Akankah Robot Mengambil Pekerjaan Kerah Biru? Apa yang Sebenarnya Dikatakan Studi Anthropic 2026 (Anthropic, Tesla, Nvidia, Jobbit)

Selama satu dekade, percakapan publik tentang otomatisasi berjalan di atas satu angka. Pada 2013, Carl Benedikt Frey dan Michael Osborne dari Oxford memperkirakan bahwa 47% lapangan kerja di Amerika Serikat berada pada pekerjaan dengan risiko tinggi terkomputerisasi dalam dua dekade, dan angka itu diulang dalam setiap pidato tentang masa depan kerja sejak saat itu. Tiga belas tahun kemudian, robot yang konon akan mengosongkan gudang dan lokasi konstruksi telah hadir dalam demonstrasi, di beberapa ribu pabrik, dan dalam segelintir taksi, sementara orang-orang yang konon akan tergantikan masih bekerja, banyak di antaranya di pekerjaan yang kekurangan tenaga dan tidak bisa diisi oleh pemberi kerja. Ada yang keliru dalam kisah standar itu, dan hingga baru-baru ini tak seorang pun mengukur apa yang keliru.

Pada 30 September 2026, tim ekonomi Anthropic menerbitkan "What work can robots do?", karya Russell Legate-Yang dan Maxim Massenkoff. Sejauh yang dapat dipastikan oleh tinjauan ini, inilah upaya pertama untuk menilai setiap tugas fisik dalam perekonomian Amerika terhadap robot yang benar-benar ada, lalu mengajukan pertanyaan yang tidak pernah diajukan angka 47% itu: pada harga berapa. Jawabannya mengubah perdebatan. Robot sudah dapat melakukan sekitar tiga perempat tugas kerja fisik di Amerika Serikat, tetapi hanya lebih murah daripada manusia untuk tiga dari seribu tugas. Menutup kesenjangan itu dengan kecepatan penurunan harga robot sejak 1990-an akan memakan sekitar empat puluh tahun untuk mencapai sepersepuluh pekerjaan, dan bahkan skenario agresif menempatkan separuh pekerjaan fisik di luar tahun 2050. Studi kasus ini membaca makalah tersebut dengan saksama, menyandingkannya dengan bukti tentang apa yang sudah dilakukan AI terhadap pekerjaan meja, mempertimbangkan keberatan-keberatan, dan menarik makna pola ini bagi seorang tukang ahli di Inggris, pemilik usaha kecil, dan perusahaan seperti Jobbit yang dibangun di atas premis yang kini dikuantifikasi makalah itu: peralihan tugas antara mesin dan manusia adalah pertanyaan desain utama untuk dua puluh tahun ke depan.

Ringkasan temuan

Pertama, kemampuan tidak lagi menjadi kendala utama bagi sebagian besar pekerjaan fisik. Studi Anthropic menemukan bahwa robot dapat melakukan 74% tugas fisik di Amerika Serikat, setara dengan 34% dari seluruh jam kerja, dengan menggunakan robot yang telah dijual, dikerahkan, atau didemonstrasikan, bukan yang sekadar dibayangkan.

Kedua, biayalah kendalanya. Robot kompetitif secara biaya dibandingkan pekerja untuk 0.3% tugas pekerjaan saat ini. Untuk pekerjaan besar yang paling terpapar, yaitu pengepak dan pembungkus, perkiraan penghematan tahunan sekitar $2,500 per pekerja terhadap biaya tenaga kerja sekitar $49,000; untuk pengemudi taksi, robot masih menelan biaya sekitar $7,000 lebih mahal daripada manusia.

Ketiga, kesenjangan menutup dengan lambat. Harga robot turun sekitar 3% per tahun sejak 1990-an. Pada laju itu dibutuhkan 40 tahun agar robot menjadi kompetitif secara biaya untuk 10% pekerjaan di AS. Dalam skenario cepat makalah ini, dengan biaya turun empat kali lebih cepat dan kemampuan membaik dua kali lebih cepat, robot menjadi lebih murah daripada manusia untuk separuh pekerjaan fisik sekitar 2050, dibandingkan 2085 menurut tren historis, dan mengotomatisasi 90% di antaranya tetap memakan 53 tahun.

Keempat, pekerjaan digital menghadapi gambaran yang berlawanan. Sekitar 50% pekerjaan di AS terpapar model bahasa besar saja dan 81% terpapar model bahasa atau robot digabungkan, dan bukti awal pasar tenaga kerja dari data penggajian menunjukkan lapangan kerja di kalangan usia 22 sampai 25 tahun pada pekerjaan yang paling terpapar AI berjalan sekitar 19% di bawah rekan-rekan mereka yang kurang terpapar, tanpa pergerakan serupa sejauh ini bagi pekerja berpengalaman maupun bagi perekonomian secara keseluruhan.

