Editor's Note: Ketika AI mulai menulis kode, menangani tiket layanan pelanggan, dan meninjau dokumen hukum, sebuah pertanyaan yang lebih mendasar sedang muncul: apa yang sebenarnya dibeli perusahaan, token, jam GPU, atau pekerjaan yang telah selesai?

Artikel ini mengusulkan kerangka yang patut diperhatikan: komersialisasi AI tidak boleh hanya dipahami sebagai 'pasar daya komputasi' atau 'pasar pemanggilan model', tetapi sedang bergerak menuju 'pasar tenaga kerja mesin' yang baru. Di pasar ini, token hanyalah satuan pengukur, GPU adalah input, model adalah alat produksi, dan objek yang benar-benar dihargai dan diperdagangkan adalah tenaga kerja ekonomis yang langsung dilakukan oleh perangkat lunak.

Inti penilaian artikel ini adalah bahwa mekanisme penetapan harga AI akan mengalami evolusi dari token awal, kemampuan model standar, hingga tenaga kerja berbasis industri, dan akhirnya ke pasar hasil yang dapat diprogram. Artinya, di masa depan, perusahaan mungkin tidak lagi peduli apakah suatu tugas diselesaikan oleh model mana atau GPU jenis apa, tetapi lebih fokus pada apakah hasil yang diberikan memenuhi standar dalam batas latensi, akurasi, keandalan, dan biaya yang ditentukan.

Ini juga berarti bahwa dampak AI terhadap pasar tenaga kerja manusia tidak selalu berupa penggantian sederhana. Seiring mesin mengambil alih lebih banyak pekerjaan yang dapat distandarkan dan diverifikasi, peran manusia mungkin beralih ke pemeriksaan ulang, penanggungjawaban, manajemen konteks, dan keputusan akhir. Dalam beberapa skenario, 1% penilaian manusia terakhir justru akan menjadi lebih berharga, karena dapat melepaskan 99% otomatisasi skala besar.

Dari sudut pandang ini, tahap berikutnya persaingan pasar AI mungkin bukan lagi sekadar pertarungan kemampuan model, atau perang harga daya komputasi semata, tetapi siapa yang pertama kali dapat melakukan standardisasi, verifikasi, dan penetapan harga terhadap “pekerjaan”, sehingga tenaga kerja mesin akhirnya menjadi faktor produksi baru yang dapat dibeli, dihitung, dan diperdagangkan.

Berikut adalah teks aslinya:

Gelombang produktivitas masa lalu selalu berasal dari alat dan perangkat lunak yang diproduksi untuk manusia guna mengoptimalkan cara pekerjaan dilakukan. Spreadsheet membantu akuntan dan analis, konveyor meningkatkan throughput, palu memperkuat daya ungkit manusia. Tetapi tenaga kerja yang sebenarnya selalu berasal dari manusia.

Sekarang, AI sedang menghasilkan hasil kerja secara end-to-end, langsung melakukan pekerjaan itu sendiri. Ia dapat menulis kode, menangani tiket layanan pelanggan, dan meninjau dokumen hukum. Ujung dari seluruh teknologi stack sedang mengalami kompresi: teknologi stack lama mendukung tenaga kerja, sedangkan teknologi stack baru mulai memproduksi tenaga kerja.

Jika Anda baru-baru ini mendengar diskusi tentang finansialisasi AI, kemungkinan besar Anda mendengar Jensen dan lainnya mengatakan bahwa token LLM dan/atau jam GPU sedang menjadi komoditas baru. Intuisi ini dapat dipahami, karena token dapat diukur, dapat dibebankan, dan mudah divisualisasikan dalam grafik; jam GPU juga didukung oleh aliran dana puluhan miliar dolar. Namun, token tetap hanya merupakan alat pengukur, dan jam GPU hanyalah input, tidak ada yang membelinya demi kepemilikan mereka sendiri. Yang benar-benar diinginkan orang adalah menyelesaikan pekerjaan. AI sedang mengubah tumpukan teknologi itu sendiri menjadi sumber tenaga kerja.

Kekuatan kerja mesin: pekerjaan yang dilakukan oleh perangkat lunak, memiliki tujuan ekonomi, dan dijual ke dalam proses produksi.

