Penulis: TT3LABS, platform rekrutmen jarak jauh Web3/AI/SaaS
Pada 26 Februari 2026, raksasa teknologi keuangan Block mengumumkan pemutusan hubungan kerja lebih dari 4000 orang, sehingga ukuran tim langsung menyusut dari lebih dari sepuluh ribu menjadi kurang dari 6000 orang. CEO Jack Dorsey dalam suratnya kepada pemegang saham menyebutkan:
“Alat pintar telah mengubah makna mendirikan dan menjalankan sebuah perusahaan… Tim yang jauh lebih kecil ini, dengan menggunakan alat yang sedang kami bangun, mampu melakukan lebih banyak dan lebih baik.”
Dorsey juga memberikan prediksi yang sangat dingin:
“Saya rasa kebanyakan perusahaan sudah terlambat. Dalam satu tahun ke depan, sebagian besar perusahaan akan sampai pada kesimpulan yang sama, dan melakukan penyesuaian struktural serupa.”
Pada hari yang sama setelah pasar tutup, 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, dengan bantuan model besar, sudah bisa secara mandiri menjalankan sebuah aplikasi lengkap dalam semalam. Maka pasar modal pasti akan menanyakan sebuah pertanyaan tajam: berapa nilai sebenarnya dari biaya tenaga kerja yang sangat besar—menggunakan puluhan ribu programmer—untuk menjaga operasional harian sebuah raksasa teknologi dengan sebuah super App?
Tren menggantikan tenaga manusia dengan AI, pasti akan diikuti oleh lebih banyak perusahaan besar. Kecemasan pasti ada, tapi hanya cemas saja tidak cukup. Kita harus mulai dari perubahan besar di lingkungan sekitar, dan secara bertahap kembali ke strategi bertahan hidup individu.
AI bukan sekadar alat, ia sedang menjadi faktor produksi
Di pasar, ada beberapa orang mulai menggunakan istilah “Web4” untuk mendefinisikan tahap saat ini. Untuk memahami alur, mari kita susun dulu tahapan evolusi internet:
Web2
Inti dari Web2 adalah interaksi antara perangkat lunak dan manusia. Berbagai platform melalui algoritma menarik perhatian pengguna, pada dasarnya adalah perang merebutkan trafik.
Web3
Berusaha menyelesaikan masalah kepemilikan aset digital dan distribusi nilai. Banyak orang menyamakan ini dengan cryptocurrency, tetapi secara esensial, ini masih berputar di dalam permainan aturan distribusi kekayaan, tanpa menyentuh hubungan “produksi dan manufaktur” dari produk digital.
Malam sebelum Web4
AI pertama kali menyentuh perubahan hubungan produksi itu sendiri. Ia tidak lagi sekadar alat untuk meningkatkan efisiensi, tetapi sedang berubah menjadi faktor produksi baru. Siapa yang lebih mahir menggunakannya, akan mampu memperbesar batas output secara eksponensial.
Dalam kolaborasi tim tradisional, terdapat banyak biaya tersembunyi: kemampuan penilaian dan intuisi industri dari pemimpin yang hebat sulit diduplikasi ke bawahan; kesalahan pemahaman dan rework dalam pelaksanaan tim tidak terhindarkan. Ini adalah “pajak gelap” organisasi, yang sebelumnya tidak punya solusi jelas. AI secara signifikan mengurangi beban pajak gelap ini; tidak memiliki kurva belajar yang panjang, cukup berikan prompt yang tepat, ia bisa mengeksekusi dengan kualitas tinggi, dan mampu mengerjakan banyak tugas secara paralel. Kombinasi antara kemampuan strategis individu dan leverage eksekusi AI dapat memicu output yang dulu hanya bisa dicapai oleh satu tim besar.
Tentu saja, saat ini AI kadang masih “ngomong sembarangan dengan serius”, yang membuat manusia tetap harus melakukan review dan penilaian. Tapi keandalan model meningkat setiap bulan, dan jendela buffer untuk posisi eksekusi murni jauh lebih pendek dari yang banyak orang kira.