Kelima, orang-orang yang paling terpapar robot adalah mereka yang paling sedikit memiliki bantalan. Dibandingkan pekerja yang tidak terpapar, mereka 55 poin persentase lebih kecil kemungkinannya memiliki gelar sarjana, berpenghasilan sekitar $30 per jam lebih rendah, dan memiliki tingkat pengangguran lebih dari dua kali lipat.

Keenam, hambatan yang tersisa bersifat spesifik dan terukur. Sekitar 70% tugas fisik terhambat oleh kemampuan, sekitar separuhnya oleh manipulasi dan ketangkasan; 14% terhalang oleh regulasi saat ini dan 25% oleh preferensi manusia. Itulah tugas-tugas yang akan tetap membutuhkan manusia selama puluhan tahun, dan yang datanya untuk mengajari mesin belum ada.

Kasusnya: mengapa studi ini adalah laboratorium yang tepat

Prakiraan otomatisasi biasanya gagal dengan salah satu dari dua cara. Studi tingkat pekerjaan seperti karya Frey dan Osborne memperlakukan seluruh pekerjaan sebagai unit yang dapat diotomatisasi, yang menghasilkan angka 47%; ketika Melanie Arntz, Terry Gregory, dan Ulrich Zierahn di OECD mengulang latihan itu pada 2016 di tingkat tugas, dengan memperhitungkan campuran pekerjaan di dalam setiap profesi di 21 negara, porsi pekerjaan yang dapat diotomatisasi turun menjadi 9%. Sementara itu, studi survei pakar bertanya kepada para spesialis apa yang akan mampu dilakukan mesin, yang merupakan taruhan pada teknologi yang mungkin tidak pernah dirilis.

Makalah Anthropic menghindari kedua jebakan itu secara rancangan. Makalah ini bertolak dari sekitar 19,000 pernyataan tugas untuk sekitar 900 pekerjaan dalam O*NET, basis data okupasi Department of Labor AS, serta dari data lapangan kerja dan upah Bureau of Labor Statistics. Makalah ini memakai model Claude untuk menilai setiap tugas menurut muatan fisik, kognitif, dan interpersonalnya, hanya mempertahankan tugas fisik yang tidak dapat diotomatisasi oleh perangkat lunak biasa, lalu menelusuri web untuk mencari robot spesifik yang terbukti pernah melakukan tiap tugas, dengan mensyaratkan pengerahan komersial, penjualan, atau demonstrasi signifikan sebagai bukti. Setiap tugas ditempatkan pada skala empat tingkat kendali lingkungan: E0, tidak ada robot yang dapat melakukannya; E1, robot dapat melakukannya di lingkungan yang dibangun khusus seperti lini pabrik; E2, di fasilitas manusia yang terstruktur seperti gudang; E3, di lingkungan tak terstruktur seperti jalan kota. Sebagian besar robot yang dikerahkan hidup di ruang yang direkayasa, itulah sebabnya para penulis memperlakukan tingkat ini sebagai ukuran yang baik untuk risiko jangka dekat.

Biaya dimodelkan, bukan diasumsikan. Untuk setiap tugas yang terpapar, model memperkirakan biaya tahunan robot yang dikutip, termasuk pembelian dan pemasangan, perawatan, perangkat lunak, energi, pengawasan, asuransi, dan penghentian operasi, dengan biaya tetap dianualisasi pada perkiraan biaya modal, lalu membandingkannya dengan total kompensasi pekerja yang diskalakan menurut porsi waktu yang dihabiskan untuk tugas itu. Sebuah tugas dihitung kompetitif secara biaya hanya ketika biaya tahunan robot jatuh di bawah tenaga kerja yang digantikannya. Para penulis kemudian memvalidasi seluruh perangkat itu secara mundur: dengan menilai tugas terhadap robot yang ada pada 1977 dan dekade-dekade berikutnya, mereka menunjukkan bahwa pekerjaan yang lebih terpapar robot pada zamannya kemudian kehilangan lebih banyak upah dan lapangan kerja, yang memang harus dilakukan sebuah ukuran paparan agar ada gunanya.

Studi ini berbasis Amerika. Itulah ketidaksempurnaan yang perlu diingat pembaca. Upah, harga energi, regulasi, dan campuran pekerjaan di Inggris berbeda, dan belum ada yang menjalankan metode ini pada data Inggris. Namun taruhannya di sini justru lebih tinggi. Prakiraan Construction Industry Training Board pada Juni 2026 menyatakan bahwa sektor ini membutuhkan rata-rata 41,200 pekerja tambahan per tahun antara 2026 dan 2030, lebih dari 206,000 secara total, untuk mengimbangi permintaan, dengan 40% tenaga kerja yang ada berusia di atas 45 tahun dan lebih dari 200,000 pekerja Uni Eropa hilang sejak Brexit. Rilis Occupations in Demand dari Department for Education pada Desember 2025 menghitung 10.9 juta orang, 32.9% tenaga kerja, dalam 125 pekerjaan dengan permintaan tinggi, dan menyebut tukang listrik serta teknisi kelistrikan (201,000 pekerjaan) dan teknisi serta mekanik kendaraan (183,000) di antara pekerjaan keterampilan terbesar dalam daftar itu. Seandainya robot hendak menggantikan pekerjaan keterampilan, kekurangan tenaga ini hanya masalah sementara. Bukti di bawah ini mengatakan bukan demikian.