Pasar sudah bergerak ke arah ini. Sarah Tavel dari Benchmark cenderung memahami peluang ini melalui pasar tenaga kerja outsourcing, bukan kategori perangkat lunak. Jika suatu tugas berulang biasanya dilakukan oleh tim lepas atau perusahaan jasa profesional, maka seringkali tugas tersebut juga cocok untuk diserahkan kepada AI. Alex Rampell dari a16z menyebutnya sebagai "software eats labor": babak selanjutnya dari perangkat lunak adalah melakukan pekerjaan secara langsung. Julien Bek dari Sequoia menggambarkan perubahan yang sama dari sudut pandang lain: layanan sedang berubah menjadi perangkat lunak, copilot menjual alat, sedangkan autopilot menjual pekerjaan.

Pasar yang hilang di balik penetapan harga hasil

Biaya tempat duduk dibebankan berdasarkan hak akses, sedangkan biaya token dibebankan berdasarkan penggunaan. Biaya hasil dibebankan saat pekerjaan selesai. Biaya hasil membawa kita selangkah lebih maju, tetapi masih belum menjawab satu pertanyaan: siapa yang menentukan harga?

Jika tenaga kerja mesin dapat dibeli secara langsung, harganya harus berasal dari persaingan antar pemasok. Pemasok-pemasok ini harus mampu memenuhi standar yang sama untuk jenis tugas atau pekerjaan tertentu, yang memerlukan standardisasi di dalam berbagai industri dan tugas.

Saat ini, pendekatan yang digunakan adalah menggunakan token LLM, tetapi token asli hanyalah unit dasar. Sebuah barel minyak hanyalah unit pengukuran; yang sebenarnya diperdagangkan adalah barel minyak dengan kelas tertentu, yang memiliki kualitas, syarat pengiriman, dan harga pasar yang jelas. Sebuah barel minyak Brent dan sebuah barel minyak berat belerang tinggi bukanlah barang yang sama. Hal yang sama berlaku untuk token LLM. Token hanyalah unit pengukuran; yang benar-benar penting adalah kecerdasan di baliknya: kualitas model, batas bawah pengujian benchmark, latensi, jendela konteks, keandalan, dan jaminan pengiriman. Seribu token dari model kode terdepan tidak sama dengan seribu token dari model umum murah. Pasar membutuhkan standarisasi tingkat inferensi, sebagaimana pasar energi membutuhkan standarisasi kelas minyak.

Anjali Shriva secara langsung menunjukkan hal ini: token bukanlah unit biaya tetap. Ekonominya berubah sesuai dengan panjang konteks, struktur tugas, rasio input/output, jumlah percobaan, pemanggilan alat, dan alur kerja Agent. Satu token dalam prompt singkat bukanlah objek ekonomi yang sama dengan satu token yang tersembunyi dalam siklus Agent yang panjang.

Kita sudah melakukan ini di pasar tenaga kerja manusia. Tidak ada yang akan menyewa seorang radiolog sebagai 'jam manusia' yang umum. Orang akan melihat latar belakang pelatihan, sertifikasi lisensi, spesialisasi, masa kerja, ketersediaan, reputasi, dan tanggung jawab. Berbagai spesifikasi kontrak manusia sesuai dengan standar minimum dan harapan tingkat yang berbeda-beda.

Pasar tenaga kerja manusia sebenarnya berfungsi berdasarkan spesifikasi-spesifikasi ini, hanya saja spesifikasi-spesifikasi ini seringkali campur aduk, kualitatif, dan penuh dengan berbagai indikator proxy. Tenaga kerja mesin akan membuat spesifikasi-spesifikasi ini menjadi lebih eksplisit dan lebih terukur.

Untuk LLM atau Agent, indikator seperti keterampilan, pengalaman, kecepatan, dan keandalan dapat langsung dimasukkan ke dalam kontrak: skor benchmark, latensi, throughput, jendela konteks, panjang output maksimum, akurasi penggunaan alat, waktu aktif, tingkat kesalahan. Kita dapat membeli tenaga kerja berdasarkan harapan dan hasil yang dapat diukur.

Spesifikasi kontrak TheGrid.ai pada dasarnya adalah filter kelayakan, ditambah dengan persaingan harga untuk output LLM. Pemasok yang memenuhi spesifikasi dapat masuk ke dalam persaingan:

Smart Benchmark ≥ Lower Bound

Latensi ≤ batas atas

Throughput ≥ lower bound

Uptime ≥ batas bawah

Error rate ≤ limit

Setelah semua pemasok mencapai ambang batas minimum yang sama, mereka mulai bersaing dalam harga. Pembeli harus bertanya: pemasok mana yang dapat menyediakan tenaga kerja yang dibutuhkan dengan harga terbaik?

Perekrutan dokter radiologi menjadi masalah yang dapat diukur dalam konteks LLM: LLM mana yang mampu membaca sinar-X dengan tingkat keterampilan tinggi dan menyelesaikan tugas dalam tenggat waktu, jendela konteks, dan spesifikasi kontrak berbasis hasil yang jelas.