Kesetaraan efisiensi dan krisis mendalam: Setelah hambatan masuk dihapus
Dalam jangka pendek, orang biasa bisa merasakan manfaat efisiensi dari akses ke alat AI. Tapi jika kita mundur ke belakang, ketika AI menyamakan tingkat efisiensi dasar dan secara drastis menurunkan hambatan masuk profesional, perusahaan akan menyadari: setelah output per orang meningkat pesat, jika skala bisnis secara keseluruhan tidak tumbuh secara proporsional, mempertahankan jumlah karyawan lama justru menjadi beban negatif.
Lihat saja distribusi gaji saat ini. Berdasarkan data pemantauan posisi dari TT3LABS, mulai 2025, pasar tenaga kerja AI sudah berkali-kali muncul paket gaji di atas “sepuluh juta dolar AS”, dan kandidatnya adalah para insinyur AI muda yang belum memiliki banyak keahlian manajemen tim. Saat Meta merekrut peneliti utama di OpenAI, bonus kontrak saja melebihi 100 juta dolar AS; rata-rata saham dan kompensasi ekuitas di OpenAI mencapai 1,5 juta dolar AS, dan insinyur riset senior di Anthropic bisa mendapatkan gaji tahunan dasar hingga 690.000 dolar AS (belum termasuk saham).
Uang yang dikeluarkan kapital ini untuk membeli sebuah kemampuan langka: membuat AI menjadi lebih kuat. Mereka yang mampu mendorong evolusi model dasar, nilainya bisa secara eksponensial diperbesar di seluruh jaringan bisnis. Sementara orang lain, selama pekerjaan mereka bisa digantikan AI dengan biaya lebih rendah, valuasinya bisa menyusut.
Ini juga memicu krisis potensial yang lebih dalam. Sekarang semakin banyak orang yang pertama kali mencari jawaban dari AI, melewati proses deduksi, verifikasi, dan trial-and-error sendiri. Lama kelamaan, kemampuan berpikir akan menurun. Masalahnya, proses “kerja bodoh” ini yang membentuk kepekaan terhadap masalah. Ketergantungan jangka panjang pada AI untuk menggantikan proses ini akan membuat peran kerja Anda menurun menjadi sekadar “translator kebutuhan”: mengubah permintaan orang lain menjadi input AI, lalu menyampaikan output AI ke orang lain. Dan tahapan perantara ini, justru yang paling mudah langsung diabaikan oleh generasi AI berikutnya.
Peta dampak: di posisi mana Anda?
Ketakutan tanpa titik acuan hanyalah kecemasan. Sebelum membahas strategi, kita perlu membuat “peta dampak”. Ini bukan untuk menyebarkan kepanikan, tetapi untuk menempatkan diri kita.
Posisi yang pekerjaan berisiko tinggi dan bisa dideskripsikan dengan instruksi yang jelas
Pemrograman dasar, analisis data dasar, pembuatan laporan standar, desain berbasis template, proofreading terjemahan rutin. Posisi ini umumnya dapat dipecah secara jelas menjadi “input → proses → output”. Dari lebih dari 4000 orang yang di-PHK oleh Block, sebagian besar berada di kategori ini. Keahlian mereka tidak buruk, tetapi pekerjaan mereka tepat yang bisa dilakukan oleh model besar.
Standar pertanyaan yang layak diajukan: Jika seluruh pekerjaan Anda bisa dijelaskan dengan satu instruksi AI, berarti mesin sudah mampu menggantikan posisi Anda, tinggal menunggu waktu perusahaan memutuskan.
Pengalaman yang sedang ditekan oleh “penurunan biaya”
Manajer proyek, kepala operasional, insinyur tingkat menengah. Mereka melakukan penilaian dan koordinasi, dalam jangka pendek AI belum bisa menggantikan, tetapi sedang “didorong”. Dulu, satu rantai bisnis membutuhkan lima manajer menengah yang mengelola bagian berbeda dan saling menyelaraskan; sekarang, AI mengambil alih eksekusi hulu dan hilir, cukup satu atau dua orang untuk menjalankan seluruh rantai.
Kelompok ini menghadapi posisi “jumlah posisi berkurang”. Kemampuan mereka tidak menurun, tetapi permintaan pasar terhadap peran ini turun drastis. Solusinya, mereka harus memanfaatkan AI untuk memperbesar efisiensi eksekusi di level bawah, dan di level atas, menguasai definisi masalah.