Lini masa bukti, 2013 sampai 2026

Temuan 1: robot dapat melakukan sebagian besar pekerjaan fisik dan hampir tidak ada yang menguntungkan

Angka pertama dalam makalah ini adalah yang akan dikutip, dan layak dinyatakan dengan tepat. Dari seluruh waktu kerja di AS, 54% bersifat kognitif atau interpersonal dan 46% bersifat fisik. Dalam porsi fisik, 12 poin persentase tidak dapat dilakukan oleh robot mana pun yang dapat ditemukan para penulis (E0), 23 dapat dilakukan di lingkungan yang dibangun khusus (E1), 10 di fasilitas manusia yang terstruktur seperti gudang (E2), dan 1 di lingkungan tak terstruktur (E3). Digabungkan, robot dapat melakukan 74% tugas fisik, yaitu 34% dari seluruh jam kerja. Contohnya konkret: taksi otonom di jalan kota, robot bergerak otonom yang memindahkan stok di gudang, sel pengelasan berpemandu AI di bengkel fabrikasi, ekskavator parit yang menggali garis lurus tanpa pengemudi.

Angka kedua adalah yang penting. Ketika model memberi harga pada robot yang dikutip untuk setiap tugas dan membandingkannya dengan tenaga kerja yang akan digantikan, robot ternyata lebih murah hanya untuk 0.3% tugas pekerjaan. Sekitar 300,000 pekerja Amerika berada di pekerjaan yang 95% tugasnya dapat dilakukan robot; kelompok terbesar, sekitar 560,000 pengepak dan pembungkus, adalah kasus paling jelas dari paritas biaya, dengan robot diperkirakan sekitar $2,500 per tahun lebih murah daripada manusia yang biaya tenaga kerjanya sekitar $49,000. Di ujung lain, taksi robot, secara teknis pekerjaan paling terpapar dalam data dengan indeks paparan 2.2 dari 3, diperkirakan berbiaya sekitar $7,000 per tahun lebih mahal daripada pengemudi yang akan digantikannya, sebelum regulasi dipertimbangkan. Sembilan dari sepuluh pekerjaan paling terpapar adalah operator kendaraan.

Interpretasi yang ditawarkan para penulis, dan yang menurut tinjauan ini paling dapat dipertahankan, adalah bahwa perbatasan fisik telah bergerak jauh lebih jauh daripada perbatasan ekonomi. Selama 50 tahun terakhir robot menjadi mampu melakukan sekitar 2% pekerjaan fisik setiap tahun yang sebelumnya tidak dapat mereka lakukan: pada 1977 mereka tidak dapat melakukan 62% tugas fisik, kini mereka tidak dapat melakukan 24% dari tugas yang sama. Kemampuan telah berlipat ganda. Biaya tidak mengikutinya, karena robot yang dapat mengangkat kotak tetap merupakan aset modal dengan perawatan, energi, pengawasan, dan asuransi yang melekat, bersaing melawan pekerja yang hanya dibayar untuk jam yang dikerjakan.

Temuan 2: lini masanya puluhan tahun, bahkan dalam kasus optimistis

Kontribusi makalah yang paling berdampak adalah analisis skenario, karena mengubah "robot itu mahal" menjadi tanggal. Harga robot, dengan mengacu pada seri data Bank of Japan dan sumber lain, telah turun sekitar 3% per tahun sejak 1990-an. Pertahankan laju itu dan dibutuhkan sekitar 40 tahun sebelum robot kompetitif secara biaya untuk 10% pekerjaan AS. Penurunan biaya 20%, sekitar tujuh tahun pada laju historis, akan membuat robot kompetitif untuk tugas fisik sekitar 2.8 juta pekerja; penurunan 70% diperlukan untuk mencapai 10% dari seluruh pekerjaan.

Skenario cepat sengaja dibuat murah hati. Biaya yang disesuaikan kualitas turun hingga empat kali lebih cepat daripada sejarah, dan robot mempelajari tugas baru dua kali lebih cepat. Bahkan begitu, robot menjadi kompetitif secara biaya untuk 50% pekerjaan fisik baru sekitar 2050, dibandingkan 2085 menurut tren historis, dan mengotomatisasi 90% pekerjaan fisik memakan 53 tahun. Kalimat yang dipakai para penulis layak dikutip karena luar biasa lugas untuk sebuah makalah ekonomi: "Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation."

