AI Agenik Meruntuhkan Asumsi di Balik Setiap Prakiraan Paparan Tugas

Prakiraan pasar tenaga kerja selama ini mengasumsikan bahwa otomatisasi menghapus tugas satu per satu dan membiarkan pekerjaan tetap berdiri. AI agenik, yang menuntaskan seluruh alur kerja, menggugurkan asumsi tersebut, dan sebuah skor gabungan baru, Paparan Tugas Agenik (ATE), dirancang untuk mengukur apa yang tidak mampu diukur oleh kerangka kerja lama.

Ringkasan Eksekutif

Prakiraan otomatisasi terdahulu, termasuk yang dibangun di atas kerangka kerja tugas Autor-Levy-Murnane, berbagi satu asumsi: pekerjaan bertahan sebagai cangkang koordinasi di sekitar sisa pekerjaan manusia.

Sistem AI agenik memenuhi empat kriteria: menerima spesifikasi tujuan, memilih dan memanggil alat secara otonom, mempertahankan status (state) di seluruh langkah inferensi, dan menghasilkan produk kerja yang selesai tanpa intervensi manusia pada langkah-langkah perantara.

Skor ATE menggabungkan skor kapabilitas AI, faktor cakupan alur kerja, dan kecepatan adopsi logistik. Analis kredit, hakim, dan spesialis keberlanjutan mencapai skor ATE sebesar 0,43-0,47.

Makalah ini menerapkan ATE pada 236 kode SOC dalam enam kelompok pekerjaan utama di lima kawasan teknologi AS, dan menyebut dirinya sebagai aplikasi empiris multi-kawasan pertama dari kerangka kerja paparan tugas yang secara khusus membidik sistem AI agenik.

Di samping pergeseran kerja, makalah ini mengidentifikasi tujuh belas kategori pekerjaan baru yang terkonsentrasi pada kolaborasi manusia-AI, tata kelola AI, dan operasi AI spesifik-domain.

Prakiraan yang meleset terlalu tinggi #

Robot industri memang menggeser pekerja manufaktur. Namun mereka tidak melakukannya pada garis waktu atau pada skala yang disiratkan oleh prakiraan awal. Kalimat tersebut seharusnya membuat siapa pun yang sehari-hari membaca prediksi pasar tenaga kerja menjadi sedikit waspada, karena ia menggambarkan sebuah pola: arahnya benar namun besarannya meleset.

Angka utama paling terkenal dalam literatur ini berasal dari Frey dan Osborne, yang meminta para pakar menilai 702 pekerjaan di AS berdasarkan tingkat "keterkomputerisasian" secara keseluruhan. Hasil mereka menunjukkan bahwa 47% pekerjaan berisiko tinggi. Itu adalah angka yang mencolok, dan menyebar luas.

Arntz, Gregory, dan Zierahn kemudian memperlihatkan apa yang terjadi ketika analisis diturunkan ke tingkat tugas dan memperhitungkan heterogenitas tugas di dalam pekerjaan yang secara nominal terpapar. Estimasi risiko tinggi turun menjadi 9-14% di seluruh negara OECD. Jarak antara 47% dan 9-14% bukanlah selisih pembulatan. Jarak itu mencerminkan pilihan tentang unit analisis, dan pilihan tersebut menggeser jawabannya hingga tiga kali lipat atau lebih.

Sumber ini berterus terang bahwa perdebatan antara estimasi tingkat pekerjaan dan tingkat tugas masih belum selesai. Apa yang berhasil dicapai oleh bidang ini adalah konsensus praktis: dekomposisi tingkat tugas memang diperlukan, dan label tingkat pekerjaan terlalu kasar. Konsensus itulah fondasi tempat sisa argumen ini berpijak. Sekaligus fondasi yang kini ditekan oleh kehadiran AI agenik.

Bagaimana kerangka kerja tugas bekerja #

Untuk melihat dari mana tekanan itu berasal, ada baiknya kita cermati apa yang diklaim oleh tradisi analisis tugas.

Autor, Levy, dan Murnane membagi tugas-tugas pekerjaan di sepanjang dua sumbu: rutin versus non-rutin, serta kognitif versus manual. Argumen mereka adalah bahwa otomatisasi menggantikan yang rutin sambil melengkapi yang non-rutin. Itu adalah gagasan yang rapi, dan memberi penelitian-penelitian berikutnya kosakata untuk membicarakan bagian pekerjaan mana yang dapat diserap oleh mesin.

