Apakah Agen AI Menggantikan Pekerja Lepas? Inilah Kata Bukti dari 4 Tahun Terakhir (ChatGPT, Claude, Upwork, Jobbit)

Setiap pemilik bisnis kini menanyakan versi dari pertanyaan yang sama: pekerjaan mana yang dapat diserahkan kepada agen AI, dan mana yang masih memerlukan manusia? Untuk sekali ini, pertanyaan tersebut memiliki laboratoriumnya sendiri. Sejak akhir tahun 2022, platform kerja lepas daring yang menaungi jutaan penulis, penerjemah, desainer dan pengembang juga telah menjadi wadah eksperimen alami tentang apa yang terjadi ketika pengganti yang mumpuni bagi pekerjaan pengetahuan rutin muncul dalam semalam, dengan biaya marjinal mendekati nol, ke dalam pasar tempat setiap pekerjaan diunggah, diberi harga, dan diberi cap waktu.

Studi kasus ini memperlakukan eksperimen tersebut sebagaimana seorang akademisi memperlakukan bukti lainnya: apa sesungguhnya yang diukur, seberapa baik pengukurannya, apa yang ditunjukkan hasilnya, dan apa yang belum dapat ditunjukkannya. Studi ini merujuk pada penelitian yang ditelaah sejawat serta makalah kerja dari para peneliti di Stanford, MIT, Harvard Business School, University of Chicago, dan UCLA, pada eksperimen lapangan acak di dalam BCG dan Alibaba, pada evaluasi kapabilitas dari METR dan OpenAI, serta pada data milik platform itu sendiri dari Upwork dan Fiverr. Periode yang dicakup membentang dari November 2022, saat ChatGPT dirilis, hingga Agustus 2026, saat studi paling mutakhir di antaranya diperbarui.

Jawaban singkat atas judul di atas adalah bahwa sejauh ini agen AI telah menggantikan tugas, bukan pekerja lepas, dan penggantian tersebut bersifat sempit, cepat, dan tidak merata. Jawaban panjangnya jauh lebih berguna, karena jawaban itu menunjukkan kepada bisnis di mana batas itu kini berada dan bagaimana bekerja di kedua sisinya.

Ringkasan temuan

Lima simpulan ini tetap berdiri kukuh bahkan ketika bukti dibaca secara skeptis.

Pertama, substitusi itu nyata dan terkonsentrasi. Dalam delapan bulan sejak peluncuran ChatGPT, postingan pekerjaan menulis dan coding yang rentan otomatisasi di sebuah platform global terkemuka turun sekitar 21% dibandingkan dengan pekerjaan yang padat kerja manual, dan perangkat pembuat gambar memangkas postingan pekerjaan gambar sekitar 17%. Di Upwork, kredensial dan reputasi kini terbukti secara terukur kurang menentukan siapa yang dipekerjakan pada kategori yang terpapar AI, sementara harga menjadi semakin menentukan.

Kedua, dampaknya terhadap pasar tenaga kerja yang lebih luas masih kecil. Studi paling presisi, yang menggunakan data administratif Denmark, menyingkirkan kemungkinan dampak terhadap pendapatan atau jam kerja yang lebih besar dari 2% dua tahun setelah ChatGPT. Pengecualiannya justru tajam: di Amerika Serikat, lapangan kerja bagi pekerja berusia 22 hingga 25 tahun pada profesi yang paling terpapar AI kini berada sekitar 19% di bawah posisi yang seharusnya dicapai seandainya mengikuti laju rekan sebaya yang kurang terpapar.

Ketiga, peningkatan produktivitas dari bekerja dengan AI memang besar tetapi tidak merata. Peningkatan itu paling besar bagi pekerja yang kurang berpengalaman pada tugas rutin, dan dapat berbalik menjadi negatif bagi pakar pada tugas yang berada di luar kompetensi alat tersebut. Dalam salah satu uji coba yang ketat, pengembang berpengalaman justru 19% lebih lambat ketika menggunakan perangkat AI, padahal mereka meyakini diri mereka 20% lebih cepat.

Keempat, agen AI telah beralih dari sekadar asisten menjadi pekerja. Panjang tugas yang dapat diselesaikan oleh sistem AI paling mutakhir telah berlipat ganda setiap beberapa bulan, dan para penilai pakar yang bekerja secara buta kini menilai hasil kerja model terbaik setara dengan atau lebih baik daripada hasil kerja seorang profesional pada hampir separuh kasus. Namun begitu waktu peninjauan dan koreksi diperhitungkan, penghematan yang terukur anjlok dari sekitar sembilan puluh kali lipat menjadi hanya 12% hingga 39%, dan bahkan agen AI tempat kerja terbaik sekalipun sesekali masih membuat kesalahan kecil dengan konsekuensi yang tak dapat diperbaiki.

Kelima, respons yang rasional, dan yang kini mulai disepakati bersama oleh berbagai platform, adalah pembagian kerja: agen AI untuk pekerjaan digital yang rutin dan dapat ditinjau; manusia untuk penilaian (judgment), akuntabilitas, kehadiran, dan segala hal yang tidak dapat diperbaiki bila keliru; serta peralihan yang dirancang secara sengaja di antara keduanya.

Argumen: mengapa platform kerja lepas adalah laboratorium yang tepat

Ekonom tenaga kerja biasanya bekerja dengan survei tahunan dan kode profesi yang luas cakupannya. Platform kerja lepas daring menawarkan sesuatu yang lebih langka: pekerjaan yang terurai menjadi tugas-tugas individual, masing-masing dengan tanggal unggah, harga, kategori, pembeli, penjual, dan hasil akhir. Ketika sebuah teknologi muncul dan mampu mengerjakan sebagian dari tugas-tugas tersebut, perubahannya akan tampak dalam hitungan minggu pada arus postingan pekerjaan, pada siapa yang memenangkan kontrak, dan pada tingkat harga berapa. Pasar ini juga mengadopsi perangkat baru secara instan, karena tidak ada siklus pengadaan antara seorang pekerja lepas dan sebuah tab browser.

