AI sendiri. Teknologi ini mungkin tetap terbatas pada departemen atau tugas tertentu di dalam perusahaan.

Perbedaan signifikan juga ada antara ukuran perusahaan. Pada tahun 2025, sekitar 48 persen perusahaan dengan setidaknya 200 karyawan menggunakan AI generatif. Untuk perusahaan dengan hingga sembilan karyawan, angkanya sekitar 21 persen. Teknologi ini sangat luas digunakan di bidang teknologi informasi dan komunikasi (59 persen), keuangan dan asuransi (50 persen), dan layanan terkait bisnis (37 persen).

Signifikansi ekonomi dari angka-angka ini tidak hanya terletak pada kecepatan adopsi. Ringkasan teks sesekali mengubah bisnis secara berbeda dibandingkan dengan integrasi AI ke dalam alur kerja berkelanjutan. Sekitar 90 persen perusahaan pengguna mengandalkan solusi yang tersedia untuk umum; hanya sebagian kecil yang menggunakan model yang lebih disesuaikan atau dikembangkan sendiri. Oleh karena itu, tingkat adopsi yang tinggi dapat bertepatan dengan penetrasi organisasi yang terbatas. Untuk produktivitas dan lapangan kerja, yang terpenting adalah seberapa intensif dan untuk tujuan apa teknologi tersebut digunakan.

Manfaatnya ditentukan selama pengoperasian

Investasi dalam AI masuk akal secara ekonomi jika manfaat tambahannya melebihi total biaya. Biaya ini mencakup tidak hanya biaya lisensi, tetapi juga sumber daya untuk persiapan data, antarmuka teknis, pelatihan, langkah-langkah keamanan, dan pemantauan hasil. Alat yang murah dapat terbukti mahal jika hasilnya memerlukan koreksi yang sering dan mahal.

Oleh karena itu, pertanyaan bisnis utama bukanlah apakah satu tugas diselesaikan lebih cepat. Pertanyaan krusialnya adalah apakah seluruh proses menjadi lebih ekonomis sambil mempertahankan atau meningkatkan kualitas. Jika evaluasi awal menghemat waktu, tetapi koordinasi dan pengecekan selanjutnya diperlukan, keuntungan aktual mungkin tetap kecil. Sebaliknya, peningkatan yang tampaknya kecil dapat memiliki dampak signifikan jika menghilangkan hambatan dalam proses yang sering diulang.

Oleh karena itu, pengenalan yang realistis memerlukan kriteria yang dapat diverifikasi. Kriteria ini mencakup waktu pemrosesan hingga hasil yang dapat digunakan tercapai, tingkat kesalahan dan pengerjaan ulang, serta kapasitas aktual yang dibebaskan. Jumlah teks, presentasi, atau draf program yang dihasilkan bukanlah ukuran produktivitas itu sendiri. Kemajuan ekonomi hanya terjadi ketika hasil menjadi lebih bermanfaat, pelanggan menerima nilai tambah, atau sumber daya yang langka digunakan secara lebih efektif. AI sebagai simbol modernisasi saja tidak cukup untuk mencapai hal ini.

Mengapa angka pertumbuhan besar hanya valid secara bersyarat?

Skenario AI jangka panjang menghubungkan transformasi struktural dengan peluang makroekonomi yang signifikan. Berdasarkan asumsi yang dibuat, pertumbuhan ekonomi tahunan selama 15 tahun rata-rata bisa 0,8 poin persentase lebih tinggi daripada jalur referensi. Sepanjang periode tersebut, ini akan menghasilkan penciptaan nilai tambah kumulatif sekitar €4,5 triliun. Angka ini mewakili potensi, bukan jaminan pengembalian.

Dua kesalahpahaman umum harus dihindari. Peningkatan pertumbuhan tahunan sebesar 0,8 poin persentase tidak sama dengan peningkatan output ekonomi sebesar 0,8 persen dalam satu kali transaksi. Demikian pula, nilai tambah tambahan sebesar 4,5 triliun euro selama 15 tahun bukanlah anggaran pemerintah tambahan atau jumlah uang tahunan tunggal. Yang dimaksud adalah perbedaan kumulatif dalam output ekonomi antara dua jalur pembangunan selama periode tersebut.

