Dampak Otomasi dan Kecerdasan Buatan terhadap Pasar Tenaga Kerja Global dan Risiko Jebakan Pendapatan Menengah

Latar Belakang dan Definisi Transformasi Teknologi

Pasar tenaga kerja global berada di persimpangan historis yang didorong oleh adopsi Kecerdasan Buatan (AI), robotika, dan otomasi. Teknologi ini dipandang sebagai General-Purpose Technologies (GPTs) yang memiliki potensi untuk secara fundamental mengubah lanskap produktivitas, struktur pekerjaan, dan pembagian nilai ekonomi. Analisis menunjukkan bahwa kemajuan teknologi ini bukan sekadar peningkatan bertahap, melainkan kekuatan transformatif.

Tinjauan tren makroekonomi menunjukkan bahwa AI dan pemrosesan informasi diprediksi menjadi pendorong transformasi teratas (86%), diikuti oleh robotika dan otomasi (58%) hingga tahun 2030. Besarnya potensi ekonomi dari transformasi ini sangat signifikan. Adopsi AI pada tingkat global diperkirakan dapat menghasilkan aktivitas ekonomi tambahan sekitar $13 triliun, atau sekitar 1.2% pertumbuhan Produk Domestik Bruto (PDB) kumulatif tambahan setiap tahun pada tahun 2030. Pertumbuhan nilai ekonomi ini sebagian besar akan berasal dari substitusi tenaga kerja melalui otomatisasi dan gelombang inovasi baru dalam produk dan layanan.

Tinjauan Singkat Proyeksi Pasar Tenaga Kerja Global: Transformasi vs. Redundansi

Proyeksi awal mengenai dampak AI sering kali terbagi menjadi pandangan optimis dan pesimistis. Data yang muncul menunjukkan bahwa dampak dominan AI, setidaknya dalam fase adopsi awal, adalah pada transformasi pekerjaan melalui amplifikasi, bukan penggantian massal.

Laporan terbaru menunjukkan adanya pertumbuhan pekerjaan bersih secara agregat. Proyeksi Forum Ekonomi Dunia (WEF) antara tahun 2025 dan 2030 memperkirakan penciptaan 11 juta pekerjaan baru yang didorong oleh AI dan teknologi pemrosesan informasi, sementara 9 juta pekerjaan diperkirakan akan digantikan, menghasilkan surplus bersih 2 juta pekerjaan. Proyeksi sebelumnya (menjelang tahun 2025) bahkan menunjukkan angka yang lebih besar, dengan 97 juta pekerjaan baru diciptakan berbanding 85 juta yang digantikan.

Analisis Organisasi Perburuhan Internasional (ILO) memberikan kejelasan tentang sifat paparan. Dengan menggunakan metodologi yang disempurnakan yang mencakup hampir 30.000 tugas pada tingkat okupasi 6-digit (ISCO-08), ditemukan bahwa sekitar satu dari empat pekerja di seluruh dunia berada dalam pekerjaan yang memiliki tingkat paparan tertentu terhadap Generative AI (GenAI). Namun, laporan tersebut menekankan bahwa karena kebutuhan berkelanjutan akan penilaian dan masukan manusia, sebagian besar pekerjaan akan diubah (mengalami pergeseran tugas) daripada dibuat berlebihan (redundansi total).

Namun, pandangan makroekonomi menunjukkan kerentanan yang kompleks. Analisis global memproyeksikan bahwa perlambatan pertumbuhan ekonomi dan tekanan inflasi diperkirakan akan menghilangkan 1.6 juta pekerjaan secara global hingga tahun 2030. Interaksi antara guncangan makroekonomi ini dan otomatisasi menciptakan risiko yang tidak linier. Dalam masa ketidakpastian ekonomi dan biaya operasional yang meningkat, perusahaan cenderung mempercepat otomatisasi untuk memangkas biaya tenaga kerja. Dengan demikian, AI tidak hanya menjadi alat substitusi dalam kondisi ekonomi yang stabil, tetapi juga dapat menjadi pendorong utama downsizing atau perampingan yang diperburuk selama resesi. Ini menyoroti perlunya strategi tenaga kerja yang adaptif, yang mengintegrasikan perencanaan kontinjensi makroekonomi, bukan sekadar fokus pada pelatihan keterampilan dalam isolasi.