Ciri-ciri yang sama itu pula yang membuat laboratorium ini tidak sempurna. Platform hanya mencatat permintaan yang diunggah, bukan seluruh permintaan yang ada; klien yang kini mengerjakan sendiri pekerjaannya secara internal dengan agen AI akan menghilang dari data, alih-alih tercatat sebagai substitusi. Kategori pekerjaan pun bergeser, sehingga penurunan pada kategori "menulis" bisa jadi sebagian hanyalah pelabelan ulang menjadi "penyuntingan konten AI". Sebagian besar himpunan data besar berasal dari Amerika Serikat, dan pekerja lepas di platform tidak mewakili keseluruhan tenaga kerja. Keterbatasan ini penting untuk diperhatikan dalam penafsiran, dan akan dibahas kembali di bagian selanjutnya, tetapi hal ini tidak membuat bukti yang ada menjadi tidak berguna. Keterbatasan itu menjadikannya indikator dini, bukan sensus menyeluruh.

Taruhannya tidak kecil. IPSE memperkirakan jumlah tenaga kerja lepas di Inggris sekitar 2.05 juta orang, kurang lebih separuh dari 4.2 juta wiraswasta mandiri di negara tersebut, dengan menggunakan definisi yang dibatasi pada tiga kelompok profesi berketerampilan tertinggi. Profesi-profesi itulah yang justru menempati peringkat tertinggi dalam studi keterterapan AI.

Garis waktu bukti, 2022 hingga 2026

Temuan 1: substitusi itu nyata, cepat, dan sempit

Bukti ketat paling awal berasal dari Xiang Hui, Oren Reshef, dan Luofeng Zhou, yang studinya tentang sebuah platform kerja daring besar diterbitkan di Organization Science pada 2024 dan kemudian memenangkan Olin Award dari Washington University untuk penelitian yang berdampak praktis. Dengan membandingkan pekerja lepas pada profesi yang terpapar ChatGPT, DALL-E 2, dan Midjourney dengan mereka yang berada pada profesi kurang terpapar, para peneliti menemukan penurunan baik pada jumlah pekerjaan maupun pendapatan bulanan bagi kelompok yang terpapar. Temuan yang mengguncang bidang ini justru menyangkut soal kualitas. Pekerja lepas dengan penilaian masa lalu yang kuat dan rekam jejak panjang ternyata tidak terlindungi; bahkan, para penulis melaporkan indikasi bahwa para pekerja lepas dengan kinerja terbaik justru terdampak lebih keras. Penafsiran yang paling masuk akal adalah bahwa dalam pekerjaan teks dan gambar yang rutin, hasil kerja manusia yang unggul dan hasil kerja mesin yang memadai telah menjadi pengganti yang hampir setara di mata pembeli, sehingga premi bagi keunggulan justru tergerus lebih dulu.

Ozge Demirci, Jonas Hannane, dan Xinrong Zhu kemudian mengukur langsung sisi permintaan. Dengan menggunakan data postingan dari sebuah platform kerja lepas global terkemuka, dalam makalah yang diterbitkan di Management Science pada 2025, mereka menemukan penurunan 21% pada postingan pekerjaan menulis dan coding yang rentan otomatisasi dibandingkan dengan pekerjaan yang padat kerja manual dalam delapan bulan sejak peluncuran ChatGPT, serta penurunan 17% pada postingan pembuatan gambar setelah kemunculan model pembuat gambar. Dua hasil sekunder sama pentingnya dengan temuan utama tersebut. Postingan yang masih bertahan pada kategori yang terpapar itu justru lebih kompleks dan berbayar lebih tinggi, dan persaingan untuk mendapatkannya semakin ketat. Dengan kata lain, substitusi tidak mengosongkan kategori tersebut; substitusi menyingkirkan bagian paling bawahnya.

Mengapa pekerjaan menulis, menerjemahkan, dan membuat gambar yang lebih dulu terdampak? Analisis Microsoft Research atas 200,000 percakapan Bing Copilot yang dianonimkan, yang diterbitkan pada 2025, memberi bentuk pada mekanismenya. Profesi dengan keterterapan AI tertinggi adalah yang pekerjaannya terdiri atas mengumpulkan, menghasilkan, dan mengomunikasikan informasi; juru bahasa dan penerjemah menempati puncak daftar, dengan 98% aktivitas kerja mereka tumpang tindih dengan tugas yang sudah dikerjakan dengan baik oleh asisten AI tersebut. Keterterapan bukanlah penggusuran, dan para penulis dengan cermat menegaskan hal itu, tetapi peringkat tersebut memprediksi hampir persis kategori kerja lepas mana yang menurut studi-studi platform ternyata menyusut.

Bukti paling mutakhir dan, bagi pembaca kalangan bisnis, paling instruktif datang dari Auyon Siddiq dan Niuniu Zhang di UCLA Anderson. Makalah kerja mereka tahun 2026, "Human Capital, AI, and Labor Commoditization" (Modal Manusia, AI, dan Komoditisasi Tenaga Kerja), menelusuri hampir 50,000 pekerja lepas Upwork yang telah aktif sebelum era ChatGPT sepanjang 21 kuartal dari awal 2021 hingga awal 2026, mencakup 2.26 juta kontrak yang telah diselesaikan. Alih-alih menghitung jumlah pekerjaan, mereka justru mempertanyakan apa yang memprediksi siapa yang akhirnya dipekerjakan. Pada kategori yang lebih terpapar AI seperti penerjemahan dan penulisan, bobot prediktif gabungan dari presentasi diri, kredensial, dan reputasi seorang pekerja lepas turun sekitar 7.8% dibandingkan dengan kategori yang kurang terpapar seperti fotografi, sementara bobot harga justru meningkat. Pada tahun terakhir periode penelitian, ukuran-ukuran modal manusia tersebut telah kehilangan sekitar 10.1% dari bobot pentingnya, sementara harga memperoleh tambahan sekitar 1.8%. Keunggulan yang dipegang oleh pekerja lepas berpengalaman menyempit sebesar 6.2% lalu 10.3%, dan pada pekerjaan yang paling terpapar, pekerja lepas dengan harga lebih murah memenangkan 7.9% lebih banyak kontrak. Permintaan keseluruhan pada bidang yang terpapar turun sekitar 7%. Istilah yang dipakai para penulis untuk fenomena ini adalah komoditisasi: ketika pembeli bisa mendapatkan draf pertama yang cukup layak dari sebuah model, alasan mereka membayar manusia pun bergeser dari "siapa Anda" menjadi "berapa harganya".

