Otomasi Mengikis Makna Kerja: Pelajaran dari Riset NBER 2026

Di tengah hiruk pikuk berita soal AI yang bakal menggantikan pekerja manusia, muncul sebuah working paper dari National Bureau of Economic Research (NBER) dengan judul yang mengejutkan: Replaceable but Employed: Automation and the Meaning of Work. Ditulis oleh Joshua S. Gans, ekonom dari University of Toronto yang juga dikenal lewat risetnya di bidang ekonomi teknologi dan inovasi, paper ini terbit pada awal Agustus 2026. Judulnya sengaja provokatif: kalau pekerja bisa digantikan, kenapa mereka tetap dipekerjakan?

Pertanyaan ini menyentuh titik buta dalam hampir semua diskusi soal otomasi. Selama ini, perdebatan publik soal AI dan pekerjaan hampir selalu bingkai dalam dua kutub: apakah AI bakal menghilangkan pekerjaan, atau justru menciptakan pekerjaan baru. Gans menawarkan cara pandang ketiga yang jarang dibahas: otomasi tidak cuma soal efisiensi dan biaya, tapi juga soal makna. Pekerjaan bukan cuma sumber pendapatan; pekerjaan adalah sumber identitas, struktur hari, dan rasa punya tujuan. Kalau otomasi mengikis makna itu, apa yang tersisa?

Tesis Utama Paper Ini

Tesis Gans berangkat dari observasi sederhana yang sering terlewat: perusahaan tidak selalu mengganti pekerja yang secara teknis bisa digantikan. Ada banyak peran yang sebenarnya bisa diotomasi dengan teknologi yang sudah ada, tapi perusahaan memilih tetap mempekerjakan manusia. Kalau logika efisiensi murni yang jalan, seharusnya otomasi terjadi lebih cepat dan lebih luas. Kenyataannya tidak demikian, dan Gans mencoba menjelaskan kenapa.

Penjelasannya terletak pada konsep makna kerja. Gans berargumen bahwa pekerjaan menyediakan sesuatu yang tidak bisa dengan mudah digantikan oleh efisiensi mesin: rasa makna. Orang mendapatkan kepuasan dari menyelesaikan tugas, dari merasa berguna, dari menjadi bagian dari sesuatu yang lebih besar. Ketika otomasi mengambil alih tugas-tugas yang memberi makna ini, pekerja yang tersisa bisa kehilangan alasan untuk merasa pekerjaan mereka berharga, bahkan kalau mereka tetap dibayar.

Ini membawa implikasi yang tidak nyaman bagi perusahaan. Kalau makna adalah bagian dari nilai pekerjaan, maka keputusan otomasi tidak bisa cuma dihitung dari penghematan biaya. Ada biaya tersembunyi: karyawan yang merasa pekerjaannya tidak lagi bermakna cenderung kurang termotivasi, kurang produktif, dan lebih mungkin keluar. Perusahaan yang mengejar efisiensi tanpa memperhitungkan makna bisa menuai hasil yang kontraproduktif.

Kenapa Perusahaan Menahan Otomasi

Gans memetakan beberapa alasan kenapa perusahaan menahan otomasi meskipun secara teknis bisa. Pertama, masalah kualitas dan kepercayaan. Dalam banyak peran, terutama yang menyentuh pelanggan atau keputusan penting, perusahaan menilai manusia memberi sesuatu yang belum bisa ditiru mesin: penilaian kontekstual, empati, dan akuntabilitas. Pelanggan mungkin lebih percaya pada manusia daripada bot, dan kepercayaan itu punya nilai ekonomi.

Kedua, biaya transisi. Otomasi tidak gratis. Ada biaya implementasi, pelatihan, dan risiko gangguan selama transisi. Untuk tugas yang tidak terlalu mahal, penghematan dari otomasi mungkin tidak sepadan dengan biaya dan risiko transisinya. Perusahaan rasional akan menunda otomasi selama biaya transisinya lebih tinggi dari penghematannya.

Ketiga, dan ini yang paling menarik dari argumen Gans, ada pertimbangan yang tidak murni ekonomis. Pemilik dan manajer perusahaan adalah manusia yang juga punya hubungan dengan karyawannya. Keputusan untuk tidak memecat orang yang sudah bekerja bertahun-tahun sering melibatkan pertimbangan moral dan sosial, bukan cuma hitungan spreadsheet. Ekonomi klasik sering mengabaikan faktor ini, tapi Gans menegaskan faktor ini nyata dan memengaruhi keputusan di dunia nyata.