Fokus Tesis: Otomasi Prematur dan Ancaman Middle-Income Trap di Global South

Meskipun negara-negara maju fokus pada dislokasi pekerjaan kerah putih, AI menimbulkan tantangan struktural yang berbeda dan lebih mendalam bagi negara-negara berkembang, yang dikenal sebagai Global South. Tesis sentral laporan ini berpusat pada pertanyaan apakah otomatisasi yang dipercepat, terutama di sektor padat karya dan kognitif rutin, mencegah negara-negara berkembang mencapai status pendapatan tinggi, yang mempercepat risiko middle-income trap.

Model pembangunan kanonik yang sukses untuk negara-negara berpendapatan menengah secara historis didasarkan pada industrialisasi urban, dengan memanfaatkan biaya faktor yang lebih rendah (tenaga kerja) dan partisipasi aktif dalam Rantai Nilai Global (GVCs) untuk mendorong pertumbuhan yang didorong oleh ekspor. Namun, model ini “menua dengan cepat”.

Teknologi AI dan robotika saat ini bersifat padat modal dan padat keterampilan. Perkembangan ini secara langsung mengikis daya saing biaya yang menjadi pilar utama model pembangunan kanonik tersebut. Hal ini secara efektif memaksa negara-negara berkembang untuk merumuskan ulang strategi pertumbuhannya. Jika sistematis, otomatisasi prematur ini berpotensi memutus tangga industrialisasi yang biasanya digunakan negara-negara untuk transisi ke status pendapatan tinggi.

Risiko ini sering disebut sebagai risiko yang tertunda (lagging risk). Data pasar tenaga kerja saat ini mungkin hanya mencerminkan fase awal adopsi (peningkatan produktivitas). Namun, ketika perusahaan bergerak menuju fase asimilasi penuh—diperkirakan kurang dari separuh perusahaan akan mencapainya pada tahun 2030 —perusahaan akan merancang ulang alur kerja secara radikal, yang berpotensi memicu gelombang redundansi yang lebih besar. Para pembuat kebijakan harus berhati-hati untuk tidak terpaku hanya pada data agregat saat ini dan sebaliknya fokus pada persiapan untuk mengelola risiko transisi jangka menengah hingga panjang.

Analisis Dampak Kuantitatif dan Kualitatif Terhadap Pekerjaan

Dampak Kuantitatif: Pola Paparan Otomasi Berdasarkan Sektor

Pergeseran Target: Dari Kerah Biru ke Kerah Putih

Otomasi historis yang menggunakan robotika industri seringkali menargetkan tugas fisik dan berulang dalam manufaktur. Namun, kebangkitan GenAI telah mengubah target dislokasi. AI telah membuat kemajuan terbesar dalam tugas-tugas kognitif non-rutin.

Di negara-negara Organisasi untuk Kerjasama Ekonomi dan Pembangunan (OECD), pekerjaan yang paling terpapar AI cenderung merupakan pekerjaan kerah putih, seperti profesional TI, profesional bisnis, manajer, dan profesional sains dan teknik. Perkembangan ini menunjukkan bahwa model tradisional otomatisasi yang berfokus hanya pada lantai pabrik sudah tidak memadai.

Kasus Manufaktur dan Implikasinya

Meskipun paparan tinggi tidak serta merta berarti dislokasi , dampaknya pada sektor manufaktur terlihat dalam pola yang lebih halus. Di Korea, ditemukan beberapa bukti bahwa AI “tradisional” (sebelum GenAI) dikaitkan dengan pertumbuhan yang lebih rendah dalam pekerjaan permanen penuh waktu, terutama di sektor manufaktur, antara tahun 2018 dan 2023.

Namun, temuan ini harus diinterpretasikan dalam konteks pertumbuhan lapangan kerja keseluruhan yang kuat di Korea selama periode yang sama (5.8% pertumbuhan total, termasuk bentuk pekerjaan non-standar, dan 2.4% pertumbuhan pekerjaan permanen penuh waktu). Selain itu, sebagian besar perusahaan Korea (95.5%) melaporkan tidak ada perubahan tenaga kerja di tingkat departemen atau tim setelah adopsi AI. Temuan-temuan ini menunjukkan bahwa AI dapat bertindak sebagai mitigator kekurangan tenaga kerja  daripada penyebab dislokasi agregat yang besar.