Temuan 2: dampak agregatnya masih kecil, dengan satu pengecualian yang mencolok

Jika bukti dari platform ini adalah keseluruhan cerita, semestinya statistik nasional sudah menunjukkannya sekarang. Namun sebagian besar belum menunjukkan hal itu, dan studi-studi yang tidak menemukan dampak besar justru termasuk yang paling baik rancangannya.

Anders Humlum dan Emilie Vestergaard menautkan survei adopsi berskala besar dengan data administratif ketenagakerjaan Denmark, mencakup 25,000 pekerja dan 7,000 tempat kerja pada sebelas profesi yang terpapar. Makalah kerja NBER mereka, yang pertama kali diedarkan pada 2025 dan direvisi pada Maret 2026, mendokumentasikan adopsi yang cepat: sebagian besar pemberi kerja pada profesi yang terpapar telah meluncurkan inisiatif chatbot, para pekerja melaporkan manfaat produktivitas, dan tugas-tugas baru yang terkait AI tersebar luas. Namun, estimasi difference-in-differences terhadap pendapatan dan jam kerja tercatat menunjukkan hasil nol yang presisi, menyingkirkan kemungkinan dampak lebih besar dari 2% dua tahun setelah ChatGPT, baik pada tingkat pekerja maupun tingkat tempat kerja. Yang justru berubah adalah struktur pekerjaan itu sendiri: pemberi kerja menyerap teknologi ini melalui penataan ulang tugas, termasuk tugas-tugas baru dalam pembuatan konten, pengawasan AI, dan integrasi AI, dan para pengadopsi bergeser ke profesi berbayar lebih tinggi tempat perangkat ini lebih berguna, meski dalam jumlah yang terlalu kecil untuk menggeser rata-rata. Versi awal makalah ini menempatkan penghematan waktu yang dilaporkan sendiri di bawah 3% dari jam kerja, hanya sebagian kecil dari keuntungan, yang sering kali di atas 15%, yang didokumentasikan oleh uji coba terkontrol pada profesi yang sama. Kesenjangan antara apa yang bisa dilakukan AI dalam sebuah uji coba dan apa yang benar-benar diubahnya dalam data penggajian adalah teka-teki utama dalam literatur ini, dan Denmark adalah tempat teka-teki itu terukur paling jernih.

Budget Lab at Yale sampai pada simpulan yang serupa untuk Amerika Serikat lewat jalur yang berbeda. Dengan melacak komposisi profesi dalam lapangan kerja dan menerapkan synthetic difference-in-differences pada profesi yang terpapar AI, pembaruan lembaga ini pada 2025 dan 2026 tidak menemukan jejak AI yang jelas. Awal tahun 2026 menunjukkan angka pemutusan hubungan kerja yang rendah tetapi juga perekrutan yang rendah, dan para penulisnya berpendapat bahwa sebuah teknologi dengan dampak yang meluas semestinya membutuhkan waktu lebih lama daripada kurang lebih tiga tahun sejak ChatGPT untuk benar-benar menunjukkan dampaknya.

Pengecualian ini didokumentasikan oleh Erik Brynjolfsson, Bharat Chandar, dan Ruyu Chen di Stanford Digital Economy Lab, yang makalahnya, "Canaries in the Coal Mine?" (Burung Kenari di Tambang Batu Bara?), menggunakan data penggajian ADP yang mencakup jutaan pekerja Amerika. Dalam pembaruan Agustus 2026, dengan data hingga Juni 2026, lapangan kerja bagi pekerja berusia 22 hingga 25 tahun pada profesi yang sangat terpapar AI berada sekitar 19% di bawah posisi yang seharusnya dicapai seandainya mengikuti laju pekerja seusia pada profesi yang kurang terpapar, naik dari kesenjangan 15% setahun sebelumnya. Dalam angka absolut, lapangan kerja kelompok usia tersebut pada dua kuintil paling terpapar turun sekitar 11% antara November 2022 dan Juni 2026, sementara lapangan kerja pada tiga kuintil paling tidak terpapar tumbuh sekitar 10%. Pekerja berpengalaman tidak menunjukkan kesenjangan yang sebanding, dan para penulis menyatakan secara terang-terangan bahwa mereka tidak melihat penggusuran tenaga kerja yang meluas di seluruh perekonomian. Penurunan ini terkonsentrasi pada profesi tempat penggunaan AI mengotomatisasi pekerjaan, alih-alih melengkapinya.

Hasil-hasil ini akan tampak konsisten satu sama lain begitu kita berhenti mengharapkan AI berperilaku seperti resesi. Substitusi pada tingkat tugas muncul lebih dulu di tempat kontrak paling pendek dan paling sering diberi ulang harganya: gig lepas dan perekrutan tingkat pemula. Pasar kerja lepas adalah burung kenarinya, karena harganya diperbarui setiap minggu; data penggajian adalah tambangnya, dan udara di sana sejauh ini paling sedikit berubah.