Pengendali ketidakpastian nilai tambah
Ada pekerjaan yang inti bukan “melakukan yang benar”, tetapi “mengambil keputusan di bawah ketidaklengkapan informasi dan menanggung risiko”. Negosiasi bisnis kompleks, penanganan krisis komunikasi, manajemen organisasi lintas budaya, penilaian investasi berisiko tinggi. AI bisa memberikan analisis dan saran, tetapi tidak bisa menandatangani, tidak bisa menanggung risiko, dan tidak bisa membaca ekspresi mata lawan bicara di meja makan untuk memahami motif di baliknya.
Peran ini tidak akan kehilangan nilai, malah karena biaya eksekusi dasar yang sangat ditekan AI, anggaran yang sama bisa digunakan untuk proyek lebih besar, dan leverage pengambil keputusan menjadi lebih panjang.
Dalam kenyataannya, banyak pekerjaan orang melintasi lebih dari satu level. Cara sederhana untuk menguji: pikirkan pekerjaan harian Anda, berapa banyak yang bisa dijelaskan dengan satu instruksi, dan berapa banyak yang harus Anda putuskan sendiri dalam ketidakpastian. Semakin tinggi proporsi yang bisa dijelaskan, semakin cepat Anda harus mulai bertransformasi.
Hentikan kecemasan terhadap alat, ubah kekuatan komputasi publik menjadi penghalang pribadi
Pada akhir Januari, OpenClaw (“Udang Air”) muncul secara tiba-tiba, dalam beberapa hari jumlah bintang di GitHub menembus 170.000. Banyak vendor model cepat mengikuti, Alibaba Cloud meluncurkan deployment satu klik, Tencent merilis CoPaw sebagai pesaing, MiniMax dan Kimi juga meluncurkan solusi kompatibel mereka.
Lalu Anda akan menyadari fenomena menarik: banyak orang menghabiskan waktu bulan ini untuk “meneliti cara deploy Udang Air” dan “membandingkan paket mana yang lebih hemat”, bahkan mungkin lebih banyak dari waktu mereka untuk benar-benar menghasilkan hasil bisnis dengan AI. Mereka semua mengejar alat, tetapi setelah mengejar, konfigurasi yang mereka deploy bisa diduplikasi orang lain dalam dua jam.
“Semua model bahasa besar—OpenAI, Anthropic, Meta, Google, xAI—dilatih dengan data internet terbuka yang sama. Jadi, secara esensial, mereka sama, dan inilah mengapa mereka sedang dengan sangat cepat dikomersialisasikan.”
— Larry Ellison, panggilan konferensi laporan keuangan Q2 FY Oracle 2026
Pemahaman baliknya: selama pekerjaan Anda hanya bergantung pada kemampuan model besar umum yang tersedia secara publik, output Anda akan bersifat homogen, tidak peduli seberapa rumit instruksi yang Anda buat, tidak akan ada keunggulan kompetitif.
Hak penghalang yang sesungguhnya adalah dari publik ke privat
Sudah ada tren yang sangat jelas: dari perusahaan besar ke tim startup, semakin banyak organisasi yang mengimplementasikan model privat lokal. Alasan utamanya adalah keamanan data; tidak ada yang ingin data bisnis inti mereka diserahkan ke API pihak ketiga. Tapi tren ini memunculkan reaksi berantai yang kurang dihargai: ketika pemain utama industri menyimpan data dan pengetahuan mereka secara privat, informasi industri yang bisa dipelajari model umum dari internet terbuka akan semakin sedikit dan tertinggal. Secara permukaan, AI menurunkan hambatan pengetahuan semua orang, tetapi pengetahuan industri yang paling berharga justru semakin cepat menghilang dari internet terbuka dan masuk ke basis data privat masing-masing perusahaan.
Jadi, “pengetahuan gelap” industri yang telah Anda kumpulkan selama bertahun-tahun, bukan menurun nilainya, tetapi justru meningkat. Asal Anda memanfaatkannya.