Makna Kerja dan Ekonomi

Bagian yang paling provokatif dari paper ini adalah upayanya memasukkan makna ke dalam analisis ekonomi. Makna memang sulit diukur, tapi Gans berargumen makna punya konsekuensi terukur. Karyawan yang merasa pekerjaannya bermakna menunjukkan tingkat keterlibatan yang lebih tinggi, turnover yang lebih rendah, dan sering kali produktivitas yang lebih baik. Sebaliknya, pekerjaan yang dikosongkan maknanya, yang oleh sosiolog kadang disebut bullshit jobs, justru bisa bikin karyawan menderita secara psikologis meskipun gajinya baik.

Dari sini, Gans menarik kesimpulan yang mengejutkan: otomasi yang menghilangkan makna bisa jadi lebih buruk daripada otomasi yang menghilangkan pekerjaan. Ketika sebuah pekerjaan hilang, orang bisa mencari pekerjaan lain yang memberi makna baru. Tapi ketika pekerjaan tetap ada tapi maknanya dikikis, orang terjebak dalam situasi yang lebih sulit: mereka tetap harus bekerja, tapi kehilangan alasan yang bikin pekerjaan itu terasa berharga. Ini bentuk kerugian yang tidak terlihat di statistik ketenagakerjaan.

Implikasinya untuk kebijakan juga menarik. Selama ini, respons kebijakan terhadap otomasi fokus pada income: kalau pekerjaan hilang, beri kompensasi atau pelatihan ulang. Gans menunjukkan bahwa dimensi makna membutuhkan respons yang berbeda. Bukan cuma soal pendapatan pengganti, tapi soal bagaimana orang bisa tetap merasa berguna dan punya tujuan di era di mana mesin mengambil alih semakin banyak tugas. Ini pertanyaan yang jauh lebih sulit dijawab daripada sekadar transfer uang.

Kritik dan Perdebatan

Paper ini, seperti kebanyakan working paper NBER, tidak luput dari kritik. Beberapa ekonom berargumen bahwa fokus pada makna mengalihkan perhatian dari masalah yang lebih mendesak: distribusi pendapatan di era otomasi. Kalau AI bikin segelintir perusahaan super menguntungkan sementara pekerja kehilangan daya tawar, pertanyaan soal makna terasa seperti kemewahan. Kritik lain mempertanyakan metodologi: bagaimana mengukur makna secara konsisten lintas industri dan negara?

Gans sendiri mengakui keterbatasan ini. Working paper memang dirancang untuk memantik diskusi, bukan untuk memberi jawaban final. Nilai paper ini lebih pada kerangka berpikirnya: ia memaksa pembaca untuk berhenti menganggap pekerjaan cuma sebagai biaya yang harus diminimalkan, dan mulai melihatnya sebagai institusi sosial yang kompleks. Dalam perdebatan yang didominasi angka produktivitas dan grafik biaya, perspektif ini segar dan perlu.

Yang menarik, paper ini juga relevan untuk cara kita berpikir soal desain AI itu sendiri. Kalau makna kerja penting, maka keputusan tentang tugas mana yang diotomasi seharusnya mempertimbangkan dampaknya terhadap makna, bukan cuma efisiensi. Tugas yang berulang dan membosankan mungkin ideal untuk diotomasi, justru karena mengotomasinya bisa membebaskan manusia untuk fokus pada bagian pekerjaan yang lebih bermakna. Sebaliknya, mengotomasi tugas yang selama ini jadi sumber kebanggaan pekerja bisa jadi langkah yang keliru.

Relevansi untuk Indonesia

Diskusi ini terasa relevan untuk Indonesia, yang sedang berada di persimpangan otomasi. Di satu sisi, Indonesia punya bonus demografi dan jutaan pekerja muda yang butuh lapangan kerja. Di sisi lain, adopsi AI dan otomasi di sektor formal berjalan cepat, dan banyak perusahaan mulai merombak cara kerja mereka. Pertanyaan yang diangkat Gans, tentang makna kerja, mungkin terdengar seperti topik negara maju, padahal justru krusial untuk negara berkembang.