Mekanisme yang mendasarinya dapat dipahami: peningkatan produktivitas tenaga kerja, pengurangan input material, dan peluang penjualan baru. Namun, besarnya dampak sebenarnya bergantung pada implementasi. Hasil dari aplikasi individual yang sangat sukses tidak dapat langsung diekstrapolasi ke seluruh perekonomian. Lebih lanjut, muncul ketidakpastian mengenai model bisnis baru, reaksi persaingan internasional, dan kecepatan penyebaran. Oleh karena itu, angka potensi yang tinggi harus dipahami sebagai pembenaran untuk perbaikan kondisi kerangka kerja, bukan sebagai pengganti strategi investasi yang dapat diverifikasi.

Lapangan kerja baru tidak tercipta secara otomatis

Keseimbangan lapangan kerja jangka panjang yang hampir sempurna membutuhkan, selain peningkatan efisiensi, munculnya aktivitas ekonomi lebih lanjut. Ini termasuk pengembangan dan pengoperasian infrastruktur teknis, layanan TI baru, dan model bisnis yang sebelumnya tidak layak secara ekonomi. Lapangan kerja ini bukanlah efek samping otomatis dari setiap jam yang dihemat. Hal ini membutuhkan perusahaan yang berinvestasi, pelanggan yang bersedia membayar, dan keterampilan yang diperlukan.

Perkembangan dari waktu ke waktu juga tidak linier. Awalnya, personel tambahan mungkin dibutuhkan untuk akuisisi data, implementasi teknis, dan infrastruktur. Kemudian, peningkatan produktivitas dapat mengurangi permintaan tenaga kerja. Bidang bisnis baru dapat mengimbangi efek ini dalam jangka panjang. Jika perkembangannya tidak sesuai harapan, keseimbangan ketenagakerjaan juga akan berubah. Analisis skenario dapat menggambarkan hubungan ini, tetapi tidak dapat menjamin bahwa semua kondisi yang diperlukan akan terpenuhi.

Selain itu, pekerjaan tambahan tidak harus sepenuhnya tercermin dalam jabatan baru. Penyedia layanan teknis yang sudah ada dapat memperluas penawarannya, perusahaan industri dapat mengembangkan layanan pemeliharaan digital tambahan, atau perusahaan konsultan dapat mengambil tugas implementasi baru. Yang penting adalah permintaan ekonomi tambahan, bukan jumlah jabatan baru yang diciptakan. Bagi kebijakan ketenagakerjaan, ini berarti bahwa inovasi dan pendirian bisnis baru sama relevannya dengan pelatihan lanjutan bagi karyawan yang sudah ada.

Faktor demografi menjadikan efisiensi sangat berharga

Dalam masyarakat yang menua, produktivitas tenaga kerja sangat penting. Ketika tenaga kerja semakin sulit ditemukan untuk pekerjaan tertentu, otomatisasi tugas administratif dapat membantu memanfaatkan pekerja terampil yang ada secara lebih efektif. Oleh karena itu, penurunan permintaan tenaga kerja di satu sektor tidak selalu berarti memburuknya situasi pasar tenaga kerja secara keseluruhan. Hal ini juga dapat membantu mengurangi kekurangan tenaga kerja.

Namun, hubungan ini tidak boleh dipaksakan. Seorang pekerja kantoran yang dibebaskan dari tugas administratif oleh AI tidak secara otomatis menjadi tenaga profesional keperawatan yang dicari, dan kapasitas teknis tambahan tidak menggantikan semua pekerjaan praktis. Persyaratan kualifikasi, preferensi pribadi, dan keterbatasan organisasi berada di antara area-area ini. Oleh karena itu, kekurangan staf yang didorong oleh faktor demografis dan penggantian oleh teknologi dapat terjadi secara bersamaan.

Prospek yang menarik secara ekonomi terletak pada pengalihan waktu kerja yang terbatas dari tugas-tugas standar ke tugas-tugas yang lebih bermanfaat bagi manusia. Ini dapat mencakup peningkatan layanan pelanggan, pemecahan masalah yang lebih cepat, atau persiapan teknis yang lebih baik. Keberhasilan hal ini bergantung pada organisasi kerja. Jika hanya biaya personel yang dikurangi tanpa memanfaatkan kapasitas yang tersisa dengan baik, sebagian potensi tetap tidak dimanfaatkan. Oleh karena itu, AI merupakan komponen yang mungkin dalam mengatasi tantangan demografis, tetapi bukan pengganti sepenuhnya untuk pendidikan, partisipasi angkatan kerja, dan imigrasi yang tepat.