Hasilnya adalah cara pembeli mengukur keberhasilan; tenaga kerja adalah kegiatan ekonomi yang ditawarkan; token adalah bahan bakar yang dikonsumsi mesin selama menyelesaikan pekerjaan.

The Grid adalah pasar tenaga kerja mesin.

From token to machine labor market

Pasar dapat memberi harga pada investasi dalam teknologi, tetapi untuk memberi harga pada output, diperlukan pasar tenaga kerja mesin. Pembeli tidak peduli dengan jam GPU. Endpoint model sendiri pun tidak stabil: mereka dapat diganti namanya, dihentikan, dikemas ulang, atau langsung ditarik.

Pengguna dan likuiditas membenci perubahan yang sering. GPU dan model akan terus berkembang, tetapi satuan yang stabil adalah pekerjaannya sendiri.

Saya percaya, pasar akan berkembang sepanjang jalur berikut. Setiap naik satu tingkat, barang yang dibeli menjadi semakin abstrak, semakin berharga, tetapi juga semakin sulit diverifikasi. The Grid seharusnya secara bertahap naik sepanjang tangga ini:

Token asli → Pasar kemampuan LLM yang dikomersialkan → Pasar tenaga kerja yang dikomersialkan → Pasar hasil yang dapat diprogram

Claude 4.7, GPT 5.5, Kimi 2.6, DeepSeek V4, GLM 5, dll.

Hari ini, pembeli membeli output model mentah dari penyedia inferensi. Mereka mengirimkan prompt mereka sendiri, menerima hasil inferensi, dan membayar berdasarkan penggunaan. Ini mudah diverifikasi, tetapi masih hanya bahan baku. Yang sebenarnya diinginkan pembeli bukanlah token, melainkan kecerdasan yang berguna dengan harga terbaik.

Misalnya text/usd, code/usd, agent/usd, dll.

Pembeli tidak lagi memilih satu model tertentu, melainkan memilih kategori cerdas yang sesuai dengan kebutuhan mereka. Pembeli tetap menguasai alur kerja, prompt, data, dan logika aplikasi. The Grid hanya mengarahkan setiap permintaan ke model yang memenuhi spesifikasi kontrak dan memiliki harga terendah.

Catatan: Ini adalah lapisan abstraksi pertama yang lebih tinggi daripada token asli, dan posisi saat ini TheGrid.ai.

Misalnya accounting/usd, support_agent/usd, legal/usd, healthcare/usd, radiology/usd, dll.

Seiring model menjadi lebih spesialisasi, pasar kemampuan dapat lebih lanjut berkembang menjadi pasar khusus industri. Ini mirip dengan spesialisasi tenaga kerja manusia di berbagai pasar tenaga kerja.

Pada lapisan ini, kami menjual kemampuan inferensi yang dirancang untuk alur kerja di bidang tenaga kerja spesifik. Seiring semakin umumnya model industri sub-segment, pasar semacam ini akan berkembang pesat. Contoh terkait termasuk Composer dari Cursor, Harvey yang ditujukan untuk pekerjaan hukum, serta EvidenceOpen yang ditujukan untuk kesehatan.

Misalnya support_ticket_resolved/usd, pr_merged/usd, claim_processed/usd, dll.

Lapisan terakhir adalah tempat The Grid berpindah dari pasar inferensi ke pasar tenaga kerja mesin.

Lapisan ini memerlukan mekanisme seperti RFQ (permintaan penawaran), akun penitipan, penyelesaian tertunda, konfirmasi pembeli, reputasi pemasok, mekanisme retur, dan penyelesaian sengketa. Kemungkinan besar akan dimulai dengan RFQ, bukan langsung menggunakan buku pesanan. Pembeli mendefinisikan cakupan pekerjaan, batasan, kriteria penerimaan, dan ketentuan penyelesaian, sementara Agen bersaing untuk menawarkan penyelesaian tugas tersebut. The Grid membantu merutekan, menentukan harga, memverifikasi, dan menyelesaikan pekerjaan-pekerjaan ini.

Ini adalah lapisan paling berharga, tetapi juga lapisan paling sulit diverifikasi, karena hasilnya bisa tertunda, subjektif, dan mudah dimanipulasi. Sebuah tiket layanan pelanggan bisa dibuka kembali; sebuah PR mungkin telah lulus pengujian, tetapi tetap menyebabkan arsitektur yang buruk.