Acemoglu dan Restrepo membangun struktur formal di atas gagasan tersebut. Mereka memodelkan keluaran (output) sebagai hasil dari kontinum tugas yang dialokasikan antara modal dan tenaga kerja. Dalam kerangka mereka, pangsa tenaga kerja naik atau turun bergantung pada apakah penciptaan tugas baru, yang mereka sebut saluran pemulihan (reinstatement channel), melampaui pergeseran tugas. Mengikuti rumusan mereka, pangsa tenaga kerja dalam nilai tambah ditulis sebagai sL = W * L / Y = f(|NL| / |N|), di mana W adalah tingkat upah, L adalah penyerapan tenaga kerja, dan Y adalah keluaran. Dua kekuatan saling tarik-menarik, dan kekuatan mana yang menang menentukan siapa yang menikmati keuntungannya.

Dua upaya pengukuran lain menjadi penting di sini karena mengubah kerangka kerja tersebut menjadi angka-angka tingkat pekerjaan. Felten, Raj, dan Seamans membangun skor Paparan Pekerjaan terhadap AI (AI Occupational Exposure / AIOE) dengan menghubungkan kemajuan kapabilitas AI yang dipublikasikan ke taksonomi kemampuan O*NET. Eloundou dkk. menyusun ukuran paralel yang berfokus pada GPT-4, memadukan anotasi pekerja urun daya (crowd-worker) dengan penilaian mandiri GPT-4 pada tingkat tugas.

Temuan utama mereka adalah bahwa 80% pekerja AS memegang pekerjaan yang setidaknya 10% tugasnya terpapar LLM. Paparan terberat terkonsentrasi pada pekerjaan berupah tinggi yang mensyaratkan gelar sarjana. Hasil tersebut berlawanan dengan intuisi lama bahwa otomatisasi menghantam pekerjaan rutin berupah rendah terlebih dahulu, dan menjelaskan mengapa pertanyaan seputar pekerja kerah putih kini menjadi mendesak.

Titik buta yang dimiliki setiap kerangka kerja #

Sumber ini mengajukan klaim tajam tentang semua penelitian tersebut. Setiap kerangka kerja yang dikutip memiliki titik buta arsitektural yang sama: mereka memodelkan otomatisasi sebagai proses mengambil alih tugas-tugas individu sementara jabatan itu sendiri tetap utuh. Hampir semua prakiraan, termasuk yang dibangun di atas kerangka kerja tugas Autor-Levy-Murnane, berbagi asumsi bahwa otomatisasi mengambil alih tugas satu per satu dan pekerjaan bertahan sebagai cangkang koordinasi di sekitar sisa pekerjaan manusia.

Itu adalah asumsi tentang struktur, bukan tentang teknologi. Asumsi tersebut tidak mengatakan apa-apa mengenai seberapa mumpuni mesinnya. Ia hanya menyatakan bahwa berapa pun banyaknya tugas yang diambil alih mesin, seseorang masih harus menyatukan sisanya.

Profesi paralegal membuat poin ini menjadi konkret. Analisis paparan tugas mungkin menandai 80% tugas seorang paralegal sebagai terpapar LLM namun tetap menyimpulkan bahwa pekerjaan tersebut aman, karena mengoordinasikan tugas-tugas itu menuntut penilaian manusia. Kesimpulan ini lahir dari asumsi cangkang tadi. Tugas-tugasnya terpapar, tetapi jahitan di antara tugas-tugas itu tidak, sehingga pekerjaannya tetap ada.

Kemudian muncul langkah kunci dari sumber ini: hambatan koordinasi yang dulunya melindungi peran paralegal kini berada di dalam modul perencanaan agen. Jika hal itu benar, penalaran yang menjaga posisi paralegal tetap aman berhenti bekerja. Perlindungan itu berasal dari koordinasi. Padahal koordinasi adalah persis apa yang dilakukan oleh sistem agenik.

Menurut saya ini adalah gagasan paling berguna di dalam makalah tersebut, dan layak dinilai berdasarkan ketentuannya sendiri. Kerangka kerja lama tidak keliru mengenai tugas-tugasnya. Mereka keliru mengenai apa yang tersisa setelah tugas-tugas itu hilang. Ukuran yang menilai tugas satu demi satu tidak dapat melihat sistem yang menangani keseluruhan rangkaian sebagai satu kesatuan.