Kumpulkan dan strukturkan pengalaman bisnis yang tersebar di otak, chat logs, email lama—yang tidak standar—menjadi “konteks” yang bisa dicerna model privat Anda. Data dari backend TT3LABS menunjukkan bahwa kandidat dengan pengalaman lebih dari dua tahun di industri Web3 memiliki tingkat lolos seleksi yang jauh lebih tinggi dibandingkan tenaga teknis dari perusahaan besar tanpa latar belakang industri. Sebab utama adalah bobot pengetahuan industri jauh lebih besar daripada kemampuan teknis umum. Seorang yang sudah tiga tahun mengelola CEX memahami logika kepatuhan dan aturan tersembunyi dalam listing token; seseorang yang sudah melewati dua siklus tata kelola DAO mampu menilai proposal dan titik balik emosi komunitas; seorang yang mendalami konten vertikal memiliki intuisi tentang psikologi audiens dan ritme narasi—semua ini tidak akan muncul di data pelatihan terbuka mana pun.
Ketika Anda strukturkan pengalaman pribadi ini dan integrasikan ke model, AI Anda tidak lagi sekadar ensiklopedia umum, melainkan mitra khusus yang hanya bekerja untuk Anda, yang memahami jalur Anda. Kedalaman output ini tidak bisa ditandingi oleh orang lain yang hanya memakai model umum yang sama.
Logika utama: AI dalam pengolahan pengetahuan umum mengalahkan semua orang, tetapi dalam pengolahan pengalaman pribadi, sepenuhnya bergantung pada input Anda. Mereka yang mampu menggabungkan pengetahuan industri mendalam dengan AI adalah aset utama dalam bentuk pekerjaan baru ini.
Basis pengalaman Anda adalah “model” yang sesungguhnya
Model AI berkembang pesat; GPT, Claude, Gemini hari ini, mungkin digantikan versi yang lebih kuat dalam enam bulan. Tapi bagi Anda, beralih ke model yang lebih kuat hanyalah mengganti API. Yang benar-benar tidak bisa digantikan adalah data dan pengalaman pribadi yang Anda berikan ke model tersebut.
Model adalah infrastruktur umum, siapa saja bisa menggunakannya. Tapi pengetahuan industri, penilaian bisnis, catatan jebakan—semua adalah “corpus pelatihan” milik Anda sendiri. Semakin kuat modelnya, semakin baik ia mencerna data tersebut, dan semakin tinggi penghalang pribadi Anda. Jadi, jangan khawatir “membangun knowledge base sekarang akan cepat usang”, karena knowledge base Anda adalah aset yang nilainya tidak akan menurun karena iterasi model. Saat model berkembang, penghalang data Anda justru akan semakin bernilai.
Di saat yang sama, logika kompetisi di dunia kerja juga sedang dirombak. Dulu, karyawan bisa menunjukkan komitmen dengan lembur dan kerja keras. Tapi mesin yang bisa output 24/7, strategi bersaing dengan “saya bisa bertahan lebih lama” menjadi nol nilai di depan AI.
Banyak orang berkata: “Saya masih memberikan nilai emosional dalam tim.” Memang, ini kemampuan manusia yang unik, tapi nilainya tergantung level Anda. Ketika tim kecil dari sepuluh orang menjadi dua orang plus satu rangkaian AI, “pelicin tim” kehilangan konteksnya. Tapi di level pengambil keputusan, negosiasi bisnis kompleks, membangun kepercayaan berisiko tinggi, mediasi konflik antar pemangku kepentingan—koneksi mendalam antar manusia justru menjadi lebih berharga karena biaya dasar yang lebih rendah. Nilai emosional tidak hilang, melainkan berpindah ke level atas.
Intinya, investasi terbesar di era AI bukanlah belajar alat apa yang harus digunakan, tetapi terus mengelola dan memperkaya AI pribadi yang hanya Anda miliki. Alat akan berkembang, pengalaman dan basis data Anda tidak akan.
Tiga langkah yang bisa dimulai sekarang
Kembali ke kasus Block, ada yang di-PHK, tapi tetap ada yang bertahan. Perbedaannya adalah setelah AI menjadi alat produksi standar, siapa yang tetap tak tergantikan. Jangan tunggu perusahaan mengadakan pelatihan AI untuk Anda; mulai hari ini, Anda bisa mencoba langkah-langkah berikut:
01. Beralih dari “kerja langsung” ke “membangun alur kerja”
Jebakan terbesar pekerja adalah menggunakan AI untuk “maling” pekerjaan mereka sendiri (misalnya, pakai AI buat menulis laporan mingguan, memperbaiki email), ini tetap pola pikir eksekusi. Yang harus Anda lakukan sesungguhnya adalah memperlakukan diri sebagai “kontraktor”, membangun lini produksi otomatis berbasis AI untuk output utama posisi Anda saat ini.