Di sini bukti perlu dipisahkan dari interpretasi. Tanggal-tanggal itu bukan prakiraan; itu adalah konsekuensi asumsi yang diterapkan seragam pada setiap tugas, yang menurut para penulis sendiri mungkin tidak mencerminkan bagaimana perusahaan robotika sebenarnya menentukan prioritas. Sebuah perusahaan yang mencurahkan upayanya pada satu tugas bernilai tinggi, misalnya pengambilan barang di gudang, dapat menurunkan biaya tugas itu jauh lebih cepat daripada 3% per tahun sementara sisa perekonomian diam. Apa yang ditetapkan skenario-skenario itu adalah bentuk masalahnya, bukan kalendernya yang tepat: otomatisasi fisik adalah proses panjang dan tidak merata yang diatur oleh ekonomi perangkat keras, berbeda dengan perangkat lunak, di mana biaya marginal satu tugas tambahan mendekati nol.

Perbandingan dengan teknologi masa lalu mendukung pembacaan itu. Studi Acemoglu dan Restrepo tahun 2020 tentang robot industri, generasi sebelumnya dari teknologi ini, menemukan bahwa setiap robot tambahan per 1,000 pekerja antara 1990 dan 2007 menurunkan rasio lapangan kerja terhadap populasi di zona komuter Amerika yang terdampak sebesar 0.2 poin persentase dan upah sebesar 0.42%. Nyata, terukur, dan lambat: dampaknya menumpuk selama tujuh belas tahun di sektor-sektor tempat robot sudah paling murah, dan tidak di tempat lain.

Temuan 3: pekerjaan digital adalah kisah yang berlawanan

Kelompok riset yang sama mengukur perbatasan lainnya, dan kontras itu adalah inti studi kasus ini. Karya paparan Anthropic sebelumnya dan perbandingan makalah itu sendiri menempatkan sekitar 50% pekerjaan AS dalam jangkauan model bahasa besar saja, dan 81% dalam jangkauan model bahasa atau robot digabungkan. Pola menurut pekerjaan itu instruktif. Transportasi dan pemindahan material terpapar kurang dari 15% pada model bahasa tetapi sekitar 90% setelah robot disertakan; dukungan kantor dan administrasi sudah sangat terpapar model bahasa dan mencapai hampir 100% dengan robot; pekerjaan perawatan pribadi dan layanan berada di sekitar 40% pada keduanya, karena bersifat interpersonal dengan cara yang tidak dijangkau kedua teknologi.

Estimasi model bahasa punya silsilah lebih panjang. Pada 2023, Tyna Eloundou, Sam Manning, Pamela Mishkin, dan Daniel Rock dari OpenAI dan University of Pennsylvania menemukan bahwa 80% pekerja Amerika berada di pekerjaan dengan setidaknya 10% tugas terpapar model bahasa dan 19% di pekerjaan dengan lebih dari separuh tugas terpapar, dengan penulisan, pemrograman, dan analisis data paling terpapar serta pekerjaan fisik dan luar ruangan paling sedikit. Anthropic Economic Index, yang memetakan percakapan Claude yang dianonimkan ke tugas O*NET, menunjukkan apa yang sebenarnya dilakukan orang dengan alat-alat itu: dalam laporan 2026 augmentasi berjalan sedikit di depan otomatisasi, 52% berbanding 45%, dan penggunaan makin beragam, dengan sepuluh tugas paling umum turun dari 24% percakapan menjadi 19% antara November 2025 dan Februari 2026. Index itu juga melaporkan bahwa kenaikan 1% PDB per kapita berkaitan dengan kenaikan 0.7% penggunaan per orang, yang mengingatkan bahwa adopsi mengikuti kekayaan.

Apakah paparan telah menjadi penggantian adalah pertanyaan yang dijawab data penggajian, dengan hati-hati. Erik Brynjolfsson, Bharat Chandar, dan Ruyu Chen di Digital Economy Lab Stanford, dengan memakai catatan ADP untuk lebih dari 25 juta pekerja AS, melaporkan pada 2025 bahwa pekerja awal karier di pekerjaan yang paling terpapar AI telah mengalami penurunan lapangan kerja relatif sementara pekerja berpengalaman di pekerjaan yang sama tidak; revisi Agustus 2026 mereka, dengan data hingga pertengahan tahun, menempatkan lapangan kerja usia 22 sampai 25 tahun di pekerjaan tersebut sekitar 19% di bawah level seandainya mengikuti rekan yang kurang terpapar, dengan penyesuaian berjalan lewat perekrutan, bukan upah, dan terkonsentrasi di tempat AI mengotomatisasi, bukan melengkapi. Pada saat yang sama, para ekonom Anthropic sendiri, Maxim Massenkoff dan Peter McCrory, seperti dilaporkan Yahoo Finance pada 1 Oktober, tidak menemukan peningkatan sistematis pengangguran bagi pekerja yang sangat terpapar sejak akhir 2022, dan peringatan kepala eksekutif Anthropic Dario Amodei bahwa AI dapat menghapus separuh pekerjaan kerah putih tingkat pemula tetap, menurut data sejauh ini, sebuah peringatan dan bukan pengamatan.