Apa yang tergolong sebagai agenik #

Jika argumen ini bergantung pada sebuah pembedaan, maka pembedaan tersebut memerlukan definisi. Sumber ini menyediakannya melalui empat kriteria. Sistem AI agenik adalah sistem yang:

menerima spesifikasi tujuan alih-alih spesifikasi tugas;
secara otonom memilih dan memanggil alat untuk mengejar tujuan tersebut;
mempertahankan status (state) di seluruh langkah inferensi; dan
menghasilkan produk kerja yang tuntas tanpa intervensi manusia pada langkah-langkah perantara.

Daftar ini patut dipertahankan sebagai daftar, karena kriterianya bersifat diskret dan masing-masing dapat diperiksa. Sistem yang sekadar menjawab prompt gagal memenuhi kriteria pertama. Sistem yang membutuhkan persetujuan manusia pada setiap langkah perantara gagal memenuhi kriteria keempat.

Dalam bahasa yang lebih sederhana, sebuah agen menerima tujuan, memilih alat, mengeksekusi rencana multi-langkah, memeriksa keluarannya sendiri, dan menyerahkan produk kerja yang selesai. Sistem agenik merangkai pemanggilan alat, mempertahankan memori persisten di seluruh langkah, merencanakan urutan multi-tindakan, dan melakukan koreksi mandiri ketika keluaran perantara gagal melewati pemeriksaan kualitas.

Detail mengenai koreksi mandiri lebih penting daripada yang terlihat sekilas. Sebuah pipa pemrosesan (pipeline) yang berhenti ketika satu langkah gagal masih membutuhkan manusia di dekatnya. Sebaliknya, sistem yang menyadari kegagalan pemeriksaan kualitas lalu mencoba kembali telah menyerap sebagian fungsi pengawasan yang dulunya menjadi alasan kehadiran manusia.

Makalah ini mendefinisikan subjeknya dengan cara demikian: agen AI otonom yang mampu menuntaskan seluruh alur kerja pekerjaan, bukan sekadar tugas-tugas diskret. Kata "seluruh" memikul beban utamanya. Keseluruhan argumen ini membahas celah antara tugas diskret dan alur kerja yang utuh.

Mengapa waktunya sekarang #

Sumber ini menawarkan dua jenis bukti bahwa pertanyaan tersebut bukan lagi sekadar hipotesis. Bukti pertama berkaitan dengan kapabilitas. Model sekelas GPT-4 telah mencapai atau melampaui ambang nilai kelulusan pada ujian advokat (bar exam) dan Ujian Lisensi Medis AS (USMLE), serta hanya terpaut beberapa poin persentase dari kelulusan CFA Level I. Itu semua adalah ujian kredensial bagi profesi yang membatasi akses masuk justru karena pekerjaannya sulit.

Bukti kedua berkaitan dengan penerapan (deployment). Vendor teknologi perusahaan besar, termasuk Amazon, Microsoft, Salesforce, ServiceNow, dan Workday, telah mengungkapkan penerapan agenik skala produksi yang menyentuh alur kerja kerah putih dalam paparan kinerja keuangan tahun 2024 dan presentasi investor mereka. Ini adalah penerapan produksi, bukan demo riset, dan diumumkan kepada para investor alih-alih kepada kalangan akademisi.

Sumber ini membaca pengungkapan tersebut sebagai jenis pernyataan yang hanya dibuat perusahaan ketika penerapan teknologi sudah mulai memengaruhi perencanaan jumlah karyawan. Sumber ini membingkai hal itu sebagai sebuah interpretasi, bukan pengukuran, dan memang harus diperlakukan demikian. Tidak ada bagian dalam catatan yang saya terima yang melaporkan angka jumlah karyawan secara langsung. Namun inferensi tersebut masuk akal: perusahaan biasanya tidak membawa suatu penerapan teknologi ke hadapan investor kecuali hal itu berdampak pada struktur biaya.

Jika kedua bukti itu digabungkan, alasan perlunya ukuran baru menjadi sangat jelas. Kapabilitas semata tidak akan memaksakan persoalan ini, begitu pula dengan segelintir proyek percontohan. Namun kapabilitas yang sudah melintasi ambang batas profesional, di dalam sistem yang sudah berjalan di tingkat produksi, jelas memaksakannya.

Skor ATE: apa yang diukur dan apa yang tidak #

Respons makalah ini adalah skor Paparan Tugas Agenik (ATE). Ini adalah metrik gabungan yang memperluas kerangka kerja pergeseran tugas Acemoglu-Restrepo untuk memperhitungkan cakupan alur kerja ujung-ke-ujung, tolok ukur kapabilitas AI agenik saat ini, dan kecepatan adopsi perusahaan. Skor ini mengukur sejauh mana suatu pekerjaan o terpapar pada pergeseran ujung-ke-ujung oleh sistem AI agenik saat ini.