Di Indonesia, banyak pekerjaan yang secara teknis rentan terhadap otomasi: kasir, teller, operator call center, admin data entry, dan berbagai peran repetitif lain. Pemerintah dan swasta sering membahas reskilling dan upskilling sebagai jawaban, dan itu memang perlu. Tapi Gans mengingatkan bahwa ada dimensi yang sering terlewat: pekerja yang tugasnya diambil alih mesin tapi tetap diminta bekerja, misalnya dengan target yang makin mustahil atau peran yang makin tidak jelas, bisa mengalami penurunan kesejahteraan yang tidak terlihat di data pengangguran.

Untuk perusahaan Indonesia yang sedang mengeksplorasi AI, paper ini memberi pelajaran praktis. Jangan otomasi dulu bagian yang memberi makna terbesar bagi karyawan lo, kecuali lo punya rencana untuk mengganti sumber makna itu dengan peran baru yang lebih menarik. Otomasi yang paling sukses biasanya yang menghilangkan pekerjaan kasar dan membosankan, sambil memberi ruang bagi karyawan untuk naik ke pekerjaan yang lebih bernilai. Pendekatan ini butuh komunikasi yang jujur dengan karyawan, bukan keputusan sepihak dari meja direksi.

Apa yang Bisa Dilakukan Perusahaan Sekarang

Bagi perusahaan yang tidak mau menunggu akademisi selesai berdebat, ada langkah praktis yang bisa diambil sekarang. Pertama, petakan tugas-tugas di organisasi lo berdasarkan dua sumbu: seberapa mudah diotomasi dan seberapa besar kontribusinya terhadap makna kerja karyawan. Tugas yang mudah diotomasi dan tidak bermakna adalah kandidat pertama untuk digantikan mesin. Tugas yang sulit diotomasi dan bermakna adalah area di mana manusia seharusnya tetap memegang kendali. Area abu-abu di tengahnya butuh diskusi matang, bukan keputusan kilat.

Kedua, libatkan karyawan dalam keputusan otomasi. Riset berulang kali menunjukkan bahwa resistensi terhadap teknologi sering muncul bukan karena teknologinya, tapi karena cara penerapannya yang top-down dan tanpa komunikasi. Karyawan yang diajak bicara, yang diberi tahu kenapa sebuah tugas diotomasi dan apa peran baru mereka, jauh lebih mungkin menerima perubahan. Sebaliknya, karyawan yang tiba-tiba mendapati pekerjaannya dikerjakan mesin tanpa penjelasan akan bereaksi defensif, dan itu wajar.

Ketiga, desain ulang peran, bukan cuma menghapus tugas. Ketika otomasi mengambil alih bagian repetitif dari sebuah pekerjaan, perusahaan punya peluang untuk memperkaya peran yang tersisa: memberi lebih banyak ruang untuk penilaian, kreativitas, dan interaksi manusia. Ini bukan cuma baik untuk karyawan; ini juga baik untuk perusahaan, karena tugas yang butuh penilaian manusia justru makin berharga di era AI. Perusahaan yang melihat otomasi sebagai kesempatan mendesain ulang pekerjaan akan menuai hasil yang berbeda dari perusahaan yang melihatnya cuma sebagai cara memangkas biaya.

Kesimpulan

Replaceable but Employed memberi sumbangan yang langka di tengah hiruk pikuk diskusi AI: ia mengingatkan bahwa pekerjaan itu lebih dari sekadar transaksi ekonomi. Pekerjaan memberi struktur, identitas, dan makna, dan semua itu punya nilai yang tidak muncul di laporan laba rugi. Otomasi yang mengabaikan dimensi ini berisiko menciptakan dunia di mana orang tetap bekerja tapi kehilangan alasan untuk bekerja.

Ini bukan argumen untuk menghentikan otomasi. Gans tidak anti-teknologi, dan papernya tidak menyarankan perusahaan berhenti berinovasi. Yang dia minta adalah cara berpikir yang lebih utuh: keputusan otomasi harus mempertimbangkan manusia secara keseluruhan, bukan cuma sebagai biaya yang bisa dipangkas. Di era di mana AI makin mampu melakukan apa yang dulu hanya bisa dilakukan manusia, pertanyaan tentang makna justru makin penting, bukan makin usang. Justru ketika mesin bisa melakukan hampir semua hal, kita dipaksa bertanya: apa yang sebenarnya membuat kerja manusia berharga?