Sintesis yang jujur adalah ini. Dampak pasar tenaga kerja terukur pertama dari gelombang AI saat ini bukanlah robot di gudang; melainkan perekrutan lulusan baru yang hilang di kantor. Pekerjaan fisik dilindungi oleh ekonomi; pekerjaan meja tidak.

Temuan 4: siapa yang terpapar, dan apa yang masih menghalangi sisanya

Profil demografis pekerjaan yang terpapar robot adalah temuan yang seharusnya membentuk kebijakan. Dibandingkan pekerja di pekerjaan yang tidak terpapar, mereka yang berada di pekerjaan sangat terpapar 20 poin persentase lebih kecil kemungkinannya perempuan, 16 poin lebih besar kemungkinannya Hispanik, 55 poin lebih kecil kemungkinannya bergelar sarjana, dibayar sekitar $30 per jam lebih rendah, dan lebih dari dua kali lebih mungkin menganggur. Mereka juga jauh lebih mungkin mengangkat beban, bekerja dalam panas ekstrem atau dekat zat berbahaya. Tugas yang sudah dapat dilakukan robot secara tidak proporsional adalah yang berat, berbahaya, dan bergaji rendah, yang sekaligus merupakan argumen terkuat untuk mengotomatisasinya dan alasan mengapa akan menyakitkan jika transisinya tidak dikelola.

Apa yang menghalangi sisanya sama spesifiknya. Sekitar 70% tugas fisik yang belum dapat dilakukan robot dibatasi oleh kemampuan, dan sekitar separuh di antaranya oleh manipulasi dan ketangkasan: mewarnai rambut, menggali dengan tangan di sekitar pipa terkubur, mendirikan perancah, mengurai kabel. Kekurangan perencanaan dan penalaran menyumbang 8%. Regulasi menghalangi 14% tugas fisik dan preferensi manusia 25%, keduanya bersama-sama mencakup sebagian besar pekerjaan di mana robot akan ditoleransi di pabrik tetapi tidak di kamar tidur atau ruang kelas. Dua pekerjaan dalam makalah menunjukkan betapa campuran gambarannya dalam satu pekerjaan: pemasang selotip dinding gipsum bernilai 1.6 pada indeks paparan, dengan 41% waktu mereka terpapar robot penyemprot otonom dan 26% tidak terpapar karena pekerjaan penyelesaian yang berantakan di luar kemampuannya; penyortir daur ulang bernilai 1.7, dengan lebih dari 75% waktu mereka terpapar penjepit penglihatan komputer di ban berjalan dan hanya 8% tidak terpapar.

Ringkasan para penulis adalah yang harus diingat seorang tukang ahli: pekerjaan yang tidak terpapar adalah "highly interpersonal or requires physical skills that robots today don't have", dan "if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics".

Mekanisme: mengapa polanya tampak seperti ini

Empat mekanisme menjelaskan temuan ini dan memprediksi apa yang datang berikutnya.

Lingkungan, bukan tugas, yang menentukan pengerahan. Skala empat tingkat adalah wawasan diam-diam dari makalah ini. Robot yang mengelas tanpa cela di lini pabrik (E1) tidak berguna pada perluasan rumah tinggal di mana setiap balok lantai berjarak sedikit berbeda dari yang sebelumnya. Sebagian besar ekonomi fisik, dan hampir seluruh pekerjaan keterampilan, terjadi dalam kondisi E3: tak terstruktur, serba improvisasi, di sekitar manusia. Robot telah menaklukkan E1 dan maju ke E2; E3 memegang 1% tugas setelah lima puluh tahun.

Ekonomi perangkat keras bukan ekonomi perangkat lunak. Model bahasa, setelah dilatih, menjalankan tugas berikutnya dengan biaya mendekati nol, itulah sebabnya paparan dalam pekerjaan meja menjadi penggantian hanya dalam beberapa tahun. Robot adalah aset yang menyusut nilainya, yang harus dibeli, dipasang, diasuransikan, dirawat, diberi daya, dan diawasi untuk setiap lokasi tempatnya bekerja. Penurunan harga 3% per tahun adalah ciri perbedaan itu, dan skenario makalah menunjukkan betapa sedikit percepatan empat kali lipat sekalipun mengubah dekade tibanya paritas.

Kemampuan berlipat ganda, tetapi lewat data. Robot memperoleh sekitar 2% pekerjaan fisik per tahun, dan separuh tugas tersisa yang membutuhkan ketangkasan justru yang datanya paling langka. Model belajar menulis dari web tertulis; tidak ada korpus setara untuk tangan seorang tukang pipa. Kemajuan pada 24% sisanya bergantung pada perekaman pekerjaan nyata, di tempat nyata, bersama orang yang melakukannya, yang lambat secara alami dan memunculkan pertanyaan persetujuan dan kepemilikan yang tidak pernah dihadapi gelombang perangkat lunak.