Ada tiga komponen yang dimasukkan: skor kapabilitas AI, faktor cakupan alur kerja, dan kecepatan adopsi logistik. Faktor cakupan alur kerja adalah bagian yang secara langsung menjawab titik buta tadi. Sumber ini menyebutkan bahwa apa yang hilang dari penelitian terdahulu adalah ukuran mengenai apakah komposisi alur kerja penuh dari suatu pekerjaan berada di dalam amplop operasional AI agenik, dan memformalkannya sebagai faktor cakupan alur kerja. Skor-skor lama bertanya apakah suatu tugas terpapar. Skor yang satu ini bertanya apakah keseluruhan alur kerjanya muat di dalam apa yang sanggup dikerjakan oleh sebuah agen.

Dua bagian lain dari konstruksinya juga dirinci. Suku wo,t adalah relevansi berbobot-kepentingan dari tugas t dalam pekerjaan o, yang diambil dari peringkat kepentingan tugas O*NET. Sementara CAP(t), suku kapabilitas, diestimasi dari literatur tolok ukur AI dan laporan penerapan praktisi. Jadi tingkat kepentingan tugas berasal dari basis data pekerjaan standar, sedangkan kapabilitas berasal dari dua sumber: tolok ukur dan laporan lapangan.

Makalah ini bersikap eksplisit mengenai metode, dan pembaca patut memegang ketegasan itu. Skor ATE dihitung secara algoritmik dari data tugas O*NET menggunakan parameter adopsi terkalibrasi; skor ini bukan estimasi regresi. Hal itu membawa konsekuensi praktis. Estimasi regresi hadir bersama perangkat standar seperti galat baku (standard errors) dan argumen identifikasi. Komposit algoritmik terkalibrasi tidak memilikinya, dan keluarannya merupakan proyeksi turunan-model, sebuah frasa yang digunakan sendiri oleh makalah tersebut untuk angka-angka pergeserannya. Angka-angka itu menggambarkan apa yang disiratkan oleh model di bawah parameter-parameternya. Angka-angka itu tidak melaporkan apa yang telah terjadi.

Saya berpendapat bahwa itu adalah pembingkaian yang jujur, dan merupakan pembingkaian yang tepat untuk masalah prakiraan di mana hal yang diprakirakan memang belum terjadi. Komposit yang dibangun dari masukan yang dinyatakan secara terbuka dapat diperiksa, ditantang, dan dikalibrasi ulang. Jika seseorang tidak setuju mengenai kecepatan adopsi, mereka tahu tombol mana yang harus digeser.

Di mana model ini diterapkan #

Penerapan empirisnya cukup luas. Makalah ini menerapkan kerangka kerja ATE pada 236 kode Klasifikasi Pekerjaan Standar (Standard Occupational Classification / SOC) yang mencakup enam kelompok pekerjaan utama, menghasilkan proyeksi pergeseran turunan-model di lima kawasan teknologi utama Amerika Serikat untuk periode 2025-2030. Kelima kawasan tersebut adalah San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark, dan Boston-Cambridge.

Makalah ini menggambarkannya sebagai aplikasi empiris multi-kawasan pertama dari kerangka kerja paparan tugas yang secara khusus membidik sistem AI agenik. Itu adalah klaim prioritas yang diajukan oleh para penulisnya, dan saya tidak dapat memeriksanya dari materi yang ada di hadapan saya. Apa yang dapat saya katakan adalah bahwa desain regional merupakan respons yang masuk akal terhadap masalah yang dimiliki bersama oleh studi-studi tingkat nasional: paparan adalah sifat dari pekerjaan, tetapi adopsi adalah sifat dari tempat dan perusahaan.

Berdasarkan hasil yang diberikan sumber ini, analis kredit, hakim, dan spesialis keberlanjutan mencapai skor ATE sebesar 0,43-0,47. Pengelompokan ini layak dicermati dua kali. Seorang analis kredit, seorang hakim, dan seorang spesialis keberlanjutan tidak memiliki kemiripan dalam hal pelatihan, gaji, maupun pekerjaan sehari-hari. Apa yang mereka miliki bersama, menurut perhitungan makalah ini, adalah skor yang berada pada rentang yang sama. Saya membaca hal itu sebagai peringatan terhadap pengelompokan malas yang memilah pekerjaan menjadi "aman" dan "berisiko" berdasarkan sektor atau persepsi tingkat kreativitas.