Sektor Rentan dan Imun

Analisis tentang penggunaan AI yang sebenarnya menunjukkan pola paparan yang berbeda:

• Sektor Paling Rentan (Transformasi Tinggi): Peran Komputer dan Matematika menunjukkan lonjakan terbesar dalam penggunaan AI aktual, jauh lebih tinggi daripada perkiraan awal pekerja di bidang tersebut. Dalam sektor Teknologi Informasi (TI), Gartner memproyeksikan perubahan seismik: pada tahun 2030, 100% dari semua fungsi TI akan melibatkan AI, sementara saat ini sekitar 81% masih dilakukan tanpa bantuan AI. Lebih lanjut, diperkirakan 25% dari workload TI akan sepenuhnya diotomatisasi oleh bot pada tahun 2030. Tugas-tugas ini sebagian besar terdiri dari peran dukungan rutin dan tingkat entry-level yang sangat terekspos.
• Sektor Paling Imun: Pekerjaan hands-on (layanan pemeliharaan, perbaikan, layanan pelindung, transportasi) tetap menjadi yang paling sedikit dipengaruhi oleh penggunaan AI nyata. Selain itu, pekerjaan di bidang hukum, kesehatan, pendidikan, dan layanan sosial menunjukkan pergerakan yang minimal dalam otomatisasi meskipun ada banyak wacana publik.

Pola dislokasi yang diamati dalam sektor TI, khususnya di tingkat entry-level, menimbulkan kekhawatiran yang signifikan bagi pasar tenaga kerja global. Meskipun saat ini hanya 1% dari kehilangan pekerjaan TI yang secara langsung disebabkan oleh AI, hilangnya pekerjaan entry-level yang cepat—seperti yang diproyeksikan (25% workload otomatisasi penuh) —menghapus “tangga” penting untuk memasuki karier profesional, terutama bagi kaum muda dan kelompok yang kurang terwakili. Negara berkembang harus berinvestasi dalam pelatihan dan sertifikasi yang memungkinkan pekerja memasuki peran manajemen dan amplifikasi AI, melompati peran entry-level rutin yang menghilang.

Dampak Kualitatif: Polarisasi dan Kualitas Pekerjaan

AI mengubah kualitas dan struktur pekerjaan, tidak hanya kuantitas. Perubahan ini diperkirakan menyebabkan penyesuaian non-linear dalam pasar tenaga kerja. AI akan secara signifikan meningkatkan permintaan untuk tenaga kerja berketerampilan tinggi di beberapa bidang (pengembang, manajer AI), sementara mengurangi permintaan untuk tenaga kerja berketerampilan rendah di bidang lain. Pergeseran ini mempercepat polarisasi, di mana permintaan terkonsentrasi di ujung keterampilan tinggi dan rendah (jasa berbasis manusia), dengan erosi di bagian tengah.

Peningkatan Produktivitas Manusia-AI

Di wilayah seperti Asia Tenggara, adopsi teknologi digital cenderung bertahap dan melengkapi pekerja manusia (augmentation), bukan menggantikan secara menyeluruh. Sebuah studi pada tahun 2025 di sektor layanan pelanggan menunjukkan bahwa alat AI membantu pekerja meningkatkan resolusi masalah sebesar 14% per jam. Yang lebih penting, pekerja pemula dan berketerampilan rendah mengalami peningkatan kinerja sebesar 34% ketika dibantu oleh AI.

Peningkatan produktivitas ini memberikan potensi leapfrogging (melompati tahap) bagi negara-negara berkembang, yang dapat mengimbangi erosi keunggulan biaya tenaga kerja rendah. Jika AI dapat membuat pekerja yang relatif murah menjadi 34% lebih produktif, negara-negara ini dapat mempertahankan daya saing mereka. Ini menggarisbawahi bahwa strategi di Global South harus memprioritaskan adopsi AI sebagai alat augmentasi bagi tenaga kerja yang ada, dan bukan hanya sebagai alat substitusi massa. Namun, ini menuntut adopsi digital yang luas dan terjangkau sebagai prasyarat.