Pendidikan lanjutan membutuhkan tujuan karir yang konkret

Permintaan akan pelatihan lanjutan tetap tidak efektif jika tidak jelas keterampilan mana yang nantinya akan dibutuhkan secara ekonomi. Kursus pengantar umum tentang penggunaan chatbot dapat bermanfaat, tetapi tidak menggantikan adaptasi keterampilan profesional. Karyawan harus mampu mengenali tugas mana yang akan berubah dan tanggung jawab tambahan apa yang diharapkan akan mereka emban di masa depan.

Situasi operasional menunjukkan kesenjangan implementasi yang signifikan. Pada tahun 2025, sekitar 27 persen perusahaan yang menggunakan AI generatif menawarkan kursus pelatihan yang relevan. Sebanyak 21 persen lainnya berencana untuk menawarkan kursus tersebut. Langkah-langkah yang telah diimplementasikan dan rencana semata tidak dapat disamakan. Implementasi peraturan internal juga belum lengkap: sekitar 21 persen perusahaan pengguna memiliki pedoman yang sesuai, dan 22 persen lainnya berencana untuk mengimplementasikannya.

Oleh karena itu, pengembangan profesional yang bermakna menggabungkan pengetahuan spesialis, keterampilan praktis, dan evaluasi hasil. Karyawan tidak hanya harus belajar merumuskan instruksi, tetapi juga mengenali ketidakpastian, menafsirkan data dengan tepat, dan menilai keterbatasan suatu model. Bagi perusahaan, sangat penting untuk benar-benar mengalokasikan waktu belajar dalam rutinitas kerja sehari-hari. Mengalihkan tanggung jawab sepenuhnya kepada kemauan karyawan individu untuk mengejar pendidikan lebih lanjut secara pribadi akan merugikan mereka yang memiliki waktu, sumber daya keuangan, atau kesempatan belajar yang lebih sedikit.

Kelas menengah berada di antara akses dan ketergantungan

Bagi perusahaan kecil, layanan AI yang mudah diakses pada awalnya menurunkan hambatan masuk. Bahkan tanpa departemen pengembangan sendiri, mereka dapat menerima dukungan dalam hal komunikasi, penelitian, atau analisis. Hal ini menciptakan peluang untuk sebagian mengimbangi kekurangan organisasi dibandingkan dengan pesaing yang lebih besar. Namun, integrasi lebih lanjut ke dalam proses spesifik perusahaan tetap lebih menantang daripada menggunakan satu alat saja.

Perusahaan besar dapat menyebarkan biaya implementasi tetap ke lebih banyak kasus penggunaan dan mempekerjakan lebih banyak tim yang terspesialisasi. Di sisi lain, bisnis kecil seringkali harus memutuskan dengan sumber daya personel yang terbatas aplikasi mana yang masuk akal dan bagaimana aplikasi tersebut sesuai dengan sistem yang ada. Solusi industri yang terstandarisasi atau dukungan eksternal dapat membantu dalam hal ini. Namun, hal ini hanya masuk akal secara ekonomi jika manfaat, akses data, biaya berkelanjutan, dan opsi peralihan tetap cukup transparan.

Risiko tambahan terletak pada ketergantungan pada penyedia individual. Jika alur kerja inti terikat erat pada satu sistem, perubahan harga selanjutnya, keterbatasan teknis, atau kesulitan dalam beralih penyedia dapat mengurangi manfaat awal. Oleh karena itu, untuk strategi AI yang ditujukan untuk bisnis menengah, bukan hanya lisensi tingkat awal yang terjangkau yang relevan. Sama pentingnya adalah data yang dapat ditransfer, antarmuka yang transparan, dan struktur organisasi yang tidak sepenuhnya mengalihdayakan keahlian penting.

Siapa yang menerima peningkatan produktivitas?

Peningkatan output ekonomi tidak secara otomatis menjawab pertanyaan tentang distribusi. Manfaat terkait AI dapat diperoleh oleh karyawan, pelanggan, perusahaan pengguna, atau penyedia teknologi. Sejauh mana setiap kelompok memperoleh manfaat bergantung, antara lain, pada persaingan, daya tawar, dan kelangkaan keterampilan tertentu. Oleh karena itu, perkembangan ekonomi secara keseluruhan yang positif dapat disertai dengan kesenjangan yang signifikan dalam pendapatan dan keamanan kerja.

Layanan yang terstandarisasi dapat mengalami tekanan harga, sementara keahlian yang mumpuni, akses pelanggan, atau kemampuan untuk mengimplementasikan solusi secara praktis akan menjadi lebih berharga. Pada saat yang sama, AI dapat memungkinkan karyawan individu untuk mengerjakan tugas-tugas yang lebih menantang. Perubahan seperti itu tidak harus selalu menyebabkan kesenjangan yang lebih besar. Perubahan tersebut dapat mengurangi perbedaan kinerja dalam satu pekerjaan sekaligus menciptakan kesenjangan pendapatan baru antara pekerjaan yang berbeda.

Untuk jaminan sosial, penting juga untuk mengetahui apakah peningkatan produktivitas berdampak pada kenaikan upah, penambahan lapangan kerja, atau terutama pada bentuk pendapatan lain. Angkatan kerja yang stabil saja tidak menjamin peningkatan basis kontribusi yang sepadan. Sebaliknya, ekonomi yang lebih produktif dengan partisipasi yang luas dapat memfasilitasi pembiayaan tanggung jawab sosial. Oleh karena itu, isu-isu distribusi tidak boleh dianggap sebagai masalah sekunder atau sebagai sesuatu yang sudah selesai. Isu-isu tersebut merupakan komponen sentral dalam membentuk aspek ekonomi dari perubahan teknologi.

Infrastruktur membatasi janji digital

AI membutuhkan fondasi fisik dan organisasi. Kapasitas komputasi, pasokan daya, konektivitas jaringan, manajemen data, dan keamanan TI merupakan prasyarat untuk penggunaan yang produktif. Asumsi bahwa fondasi ini akan tersedia tepat waktu adalah syarat untuk skenario pertumbuhan yang menguntungkan. Jika kondisi ini tidak terpenuhi, investasi dapat menjadi lebih mahal atau dampaknya tertunda.

Pembangunan pusat data pada awalnya dapat memicu aktivitas ekonomi dan lapangan kerja tambahan. Namun, hal ini tidak menjamin efek penciptaan lapangan kerja yang tidak terbatas dan berkelanjutan. Konstruksi dan operasi teknis memiliki struktur personel yang berbeda, dan dampak ekonomi terluas hanya muncul dari aplikasi produktif di perusahaan lain. Oleh karena itu, pusat data merupakan infrastruktur yang diperlukan untuk aplikasi tertentu, tetapi belum menjadi bukti keberhasilan realisasi peningkatan produktivitas.

Bagi industri dan logistik, tantangannya terutama terletak pada integrasi alat digital dengan proses dunia nyata. Ini dapat mencakup peningkatan dokumentasi teknis, dukungan untuk keputusan pemeliharaan, atau penanganan penyimpangan operasional yang lebih cepat. Aplikasi tersebut harus kompatibel dengan kualitas data, persyaratan keamanan, dan sistem yang ada. Oleh karena itu, demonstrasi yang sukses tidak sama dengan implementasi yang layak secara ekonomi dalam operasi yang sedang berlangsung. Pada akhirnya, faktor krusialnya adalah apakah teknologi tersebut beroperasi dengan andal dalam kondisi dunia nyata dan meningkatkan kinerja proses secara keseluruhan.

Kebijakan pasar tenaga kerja harus membiayai transisi

Pendekatan kebijakan ekonomi yang baik seharusnya tidak secara fundamental mencegah otomatisasi produktif. Upaya untuk mempertahankan setiap struktur pekerjaan yang ada dapat menghambat peningkatan efisiensi yang diperlukan dan model bisnis baru. Namun, sama tidak memadainya jika mengharapkan pasar untuk menyelesaikan semua masalah transisi tanpa dukungan. Kesenjangan informasi, risiko keuangan, dan kurangnya kesempatan belajar dapat membuat perubahan yang berarti menjadi sulit.

Oleh karena itu, kebijakan pasar tenaga kerja harus dimulai sejak dini. Jika tugas-tugas dalam suatu perusahaan berubah, pelatihan yang tepat waktu berpotensi mencegah kehilangan pekerjaan di masa depan. Jika perubahan diperlukan, pelatihan dan konseling lebih lanjut harus diarahkan pada peluang kerja tertentu. Partisipasi dalam suatu program saja bukanlah bukti keberhasilan; yang terpenting setelahnya adalah prospek pekerjaan yang layak, pekerjaan yang sesuai, dan kerugian pendapatan jangka panjang yang minimal.