Saya juga memilih menahan diri untuk tidak membaca lebih jauh dari angka tersebut melampaui apa yang didukung oleh sumbernya. Materi yang saya miliki memberikan rentang untuk ketiga pekerjaan ini dan tidak menyebutkan bagaimana perbandingannya dengan sisa dari 236 kode lainnya. Jadi angka tersebut menunjukkan bahwa peran-peran ini terpapar secara substansial pada skala makalah tersebut. Angka itu tidak menunjukkan bahwa ketiganya adalah yang paling terpapar.

Temuan regional hadir dengan pernyataan bersyarat yang patut diulang. Makalah ini menyatakan bahwa dampak tenaga kerja di Seattle pada 2026-2027 menjadi pratinjau atas apa yang akan dialami oleh tenaga kerja non-teknis nasional yang lebih luas pada 2028-2030. Itu adalah prediksi dengan jeda waktu yang dinyatakan secara spesifik, dan bersifat bersyarat. Ia terbaca sebagai hipotesis yang dihasilkan oleh model, dan tidak boleh dianggap sebagai fakta yang telah mapan. Namun ini adalah jenis klaim yang berguna, karena cukup spesifik untuk dapat dibuktikan salah. Jika pola awal di Seattle tidak merembet ke tenaga kerja non-teknis nasional pada 2028, model ini menghadapi masalah yang tidak bisa ia elakkan begitu saja.

Sisi pemulihan dalam neraca #

Skor pergeseran semata hanya menceritakan separuh dari kisah Acemoglu-Restrepo. Dalam kerangka kerja mereka, pangsa tenaga kerja bergantung pada apakah penciptaan tugas baru melampaui pergeseran. Sebuah makalah yang memperluas kerangka kerja tersebut namun hanya mengukur pergeseran berarti telah meninggalkan bagian yang justru memberi ketegangan analitis pada kerangka kerja itu.

Makalah ini tidak melakukannya. Ia mengidentifikasi kategori-kategori pekerjaan di mana AI agenik menciptakan efek pemulihan (reinstatement): peran-peran baru yang belum ada sebelum penerapan agenik menciptakan permintaan akan pengawasan manusia, tata kelola, dan kolaborasi dalam skala besar. Secara keseluruhan, makalah ini mengidentifikasi tujuh belas kategori pekerjaan baru yang mendapat manfaat dari efek pemulihan. Kategori-kategori tersebut terkonsentrasi pada peran kolaborasi manusia-AI, tata kelola AI, dan operasi AI spesifik-domain.

Mekanismenya mudah diikuti. Jika agen menjalankan alur kerja dari ujung ke ujung, seseorang harus mengawasi mereka, menetapkan aturan yang mengikat cara kerja mereka, serta bekerja berdampingan dengan mereka. Kebutuhan-kebutuhan itu sebelumnya belum hadir sebagai pekerjaan karena memang belum ada agen yang perlu diawasi.

Sumber ini tidak memberi tahu saya berapa banyak orang yang akan diserap oleh ketujuh belas kategori ini, atau apakah pertumbuhannya akan mengimbangi pergeseran yang disiratkan oleh skor ATE. Dengan demikian, data yang dapat saya gunakan membiarkan pertanyaan utamanya tetap terbuka: apakah pemulihan melampaui pergeseran. Siapa pun yang menulis dengan penuh keyakinan bahwa pemulihan pasti melampaui pergeseran, atau sebaliknya, telah melangkah melampaui klaim yang terverifikasi. Kontribusi makalah ini adalah menempatkan kedua sisi neraca ke dalam satu kerangka kerja yang sama dan menyebutkan di mana peran-peran baru tersebut muncul.

Pelajaran yang dapat diambil #

Ada pelajaran metodologis dan ada pelajaran praktis dari kajian ini.

Pelajaran metodologisnya adalah bahwa unit analisis menentukan jawaban. Lompatan dari 47% ke 9-14% lahir dari pergeseran unit analisis dari pekerjaan ke tugas. Makalah ini berargumen bahwa langkah lebih lanjut kini diperlukan, yakni dari tugas ke alur kerja, karena hal yang sedang diotomatisasi bukan lagi sekadar tugas tunggal. Setiap kali unitnya bergeser, estimasinya ikut berubah, dan sejarah bidang ini menunjukkan bahwa pemilihan unit analisis layak mendapatkan pengawasan seketat pemilihan data.