Total cost = Cost of completing the work + Cost of assuming risk

Sebuah alur kerja tidak otomatis menjadi pasar hanya karena kecerdasan menjadi tersedia di pasar atau menjadi lebih murah. Beberapa pekerjaan sangat bergantung pada konteks pribadi, seperti riwayat pelanggan atau kebijakan internal. Semakin besar ketergantungan pekerjaan pada konteks, semakin kecil kemungkinannya untuk dibersihkan dengan bersih di pasar terbuka. [@hypersoren https://hypersoren.xyz/posts/cybernetic-arbitrage/]

Pasar perlu mengungkapkan kelas tenaga kerja mana yang akan berkembang dan mana yang akan menyusut.

Kekuatan kerja mesin vs kekuatan kerja manusia, atau kekuatan kerja mesin & kekuatan kerja manusia

Anjali Shriva dalam draf desain mekanismenya menunjukkan bahwa narasi AI terlalu sering digambarkan sebagai pengganti. Namun sebenarnya, ini lebih seperti masalah koordinasi: ketika manusia dan mesin sama-sama terlibat dalam produksi, bagaimana pekerjaan, atribusi, insentif, dan nilai akan diorganisasi ulang.

Hari ini, banyak penggunaan AI di dalam perusahaan masih terjebak, karena karyawan menggunakan AI secara pribadi, alur kerja tetap terkunci pada individu, dan perusahaan tidak dapat memberi harga pada peningkatan produktivitas ini maupun menskalakan manfaatnya.

Sebagian besar pekerjaan yang dapat diotomatisasi kemungkinan besar akan dialihkan ke mesin. Sebagian pekerjaan akan berubah menjadi tinjauan manusia, tanggung jawab, pelatihan, dan manajemen konteks. Dalam beberapa kasus, 1% penilaian manusia terakhir akan menjadi lebih berharga, karena dapat membuka potensi besar dari 99% pekerjaan otomatis.

Rachel Su Park dalam "Brave New World of AI Markets" menunjukkan bahwa TAM AI tidak boleh dimodelkan secara sederhana sebagai pengganti terhadap pengeluaran tenaga kerja manusia saat ini, karena ia sekaligus mengubah harga dan jumlah. Seiring penurunan biaya pekerjaan, harga per unit mungkin turun, tetapi jumlah konsumsi dapat meluas, karena pekerjaan yang ada akan dikonsumsi lebih sering, dan pekerjaan baru yang sebelumnya tidak ekonomis menjadi可行. Artikel ini merangkumnya sebagai:

P × Q: Ukuran pasar = Harga per unit pekerjaan × Jumlah pekerjaan yang dikonsumsi

Jika AI membuat interaksi layanan pelanggan menjadi lebih murah, perusahaan dapat menyediakan layanan 24/7. Pasar ini tidak hanya akan menjadi versi murah dari pasar tenaga kerja layanan pelanggan lama, tetapi berpotensi menjadi pasar interaksi pelanggan yang lebih besar.

AI adalah pasar ekspansif, karena ketika biaya pekerjaan turun, permintaan tidak tetap sama.

Lapisan tenaga kerja

Pasar tenaga kerja mesin sebaiknya dimulai dari pekerjaan yang spesifikasinya dapat didefinisikan dengan jelas. Jam GPU mengandung terlalu banyak informasi input, hanya memberi tahu Anda apa yang mendukung pekerjaan; sementara penetapan harga untuk hasil lengkap terlalu kompleks dan terlalu bergantung pada konteks. Seiring verifikasi, reputasi, dan penetapan harga risiko/asuransi secara bertahap diambil alih oleh mesin, pasar baru akan bergerak menuju lapisan hasil murni.

Tenaga kerja mesin dapat menjadi dapat diperdagangkan, karena pembeli akan semakin tidak peduli model mana atau GPU mana yang menghasilkan pekerjaan, dan lebih fokus pada apakah pekerjaan itu sendiri memenuhi standar dan kelas minimum sesuai spesifikasi kontrak dengan harga yang benar. Agent bahkan akan lebih tidak peduli terhadap sumber-sumber dasar ini.

Mesin sekarang sudah dapat langsung menjalankan pekerjaan yang memiliki tujuan ekonomi, yang dapat didefinisikan, diukur, dihargai, dibeli, dan akhirnya diperdagangkan. Listrik, daya komputasi, model, dan token tentu masih penting, tetapi semuanya masih berada di hulu.

Tempat pekerjaan benar-benar selesai adalah di hilir, dan pasar sedang bergerak menuju objek yang lebih sederhana: tenaga kerja mesin.