Preferensi dan aturan adalah lantai, bukan ketertinggalan. 25% tugas yang dibatasi preferensi dan 14% oleh regulasi tidak sedang menunggu robot yang lebih baik. Kesediaan pasien diangkat oleh mesin, aturan dewan kota tentang kendaraan otonom, dan keinginan pelanggan berbicara dengan orang yang memasang dapurnya berubah pada skala waktu politik dan budaya, itulah sebabnya para penulis memperlakukannya terpisah dari kemampuan dan biaya.

Seorang skeptis harus menyandingkan tiga penjelasan alternatif dengan semua ini. Peringkat paparan dihasilkan oleh model yang membaca deskripsi tugas yang ringkas, yang, seperti dicatat para penulis, "omit details that may be easy for humans but hard for robots", sehingga kemampuan mungkin terlalu dibesar-besarkan di tingkat tugas meskipun diremehkan untuk pekerjaan secara keseluruhan. Estimasi biaya adalah perkiraan atas pasar dengan sedikit harga publik; survei harga humanoid pada Agustus 2026 menemukan bahwa hanya 12 dari 58 humanoid komersial yang memiliki harga terverifikasi sama sekali. Dan skenario mengasumsikan penurunan yang sama untuk setiap tugas; terobosan dalam manipulasi serbaguna, jenis yang dipertaruhkan Nvidia dan Tesla, dapat, dalam kata-kata para penulis, "leapfrog our scale". Tanggal-tanggal itu kokoh dalam bentuk dan lunak dalam detail.

Bagaimana industri menanggapi

Reaksi terbelah mengikuti garis yang ditarik makalah ini. Di kubu perangkat keras, kepala eksekutif Nvidia Jensen Huang telah memprediksi "momen ChatGPT" untuk robotika di CES pada Januari 2026, dan Elon Musk telah mengatakan humanoid Optimus milik Tesla akan dijual paling cepat 2027 dengan target harga jangka panjang di bawah $20,000 pada skala besar, meskipun belum ada harga resmi; proyeksi Morgan Stanley 2025 menempatkan pasar humanoid di atas $5 triliun pada 2050 dengan adopsi mempercepat sejak akhir 2030-an. Yahoo Finance membingkai makalah Anthropic, pada 2 Oktober, sebagai proyeksi yang akan diuji taruhan-taruhan itu. Kenyataan pengiriman lebih sederhana: Unitree G1 dibanderol $13,500 dan perusahaan itu mengirim lebih dari 5,500 humanoid pada 2025, lebih banyak daripada seluruh pesaing digabungkan; Digit milik Agility, humanoid yang paling banyak dikerahkan di gudang AS, dihargai di atas $250,000 per unit atau sekitar $8,500 per bulan sebagai layanan; Figure, dengan valuasi $39 miliar, menjual ke perusahaan tanpa harga publik.

Para ekonom sebagian besar menerima lini masanya. Kepala ekonom Apollo, Torsten Sløk, yang dikutip Yahoo Finance, mengatakan bahwa bahkan di bawah proyeksi agresif, penggantian fisik yang meluas akan memakan puluhan tahun, dengan menyebut hambatan dalam manipulasi halus, regulasi, dan preferensi. Perdebatan yang lebih tajam ada di sisi digital, di mana bukti penggajian Stanford dan analisis pengangguran Anthropic sendiri menunjuk arah berbeda tentang seberapa banyak penggantian yang telah terjadi, dan di mana OpenAI, Anthropic, Google, Microsoft, Manus, dan Meta dengan Muse sedang merilis agen yang menjelajah, mengisi formulir, dan menyelesaikan tugas kantor multi-langkah, kategori di mana paparan paling tinggi dan biaya paling rendah.

Posisi Jobbit dalam lanskap ini adalah pilihan desain, bukan prakiraan, dan makalah ini kebetulan menggambarkannya. Agen AI perusahaan menangani pekerjaan digital yang dapat ditinjau yang menurut bukti murah untuk diotomatisasi: riset, dokumen, situs web, otomatisasi, gambar, dan administrasi yang mengelilingi sebuah pekerjaan. Ketika sebuah tugas membutuhkan tangan, penilaian di lokasi, atau seseorang yang bertanggung jawab, yang menurut angka makalah adalah sebagian besar pekerjaan fisik selama puluhan tahun, pekerjaan itu diteruskan ke profesional manusia terverifikasi di pro.jobbit.uk, dengan pembayaran ditahan dalam escrow dan pelanggan dapat menyaksikan agen serta mengambil alih kendali kapan saja. Jobbit Labs, divisi riset perusahaan, mengerjakan masalah yang lebih lambat yang diidentifikasi makalah dalam kesenjangan datanya: merekam data tugas dunia nyata dari orang yang melakukan pekerjaan nyata, dengan persetujuan, untuk melatih dan memverifikasi model dunia bagi AI fisik. Jobbit belum menerbitkan data uji tentang hasil model ini dan tidak mengklaim di sini bahwa mereka memilikinya; klaimnya lebih sempit, bahwa arsitektur agen ditambah jaringan manusia adalah yang didukung bukti selama paritas biaya masih puluhan tahun lagi. Sisi praktis pembagian itu diuraikan dalam 12 Jobs an AI Agent Can Do for Your Business This Week dan Should Your Next Hire Be an AI Agent?, bukti freelancer dalam Do AI Agents Replace Freelancers?, dan perusahaannya sendiri dalam What Is Jobbit?.