Temuan 3: keuntungan augmentasi besar tetapi tidak merata, dan batasnya bergerigi

Pelengkap dari substitusi adalah augmentasi, dan pada titik ini bukti eksperimental tergolong sangat kuat karena pengacakan dimungkinkan.

Brynjolfsson, Danielle Li, dan Lindsey Raymond meneliti penerapan bertahap sebuah asisten AI generatif kepada 5,179 agen layanan pelanggan, dalam makalah yang diterbitkan di Quarterly Journal of Economics pada 2025. Jumlah masalah yang terselesaikan per jam naik rata-rata 14%, dengan kenaikan 34% bagi agen pemula dan berketerampilan lebih rendah, serta hampir tidak ada perubahan bagi agen berpengalaman dan berketerampilan tinggi. Perangkat tersebut tampaknya berhasil merekam praktik-praktik terbaik dari agen terbaik dan meneruskannya kepada agen yang paling baru, sehingga mempercepat mereka menuruni kurva pengalaman.

Fabrizio Dell'Acqua dan koleganya di Harvard Business School, bekerja sama dengan BCG, mengacak 758 konsultan manajemen ke berbagai tugas realistis, dengan dan tanpa GPT-4, dalam studi yang kini diterbitkan di Organization Science. Pada delapan belas tugas yang berada dalam kompetensi model tersebut, konsultan yang dibantu AI menyelesaikan 12.2% lebih banyak tugas, 25.1% lebih cepat, dengan kualitas yang dinilai 40% lebih tinggi oleh evaluator yang bekerja secara buta. Pada satu tugas yang sengaja dipilih untuk berada di luar kompetensi tersebut, konsultan yang dibantu AI justru 19 poin persentase lebih kecil kemungkinannya mencapai jawaban yang benar. Istilah yang dipakai para penulis untuk batas ini, batas teknologi yang bergerigi, telah menjadi deskripsi baku bagi persoalan tersebut: kompetensi alat ini tidak mengikuti garis yang dapat dilihat oleh penggunanya, dan pengguna cenderung buruk dalam menebak di sisi mana dari garis itu mereka sedang berada.

Sebuah eksperimen lapangan di dalam operasi layanan pelanggan Alibaba, oleh Xiao Ni, Tianjun Feng, Lauren Xiaoyuan Lu, dan rekan penulis lainnya, mereplikasi pola distribusi ini dalam skala besar: 5,940 agen baru, kurang lebih 2.56 juta percakapan, 390,000 penilaian pelanggan. Pekerja dengan kinerja rendah mengalami perbaikan paling besar baik dari segi kecepatan maupun kualitas; pekerja dengan kinerja terbaik hanya memperoleh sedikit peningkatan kecepatan dan justru kehilangan kualitas, baik pada ukuran subjektif maupun objektif. Bantuan yang mengangkat titik terendah ternyata dapat menurunkan titik tertinggi.

Kemudian ada uji coba acak METR terhadap pengembang perangkat lunak sumber terbuka yang berpengalaman, diterbitkan pada Juli 2025, yang merupakan hasil paling banyak dikutip sebagai peringatan pada periode ini dan layak dipaparkan secara presisi. Enam belas pengembang mengerjakan 246 tugas nyata pada repositori yang mereka rawat sendiri, dengan rata-rata lebih dari 22,000 star dan sejuta baris kode, di mana tugas-tugas tersebut secara acak diizinkan atau tidak diizinkan menggunakan perangkat AI, terutama Cursor dengan Claude 3.5 dan 3.7 Sonnet. Dengan AI, mereka membutuhkan waktu 19% lebih lama. Sebelum studi ini berlangsung, mereka memperkirakan akan terjadi percepatan 24%; setelahnya, mereka mengira diri mereka telah 20% lebih cepat. Kesenjangan persepsi ini sama pentingnya dengan hasil produktivitas itu sendiri. Temuan ini mengindikasikan bahwa klaim peningkatan yang dilaporkan sendiri, yang mendasari sebagian besar survei industri, cenderung bias ke arah yang lebih tinggi justru di tempat keahlian berada pada titik tertinggi. Implikasinya secara khusus bagi pekerjaan perangkat lunak dibahas dalam apakah AI akan menggantikan pengembang perangkat lunak?

Sebuah tinjauan tahun 2025 oleh R. Maria del Rio-Chanona, Ekkehard Ernst, Rossana Merola, Daniel Samaan, dan Ole Teutloff merangkum berbagai benang merah ini di sepanjang literatur yang ada: peningkatan produktivitas berkisar 20% hingga 60% dalam uji coba terkontrol dan 15% hingga 30% dalam eksperimen lapangan, lebih besar bagi pemula pada tugas sederhana, bercampur pada tugas kompleks, dengan data jejak digital yang menunjukkan substitusi pada pekerjaan menulis dan menerjemahkan, seiring dengan meningkatnya permintaan atas keterampilan AI dan bukti yang masih ringan namun terus bertambah tentang menurunnya permintaan terhadap pekerja pemula.

Temuan 4: agen AI beralih dari asisten menjadi pekerja, dan kesenjangan keandalan adalah inti persoalannya

Semua yang dibahas di atas menyangkut AI sebagai asisten bagi manusia yang tetap terlibat pada setiap langkah. Perubahan sejak 2025 adalah bahwa sistem AI kini mengeksekusi pekerjaan multi-langkah dengan manusia hanya memeriksa hasil akhirnya, atau bahkan tidak memeriksanya sama sekali, dan hal itu mengubah bukti mana yang menjadi relevan.