Akses ke pasar tenaga kerja layak mendapat perhatian khusus. Program magang, posisi tingkat awal yang didukung, dan jalur pembelajaran yang andal memenuhi fungsi yang melampaui manfaat jangka pendek perusahaan individual. Oleh karena itu, strategi kebijakan ketenagakerjaan tidak hanya harus mengatasi pengangguran yang ada. Strategi tersebut juga harus membantu mencegah perusahaan menghemat biaya perekrutan dalam jangka pendek, sehingga melemahkan tenaga kerja terampil ekonomi sendiri dalam jangka panjang. Mempertahankan peluang belajar berbeda dengan secara artifisial mempertahankan pekerjaan rutin yang sudah usang.

Bagaimana renovasi dapat diukur?

Untuk tahun-tahun mendatang, pengumuman pemutusan hubungan kerja yang spektakuler bukanlah satu-satunya indikator yang mengungkapkan banyak hal. Yang sangat penting adalah perekrutan karyawan baru berdasarkan usia dan profesi, jumlah posisi tingkat pemula yang tersedia, transfer internal, dan transisi dari pelatihan ke pekerjaan tetap. Jam kerja dan pendapatan juga perlu dipertimbangkan agar tenaga kerja yang stabil tidak menutupi perubahan kualitas atau cakupan pekerjaan.

Di tingkat perusahaan, indikator kinerja utama (KPI) yang andal diperlukan untuk menunjukkan peningkatan kinerja yang nyata. Penggunaan AI yang produktif harus tercermin dalam hasil yang dapat digunakan, pengurangan pengerjaan ulang, peningkatan kualitas, atau nilai tambah bagi pelanggan. Untuk evaluasi yang ilmiah, data tentang implementasi aktual di dalam perusahaan idealnya harus dikaitkan dengan data ketenagakerjaan. Hanya dengan demikian dapat dibedakan dengan lebih baik apakah perubahan yang diamati terkait dengan AI atau terutama memiliki penyebab ekonomi lainnya.

Perspektif kebijakan ekonomi harus tetap jelas: tidak setiap hilangnya tugas rutin merupakan kerugian bagi masyarakat, dan tidak setiap lapangan kerja baru merupakan bukti keberhasilan transformasi. Tolok ukurnya adalah apakah peningkatan produktivitas diterjemahkan menjadi penciptaan nilai tambah, peluang karier yang dapat dicapai, dan pendapatan yang berkelanjutan. Tantangan desain yang krusial terletak pada menghubungkan kemajuan teknologi dan pembangunan manusia sedemikian rupa sehingga pasar kerja yang seimbang diterjemahkan menjadi masa depan yang aman secara ekonomi bagi sebanyak mungkin orang.

Xpert.Digital adalah pusat industri B2B berbasis data yang dipimpin oleh Konrad Wolfenstein . Perusahaan ini bertindak sebagai solusi eksternal, yang hampir bersifat internal, bagi mitra industri, menutup kesenjangan operasional dalam pemasaran, konten, dan penjualan – tanpa memerlukan sumber daya tambahan di pihak klien.

Informasi selengkapnya di sini:

• Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten

☑️ Bahasa bisnis kami adalah bahasa Inggris atau Jerman

☑️ BARU: Korespondensi dalam bahasa ibu Anda!

 

Saya dan tim saya dengan senang hati siap membantu Anda sebagai penasihat pribadi Anda.

Anda dapat menghubungi saya dengan mengisi formulir kontak di sini wolfenstein@xpert.digital:atau cukup hubungi saya di +49 7348 4088 965. Alamat email saya adalah

Saya sangat menantikan proyek bersama kita.

 

 

☑️ Dukungan UKM dalam strategi, konsultasi, perencanaan, dan implementasi

☑️ Pembuatan atau penyesuaian kembali strategi digital dan digitalisasi

☑️ Perluasan dan optimalisasi proses penjualan internasional

☑️ Platform perdagangan B2B global & digital

☑️ Pelopor Pengembangan Bisnis / Pemasaran / Humas / Pameran Dagang