Apa yang sebaiknya dilakukan bisnis dengan bukti ini

Bukti ini mendukung aturan pendelegasian yang dapat diterapkan usaha kecil tanpa konsultan strategi.

Otomatisasi dulu lapisan digital di sekitar pekerjaan fisik, karena di situlah biaya dan kemampuan sudah bertemu. Penawaran harga, faktur, situs web, permintaan ulasan, riset pemasok, dan penjadwalan seorang tukang pipa adalah 50% pekerjaan yang terpapar model bahasa; angka makalah sendiri mengatakan pemasangan, diagnosis di lemari yang lembap, dan percakapan dengan pemilik rumah tidak akan ke mana-mana. Margin dalam bisnis pekerjaan keterampilan selama dekade berikutnya datang dari menghabiskan jam meja yang dihemat untuk lebih banyak jam di lokasi, bukan dari menunggu robot.

Perlakukan otomatisasi fisik sebagai keputusan pengadaan atas sebuah tugas, bukan keputusan tenaga kerja atas sebuah pekerjaan. Model biaya makalah adalah templatnya: hargai seluruh biaya tahunan robot terhadap tenaga kerja pada satu tugas itu, dalam tingkat lingkungan Anda, dan harapkan paritas hanya dalam kondisi E1 dan E2, pengepakan berulang, pemindahan, pengelasan, dan penyortiran, selama bertahun-tahun ke depan. Untuk hampir segala sesuatu yang dikerjakan di rumah pelanggan, paritas tidak ada dalam kalender.

Rekrut dan latih untuk inti yang tidak terpapar. 24% tugas fisik yang tidak dapat dilakukan robot dan 25% yang tidak diinginkan orang untuk dilakukan robot adalah bagian yang bertahan dari sebuah pekerjaan keterampilan: ketangkasan, penilaian di ruang tak terstruktur, dan hubungan manusia. Kesenjangan 206,000 pekerja CITB pada 2030 menunjukkan pasar akan membayar untuk itu.

Perhatikan peralihan tugasnya, bukan judul beritanya. Pertanyaan berguna untuk setiap pekerjaan adalah di mana mesin harus berhenti dan manusia harus mulai, dan garis itu bergeser tugas demi tugas. Bisnis yang menuliskannya, siapa yang meninjau keluaran agen, siapa yang mengesahkan pekerjaan di lokasi, siapa yang bertanggung jawab kepada pelanggan, memperoleh keuntungan tanpa kegagalan.

Terakhir, baca sinyal awal di tempat yang tepat. Makalah menyarankan memantau pekerjaan yang terpapar, pengemudi dan pengepak gudang, untuk tanda-tanda pertama gangguan fisik, dan data penggajian mengatakan gangguan digital sudah terlihat dalam perekrutan lulusan. Rencanakan yang kedua sekarang dan yang pertama nanti.

Keterbatasan dan pertanyaan terbuka

Studi ini berbasis Amerika, dinilai oleh model, dan statis. Peringkat paparan dan biaya berasal dari Claude yang membaca deskripsi tugas dan bukti web tentang robot, diperiksa terhadap sejarah tetapi tidak terhadap uji lapangan; panel pakar manusia mungkin menilai ketangkasan secara berbeda. Estimasi biaya mengabaikan gesekan adopsi seperti batas pinjaman, dan skenario mengesampingkan efek umpan balik, termasuk kemungkinan bahwa turunnya upah di pekerjaan terpapar memperlambat adopsi lebih jauh. Makalah ini tidak mengkaji bagaimana AI dapat mengubah pekerjaan fisik tanpa robot, misalnya lewat perawatan prediktif, dan tidak memodelkan Inggris Raya, di mana biaya energi, regulasi, dan struktur pekerjaan keterampilan berbeda.

Bukti digital punya batasnya sendiri. Data penggajian menunjukkan lapangan kerja relatif pekerja muda di pekerjaan terpapar, bukan sebab akibat, dan para penulis Stanford menggambarkan temuan mereka sebagai konsisten dengan "no widespread displacement so far"; analisis pengangguran Anthropic dan analisis perekrutan Stanford mungkin sama-sama benar tentang margin yang berbeda. Data penggunaan dari satu asisten bukanlah perekonomian. Dan pasar humanoid bergerak cukup cepat sehingga harga apa pun yang dikutip di sini adalah potret awal Oktober 2026.

