Audit statistik AIGEO.ID — 26 Oktober 2026. Kalimat “AI akan menggantikan jutaan pekerjaan” mudah menjadi judul yang menakutkan. Akan tetapi, tiga besaran sering dicampurkan: pekerjaan yang terpapar kemampuan teknologi, tugas di dalam pekerjaan yang dapat dibantu atau diautomasi, dan orang yang benar-benar kehilangan pekerjaan. Tanpa membedakannya, proyeksi dampak artificial intelligence (AI) atau kecerdasan buatan terhadap Indonesia bisa berubah menjadi hitungan yang terlihat ilmiah, padahal salah satuan.
AIGEO.ID membandingkan tiga sumber primer: tabel Survei Angkatan Kerja Nasional (Sakernas) BPS Februari 2026 menurut jenis pekerjaan, BPS Mei 2026 menurut status kegiatan, serta analisis International Labour Organization (ILO) mengenai paparan AI generatif di ASEAN tahun 2026. Kami juga merancang model perhitungan penghematan jam kerja yang bisa diterapkan pada organisasi, dengan membedakan potensi kapasitas produktif dari pemutusan hubungan kerja.
Temuan paling penting: kategori berpaparan tertinggi bukan mayoritas pekerja Indonesia
Dalam analisis tenaga kerja ASEAN yang dipublikasikan ILO 21 April 2026, sekitar 3–4% pekerjaan di Indonesia masuk kategori dengan tingkat paparan tertinggi terhadap AI generatif. Ini bukan prediksi bahwa 3–4% pekerja akan di-PHK. Pada kelompok pekerja administrasi atau clerical support, ILO melaporkan 93,9% memiliki paparan AI generatif pada suatu tingkat, dan 67,5% berada pada kelompok paparan tertinggi. Besarnya proporsi di dalam kelompok administrasi tidak boleh dijadikan proporsi seluruh tenaga kerja.
ILO juga menemukan paparan sekitar 26,1% pada pekerja muda Indonesia usia 15–24 tahun, dibanding 21,1% pada pekerja dewasa dalam analisis tersebut. Selisihnya adalah 26,1 − 21,1 = 5,0 poin persentase. Angka itu memberi alasan untuk melindungi transisi pekerja muda, terutama pekerjaan level awal, tetapi tetap bukan angka tingkat pengangguran dan tidak dapat dipakai menyimpulkan AI sudah menyebabkan pengangguran sebesar lima poin.
Membaca data BPS terbaru tanpa menyamakan pekerjaan dan industri
Menurut rilis resmi BPS pada 5 Agustus 2026, jumlah penduduk Indonesia yang bekerja pada Mei 2026 mencapai 148,19 juta orang, sementara tingkat pengangguran terbuka tercatat 4,65% dan rata-rata upah buruh Rp3,39 juta sebulan. Data Mei adalah titik waktu nasional paling baru di antara sumber BPS yang kami gunakan. Untuk rincian jenis pekerjaan yang dapat dijumlahkan dan ditelusuri, kami memakai tabel Februari 2026 dengan total tepat 147.667.630 pekerja. Perbedaan bulan diberi label karena perbandingan antarperiode tidak boleh diam-diam dianggap sebagai akibat AI.
Jenis pekerjaan berbeda dengan lapangan usaha. Petugas tata usaha dapat bekerja di rumah sakit, kampus, bank, pabrik, atau pemerintahan. Sebaliknya, industri informasi dan komunikasi juga mempekerjakan petugas kebersihan, tenaga administrasi, penjualan, dan sebagainya. Karena itu, menandai seluruh pekerja sektor teknologi sebagai “paling terdampak” justru mengabaikan jenis tugas yang sebenarnya mereka lakukan.