Jangan coba-coba pakai sepuluh model berbeda sekaligus. Pilih satu alat paling matang saat ini (misalnya ChatGPT Plus atau Claude), dan paksa ia untuk terlibat di bagian paling memakan waktu dan pengalaman dari pekerjaan Anda. Ubah proses “mengumpulkan data secara manual → analisis dan perbandingan → keluaran kesimpulan” menjadi “atur otomatis pengambilan data → beri input ke kerangka analisis AI → intervensi manusia untuk penyesuaian dan fine-tuning”. Ketika Anda mampu memadatkan pekerjaan yang biasanya seminggu menjadi satu hari dengan kualitas yang sangat stabil, Anda tidak lagi sekadar node komputasi, tetapi sudah menjadi “perusahaan kecil” berdaya leverage tinggi.
02. Mengkonsolidasikan pengalaman tersembunyi menjadi “avatar digital” pribadi
Model besar belajar dari data terbuka, mereka memahami teori apa pun. Tapi mereka sama sekali tidak tahu apa kebiasaan tersembunyi dari klien besar perusahaan Anda, atau apa saja jebakan yang tidak boleh dilanggar saat berkoordinasi dengan bagian keuangan. Pengetahuan gelap ini, yang Anda peroleh dari pengalaman bertahun-tahun, adalah aset paling berharga.
Tapi aset ini tidak akan berkembang jika hanya tersimpan di kepala. Tugas Anda sekarang adalah memanfaatkan fitur kustomisasi model (misalnya Custom GPTs atau Claude Projects) untuk mengubah pengalaman Anda menjadi “perintah preset” yang bisa dipahami model. Beri mereka contoh kasus ekstrem, laporan kegagalan, aturan tidak tertulis industri. Tujuan Anda bukan membangun basis pengetahuan statis, melainkan melatih asisten pribadi 24 jam yang sangat personal, yang memiliki gaya bisnis khas Anda dan hanya bekerja untuk Anda. Ketika avatar digital ini terbentuk, orang lain yang memakai AI umum tidak akan bisa mengalahkan Anda.
03. Memperkuat hak Anda dalam mendefinisikan masalah dan bertanggung jawab
Di tim, mulai latih diri untuk menyerahkan pekerjaan “menemukan jawaban” ke mesin, dan memegang kendali penuh atas “mengajukan pertanyaan” dan “pengambilan keputusan”. AI adalah mesin jawaban yang hebat, tapi tidak pernah bisa memahami motif bisnis di balik kebutuhan. Bos bilang, “Saya mau strategi retensi baru,” AI langsung beri 10 model growth hacking. Tapi hanya Anda yang bisa menggabungkan anggaran dan sumber daya yang ada, dan menunjukkan, “Solusi B meskipun bagus, belum bisa diterapkan saat ini; solusi C, dengan mengurangi setengah fitur, paling cocok dengan ritme kita saat ini.”
Selain itu, Anda harus paham: AI tidak akan dipenjara, tidak akan bertanggung jawab. Perusahaan membayar gaji tinggi kepada Anda, seringkali sebagai jaminan atas hasil bisnis. Ketika Anda mengirimkan kode atau proposal dari AI, Anda harus yakin: “Output AI ini sudah saya review secara profesional, dan saya bertanggung jawab atas implementasinya.” Keberanian untuk mengambil keputusan di area abu-abu dan bertanggung jawab atas konsekuensi bisnis akhir adalah nilai tambah yang tidak bisa digantikan mesin di era apa pun.
Dorsey bilang, “Sebagian besar perusahaan sudah terlambat.” Tapi bagi individu, kalimat ini juga berlaku: kebanyakan orang belum mulai bersiap, dan tidak menyadari tren ini.
Tidak semua orang harus menjadi ahli AI. Tapi semua orang harus memikirkan satu hal: bagian mana dari pekerjaan Anda yang pasti akan digantikan mesin, dan bagian mana yang unik milik Anda, lalu alihkan waktu dan energi dari bagian pertama ke bagian kedua.
Kalau suatu hari nanti AI benar-benar melampaui manusia di semua bidang, mungkin tahun 2027, mungkin 2030, ini bukan perubahan yang bisa Anda saksikan dari pinggir lapangan.
Ia tidak menunggu Anda siap.