Kesejahteraan Kerja dan Kepercayaan

Survei OECD di sektor manufaktur dan keuangan menunjukkan bahwa pekerja dan pengusaha umumnya memiliki pandangan yang sangat positif tentang dampak AI terhadap kinerja dan kondisi kerja. Namun, ada kekhawatiran tentang hilangnya pekerjaan, dan survei tersebut menemukan bahwa membangun kepercayaan sangat penting. Kualitas hasil bagi pekerja sangat terkait dengan praktik seperti konsultasi pekerja dan penyediaan pelatihan yang memadai. Hal ini menunjukkan pentingnya dialog sosial dalam mengelola transisi AI, sebagaimana ditekankan oleh ILO.

Dinamika Pergeseran Keterampilan (The Great Skill Shift)

Otomasi dan AI memicu Great Skill Shift—pergeseran radikal dalam permintaan keterampilan. Ini bukan hanya perubahan persentase pekerjaan, tetapi perubahan fungsional dalam bagaimana keterampilan diterapkan.

Pemetaan Keterampilan yang Rentan dan Imun

McKinsey mengembangkan Skill Change Index (SCI) untuk mengukur potensi paparan setiap keterampilan terhadap otomatisasi, memproyeksikan bahwa hampir setiap pekerjaan akan mengalami pergeseran keterampilan pada tahun 2030.

Keterampilan yang Paling Rentan (SCI Tinggi)

Keterampilan yang menempati peringkat tertinggi dalam SCI adalah Keterampilan Digital dan Pemrosesan Informasi. Hal ini mencerminkan berkembangnya kemahiran AI dalam penanganan dan analisis data. Keterampilan yang sangat terspesialisasi dan dapat diotomatisasi seperti akuntansi, coding rutin, dan penelitian rutin menghadapi gangguan terbesar.

Dalam skenario adopsi cepat, sekitar setengah dari jam kerja yang terkait dengan jaminan kualitas dapat diotomatisasi, dan keterampilan yang paling terpengaruh dapat mencapai 60% paparan. Ini berarti bahwa keterampilan yang awalnya dianggap sebagai keterampilan “teknis” yang aman kini justru paling cepat dikomodifikasi oleh GenAI.

Keterampilan Paling Tahan (SCI Rendah)

Sebaliknya, keterampilan yang paling kecil kemungkinannya untuk berubah atau yang menempati peringkat terendah di SCI adalah yang terkait dengan Bantuan dan Perawatan (Assisting and Caring).

Keterampilan ini berakar kuat pada koneksi fisik, emosional, dan sosial manusia, seperti kepemimpinan, perawatan kesehatan, dan interpersonal (negosiasi dan coaching). Perubahan ini menandai evolusi penting: perlindungan pasar tenaga kerja telah bergeser dari pekerjaan fisik (yang selalu dianggap paling aman di masa lalu ) ke pekerjaan yang berbasis pada interaksi manusia dan empati. Hal ini menunjukkan bahwa AI menaikkan harga relatif keterampilan yang bersifat murni manusia dan tidak dapat direplikasi secara etis atau efektif oleh mesin.

Permintaan Keterampilan Masa Depan

Transformasi ini menuntut tiga kategori keterampilan utama:

1. AI Fluency dan Keterampilan Teknis: Permintaan untuk AI fluency—kemampuan untuk menggunakan dan mengelola alat AI—telah meningkat hampir tujuh kali lipat dalam dua tahun terakhir di AS, menunjukkan integrasi cepat GenAI ke dalam alur kerja. Selain itu, keterampilan teknis tingkat tinggi (seperti GenAI, data analysis, cybersecurity) tetap sangat dicari.
2. Keterampilan Kognitif Inti: Tren otomatisasi yang baru meningkatkan permintaan akan creative thinking, resilience, flexibility, dan agility. Individu yang dapat berpikir strategis dan beradaptasi dengan model bisnis yang terus berkembang sangat dihargai. Bahkan di pertanian, meskipun pekerja berketerampilan rendah rentan, tugas kognitif yang lebih kompleks seperti manajemen pertanian dan analisis data juga akan terpengaruh seiring kecanggihan sistem AI.
3. Keterampilan Interpersonal dan Sosial: Keterampilan seperti kolaborasi dan kerja tim sangat penting untuk mengembangkan dan mengelola sistem AI. Membangun kepercayaan (trust-building) dan pemahaman tentang manusia juga merupakan keterampilan yang tak tergantikan.

Keterampilan yang Tumpang Tindih dan Pergeseran Fungsi

Analisis menunjukkan bahwa lebih dari 70% keterampilan yang dicari oleh pemberi kerja saat ini digunakan dalam pekerjaan yang dapat dan tidak dapat diotomatisasi. Ini berarti bahwa bagi banyak pekerja, ini bukan penghapusan keterampilan, melainkan pergeseran fungsi atau aplikasi.

Sebagai contoh, keterampilan analisis data masih penting, tetapi penerapannya bergeser dari melakukan analisis data rutin secara manual menjadi mengelola, memvalidasi, dan menafsirkan output dari alat AI yang melakukan analisis tersebut. Pekerja harus mengembangkan kemampuan metakognitif dan adaptasi, yang memungkinkan mereka menerapkan keterampilan inti yang sama dalam kemitraan dengan AI. Kegagalan dalam melakukan pergeseran ini akan menciptakan kesenjangan yang parah antara pekerja yang mahir AI dan mereka yang tidak.

Perspektif ‘Global South’: Otomasi Prematur dan Jebakan Pendapatan Menengah

Isu paling kritis bagi negara-negara berkembang adalah ancaman erosi terhadap jalur pembangunan tradisional mereka.

Erosi Model Pembangunan Kanonik

Negara-negara di Global South telah memanfaatkan globalisasi dan offshoring tugas-tugas padat karya ke negara-negara berupah rendah. Namun, perkembangan teknologi saat ini bersifat padat modal dan padat keterampilan, yang secara inheren menguntungkan negara-negara maju dan berpotensi memperluas perbedaan teknologi.

Hilangnya Keunggulan Kompetitif

Industrialisasi telah mendorong konvergensi kekayaan yang belum pernah terjadi sebelumnya antara negara kaya dan miskin. Otomasi mengikis daya saing biaya yang didasarkan pada tenaga kerja murah. Jika otomatisasi membuat produk yang dibuat di negara maju sama murahnya (atau lebih murah) daripada produk yang dibuat menggunakan tenaga kerja murah di Selatan, Global South kehilangan motor pertumbuhan utamanya.

Percepatan Risiko Jebakan Pendapatan Menengah

Model dan temuan empiris menunjukkan bahwa negara-negara secara historis paling mengandalkan jenis pekerjaan yang rentan terhadap otomatisasi (pekerjaan rutin, padat karya) pada saat mereka mencapai status pendapatan menengah. Jika teknologi baru menghilangkan keunggulan komparatif ini sebelum suatu negara mengkonsolidasikan kemajuan struktural dan mencapai status pendapatan tinggi, jebakan pendapatan menengah akan dipercepat. Hal ini mendesak perumusan ulang strategi pertumbuhan yang tidak lagi bergantung pada biaya faktor rendah.

Dinamika Rantai Nilai Global (GVCs) dan Robotisasi

Hubungan antara robotisasi di negara maju (Global North) dan dampaknya terhadap perdagangan Global South adalah isu yang bernuansa.

Meskipun terdapat kekhawatiran bahwa otomatisasi di Utara akan mendorong reshoring tugas-tugas padat karya, beberapa penelitian menunjukkan bahwa robotisasi di Utara, setidaknya untuk saat ini dan di masa mendatang, malah mempromosikan perdagangan Utara-Selatan dan kemungkinan besar menguntungkan pekerja dan konsumen di negara berkembang. Ini menunjukkan adanya waktu jendela strategis yang sempit: negara berkembang harus menggunakan keuntungan perdagangan yang masih ada ini untuk berinvestasi dalam infrastruktur dan keterampilan. Mereka harus bergerak cepat dari model low-cost labor ke model AI-augmented production sebelum keunggulan biaya mereka sepenuhnya hilang.

Di sisi lain, ketika harga robot terus menurun, otomatisasi akan menjadi menguntungkan bagi produsen di negara berkembang juga. Oleh karena itu, negara-negara berkembang perlu berinvestasi dalam robotisasi untuk mempertahankan daya saing manufaktur mereka.

Kesenjangan Talenta di Asia Tenggara

Kawasan Asia Timur dan Pasifik (EAP), yang merupakan pusat manufaktur padat karya, menghadapi tantangan khusus. Meskipun negara-negara di Asia Tenggara secara bertahap dan pragmatis menerapkan transformasi digital, yang saat ini membatasi PHK massal , kawasan ini menghadapi kesenjangan talenta yang signifikan.

Meskipun investasi AI asing dan domestik melonjak (misalnya, investasi miliaran dolar oleh AWS dan Microsoft di infrastruktur data center) , banyak posisi yang terkait dengan AI (seperti ilmu data, machine learning, dan pengembangan software) tidak terisi karena kurangnya kandidat yang memenuhi syarat. Kesenjangan ini menghambat kemampuan kawasan untuk sepenuhnya memanfaatkan potensi pertumbuhan ekonomi AI.

Selain keterampilan teknis murni, negara-negara di kawasan ini membutuhkan profesional AI dengan pengetahuan domain-spesifik yang kuat—yaitu, profesional yang memahami industri spesifik mereka (manufaktur, kesehatan, logistik).

Ancaman Kolonialisme Digital

Negara-negara berkembang menghadapi risiko terjebak dalam siklus baru kolonialisme digital. Tanpa kemampuan untuk mengadaptasi model AI yang ada atau membangun model baru yang paling sesuai dengan kebutuhan lokal mereka, mereka berisiko hanya menjadi konsumen teknologi yang dikembangkan di negara maju.

Pemerintah di Global South harus berjuang untuk mengembangkan ekosistem AI yang berdaulat, yang dapat didukung melalui kemitraan strategis dengan negara maju (misalnya, AS)  dan memanfaatkan model AI terbuka (open AI models) untuk menurunkan hambatan masuk.

Tabel Diagnostik: Otomasi Prematur dan Risiko Pembangunan

Analisis perkembangan pasar tenaga kerja dan ekonomi global menunjukkan adanya diskrepansi signifikan antara jalur pertumbuhan masa lalu dan realitas masa depan:

Tabel Otomasi Prematur dan Risiko Pembangunan di Global South

Pilar Kebijakan: Pendidikan, Kesejahteraan, dan Reformasi Fiskal

Untuk menanggapi tantangan The Great Skill Shift dan ancaman jebakan pendapatan menengah, diperlukan intervensi kebijakan yang terkoordinasi dalam tiga pilar utama: pendidikan, kesejahteraan sosial, dan reformasi fiskal.

Reformasi Sistem Pendidikan untuk Ketahanan AI

Kualitas sistem pendidikan suatu negara adalah penentu utama apakah otomatisasi akan menjadi boon atau catastrophe.

Fokus pada Kualitas dan Keterampilan Kognitif

Sistem pendidikan harus direformasi total untuk menekankan pada pengembangan keterampilan kognitif (misalnya, berpikir kreatif) dan non-kognitif (fleksibilitas, ketahanan). Keterampilan-keterampilan ini secara empiris diasosiasikan dengan penghindaran pekerjaan yang rentan terhadap otomatisasi. Reformasi harus fokus pada hasil pendidikan—kemampuan untuk mengakuisisi keterampilan yang lebih tinggi—daripada hanya pada input pendidikan tradisional.

Transformasi Vokasi (Vokasi 4.0)

Program pendidikan vokasi di negara berkembang saat ini seringkali kurang efektif; data menunjukkan bahwa program ini jarang memberikan keuntungan dalam menghindari pekerjaan yang rentan otomatisasi dibandingkan dengan pendidikan menengah umum. Hal ini menunjukkan adanya kegagalan program vokasi tradisional untuk mengajarkan keterampilan non-rutin, sehingga secara tidak sengaja menghasilkan pasokan tenaga kerja murah yang mudah digantikan. Kegagalan ini mempercepat insentif perusahaan untuk berinvestasi dalam otomatisasi.

Oleh karena itu, pendidikan vokasi harus mengalami transformasi radikal (Vokasi 4.0). Fokus harus bergeser dari sekadar “mengetahui alat” menjadi “mahir menggunakannya secara profesional,” dengan memberikan pengalaman langsung dalam mengelola dan berinteraksi dengan teknologi AI. Strategi ini harus mencakup kemitraan yang kuat antara akademisi dan industri, seperti yang terlihat di Georgia, AS, yang membantu produsen kecil dan menengah mengadopsi AI melalui program Manufacturing Extension Partnership (MEP).

Strategi Nasional dan Asimilasi AI dalam Kurikulum

Negara-negara maju (misalnya, Singapura, Korea Selatan, Finlandia) telah bergerak cepat untuk mengintegrasikan AI ke dalam pendidikan untuk personalisasi pembelajaran dan pelatihan guru. Singapura, misalnya, melalui strategi “Smart Nation,” bertujuan menggunakan AI untuk memberikan umpan balik yang disesuaikan dan membantu personalisasi pendidikan bagi setiap siswa.

Bagi negara berkembang, implementasi ini menuntut kepemimpinan politik, investasi dalam infrastruktur digital, dan pelatihan komprehensif bagi pendidik dan administrator. Pendekatan transdisipliner dalam pendidikan sangat penting untuk menghasilkan lulusan dengan pola pikir sistem yang diperlukan.

Jaring Pengaman Sosial dan Kebijakan Kesejahteraan yang Adaptif

Mengingat peningkatan signifikan dalam job churn (perpindahan pekerjaan yang cepat) yang disebabkan oleh otomatisasi dan AI , jaring pengaman sosial yang dirancang untuk pasar kerja yang stabil harus diperbarui.

Manfaat yang Fleksibel dan Portabel

Sistem pensiun harus disesuaikan. Pekerja yang sering berganti organisasi karena job churn akan dirugikan oleh persyaratan vesting (masa tunggu) yang lama, yang secara substansial membahayakan masa depan finansial mereka pasca-pensiun. Pengurangan persyaratan vesting menjadi tiga atau enam bulan harus dipertimbangkan untuk mendukung mobilitas dan fleksibilitas transisi ini.

Pendapatan Dasar Universal (UBI) dan Pengurangan Risiko

Konsep Universal Basic Income (UBI) diposisikan sebagai solusi netral untuk tantangan yang ditimbulkan oleh AI dan otomatisasi. UBI menyediakan jaring pengaman finansial tanpa syarat (unconditional transfer payment), yang dapat memastikan individu memiliki akses ke sumber daya yang diperlukan untuk kehidupan yang bermartabat di tengah dislokasi ekonomi yang cepat. Meskipun belum ada negara yang menerapkan UBI penuh per tahun 2025 , pemerintah disarankan untuk melakukan uji coba UBI yang dirancang dengan baik, sebagai bagian dari strategi untuk mendistribusikan kekayaan yang diciptakan oleh otomatisasi secara lebih adil.

Pemerintah juga harus mengkomisikan penelitian yang sangat rinci dan ditargetkan untuk menilai karyawan mana yang paling berisiko dislokasi (berdasarkan sektor, wilayah, dan kelompok demografi) dan mengembangkan strategi mitigasi yang cerdas berdasarkan temuan tersebut.

Reformasi Fiskal dan Perpajakan Otomasi

Kebijakan fiskal adalah salah satu instrumen terbaik yang tersedia bagi pemerintah untuk memperlancar transisi.

Menangani Asimetri Pajak

Sistem pajak saat ini seringkali secara implisit mensubsidi otomatisasi dengan mengenakan pajak yang lebih tinggi pada tenaga kerja (melalui pajak penghasilan dan kontribusi sosial) dibandingkan pada modal dan teknologi. Untuk mengatasi asimetri ini, diperlukan pergeseran untuk meningkatkan pajak atas modal (misalnya, pajak robot, pajak data, atau pajak perusahaan digital) guna mengoreksi ketidakseimbangan dan menggeser pengumpulan pendapatan ke sektor ekonomi yang lebih mampu menanggungnya.

Pemanfaatan AI untuk Administrasi Pajak

Di sisi administrasi, pemerintah dapat menjadi pengguna AI yang proaktif. Organisasi seperti OECD telah mempromosikan visi Tax Administration 3.0, di mana AI digunakan untuk membantu warga negara, dan Robotic Process Automation serta Machine Learning digunakan oleh tim investigasi untuk mengungkap aset tersembunyi. Peningkatan efisiensi dalam pengumpulan pajak ini dapat membantu membiayai program kesejahteraan dan pelatihan yang diperlukan.

Kesimpulan

Dampak otomatisasi dan AI terhadap pasar tenaga kerja global ditandai oleh kesenjangan dua kecepatan. Negara-negara maju saat ini berfokus pada tantangan dislokasi pekerjaan kognitif kerah putih yang didorong oleh GenAI dan perlunya AI fluency. Mereka memiliki infrastruktur modal dan keterampilan yang lebih siap untuk melakukan reformasi dan asimilasi teknologi.

Sebaliknya, negara-negara berkembang menghadapi ancaman yang lebih mendasar, di mana otomatisasi prematur mengikis keunggulan biaya tenaga kerja yang telah menjadi mesin pembangunan historis mereka. Ini berisiko menutup jalur industrialisasi dan mempercepat jebakan pendapatan menengah. Kualitas sistem pendidikan di negara berkembang muncul sebagai titik kegagalan utama: jika tidak mampu membekali warganya dengan keterampilan kognitif dan adaptif, otomatisasi akan mengubah potensi boon menjadi catastrophe pembangunan.

Untuk keluar dari risiko jebakan pendapatan menengah dan memaksimalkan potensi produktivitas AI, laporan ini merekomendasikan strategi terintegrasi berikut:

1. Prioritas Kualitas Pendidikan Inti dan Keterampilan Manusia: Meralokasikan sumber daya dari program pelatihan yang tidak efektif ke penguatan creative thinking, resilience, dan social/caring skills sebagai fondasi karier yang tahan lama. Pendidikan harus menekankan hasil kognitif non-rutin sebagai pertahanan utama melawan otomatisasi.
2. Mendorong Vokasi 4.0 dan AI Fluency: Integrasi AI fluency ke dalam setiap kurikulum pelatihan dan universitas. Program vokasi harus direformasi total menjadi model praktik langsung yang mengajarkan manajemen alat AI dan bukan hanya tugas rutin. Kemitraan publik-swasta harus berfokus pada penutupan kesenjangan talenta teknis dan domain-spesifik.
3. Mengembangkan Ekosistem AI yang Berdaulat dan Etis: Negara harus berinvestasi dalam penelitian dan infrastruktur untuk mengadaptasi dan membangun model AI lokal, memanfaatkan open models untuk menghindari ketergantungan digital dan kolonialisme baru.
4. Reformasi Fiskal Pro-Adaptasi: Mengoreksi asimetri perpajakan antara modal dan tenaga kerja dengan meningkatkan tarif pajak modal untuk mengimbangi insentif otomatisasi. Mengeksplorasi skema UBI parsial atau jaring pengaman sosial yang bertarget untuk kelompok yang paling rentan, dibiayai sebagian oleh pajak otomatisasi atau peningkatan efisiensi administrasi pajak (Tax Administration 3.0).
5. Manajemen Transisi yang Ditargetkan: Melakukan penelitian mikro yang berkelanjutan untuk mengidentifikasi kelompok yang paling rentan terhadap dislokasi. Mempercepat reformasi manfaat portabel (misalnya, mengurangi persyaratan vesting pensiun) untuk mendukung fleksibilitas dan mobilitas pekerja dalam era job churn yang dipercepat.

Otomasi dan AI adalah katalis yang tidak terhindarkan, yang memaksa negara berkembang untuk menghadapi kelemahan struktural yang telah lama ada, terutama dalam kualitas pendidikan. Potensi AI untuk meningkatkan PDB global sebesar $13 triliun sangat besar , tetapi keuntungan ini hanya akan terwujud bagi negara yang mampu beralih dari keunggulan komparatif berbasis biaya menjadi keunggulan komparatif berbasis keterampilan, teknologi, dan modal manusia yang kuat. Bagi Global South, transisi ini menuntut tidak hanya adopsi teknologi, tetapi juga reformasi kebijakan struktural yang cepat, tegas, dan berani. Kegagalan untuk bertindak sekarang akan membuat mereka terjebak dalam siklus ketergantungan dan ketidaksetaraan yang dipercepat.