Audit tabel BPS: struktur jenis pekerjaan Februari 2026
| Jenis pekerjaan utama BPS | Jumlah orang | Porsi dari 147.667.630 |
|---|---|---|
| Tata usaha dan sejenis | 7.702.764 | 5,22% |
| Profesional, teknisi dan sejenis | 11.229.747 | 7,60% |
| Penjualan | 31.167.255 | 21,11% |
| Pertanian/kehutanan/perikanan | 41.555.591 | 28,14% |
| Produksi, operator angkutan, pekerja kasar | 43.188.740 | 29,25% |
Sumber setiap jumlah adalah tabel resmi BPS: penduduk bekerja menurut pekerjaan utama dan pendidikan tertinggi, Februari 2026. Perhitungan porsi dilakukan ulang oleh AIGEO.ID, dengan rumus jumlah pekerja kategori ÷ 147.667.630 × 100%. Misalnya, petugas tata usaha: 7.702.764 ÷ 147.667.630 × 100% ≈ 5,22%.
Dua kategori terbesar yang ditampilkan—pertanian sekitar 28,14% dan produksi/operator/pekerja kasar 29,25%—mengingatkan bahwa struktur kerja Indonesia tidak sama dengan negara kaya yang mempunyai proporsi layanan kantor lebih besar. Namun jumlah pekerja manual yang besar tidak berarti pekerjaan tersebut terbebas dari seluruh bentuk otomatisasi: AI dapat mengubah penjadwalan panen, logistik, pengendalian mutu, pelayanan pelanggan, dan proses pendukung. Sebaliknya, pekerjaan administrasi yang sangat terpapar tetap memerlukan pemeriksaan, keputusan, komunikasi, dan tanggung jawab manusia.
Perbedaan yang sering terlewat: BPS mengelompokkan pekerjaan dalam klasifikasi statistik nasional pada level kategori luas, sedangkan indeks ILO dibangun pada rincian tugas dan kategori pekerjaan internasional ISCO. Meskipun istilah “tata usaha” dan “clerical” terdengar serupa, cakupan statistik, rincian kode, tahun referensi, dan bobot populasi tidak boleh diasumsikan identik tanpa crosswalk klasifikasi. Karena itu, kami tidak mengalikan begitu saja 7,70 juta pekerja tata usaha BPS dengan tingkat paparan tertinggi 67,5% versi ILO untuk mengumumkan jumlah pekerja Indonesia yang “pasti digantikan”.
Empat angka yang tidak boleh dicampur menjadi satu ramalan
| Angka | Apa sebenarnya yang diukur? | Bukan berarti |
|---|---|---|
| 148,19 juta — BPS Mei 2026 | Penduduk usia kerja yang bekerja pada periode survei | Jumlah tenaga kerja yang bekerja khusus di sektor AI |
| 7,70 juta — BPS Februari 2026 | Orang pada kelompok pekerjaan tata usaha dan sejenis | Semua bekerja sebagai penginput data atau bisa digantikan chatbot |
| 93,9% — ILO kategori clerical Indonesia | Bagian kelompok pekerjaan itu yang terpapar AI dalam analisis ILO | 93,9% pekerja clerical telah kehilangan pekerjaan |
| 3–4% — ILO Indonesia | Perkiraan proporsi pekerjaan dalam kelas paparan AI tertinggi | 3–4% penduduk bekerja akan segera menganggur |
Kesimpulan statistik yang dapat dipertanggungjawabkan lebih sederhana: pekerjaan administrasi menghadapi potensi perubahan tugas yang besar; Indonesia memiliki sekitar 7,70 juta pekerja dalam kategori tata usaha menurut BPS Februari 2026; dan ILO menilai kelompok paparan tertinggi terhadap AI generatif mencakup porsi relatif kecil dari seluruh pekerjaan Indonesia. Konsekuensi aktual—upah, jumlah lowongan, produktivitas, kualitas kerja, bahkan PHK—belum dapat ditentukan dari angka paparan saja.
Metode ILO: mengapa ‘paparan AI’ bukan ‘penggantian karyawan’
Kajian utama ILO Working Paper 140, Generative AI and Jobs: A Refined Global Index of Occupational Exposure (Mei 2025) menggunakan pendekatan tugas di dalam jabatan, penilaian manusia, masukan ahli, dan model AI untuk menaksir potensi otomatisasi. Indeks itu menggunakan sampel dari puluhan ribu tugas, memadukan 52.558 titik data pada ribuan tugas, serta mengelompokkan paparan dalam empat tingkatan. Pekerjaan tata usaha masih tertinggi, tetapi bidang profesional terdigitalisasi seperti analis keuangan dan pengembang perangkat lunak juga meningkat paparannya.
Indeks paparan bukan model perilaku perusahaan atau prediksi neraca tenaga kerja nasional. Agar sebuah tugas otomatis benar-benar menyebabkan kehilangan pekerjaan, berbagai syarat harus berbarengan: kualitas teknologi memadai, biaya implementasi lebih murah, izin data tersedia, proses dapat diintegrasikan, pelanggan dan regulator menerima keluaran, permintaan layanan tidak menyerap produktivitas tambahan, dan perusahaan memilih mengurangi pekerja alih-alih memindahkan mereka ke fungsi bernilai lebih tinggi. Satu tugas yang bisa dikerjakan mesin dalam demonstrasi tidak otomatis bisa dikelola tanpa manusia di organisasi nyata.
Kajian ILO ASEAN 8 Juli 2026 juga menekankan bahwa sejauh ini belum ditemukan bukti gangguan pasar kerja skala besar akibat AI generatif di kawasan, meskipun tanda tekanan pada sebagian pekerja muda di pekerjaan entry-level perlu dipantau. Artinya, kebijakan yang tepat perlu mengukur dua arah sekaligus: risiko hilangnya pekerjaan dan peluang produktivitas, jenis pekerjaan baru, serta peningkatan pendapatan.
Uji kasus: tugas yang berubah dan tugas yang tidak mudah diserahkan
| Pekerjaan | Tugas yang berpotensi dibantu AI | Tugas yang tetap memerlukan kendali manusia |
|---|---|---|
| Administrasi, sekretariat | Draf surat, ringkasan rapat, klasifikasi dokumen, pencarian arsip | Verifikasi identitas, persetujuan keputusan, kerahasiaan, koreksi kesalahan |
| Akuntansi dan keuangan | Kategorisasi transaksi, penjelasan varians, draf laporan | Rekonsiliasi, otorisasi pembayaran, pengujian fraud, tanggung jawab audit |
| Guru dan dosen | Materi latihan, umpan balik awal, penyederhanaan bacaan | Asesmen otentik, pengasuhan, etika, diagnosis kesulitan belajar |
| Kesehatan | Ringkasan dokumen dan dukungan pengodean administrasi | Diagnosis dan keputusan klinis sesuai kewenangan profesi, perlindungan data pasien |
| Pertanian dan perdagangan | Perencanaan stok, ramalan permintaan, pencatatan sederhana | Kerja fisik, hubungan pelanggan, penanganan kondisi lapangan yang berubah |
| Jurnalisme dan riset | Transkripsi, translasI, pemeriksaan struktur data, bantuan pencarian | Wawancara, verifikasi primer, pertanggungjawaban editorial, investigasi |
Tabel itu merupakan pemetaan tugas editorial AIGEO.ID, bukan klasifikasi resmi BPS atau daftar okupasi yang terbukti otomatis. Paparan berbeda antarorganisasi walaupun jabatannya sama. Akuntan di firma besar yang memakai perangkat lunak terintegrasi menghadapi situasi lain dibanding pembukuan UMKM dalam buku tulis. Petugas administrasi di kantor yang datanya terstruktur juga berbeda dari petugas yang dokumen digitalnya tidak konsisten.
Kalkulator terbuka: berapa jam kerja sungguh dapat dialihkan?
Daripada langsung bertanya berapa orang yang dapat diberhentikan, perusahaan sebaiknya mengaudit jam kerja per jenis tugas. Untuk simulasi yang dapat dihitung ulang, bayangkan organisasi dengan 200 pekerja. Masing-masing memakai rata-rata 6 jam per pekan untuk penyusunan dokumen rutin yang memang dipilih sebagai kandidat AI. Totalnya 200 × 6 = 1.200 jam tugas per pekan. Ini seluruhnya asumsi latihan AIGEO.ID, bukan hasil Sakernas, bukan rerata industri, dan bukan janji vendor.
Misalkan AI dapat menangani 10%, 20%, atau 35% dari waktu tugas tersebut, lalu peninjauan manusia menghabiskan lagi 25% dari waktu yang semula dihemat. Maka rumusnya: jam kerja bersih yang dapat dialihkan = jumlah pekerja × jam tugas per pekerja per pekan × persentase waktu yang terotomasi × (1 − porsi waktu untuk verifikasi). Kami menggunakan 52 pekan hanya untuk membuat angka tahunan sederhana; kalender operasional nyata harus disesuaikan cuti, libur, dan jam kerja perusahaan.
| Porsi waktu tugas terotomasi (asumsi) | Jam bersih per pekan | Jam bersih per 52 pekan | Nilai kapasitas @ Rp50.000/jam* |
|---|---|---|---|
| 10% | 90 jam | 4.680 jam | Rp234.000.000 |
| 20% | 180 jam | 9.360 jam | Rp468.000.000 |
| 35% | 315 jam | 16.380 jam | Rp819.000.000 |
*Rp50.000 per jam adalah harga bayangan ilustratif, bukan rata-rata upah BPS, biaya tenaga kerja aktual, atau penghematan kas. Pada skenario tengah: 200 × 6 × 0,20 × (1 − 0,25) = 180 jam per pekan, atau 9.360 jam selama 52 pekan. Jika setiap jam berkapasitas produktif dinilai hipotetis Rp50.000, hasilnya Rp468 juta. Namun jumlah itu bukan penghematan anggaran Rp468 juta kecuali organisasi dapat menunjukkan biaya yang benar-benar berkurang atau pendapatan/layanan tambahan yang terwujud, setelah dikurangi biaya lisensi, integrasi, pengawasan, serta kesalahan.
Jika kualitas keluaran memaksa pemeriksa menghabiskan hampir sebanyak waktu yang dihemat, manfaat bersih menjadi kecil. Jika waktu yang dibebaskan dipakai menangani layanan lebih banyak tanpa menambah pegawai, hasilnya dapat berupa produktivitas dan kualitas layanan, bukan PHK. Sebaliknya, jika jam kerja yang tersedia tidak bisa dialihkan dan permintaan produk turun, tekanan restrukturisasi tenaga kerja mungkin terjadi. Model tugas ini sengaja memisahkan semua kemungkinan tersebut.
Mengapa pendidikan tinggi dapat memiliki paparan lebih besar?
Ukuran paparan AI generatif banyak menangkap tugas berbasis teks, angka, kode, dokumen, dan pencarian informasi. Karena itu, pada sebagian pekerjaan profesional yang mensyaratkan pendidikan tinggi, AI berpotensi melakukan pekerjaan pendukung yang dulu memerlukan waktu lama. Tetapi pendidikan juga bisa memperbesar kemampuan seseorang mengevaluasi kesalahan model, mendefinisikan masalah, menggabungkan pengetahuan, dan memegang tanggung jawab. Sekolah vokasi dan perguruan tinggi perlu mengajarkan keduanya: keterampilan menggunakan AI dan keterampilan membuktikan hasilnya benar.
Dokumen ILO mengenai AI, segregasi pekerjaan, dan kesetaraan gender, 5 Maret 2026 juga menunjukkan pentingnya struktur pekerjaan laki-laki dan perempuan dalam menjelaskan perbedaan paparan, bukan sekadar perbedaan minat terhadap teknologi. Pemerintah harus hati-hati agar pelatihan tidak hanya menjangkau orang yang sudah paling mahir, sementara pekerja administrasi, perempuan dalam fungsi pendukung, dan pekerja muda yang baru masuk pasar tetap rentan.
Lima indikator yang harus dipantau pemerintah untuk melihat dampak nyata
- Lowongan entry-level: perubahan jumlah iklan pekerjaan administratif, customer support, riset junior, dan pekerjaan digital dasar; bedakan pengaruh siklus ekonomi dari AI.
- Jam tugas per pekerja: ukur tugas yang hilang, muncul, dan berubah melalui survei tempat kerja, bukan hanya mengandalkan jumlah akun AI.
- Upah serta kualitas kerja: apakah produktivitas meningkatkan upah, waktu kerja yang wajar, keselamatan, dan keamanan kerja, atau justru memindahkan beban pengawasan ke pegawai?
- Transisi pekerja: proporsi peserta pelatihan yang berhasil pindah fungsi atau mendapat pekerjaan lebih baik enam hingga dua belas bulan kemudian.
- Insiden dan kesalahan: rasio keputusan keliru, kebocoran informasi, bias pada seleksi, serta waktu manusia yang diperlukan untuk memperbaiki output AI.
Mengikuti perbedaan antara pengukuran dan kausalitas merupakan prasyarat. Jika lowongan administrasi turun, pemerintah masih harus menguji kondisi ekonomi, perubahan outsourcing, suku bunga, perkembangan sektor, regulasi, dan kebijakan perusahaan. AI tidak boleh ditetapkan sebagai penyebab tunggal hanya karena muncul bersamaan. Riset yang lebih kuat membandingkan perusahaan/kantor serupa sebelum dan setelah adopsi, memakai kelompok pembanding, serta menguji perubahan permintaan.
Strategi pekerja: bukan sekadar belajar prompt
Pekerja dengan tugas rutin perlu membangun empat kemampuan yang saling menguatkan. Pertama, memahami proses bisnis dan alasan keputusan dibuat, bukan hanya langkah mengisi formulir. Kedua, menata data dan memahami perlindungan privasi; AI yang hebat tidak memperbaiki data dasar yang kacau. Ketiga, melakukan pengujian keluaran—cek dokumen primer, rumus, dan ketepatan faktual. Keempat, berkomunikasi dengan manusia: negosiasi, empati, koordinasi lintas tim, dan tanggung jawab. Nilai pekerjaan semakin terletak pada kemampuan mengawasi sistem, bukan hanya mengoperasikan aplikasi.
Untuk pembaca yang bekerja dalam layanan informasi dan media, keterampilan investigasi dokumen, wawancara dan verifikasi justru menjadi pembeda dari konten generik yang bisa diproduksi mesin. Untuk staf administrasi, jalur peningkatan keterampilan dapat berupa pengendalian mutu data, audit proses, layanan pelanggan kompleks, dan koordinasi kepatuhan. Untuk usaha kecil, AI sebaiknya dipakai pertama-tama untuk mengurangi tugas berulang yang terukur, dengan target meningkatkan layanan atau penjualan, bukan melakukan pengurangan tenaga kerja berdasarkan demonstrasi aplikasi.
Bagaimana membuat indeks Indonesia yang lebih sahih?
Rancangan ideal dimulai dari mikrodata Sakernas yang memuat kode jenis pekerjaan cukup rinci, bobot sampel, jenis kelamin, umur, pendidikan, provinsi, dan status pekerjaan, dengan ketentuan akses sesuai BPS. Kode pekerjaan nasional dipadankan secara terdokumentasi ke klasifikasi internasional yang digunakan indeks ILO. Setelah itu, setiap kelompok pekerjaan diberi skor paparan sesuai metode sumber, lalu dihitung menggunakan bobot sampel. Tahapan akhir adalah memeriksa ketidakpastian pemadanan kode, tahun rujukan, pembagian tugas aktual menurut industri, dan perbedaan kualitas adopsi perusahaan.
Rumus umum pangsa paparan tinggi untuk suatu kelompok ialah (jumlah bobot pekerja yang masuk kategori paparan tinggi) ÷ (jumlah seluruh bobot pekerja kelompok) × 100%. Agar hasilnya bisa menjadi rujukan publik, laporkan juga kode pekerjaan yang tak bisa dipadankan, cakupan populasi, varian hasil ketika ambang kategori berubah, serta versi model. BPS menyediakan kerangka statistik pekerjaan; ILO menyediakan metode paparan. Menggabungkan keduanya memerlukan pekerjaan metodologis tambahan yang tidak bisa diselesaikan dengan mengalikan dua persentase yang kebetulan mirip.
Artikel ini tidak mengklaim telah memperoleh mikrodata individual Sakernas atau menghitung indeks baru nasional. Temuan orisinal AIGEO.ID terbatas pada penjumlahan, perhitungan proporsi tabel agregat BPS, perbandingan metodologi lintas sumber, dan simulasi jam kerja yang diberi label. Keputusan untuk tidak mengumumkan angka kehilangan pekerjaan buatan adalah bagian dari disiplin metodologi, bukan kekurangan hasil.
FAQ untuk pencari kerja, pengelola SDM, dan pembuat kebijakan
Berapa juta pekerja Indonesia pasti digantikan AI?
Belum ada dasar yang memadai untuk menetapkan angka pasti. ILO mengukur paparan tugas, bukan PHK yang telah terjadi atau pasti terjadi. Angka 3–4% pada kategori tertinggi bukan proyeksi pekerja yang akan dipecat.
Pekerjaan apa yang paling terpapar AI generatif?
ILO mengidentifikasi pekerjaan dukungan administrasi dan tata usaha sebagai salah satu yang terpapar paling tinggi. Indonesia memiliki sekitar 7,70 juta pekerja tata usaha menurut BPS Februari 2026, tetapi kedua ukuran menggunakan klasifikasi dan waktu pengukuran berbeda sehingga tidak boleh langsung dikalikan untuk menyimpulkan jumlah kehilangan pekerjaan.
Apakah pekerjaan pertanian dan manufaktur aman?
Bukan berarti aman dari seluruh teknologi. AI generatif terutama menangani tugas kognitif/digital, sedangkan otomasi robotik, sensor, mekanisasi, dan perangkat lunak industri dapat memengaruhi sebagian pekerjaan fisik. Analisis harus menyebut jenis teknologinya.
Apa keterampilan yang tetap berguna bila aplikasi AI berubah?
Literasi data, evaluasi bukti, pengetahuan domain, komunikasi, akuntabilitas keputusan, keamanan informasi, dan kemampuan merancang proses. Keterampilan tersebut tetap relevan meski merek atau model AI berganti.
Sumber primer, tanggal observasi, dan batas analisis
- BPS, Februari 2026: Tabel pekerja menurut jenis pekerjaan dan pendidikan, diperbarui 16 Juli 2026. Semua jumlah kategori dan persentase tabel dalam artikel berasal dari baris total Februari.
- BPS, Mei 2026: Berita Resmi Statistik 5 Agustus 2026. Digunakan hanya untuk konteks tenaga kerja nasional dan upah Mei, bukan penyebut kategori Februari.
- ILO, April 2026: Paparan GenAI pada pekerjaan ASEAN dan Indonesia, termasuk paparan pekerja clerical, pemuda, dan kategori paparan tertinggi.
- ILO, Juli 2026: Ringkasan riset ASEAN tentang perbedaan paparan dan gangguan pasar kerja yang dapat diamati.
- ILO, Mei 2025: Working Paper 140, metodologi indeks tugas. Digunakan sebagai rujukan desain pengukuran, bukan sumber angka BPS.
- Hitungan asli AIGEO.ID: porsi pekerjaan per kategori dihitung dari total 147.667.630 pada Februari 2026; simulasi 200 pekerja × 6 jam tugas × tingkat otomasi × 75% neto × 52 pekan. Seluruh input simulasi bersifat hipotetis.
Pembahasan ini berkaitan dengan kesiapan talenta AI Indonesia, audit BPS–IMDI mengenai ketimpangan akses digital, serta protokol belajar dengan AI. Pembaca dapat menggunakan ketiga tulisan tersebut untuk menghubungkan persoalan pekerjaan, kesenjangan kesiapan digital, dan strategi belajar.
Kesimpulan. Ancaman AI terhadap pekerjaan Indonesia nyata sebagai potensi perubahan tugas, tetapi besarnya risiko harus dilaporkan dengan disiplin. Menurut BPS Februari 2026, sekitar 7,70 juta pekerja berada dalam kategori tata usaha; menurut ILO, pekerjaan clerical memiliki paparan tinggi terhadap AI generatif. Itu alasan kuat untuk menyiapkan perlindungan dan pelatihan, bukan bukti jutaan PHK akan terjadi. Pemerintah, perusahaan, dan pekerja perlu beralih dari retorika kehilangan pekerjaan ke audit tugas, mutu hasil, transisi keterampilan, dan pengukuran dampak yang dapat diuji.
Leave a Reply