Pelajaran praktisnya ditujukan bagi siapa saja yang merencanakan jumlah karyawan, pelatihan, atau produk untuk lima tahun ke depan. Skor yang memberi tahu Anda bahwa 80% tugas dari suatu peran terpapar tidaklah cukup, karena ia tidak menjelaskan apakah sisa 20%-nya adalah inti keahlian manusia yang tangguh atau sekadar perekat yang kini dapat disediakan oleh modul perencanaan sebuah agen. Faktor cakupan alur kerja hadir untuk mengajukan pertanyaan tersebut secara langsung.

Skor ATE adalah sebuah komposit dengan parameter terkalibrasi, dan proyeksinya merupakan turunan dari model. Proyeksi tersebut adalah argumen terstruktur mengenai periode 2025-2030, bukan catatan sejarah tentangnya. Itulah alasan untuk mengujinya alih-alih mengabaikannya. Hipotesis Seattle menawarkan pengujian awal: jika dampak pada 2026-2027 di sana tampak seperti yang disiratkan oleh model, maka jeda waktu menuju tenaga kerja non-teknis nasional pada 2028-2030 menjadi hal berikutnya yang harus dipantau. Dan ketujuh belas kategori pemulihan tersebut mengajukan pertanyaan yang belum dapat diselesaikan oleh klaim-klaim yang ada: apakah peran-peran yang diciptakan untuk mengawasi agen akan hadir dalam jumlah yang cukup berarti bagi pangsa tenaga kerja.

Pertanyaan yang Sering Diajukan #

Mengapa kerangka kerja paparan tugas terdahulu meremehkan dampak AI agenik?

Kerangka kerja terdahulu yang dibangun di atas tradisi Autor-Levy-Murnane mengasumsikan bahwa otomatisasi menghapus tugas-tugas individu sementara pekerjaan bertahan sebagai cangkang koordinasi manusia. Sistem AI agenik menyerap perencanaan, pemanggilan alat, pengelolaan status, dan pemeriksaan kualitas perantara yang sebelumnya membutuhkan koordinator manusia, sehingga memaparkan keseluruhan alur kerja alih-alih tugas-tugas yang terisolasi.

Bagaimana skor Paparan Tugas Agenik (ATE) dihitung?

ATE adalah komposit algoritmik yang dibangun dari peringkat kepentingan tugas O*NET (wo,t), tolok ukur kapabilitas AI dan laporan penerapan praktisi (CAP(t)), faktor cakupan alur kerja yang mengukur apakah keseluruhan alur kerja suatu pekerjaan muat di dalam amplop operasional agen, serta parameter kecepatan adopsi logistik terkalibrasi di 236 kode SOC.

Apa temuan studi ini terkait penciptaan lapangan kerja baru (efek pemulihan)?

Dengan memperluas saluran pemulihan Acemoglu-Restrepo, studi ini mengidentifikasi tujuh belas kategori pekerjaan baru yang terkonsentrasi pada kolaborasi manusia-AI, tata kelola AI, dan operasi AI spesifik-domain. Apakah pertumbuhan dalam kategori-kategori tersebut mampu mengimbangi pergeseran pada tingkat alur kerja masih menjadi pertanyaan empiris yang terbuka.

Referensi #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Terakhir ditinjau 2026-11-01.

Terbitkan ulang artikel ini

AI Agenik Meruntuhkan Asumsi di Balik Setiap Prakiraan Paparan Tugas — Sebastien Rousseau

Kerangka kerja paparan tugas memperlakukan suatu pekerjaan sebagai cangkang yang bertahan di sekitar apa pun yang masih dikerjakan manusia. Sistem agenik mengejar tujuan dan menghasilkan produk kerja...

Artikel ini berlisensi Creative Commons Attribution 4.0 International. Penerbitan ulang memerlukan atribusi ke URL kanonis.

AI Agenik Meruntuhkan Asumsi di Balik Setiap Prakiraan Paparan Tugas — Sebastien Rousseau

Kerangka kerja paparan tugas memperlakukan suatu pekerjaan sebagai cangkang yang bertahan di sekitar apa pun yang masih dikerjakan manusia. Sistem agenik mengejar tujuan dan menghasilkan produk kerja...

Originally published at https://sebastienrousseau.com/id/2026-10-25-agenik-meruntuhkan-asumsi-balik-setiap-prakiraan/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER