Penulis: TT3LABS, platform rekrutmen jarak jauh Web3/AI/SaaS
Pada 26 Februari 2026, raksasa fintech Block mengumumkan pemutusan hubungan kerja lebih dari 4.000 orang, mengurangi ukuran tim dari lebih dari 10.000 menjadi kurang dari 6.000. CEO Jack Dorsey menyebutkan dalam surat kepada pemegang saham:
Smart tools have changed what it means to create and run a company... a significantly smaller team, using the tools we're building, can do more and do it better.
Dorsey juga memberikan prediksinya yang sangat dingin:
Saya percaya sebagian besar perusahaan sudah terlambat. Dalam setahun ke depan, sebagian besar perusahaan akan sampai pada kesimpulan yang sama dan melakukan penyesuaian struktural yang serupa.
Setelah jam perdagangan, harga saham Block melonjak lebih dari 20%. Ini adalah respons nyata dari pasar modal: membayar untuk leverage dan efisiensi AI perusahaan.
Seorang orang biasa yang sama sekali tidak mengerti pemrograman kini dapat secara mandiri menjalankan sebuah aplikasi fungsional lengkap dalam semalam berkat model besar. Maka, pasar modal pasti akan mengajukan pertanyaan tajam: Apakah biaya tenaga kerja besar yang dikeluarkan oleh raksasa teknologi yang mempekerjakan puluhan ribu programmer untuk menjalankan operasional harian sebuah aplikasi super masih memiliki nilai?
Tren mengganti tenaga manusia dengan AI akan membuat lebih banyak perusahaan besar mengikutinya. Kecemasan memang tak terhindarkan, tetapi hanya merasa cemas tidak berguna. Kita harus mulai dari perubahan lingkungan besar, lalu secara bertahap kembali ke strategi bertahan individu.
AI bukan hanya alat, tetapi sedang menjadi alat produksi
Beberapa orang di pasar mulai menggunakan "Web4" untuk mendefinisikan tahap saat ini. Untuk memperjelas alur, mari kita uraikan tahapan perkembangan internet:
Web2
Intinya adalah interaksi antara perangkat lunak dan manusia, di mana berbagai platform menggunakan algoritma untuk merebut perhatian pengguna, pada dasarnya merupakan pertarungan untuk merebut lalu lintas.
Web3
Mencoba menyelesaikan masalah penetapan hak dan distribusi nilai aset digital. Banyak orang secara sederhana menyamakannya dengan cryptocurrency, tetapi dari esensinya, hal ini masih berada dalam permainan aturan distribusi kekayaan dan belum menyentuh hubungan "produksi" produk digital.
Malam sebelum Web4
AI pertama kali menyentuh perubahan terhadap hubungan produksi itu sendiri. Ia tidak lagi sekadar alat untuk meningkatkan efisiensi, tetapi sedang berubah menjadi alat produksi jenis baru. Siapa yang lebih mahir menggunakannya, ia akan mampu meningkatkan batas produksi sebesar satu tingkat.
Dalam kolaborasi tim tradisional, terdapat banyak biaya tersembunyi: penilaian dan intuisi industri pemimpin yang unggul sulit ditiru oleh bawahan, dan kesalahan pemahaman serta pemborosan akibat pekerjaan ulang tidak dapat dihindari dalam pelaksanaan oleh banyak orang. Ini adalah "pajak tersembunyi" dalam operasi organisasi, yang sebelumnya tidak memiliki solusi jelas. AI secara signifikan mengurangi pajak tersembunyi ini, karena tidak memiliki kurva pembelajaran, dapat melakukan eksekusi berkualitas tinggi dengan hanya memberikan petunjuk yang jelas, serta mampu menangani beberapa jalur tugas secara paralel sekaligus. Kekuatan penilaian strategis seseorang yang digabungkan dengan tuas eksekusi AI dapat menghasilkan output yang setara dengan seluruh tim sebelumnya.
Tentu, AI saat ini masih terkadang "berbicara dengan serius namun salah", yang menentukan bahwa tinjauan dan penilaian manusia masih sangat diperlukan. Namun, keandalan model meningkat setiap bulan, sehingga jendela buffer untuk posisi eksekusi murni jauh lebih pendek daripada yang diperkirakan kebanyakan orang.
Efisiensi kesetaraan dan krisis mendalam: Setelah ambang masuk dihapus
Dalam jangka pendek, orang biasa yang mengadopsi alat AI dapat memperoleh manfaat efisiensi. Namun, jika dilihat ke depan, ketika AI menghilangkan perbedaan efisiensi dasar dan secara signifikan menurunkan ambang masuk profesional, perusahaan akan menyadari: setelah efisiensi output per orang meningkat drastis, jika skala bisnis keseluruhan tidak berkembang secara proporsional, mempertahankan jumlah karyawan yang sama menjadi aset negatif.
Lihatlah perbedaan gaji saat ini. Menurut data pemantauan lowongan TT3LABS, sejak 2025, pasar kerja AI telah beberapa kali menawarkan paket gaji dengan nilai "lebih dari sepuluh juta dolar", dan kandidat-kandidat ini adalah insinyur AI muda yang tidak memiliki pengalaman manajemen tim yang terlalu banyak. Ketika Meta merekrut peneliti inti dari OpenAI, bonus penandatanganan saja melebihi 100 juta dolar, rata-rata kompensasi saham karyawan OpenAI mencapai 1,5 juta dolar, dan gaji dasar tahunan insinyur peneliti senior di Anthropic bisa mencapai 690.000 dolar (tidak termasuk saham).
Uang yang dihabiskan untuk modal ini membeli kemampuan langka: membuat AI itu sendiri menjadi lebih kuat. Orang yang mampu mendorong evolusi model dasar nilainya dapat diperbesar secara geometris di seluruh jaringan bisnis. Sementara orang lain, yang pekerjaannya dapat digantikan oleh AI dengan biaya lebih rendah, nilai penilaian mereka berpotensi menyusut.
Ini juga memicu krisis potensial yang lebih dalam. Semakin banyak orang yang langsung meminta AI untuk memberikan jawaban saat menghadapi masalah, melewati proses deduksi, verifikasi, dan percobaan yang seharusnya mereka lakukan sendiri; lama-kelamaan, kemampuan berpikir mereka akan hilang. Masalahnya, justru "kerja keras" ini yang membentuk intuisi Anda terhadap masalah. Jika Anda terus bergantung pada AI untuk menggantikan proses ini, peran Anda di tempat kerja akan tereduksi menjadi hanya "penerjemah kebutuhan": menerjemahkan permintaan orang lain menjadi input AI, lalu menyampaikan output AI kepada orang lain. Namun, tahap perantara inilah yang paling mudah dilewati oleh AI generasi berikutnya.
Impact Map: Di posisi mana kamu berada?
Ketakutan tanpa koordinat hanyalah kecemasan. Sebelum membahas strategi, kita perlu membuat "peta dampak" terlebih dahulu. Ini bukan untuk menyebar kepanikan, tetapi agar setiap orang dapat menentukan posisi mereka.
Posisi yang konten pekerjaannya berisiko tinggi dapat dijelaskan secara jelas melalui perintah
Pengkodean tingkat pemula, analisis data dasar, pembuatan laporan standar, desain berbasis template, pemeriksaan dan koreksi terjemahan rutin. Karakteristik umum posisi-posisi ini adalah pekerjaannya dapat dipecah dengan jelas menjadi "input → pemrosesan → output". Sebagian besar dari lebih dari 4.000 orang yang di-PHK oleh Block berada di kisaran ini. Kemampuan profesional mereka tidak buruk, tetapi pekerjaan yang mereka lakukan tepat sesuai dengan kemampuan model besar.
Standar yang patut ditanyakan pada diri sendiri: Jika seluruh pekerjaan Anda dapat ditulis sebagai satu perintah AI, itu berarti mesin sudah siap menggantikan Anda, dan yang tersisa hanyalah kapan perusahaan membuat keputusan ini.
Pengalaman menengah yang mengamati tekanan pada fluktuasi
Manajer proyek, kepala operasi, insinyur menengah. Pekerjaan mereka mencakup penilaian dan koordinasi, yang tidak akan digantikan AI dalam jangka pendek, tetapi sedang "ditekan". Dulu, satu rantai bisnis memerlukan lima menengah yang masing-masing mengelola satu bagian dan saling menyelaraskan, sekarang AI mengambil alih eksekusi hulu dan hilir, sehingga hanya satu atau dua orang yang mampu menjalankan seluruh rantai.
Kelompok ini menghadapi situasi di mana "jumlah posisi berkurang". Kemampuan Anda tidak menurun, tetapi permintaan pasar terhadap peran Anda menurun drastis. Jalan keluar bagi kelompok ini adalah memanfaatkan AI untuk memperkuat eksekusi ke bawah, dan memperoleh hak untuk mendefinisikan masalah ke atas.
Pengendali Ketidakpastian Nilai Tambah
Ada jenis pekerjaan yang intinya bukan "melakukan hal yang benar", melainkan "mengambil keputusan dalam kondisi informasi yang selalu tidak lengkap, serta menanggung konsekuensinya". Negosiasi bisnis yang kompleks, penanganan krisis publik, manajemen organisasi lintas budaya, dan penilaian investasi berisiko tinggi. AI dapat memberikan analisis dan saran, tetapi tidak bisa menandatangani atas nama Anda, tidak bisa menanggung kesalahan untuk Anda, dan tidak bisa membaca permintaan kepentingan di balik pandangan seseorang di atas meja makan.
Peran semacam ini tidak hanya tidak kehilangan nilai, tetapi justru meningkat karena biaya eksekusi dasar secara signifikan ditekan oleh AI, memungkinkan anggaran yang sama untuk menggerakkan proyek yang lebih besar, sehingga tuas yang dimiliki para pengambil keputusan menjadi lebih panjang.
Di dunia nyata, banyak orang yang pekerjaannya mencakup lebih dari satu tingkatan. Cara sederhana untuk menguji diri sendiri: pikirkan isi pekerjaan harian Anda, berapa banyak yang bisa dijelaskan dengan satu perintah, dan berapa banyak yang memerlukan keputusan Anda sendiri dalam ketidakjelasan. Semakin tinggi persentase yang pertama, semakin cepat Anda perlu membuat perubahan.
Hentikan kecemasan alat, ubah daya komputasi publik menjadi hambatan pribadi
Pada akhir Januari, OpenClaw ("udang karang") muncul tiba-tiba, dan dalam beberapa hari, bintang GitHubnya melewati 170.000. Produsen model berbagai pihak segera menyusul, Alibaba Cloud meluncurkan deploy satu-klik, Tencent merilis CoPaw sebagai pesaing, serta MiniMax dan Kimi juga mengeluarkan solusi kompatibel mereka sendiri.
Kemudian Anda akan menemukan fenomena yang menarik: banyak orang menghabiskan waktu bulan ini untuk "meneliti cara mengatur udang karang" dan "membandingkan paket mana yang lebih hemat", mungkin lebih banyak daripada waktu yang mereka habiskan untuk benar-benar menghasilkan hasil bisnis menggunakan AI. Semua orang mengejar alat, tetapi setelah Anda mengatur konfigurasi itu, orang lain bisa menyalinnya persis sama dalam dua jam.
Semua model bahasa besar—OpenAI, Anthropic, Meta, Google, xAI—dilatih menggunakan data internet publik yang sama. Jadi pada dasarnya mereka semua sama, dan itulah mengapa mereka sedang dikomersialkan dengan kecepatan sangat tinggi.
— Larry Ellison, Oracle Q2 Laporan Keuangan Tahun Fiscal 2026
Sebaliknya, artinya adalah: selama pekerjaan Anda hanya bergantung pada kemampuan publik model besar umum, hasil Anda akan homogen, bahkan jika instruksi Anda ditulis seindah mungkin, tidak ada parit perlindungan.
Hambatan sejati terletak pada perpindahan dari publik ke pribadi.
Sudah ada tren yang sangat jelas: dari perusahaan besar hingga tim startup, semakin banyak organisasi yang mengimplementasikan model pribadi lokal. Alasan langsungnya adalah keamanan informasi; tidak ada yang ingin menyerahkan data bisnis inti ke API pihak ketiga. Namun, tren ini memiliki dampak berantai yang diremehkan: ketika pemain utama dalam industri semuanya mengisolasi data dan pengetahuan mereka dalam implementasi pribadi, informasi industri yang dapat dipelajari oleh model umum di jaringan publik akan semakin sedikit dan semakin tertinggal. Secara tampak, AI menurunkan ambang pengetahuan bagi semua orang, tetapi lapisan pengetahuan industri yang benar-benar berharga sedang cepat menghilang dari jaringan publik dan tenggelam ke dalam basis pengetahuan pribadi masing-masing.
Jadi, "pengetahuan tersembunyi" industri yang telah Anda kumpulkan selama bertahun-tahun, bukanlah merosot nilainya, melainkan meningkat. Dengan syarat Anda menggunakannya.
Rapikan, strukturkan pengalaman bisnis non-standar yang tersebar di pikiran Anda, riwayat chat, dan email historis menjadi "konteks" yang dapat dicerna oleh model pribadi Anda. Data latar belakang TT3LABS menunjukkan bahwa tingkat kelulusan penyaringan awal kandidat dengan pengalaman lebih dari dua tahun di industri Web3 jauh lebih tinggi dibandingkan tenaga teknis dari perusahaan besar tanpa latar belakang industri, karena keunggulan utamanya terletak pada Know-how industri yang jauh lebih berat daripada kemampuan teknis umum. Seseorang yang telah mengelola operasi CEX selama tiga tahun memahami logika kepatuhan dan aturan terselubung dalam listing aset; seseorang yang telah melewati dua siklus tata kelola DAO mampu menilai desain proposal dan titik balik emosi komunitas; seseorang yang mendalami konten vertikal memiliki intuisi terhadap psikologi audiens dan ritme narasi. Hal-hal semacam ini tidak akan pernah muncul dalam data pelatihan publik mana pun.
Setelah Anda mengstrukturkan pengalaman pribadi ini dan mengintegrasikannya ke dalam model, AI Anda tidak lagi menjadi ensiklopedia umum, melainkan mitra eksklusif yang hanya bekerja untuk Anda dan hanya memahami jalur Anda. Kedalaman hasil semacam ini tidak dapat dikejar oleh orang lain yang menggunakan model umum yang sama.
Logika intinya hanya satu: AI mengungguli semua orang dalam memproses pengetahuan publik, tetapi sepenuhnya bergantung pada masukan Anda dalam memproses pengalaman pribadi. Orang yang dapat menggabungkan know-how industri mendalam dengan AI adalah aset inti dalam bentuk pembagian kerja baru.
Koleksi pengalamanmu adalah "model" yang sebenarnya
Model AI berkembang pesat; GPT, Claude, dan Gemini hari ini mungkin akan digantikan oleh versi yang lebih kuat dalam enam bulan. Tetapi bagi Anda, mengganti model yang lebih kuat hanyalah mengganti antarmuka API. Yang tidak akan digantikan atau diubah adalah data pribadi dan perpustakaan pengalaman yang Anda berikan kepadanya.
Model adalah infrastruktur umum yang bisa digunakan siapa saja. Tetapi pengetahuan industri, penilaian bisnis, dan catatan pengalaman buruk yang Anda masukkan ke dalamnya adalah "kumpulan pelatihan" yang hanya milik Anda. Semakin kuat AI, semakin besar kemampuannya menyerap kumpulan data Anda, dan semakin tinggi hambatan pribadi Anda. Jadi, jangan khawatir apakah membangun basis pengetahuan sekarang akan cepat usang—basis pengetahuan Anda adalah satu-satunya aset yang tidak akan kehilangan nilai karena perkembangan model. Model berubah, tetapi hambatan data Anda hanya akan meningkat seiring dengan peningkatan kemampuan AI.
Sementara itu, logika persaingan tradisional di tempat kerja juga sedang ditulis ulang. Dulu, karyawan bisa menunjukkan sikap dengan bekerja lembur, tetapi mesin menghasilkan output 7×24 jam, sehingga semua strategi yang bergantung pada "saya bisa bertahan lebih lama daripada orang lain" menjadi nol di hadapan AI.
Banyak orang akan mengatakan: "Saya masih memberikan nilai emosional di tim saya." Benar, ini adalah kemampuan unik manusia, tetapi premiinya tergantung pada tingkat Anda berada. Ketika tim tingkat bawah berkurang dari sepuluh orang menjadi dua orang ditambah sejumlah AI Agent, "pelumas tim" kehilangan konteksnya. Namun di tingkat pengambil keputusan, permainan bisnis yang kompleks, pembangunan kepercayaan berisiko tinggi, dan penyelesaian konflik antar pihak dengan kepentingan berbeda, koneksi mendalam antar manusia justru menjadi lebih berharga karena biaya dasar telah turun. Nilai emosional tidak hilang, tetapi bermigrasi ke atas.
Pada akhirnya, yang paling perlu diinvestasikan oleh individu di era AI bukanlah mempelajari alat mana yang harus digunakan, tetapi terus mengembangkan AI pribadi yang hanya dimiliki oleh Anda. Alat akan terus diperbarui, tetapi basis pengalaman tidak akan.
Tiga tindakan, bisa dimulai sekarang
Kembali ke kasus Block, ada yang di-PHK tetapi ada juga yang tetap bertahan, perbedaannya adalah setelah AI menjadi alat produksi standar, siapa yang tetap tidak bisa dikompresi. Jangan menunggu perusahaan memberi Anda pelatihan AI, mulai hari ini, kita bisa mencoba tindakan-tindakan ini:
01、Mengalihkan dari "melakukan sendiri" menjadi "membangun alur kerja"
Perangkap paling mudah jatuh oleh para pekerja adalah menggunakan AI untuk "malas" (misalnya, menggunakan AI untuk menulis laporan mingguan atau menyempurnakan email), ini masih merupakan pemikiran tingkat eksekusi. Yang benar-benar harus Anda lakukan adalah memperlakukan diri Anda sebagai "kontraktor", dan merekonstruksi output paling inti dari posisi Anda saat ini menjadi jalur produksi otomatis berbasis AI.
Jangan mencoba sekaligus belasan model baru, pilih satu alat yang paling matang saat ini (misalnya ChatGPT Plus atau Claude), dan paksa ia masuk ke tahap paling memakan waktu dan paling membutuhkan pengalaman dalam pekerjaanmu. Ubah proses liniermu yang awalnya "mengumpulkan data secara manual → menganalisis dan membandingkan → menghasilkan kesimpulan" menjadi "menetapkan pengambilan data otomatis → memasukkan ke kerangka analisis AI → intervensi manusia untuk penyesuaian halus". Ketika kamu mampu menggunakan alur kerja ini untuk memperpendek pekerjaan yang sebelumnya memakan waktu satu minggu menjadi hanya satu hari, dengan kualitas yang sangat stabil, maka kamu tidak lagi menjadi satu simpul daya komputasi tunggal—kamu sendiri telah berubah menjadi "perusahaan mikro" dengan daya ungkit tinggi.
02、Mengubah pengalaman implisit menjadi digital twin eksklusif Anda
Model besar belajar dari data publik, ia memahami semua teori, tetapi sama sekali tidak tahu kebiasaan tersembunyi klien besar perusahaan Anda yang sangat sulit, maupun zona larangan yang harus dihindari saat berkoordinasi antara departemen Anda dan keuangan. Pengetahuan "tersembunyi" yang Anda peroleh dari berbagai kesalahan yang pernah Anda alami adalah aset paling inti Anda.
Tetapi aset-aset ini tidak akan menghasilkan bunga majemuk jika hanya tetap berada di dalam pikiranmu. Tugasmu sekarang adalah memanfaatkan fitur kustomisasi yang tersedia pada model besar saat ini (seperti Custom GPTs atau Claude Projects), dan mengubah pengalamanmu menjadi "instruksi preset sistem" miliknya. Berikan semua kasus tepi yang telah kamu tangani, laporan refleksi kegagalan, dan aturan tak tertulis industri kepadanya. Tujuanmu bukanlah membuat catatan basis pengetahuan statis, tetapi "melatih" asisten pribadi 24 jam yang memiliki gaya bisnismu yang sangat pribadi dan hanya bekerja untukmu. Ketika "digital twin"-mu ini terbentuk, orang lain yang menggunakan AI umum tidak akan mampu menyaingimu.
03、Meningkatkan "hak mendefinisikan masalah" dan tanggung jawab pribadi
Dalam tim, mulailah secara sengaja menyerahkan pekerjaan "mencari jawaban" kepada mesin, dan pegang kendali atas hak untuk "mengajukan pertanyaan" dan "mengambil keputusan". AI adalah mesin jawaban yang sempurna, tetapi ia tidak akan pernah bisa menyadari motivasi bisnis sejati di balik sebuah kebutuhan. Bos berkata, "Saya ingin membuat strategi retensi baru," AI akan langsung memberikan 10 model teori growth hacking. Tetapi hanya Anda yang dapat menggabungkan anggaran dan sumber daya pengembangan saat ini, untuk menunjukkan bahwa "Solusi B meskipun sempurna, tidak bisa diimplementasikan sekarang, Solusi C yang memotong setengah fungsinya paling cocok dengan ritme kita saat ini."
Sementara itu, Anda harus memahami satu hal: AI tidak akan dipenjara atau bertanggung jawab. Perusahaan membayar gaji tinggi kepada Anda, seringkali untuk membeli "jaminan" terhadap hasil bisnis Anda. Ketika Anda mengirimkan kode atau solusi yang dihasilkan AI, Anda harus memiliki keyakinan untuk mengatakan: "Saya telah memeriksa output AI dengan pengalaman profesional saya, dan saya bertanggung jawab atas hasil akhirnya." Nilai tanggung jawab ini—berani mengambil keputusan di zona abu-abu dan berani menanggung konsekuensi bisnis akhir—tidak akan pernah bisa digantikan oleh mesin di era apa pun.
Dorsey mengatakan "Sebagian besar perusahaan sudah terlambat." Tetapi bagi individu, pernyataan ini juga berlaku sebaliknya: kebanyakan orang belum mulai bersiap dan tidak menyadari tren ini.
Tidak semua orang harus menjadi ahli AI. Tapi setiap orang harus memikirkan dengan jelas: dalam pekerjaanmu, bagian mana yang suatu hari nanti bisa dikerjakan mesin, dan bagian mana yang hanya bisa kamu lakukan, lalu pindahkan waktu dan energimu dari yang pertama ke yang kedua.
Jika suatu hari AI secara menyeluruh melampaui manusia di berbagai bidang, mungkin pada tahun 2027, mungkin pada tahun 2030, tetapi ini bukan perubahan yang bisa Anda saksikan dari luar.
It doesn't wait for you to be ready.