80 tahun.Lalu 7.

Tahun 1760, mesin uap mulai ngubah cara manusia kerja. Butuh 80 tahun sebelum perubahan itu bener-bener kepakai luas. Listrik? Sekitar 45 tahun. Komputer pribadi? 20-an. Internet? Belasan. AI generatif, dari Transformer 2017 ke adopsi massal perusahaan 2024: sekitar 7 tahun.

Polanya jelas: tiap revolusi teknologi makin cepet mendarat. Dan puncaknya bikin merinding, ChatGPT nembus 100 juta pengguna cuma dalam ~2 bulan (Nov 2022 ke Jan 2023), aplikasi konsumen tercepat dalam sejarah saat itu. Bandingin TikTok ~9 bulan, Instagram ~2,5 tahun. (Reuters/Euronews)

Artikel ini bukan ramalan kiamat, bukan juga hype. Ini pola yang konsisten 250 tahun, ditambah satu hal yang belum pernah kejadian sebelumnya.

Dua pola yang gak pernah berubah

Satu: teknologi besar selalu telat berdampak, tapi lag-nya makin pendek. Listrik butuh 40-50 tahun dari penemuan (bohlam 1879) sampai produktivitas pabrik beneran naik di 1920-an. Bukan karena teknologinya lemot, tapi karena pabrik harus dirombak total dulu, bukan cuma nempelin motor listrik ke mesin lama. (Studi kanonik soal ini: Paul David, The Dynamo and the Computer, 1990.)

Dua: mesin menggeser kerjaan, jarang bener-bener menghapusnya. Lintas WEF, McKinsey, Goldman, OECD, arahnya sama: augmentasi (dibantu), bukan penggantian total. Kerjaan ditransformasi dan butuh skill baru, dan secara historis lebih banyak yang tercipta daripada yang hilang.

Tapi ini ketegangan yang gue gak mau sembunyiin (dan ini yang bikin artikel ini bukan jualan optimisme murahan): pola “kerjaan baru selalu ganti yang hilang” itu terbukti kuat buat otomasi kerah-biru masa lalu, tapi belum terbukti buat gelombang AI sekarang yang justru nyasar kerja kerah-putih/kognitif. Belajar dari sejarah, iya. Asumsi sejarah pasti berulang, jangan.

Dari cangkul ke lini perakitan

Adegan kunci: 7 Oktober 1913, Ford mulai lini perakitan bergerak. Waktu rakit sasis Model T turun dari 12,5 jam jadi 93 menit. (Library of Congress) Itu bukan cuma lebih cepet, itu ngubah definisi “kerja pabrik” sepenuhnya.

Tapi inget pola nomor satu. Sekitar tahun 1900, listrik baru menembus kurang dari 5% tenaga mekanik pabrik AS. Lonjakan baru kejadian belakangan: pangsa motor listrik naik dari 32,6% (1919) ke 56,4% (1929), dan produktivitas manufaktur (TFP) baru melesat di 1920-an, sekitar 40 tahun setelah listrik “ada”. Teknologinya udah lama, untungnya telat.

Kenapa untungnya selalu telat?

Ekonom Robert Solow, 1987: “Komputer ada di mana-mana, kecuali di statistik produktivitas.” Itu namanya paradoks produktivitas. Teknologi gede butuh waktu, karena yang mahal bukan beli alatnya, tapi ngerombak cara kerja di sekitarnya.

Pelajaran buat sekarang: adopsi cepet bukan berarti untung cepet. Perusahaan yang cuma nempelin chatbot ke proses lama bakal kecewa. Yang menang adalah yang berani ngedesain ulang alur kerjanya.

Ledakan yang gak ada presedennya

Di sinilah sekarang beda. Adopsi AI di organisasi lompat dari 55% (2023) ke 78% (2024), dan pemakaian rutin gen-AI hampir 2x lipat dalam ~10 bulan. (McKinsey State of AI, Stanford HAI AI Index 2025) Gak ada teknologi sebelumnya yang nyebar secepat ini.

Masa depan: empat ramalan, satu ketidakpastian

Mereka sepakat soal arah, otomasi naik, reskilling wajib, augmentasi lebih dominan dari penggantian. Tapi beda jauh soal besaran. Makanya jangan percaya satu angka yang diklaim “fakta”. Yang naik: STEM, kreatif, bisnis/legal, kesehatan. Yang turun: admin kantor, layanan pelanggan, layanan makanan. Hasilnya: polarisasi pekerjaan.

Lima pelajaran dari sejarah

1. 1Luddites bukan anti-teknologi buta. Mereka protes soal siapa yang nikmatin hasilnya. Mesin tetap menang, tapi upah pekerja butuh ~satu generasi buat ikut naik. Pelajaran: teknologi menang, tapi distribusi manfaatnya gak otomatis adil atau cepet.
2. 2“Lump of labor” itu keliru. Jumlah kerjaan bukan kue tetap. Mayoritas pertumbuhan kerja jangka panjang justru datang dari pekerjaan yang dulu belum ada.
3. 3Paradoks produktivitas itu nyata. Dampak besar sering telat puluhan tahun.
4. 4Yang ke-displace gak otomatis dapet kerja baru. Ada jeda, ada yang gak kebagian. WEF: 59% perlu reskilling.

1. 5Manusia masih unggul di tugas horizon panjang. Di benchmark RE-Bench, AI 4x lebih jago di tugas 2 jam, tapi manusia menang 2:1 di tugas 32 jam. Ini bukti paling konkret buat tema augmentasi: AI sprinter, manusia maratoner.

Jadi, gimana siap-siapnya?

Konteks Indonesia

McKinsey: sampai 23 juta kerjaan bisa hilang karena otomasi menjelang 2030, tapi 27-46 juta kerjaan baru tercipta (sekitar 10 juta di bidang yang belum ada hari ini). Net: +4 sampai +23 juta. (McKinsey Indonesia) Plus bonus demografi yang puncaknya sekitar 2030: peluang gede kalau skill kebangun, risiko kalau enggak. Tapi tantangannya beda: 59,4% angkatan kerja masih informal (BPS, Feb 2025 via Databoks), jadi jaring pengaman dan reskilling-nya gak bisa niru negara maju mentah-mentah.

Penutup

80 tahun, lalu 7. Lompatannya makin cepet, dan AI sekarang nyasar ke ranah yang belum pernah disasar sebelumnya: kerja kognitif. Sejarah ngasih satu pesan yang konsisten: yang menang bukan yang paling pinter atau paling kuat, tapi yang paling cepet adaptasi. Bukan kiamat, bukan utopia. Augmentasi. Dan yang adaptif yang dapet tempat.

Ini bukan ramalan. Ini pola plus ketidakpastian yang ditulis sejujur-jujurnya. Angka dari sumber resmi, diverifikasi, dan batasannya ditampilkan, bukan disembunyiin.