Metrik horizon waktu dari METR mengukur seberapa panjang sebuah tugas, yang dinyatakan dalam waktu yang dibutuhkan seorang profesional manusia, dapat diselesaikan oleh sebuah sistem dengan tingkat keberhasilan 50%. Dalam revisi metodologi Januari 2026, dengan rangkaian tugas yang diperluas menjadi 228 tugas, termasuk 31 tugas berdurasi delapan jam atau lebih, waktu penggandaan jangka panjang diperkirakan sekitar 196 hari, dengan penggandaan yang lebih cepat, yaitu 131 hari sejak 2023 dan 89 hari sejak 2024. Model terbaik yang terukur pada saat itu, Claude Opus 4.5, memiliki horizon 50% sekitar 320 menit, dengan interval kepercayaan yang lebar, kurang lebih tiga hingga dua belas jam. Para penulis menyatakan secara eksplisit bahwa ambang keberhasilan 50% tergolong longgar untuk pekerjaan nyata, bahwa tren ini sensitif terhadap komposisi tugas, dan bahwa sebagian besar tugas berdurasi panjang menggunakan waktu manusia yang diestimasi, bukan yang diukur langsung. Dengan memperhitungkan semua catatan itu, arahnya tetap tidak ambigu: panjang pekerjaan digital yang dapat didelegasikan telah tumbuh secara eksponensial.

Evaluasi GDPval dari OpenAI, dirilis pada akhir 2025, menguji apakah pekerjaan yang didelegasikan itu benar-benar bermutu. Tugas-tugas ditulis oleh para profesional pada 44 profesi di sembilan sektor, dengan rata-rata 14 tahun pengalaman, dan dinilai melalui perbandingan berpasangan oleh pakar yang bekerja secara buta terhadap hasil kerja manusia. Model terbaik, Claude Opus 4.1, menghasilkan hasil kerja yang dinilai lebih baik dari atau setara dengan hasil kerja pakar pada 47.6% kasus. Namun, angka yang semestinya diingat oleh sebuah bisnis adalah angka yang lain. Perbandingan naif antara waktu mesin dan waktu manusia menghasilkan rasio mendekati sembilan puluh kali lipat, tetapi begitu makalah ini memperhitungkan manusia yang meninjau dan, bila diperlukan, mengerjakan ulang pekerjaan tersebut, estimasi penghematannya turun menjadi antara 1.12 dan 1.39 kali lipat, tergantung strategi yang dipakai. Di titik peninjauan itulah biaya sesungguhnya berpindah. Itu adalah mekanisme yang sama yang ditemukan Dell'Acqua pada konsultan dan METR pada pengembang, kini terukur pada tingkat hasil kerja itu sendiri.

Benchmark tempat kerja menunjukkan sekaligus kecepatan kemajuan dan sisa persoalan yang masih tertinggal. TheAgentCompany, dari Carnegie Mellon, menempatkan agen AI ke dalam sebuah perusahaan perangkat lunak simulasi dengan instansi nyata GitLab, OwnCloud, Plane, dan RocketChat, serta 175 tugas; agen terbaik menyelesaikan sekitar seperempat tugas tersebut pada saat peluncuran akhir 2024 dan sekitar 30% sepanjang 2025. Olly Styles dan Sam Miller meninjau ulang benchmark WorkBench mereka pada Juni 2026 dan melaporkan bahwa tingkat penyelesaian agen terbaik telah naik dari 43% untuk GPT-4 pada Maret 2024 menjadi 98% untuk Claude Fable 5, sementara proporsi eksekusi dengan tindakan berbahaya yang tidak diinginkan turun dari 26% menjadi 1.9%. Mereka juga melaporkan bahwa model-model paling mutakhir masih melakukan kesalahan mendasar yang sesekali menyebabkan kerugian yang tak dapat diperbaiki. Dua persen memang angka yang sangat baik; tetapi itu juga berarti kurang lebih satu dari lima puluh eksekusi melakukan sesuatu yang seharusnya tidak dilakukan.

Eksperimen lapangan Alibaba tahun 2026, oleh Yiwei Wang, Chuan Zhu, Tianjun Feng, Lauren Xiaoyuan Lu, dan Bingxin Jia, merupakan bukti acak pertama tentang AI agentik dengan manusia yang tetap terlibat dalam operasi layanan yang berjalan nyata. Pekerja pada kelompok perlakuan mengawasi sebuah agen AI yang menangani percakapan pelanggan yang memenuhi syarat, sementara mereka sendiri menangani sisanya secara manual. Durasi percakapan rata-rata menurun, dengan efek terbatas terhadap pelanggan yang kembali lagi dengan masalah yang sama, tetapi percakapan yang ditangani agen AI menerima penilaian yang jauh lebih rendah. Intervensi manusia memulihkan situasi jauh lebih baik ketika kegagalannya bersifat teknis, yaitu masalah yang belum terselesaikan, dibandingkan ketika bersifat emosional, yaitu pelanggan yang frustrasi, dan intervensi itu bekerja paling baik ketika dilakukan sejak dini. Para pekerja yang mengawasi juga memberikan perhatian lebih besar pada percakapan yang masih mereka tangani sendiri, sebuah efek limpahan yang positif. Inilah bukti paling langsung sejauh ini tentang bagaimana peralihan antara agen AI dan manusia semestinya dirancang: amati sejak dini, lakukan intervensi pada persoalan faktual, dan jangan serahkan urusan perasaan kepada mesin.

Data adopsi menegaskan bahwa pergeseran ini tidak terbatas pada laboratorium semata. Economic Index Anthropic untuk Maret 2026 melaporkan bahwa 49% profesi telah mengalami setidaknya seperempat tugasnya dikerjakan dengan Claude, dan bahwa pekerjaan coding telah bermigrasi dari penggunaan percakapan menuju alur kerja API otomatis, dengan pangsa coding naik 14% pada API dan turun 18% pada produk chat sejak Agustus 2025. Kontribusi Lightcast pada Stanford AI Index 2026 menemukan keterampilan AI pada 2.5% dari seluruh postingan pekerjaan di AS, dan postingan yang menyebut klaster keterampilan "agentic AI" naik dari 0.06% pada 2024 menjadi 0.23% pada 2025, kurang lebih 90,000 postingan. Dan UpBench, sebuah benchmark tahun 2025 yang dibangun dari pekerjaan nyata yang telah selesai di marketplace Upwork, meminta pekerja lepas pakar untuk menguraikan setiap pekerjaan menjadi kriteria penerimaan yang dapat diverifikasi, yang menjadi dasar penilaian agen AI. Menilai agen AI dengan rubrik yang sama seperti yang akan diterapkan klien pada seorang pekerja lepas adalah sebuah sinyal ke arah mana sisi penawaran diperkirakan akan bergerak.

Mekanisme: mengapa polanya seperti ini

Empat mekanisme menjelaskan sebagian besar dari apa yang ditunjukkan oleh bukti-bukti di atas, dan keempatnya patut dipaparkan karena dapat memprediksi apa yang akan terjadi selanjutnya.

Mekanisme pertama adalah komoditisasi kompetensi rutin. Ketika sebuah model menghasilkan draf deskripsi produk, terjemahan, atau modul boilerplate yang cukup layak, kesediaan pembeli untuk membayar kredensial manusia pada kategori tersebut menurun, dan harga menjadi variabel penentu. Siddiq dan Zhang mengukur persis pergeseran ini, dan Demirci beserta koleganya menunjukkan bayangan cerminnya: pekerjaan yang tetap dikerjakan manusia justru menjadi lebih kompleks, berbayar lebih tinggi, dan lebih diperebutkan.

Mekanisme kedua adalah biaya verifikasi sebagai kendala yang paling mengikat. Produksi telah menjadi murah; pemeriksaan belum. Anjloknya angka GDPval dari sembilan puluh kali lipat menjadi di bawah 1.4 kali lipat begitu peninjauan diperhitungkan, melambatnya para pakar dalam studi METR, dan batas yang bergerigi itu semuanya menggambarkan ekonomi yang sama. Siapa pun yang dapat memverifikasi sebuah hasil kerja dengan murah akan meraup keuntungannya; siapa pun yang tidak bisa akan membayarnya lewat pengerjaan ulang atau kesalahan yang tak terdeteksi. Inilah sebabnya mengapa keuntungan mengalir kepada para pemula pada tugas yang mudah diperiksa, dan macet bagi para pakar pada tugas yang biaya pemeriksaannya sama besar dengan biaya mengerjakannya sendiri.

Mekanisme ketiga adalah kesenjangan pemagangan. Tugas-tugas yang dikerjakan agen AI dengan baik adalah justru tugas-tugas yang dahulu diberikan perusahaan kepada staf junior dan pekerja lepas junior agar mereka bisa belajar. Brynjolfsson, Li, dan Raymond menunjukkan bahwa bantuan AI paling membantu para pemula; Brynjolfsson, Chandar, dan Chen menunjukkan bahwa meski demikian, perusahaan justru merekrut lebih sedikit dari mereka. Keduanya bisa saja sama-sama benar: sebuah perusahaan yang membutuhkan lebih sedikit staf junior untuk menghasilkan output yang sama akan merekrut lebih sedikit staf junior, sekalipun masing-masing dari mereka lebih produktif. Biaya jangka panjangnya, yaitu menipisnya jalur regenerasi tenaga profesional berpengalaman, belum tampak pada himpunan data mana pun dan merupakan variabel paling penting yang belum terukur dalam bidang ini.

Mekanisme keempat adalah bertahannya tugas-tugas manusia yang bersifat komplementer. Kelompok pembanding milik Demirci, yakni pekerjaan yang padat kerja manual, tidak mengalami penurunan. Eksperimen Alibaba menunjukkan bahwa kegagalan yang bersifat emosional sulit dipulihkan oleh mesin. Akuntabilitas, kehadiran, pekerjaan fisik, dan relasi tetap menjadi ranah manusia, bukan karena alasan yang berkaitan dengan kapabilitas model, melainkan sepenuhnya karena apa yang bisa diterima oleh seorang pelanggan.

Pembaca yang skeptis semestinya tetap mempertimbangkan dua penjelasan alternatif di samping keempat mekanisme ini. Penurunan tingkat pemula di Amerika Serikat bersamaan waktu dengan naiknya suku bunga dan berakhirnya gelombang perekrutan era pandemi di sektor teknologi, yang secara independen turut memukul kohort yang sama; para penulis dari Stanford menangani hal ini melalui perbandingan di dalam perusahaan yang sama dan dengan mengontraskan profesi yang mengotomatisasi dengan yang mengaugmentasi, tetapi faktor perancu ini tidak dapat sepenuhnya disingkirkan. Selain itu, setiap ukuran "paparan" itu sendiri diturunkan dari sebuah model, sehingga studi-studi ini sebagian juga menguji asumsi dari pengklasifikasi tersebut. Institusi perundingan kolektif di Denmark pun mungkin meredam respons upah yang semestinya tampak lebih cepat pada pasar tenaga kerja yang lebih longgar.

Bagaimana platform-platform merespons

Marketplace-marketplace ini membaca sinyal yang sama dan bergerak. Pada April 2025, chief executive Fiverr, Micha Kaufman, menulis surat kepada stafnya bahwa "AI akan mengambil alih pekerjaan kalian", termasuk pekerjaannya sendiri, dan mendesak mereka untuk menguasai perangkat seperti Cursor dan Legora; pada September 2025 perusahaan tersebut memangkas sekitar 250 posisi, hampir 30% dari tenaga kerjanya, untuk menjadi apa yang mereka sebut sebagai perusahaan AI-first, setelah sebelumnya meluncurkan perangkat kreator Fiverr Go pada Februari tahun itu. Upwork tengah mengubah asistennya, Uma, menjadi apa yang mereka gambarkan sebagai agen kerja yang selalu aktif dan bertindak atas nama klien maupun pekerja lepas, dan Future Workforce Index 2026 miliknya membingkai ulang sosok pekerja lepas yang sukses sebagai seorang "orkestrator AI" yang menghubungkan berbagai perangkat dengan keahlian domain tertentu dan menerapkan penilaiannya sendiri. Laporan yang sama memberikan sinyal harga dalam satu kalimat: pekerja lepas yang mengerjakan pekerjaan bidang AI memperoleh pendapatan 34% lebih tinggi per jam dibandingkan yang tidak, pekerjaan kompleks yang diaugmentasi AI mengalami kenaikan pendapatan 45% dari tahun ke tahun, sementara pekerjaan produksi kreatif dan AI generatif tumbuh 90% dalam jumlah kontrak yang dimulai, sedangkan pendapatan per kontrak turun 13%. Volume bergeser ke ujung yang sederhana; uang bergeser ke ujung yang kompleks.

Jobbit, platform tempat studi kasus ini diterbitkan, dirancang mengikuti pembagian kerja yang ditunjukkan oleh bukti-bukti di atas, bukan berpihak pada salah satu sisinya saja. Agen AI mengambil alih pekerjaan digital yang dapat ditinjau: membangun dan menerapkan situs web atau aplikasi web, menyusun draf dokumen dan presentasi, menjalankan riset, menyiapkan otomatisasi, serta menghasilkan gambar dan video. Pengguna dapat mengamati agen AI bekerja di agent browser dan mengambil alih kendali kapan pun ia mau, yang merupakan pola intervensi dini yang menurut eksperimen Alibaba terbukti paling efektif. Untuk pekerjaan yang tidak dikerjakan dengan baik oleh agen AI atau yang semestinya tidak dikerjakan sendirian olehnya, yaitu pekerjaan fisik dan lokal, peninjauan pakar yang akuntabel, dan segala sesuatu yang bagi pelanggan memerlukan kehadiran seorang manusia, platform ini mengalihkannya ke jaringan manusia yang dimoderasi di pro.jobbit.uk. Jobbit belum mempublikasikan data uji cobanya sendiri, dan studi ini tidak membuat klaim apa pun tentang hasil terukur di platform tersebut; klaim yang diajukan hanyalah soal kesesuaian antara rancangan dan bukti yang ada. Pembaca yang ingin memahami mekanismenya secara lebih mendalam dapat memulai dari apa sebenarnya AI agentik itu, panduan mengamati dan mengambil alih kendali agent browser, dan daftar praktis kasus penggunaan AI untuk usaha kecil.

Apa yang semestinya dilakukan bisnis dengan bukti ini

Temuan-temuan ini dapat diterjemahkan menjadi sebuah aturan pendelegasian yang dapat diterapkan oleh pemilik bisnis tanpa perlu membaca satu pun makalah penelitian.

Berikan kepada agen AI pekerjaan yang rutin dan dapat ditinjau: draf pertama, ringkasan, ringkasan riset, dokumen standar, sebuah situs web atau alat internal yang dapat Anda telusuri dan periksa dalam waktu satu sore. Di sinilah setiap studi menemukan keuntungan terbesar, terutama ketika bisnis saat ini mengerjakan tugas tersebut secara lambat atau bahkan tidak mengerjakannya sama sekali, karena efek pemula berlaku bagi perusahaan sama seperti berlaku bagi individu. Urutan awal yang praktis dipaparkan dalam cara mengotomatisasi bisnis Anda dengan agen AI.

Pertahankan manusia pada pekerjaan yang tidak dapat diperbaiki bila keliru, bersifat emosional, fisik, atau menuntut akuntabilitas: segala sesuatu yang mengirimkan uang, menghapus data, bersentuhan dengan pelanggan yang sedang kesal, atau menuntut seseorang untuk bertanggung jawab penuh atas hasilnya. Eksperimen Alibaba dan sisa persoalan pada WorkBench menunjuk ke arah yang sama.

Perhitungkan waktu peninjauan sebelum memutuskan bahwa agen AI lebih murah. Hitungan jujur dari GDPval, yaitu penghematan sebesar 12% hingga 39%, bukan sembilan puluh kali lipat, adalah angka yang semestinya dipakai untuk merencanakan. Jika tidak ada seorang pun di dalam bisnis yang bisa memeriksa hasilnya, penghematan itu tidak nyata; jawabannya dalam kasus tersebut adalah membiarkan agen AI mengerjakan pekerjaan itu dan seorang pakar manusia meninjaunya, yaitu susunan kerja yang menurut data kerja lepas sudah dibayar mahal oleh para pembeli.

Perkirakan bahwa batasnya akan bergerigi dan akan terus bergeser. Sebuah tugas yang tidak dapat dikerjakan agen AI pada bulan Januari, bisa jadi sudah menjadi tugas rutin pada bulan September, dan kebalikannya tidak berlaku demikian. Uji cobalah, catat apa yang telah diperiksa dan apa yang gagal, dan tinjau ulang pembagian kerja tersebut setiap kuartal.

Keterbatasan dan pertanyaan terbuka

Sebagian besar himpunan data besar berasal dari Amerika Serikat, dan data platform mengukur permintaan yang diunggah, bukan seluruh pekerjaan yang benar-benar dikerjakan. Ukuran paparan itu sendiri diturunkan dari sebuah model, sehingga hasilnya sebagian mewarisi asumsi dari pengklasifikasi tersebut. Rentang waktu pengamatannya pun pendek: dua tahun di Denmark, kurang dari empat tahun di Amerika Serikat, dan poin dari para penulis Yale bahwa dampak yang meluas mungkin memerlukan waktu lebih lama patut dipertimbangkan dengan serius. Benchmark bukanlah pekerjaan sungguhan; tugas-tugas GDPval adalah hasil kerja yang berdiri sendiri dan WorkBench adalah kantor sintetis, sedangkan pekerjaan nyata penuh interupsi, ambigu, dan sarat kepentingan. Kapabilitas AI bergerak cukup cepat sehingga angka mana pun dalam studi ini hanyalah sebuah potret sesaat, dan studi-studi yang paling mungkin akan segera usang adalah angka-angka kapabilitas, bukan angka-angka ketenagakerjaan. Terakhir, dampak yang paling penting bagi dekade mendatang, yaitu apakah menipisnya jalur pemagangan akan menurunkan pasokan tenaga profesional berpengalaman, sama sekali belum dapat diukur.

Kesimpulan

Apakah agen AI menggantikan pekerja lepas? Sejauh ini, agen AI menggantikan tugas, dan itu terjadi di tempat output sebuah tugas dapat dihasilkan dan dinilai sebagai sesuatu yang rutin. Hal itu sudah cukup untuk menyusutkan pasar bagi pekerjaan menulis, menerjemahkan, dan membuat gambar yang bersifat komoditas, untuk melemahkan premi perekrutan bagi kredensial pada kategori-kategori tersebut, dan untuk memangkas tajam perekrutan tingkat pemula pada profesi yang terpapar, sementara pendapatan dan jam kerja di seluruh perekonomian pada dasarnya tetap tidak berubah. Pekerja lepas yang berkembang dalam data ini adalah mereka yang menjual penilaian, akuntabilitas, dan kemampuan untuk mengarahkan serta memeriksa hasil kerja mesin; bisnis yang diuntungkan adalah yang belajar mendelegasikan pekerjaan rutin dan meninjaunya, serta yang mempertahankan manusia pada segala sesuatu yang tidak dapat diperbaiki bila keliru. Pasar ini tidak sedang kehilangan salah satu sisi transaksinya. Pasar ini sedang menata ulang dirinya di seputar peralihan di antara keduanya, dan platform yang membuat peralihan itu mudah dilakukan adalah yang paling diunggulkan oleh bukti yang ada.

Pertanyaan yang sering diajukan

Apakah agen AI menggantikan pekerja lepas?

Tidak sebagai sebuah kategori keseluruhan. Bukti terbaik dari 2022 hingga 2026 menunjukkan bahwa AI menggantikan tugas-tugas spesifik, terutama penulisan rutin, penerjemahan, pembuatan gambar, dan coding sederhana, dengan postingan pekerjaan yang turun kurang lebih seperlima dibandingkan pekerjaan manual dalam hitungan bulan sejak ChatGPT. Permintaan atas pekerjaan kompleks pada kategori yang sama justru naik, baik dari segi bayaran maupun persaingan, dan data nasional tidak menunjukkan penggusuran tenaga kerja di seluruh perekonomian. Pihak yang paling jelas dirugikan adalah pekerja tingkat pemula pada profesi yang terpapar, bukan pekerja lepas yang berpengalaman.

Pekerjaan lepas mana yang paling terdampak oleh AI?

Penulisan, penerjemahan, penyuntingan konten, produksi gambar dan desain, serta coding rutin. Studi-studi atas Upwork dan platform lainnya menemukan bahwa kategori-kategori ini kehilangan postingan pekerjaan dan mengalami penurunan pentingnya kredensial serta peningkatan pentingnya harga ketika klien merekrut. Pekerjaan yang bersifat fisik, lokal, berbasis relasi, atau yang menuntut akuntabilitas atas hasilnya, sejauh ini sebagian besar belum terdampak.

Apakah menggunakan agen AI lebih murah daripada mempekerjakan pekerja lepas?

Untuk pekerjaan yang rutin dan dapat diperiksa, biasanya ya, tetapi selisihnya lebih kecil daripada yang disiratkan oleh perbandingan sekilas. Evaluasi GDPval dari OpenAI menemukan bahwa model AI menghasilkan hasil kerja profesional kurang lebih sembilan puluh kali lebih cepat secara mentah, tetapi begitu peninjauan dan koreksi manusia diperhitungkan, penghematannya turun menjadi sekitar 12% hingga 39%. Jika tidak ada seorang pun di dalam bisnis yang bisa meninjau hasilnya, opsi yang realistis adalah membiarkan agen AI menghasilkan pekerjaan tersebut dan seorang pakar manusia memeriksanya.

Pekerjaan apa yang semestinya tetap diberikan usaha kecil kepada manusia?

Segala sesuatu yang tidak dapat diperbaiki bila keliru, bersifat emosional, fisik, atau menuntut akuntabilitas: pembayaran dan penghapusan data, pelanggan yang kesal, pekerjaan di lokasi, dan hasil yang harus dipertanggungjawabkan seseorang. Sebuah eksperimen lapangan tahun 2026 di Alibaba menemukan bahwa percakapan layanan yang ditangani agen AI memang lebih cepat tetapi dinilai lebih rendah, dan bahwa intervensi manusia menyelamatkan kegagalan teknis jauh lebih baik daripada kegagalan emosional. Platform seperti Jobbit memasangkan agen AI untuk tugas digital dengan jaringan manusia justru untuk menangani sisa pekerjaan semacam ini.

Mengapa studi-studi berbeda pendapat soal AI dan pekerjaan?

Sebagian besar karena studi-studi tersebut mengukur hal yang berbeda. Eksperimen terkontrol mengukur apa yang bisa dilakukan AI pada tugas-tugas terpilih dan menemukan keuntungan besar; data platform mengukur permintaan untuk kategori tugas tertentu dan menemukan penurunan tajam yang bersifat lokal; data penggajian dan administratif mengukur lapangan kerja dan pendapatan di seluruh perekonomian dan sejauh ini menemukan perubahan yang kecil. Gambaran ini akan tampak konsisten begitu substitusi pada tingkat tugas, augmentasi yang tidak merata, dan penyesuaian agregat yang lambat dibaca bersama-sama.