Pertanyaan terbuka adalah yang akan menentukan dekade berikutnya: apakah manipulasi serbaguna membaik lebih cepat daripada 2% per tahun begitu robot belajar dari pekerjaan nyata, bukan dari demonstrasi yang direkayasa; apakah lantai regulasi dan preferensi bergeser; dan, seperti dikatakan para penulis, bagaimana pekerjaan itu sendiri berubah, "perhaps becoming more social and interpersonal as robots and AI advance".

Kesimpulan

Akankah robot mengambil pekerjaan kerah biru? Tidak seperti yang disiratkan angka 47% dan tidak pada jadwal mana pun yang perlu dijadikan acuan perencanaan oleh tukang ahli yang bekerja. Studi Anthropic menunjukkan bahwa robot sudah dapat melakukan sebagian besar tugas fisik dan hampir tidak mampu membiayai satu pun; bahwa ekonominya menutup pada laju beberapa persen per tahun; dan bahwa bahkan dunia dengan kemajuan robot pemecah rekor meninggalkan separuh pekerjaan fisik di tangan manusia melewati 2050. Gangguan yang terukur hari ini ada di pekerjaan digital, di mana paparan paling tinggi, biaya paling rendah, dan lulusan pertama sudah hilang dari daftar gaji. Bagi usaha pekerjaan keterampilan Inggris atau usaha kecil, bukti menunjuk pada satu strategi: otomatisasi mejanya, lindungi tangannya, dan bersikaplah sengaja tentang di mana yang satu menyerahkan kepada yang lain. Peralihan itulah tempat Jobbit bekerja, dan makalah ini adalah pernyataan paling jelas sejauh ini tentang mengapa kesenjangan tempat ia dibangun akan ada untuk waktu yang lama.

Pertanyaan yang sering diajukan

Akankah robot menggantikan pekerja kerah biru?

Tidak selama puluhan tahun, menurut studi Anthropic September 2026. Robot sudah dapat melakukan sekitar 74% tugas fisik di Amerika Serikat tetapi lebih murah daripada pekerja hanya untuk 0.3% di antaranya, dan pada penurunan historis 3% per tahun harga robot, dibutuhkan sekitar 40 tahun untuk mencapai paritas biaya pada 10% pekerjaan. Bahkan skenario agresif menempatkan separuh pekerjaan fisik di luar 2050.

Pekerjaan apa yang paling terpapar robot?

Operator kendaraan dan pengepak gudang. Pengemudi taksi berada di puncak indeks paparan pada 2.2 dari 3, sembilan dari sepuluh pekerjaan paling terpapar adalah pengemudi, dan pengepak serta pembungkus adalah kasus paling jelas di mana robot sudah sedikit lebih murah daripada manusia. Perawat, mekanik, dan sebagian besar pekerjaan keterampilan berada di ujung lain karena pekerjaannya membutuhkan ketangkasan, penilaian di ruang tak terstruktur, atau kontak manusia.

Apakah AI mengambil pekerjaan kerah putih lebih cepat daripada robot mengambil pekerjaan fisik?

Bukti awal mengatakan ya, di tingkat pemula. Analisis Stanford atas catatan penggajian lebih dari 25 juta pekerja menemukan lapangan kerja usia 22 sampai 25 tahun di pekerjaan yang paling terpapar AI sekitar 19% di bawah rekan yang kurang terpapar, tanpa perubahan setara bagi pekerja berpengalaman, sementara para ekonom Anthropic tidak menemukan kenaikan sistematis pengangguran bagi pekerja terpapar secara keseluruhan. Tugas digital nyaris tidak berbiaya untuk diotomatisasi begitu sebuah model ada; tugas fisik membutuhkan perangkat keras yang masih mahal.

Apa yang harus dilakukan tukang ahli terhadap otomatisasi?

Otomatisasi sisi kantor bisnis, tempat AI sudah murah dan mampu, dan investasikan pada keterampilan yang tak dapat ditandingi robot: ketangkasan, diagnosis di ruang tak terstruktur, dan hubungan dengan pelanggan. Sektor konstruksi Inggris Raya saja membutuhkan lebih dari 206,000 pekerja tambahan pada 2030 menurut CITB, sehingga bagian manusia dari pekerjaan keterampilan ini kekurangan, bukan berlebih.

Kesenjangan apa yang menjadi alasan Jobbit dibangun?

Peralihan tugas antara pekerjaan digital otomatis dan pekerjaan fisik manusia. Agen AI Jobbit mengerjakan riset, dokumen, situs web, dan administrasi yang menurut bukti murah untuk diotomatisasi, dan meneruskan pekerjaan yang membutuhkan tangan, kunjungan lokasi, atau akuntabilitas kepada profesional terverifikasi di pro.jobbit.uk, dengan pembayaran ditahan dalam escrow. Jobbit Labs mengerjakan data tugas dunia nyata yang diidentifikasi studi ini sebagai bahan yang hilang bagi AI fisik.