AS menggandeng perusahaan teknologi untuk mengukur dampak AI pada pekerjaan

Departemen Tenaga Kerja Amerika Serikat telah membuat kesepakatan berbagi data dengan sejumlah perusahaan teknologi untuk membantu pemerintah menilai pengaruh kecerdasan buatan terhadap pekerjaan dan perekrutan. Perkembangan ini terungkap pada 26 Agustus 2026, ketika pelaksana tugas Menteri Tenaga Kerja Keith Sonderling mengatakan kepada Axios bahwa departemennya telah menandatangani nota kesepahaman dengan banyak perusahaan teknologi.

Dalam laporan 26 Agustus itu, Sonderling menyebut OpenAI, Google, Meta, dan Amazon termasuk perusahaan yang berbagi data. Informasi dari sektor swasta tersebut akan melengkapi statistik pemerintah mengenai penggunaan AI oleh perusahaan dan kemungkinan dampaknya terhadap pekerja, tetapi laporan itu tidak merinci variabel yang diserahkan, cakupan perusahaan, periode data, ataupun jadwal penerbitan temuan.

Kesepakatan melanjutkan pengumpulan data yang sudah berjalan

Nota kesepahaman tersebut memperjelas bentuk kerja sama yang sebelumnya telah disebut secara lebih umum. Dalam sidang konfirmasi Sonderling pada 16 Juli, Associated Press melaporkan bahwa departemen sedang mengumpulkan informasi penggunaan AI dari perusahaan dan serikat pekerja; Bureau of Labor Statistics (BLS) akan meninjaunya untuk membantu mengarahkan dana pelatihan kerja kepada negara bagian.

Status yang telah dikonfirmasi adalah pengumpulan informasi dan penandatanganan nota kesepahaman, bukan penerbitan indikator resmi baru. Temuan kerja sama itu disebut akan dipublikasikan, tetapi belum dijelaskan apakah pemerintah menerima data mentah, statistik agregat, hasil survei internal, ukuran penggunaan produk, atau gabungan beberapa jenis data.

Perbedaan tersebut penting. Data terperinci dapat memungkinkan analisis menurut industri, pekerjaan, dan waktu, sedangkan angka agregat hanya dapat menunjukkan kecenderungan umum. Tanpa penjelasan mengenai unit observasi dan cara pencocokan data, belum dapat dinilai seberapa kuat hubungan antara penggunaan AI dan perubahan tenaga kerja yang akan ditemukan.

Data adopsi tidak langsung membuktikan pekerjaan hilang

Keunggulan data perusahaan adalah kecepatannya. Pemasok teknologi dapat mengetahui kapan pelanggan bisnis mulai memakai produk, fitur apa yang digunakan, dan bagaimana aktivitas berubah tanpa menunggu siklus survei pemerintah. Data semacam itu dapat menjadi sinyal awal mengenai lokasi dan laju adopsi AI.

Namun, penggunaan produk, perekrutan, proyeksi pekerjaan, dan bukti kausal merupakan empat kategori berbeda. Aktivitas produk menunjukkan bahwa alat digunakan. Data lowongan atau perekrutan mencatat permintaan tenaga kerja, sementara proyeksi pekerjaan memperkirakan arah perubahan berdasarkan asumsi ekonomi dan teknologi.

Bukti bahwa AI menyebabkan pengurangan pekerjaan memerlukan analisis yang lebih berat. Kenaikan penggunaan asisten AI dapat menyertai otomatisasi tugas, peningkatan produktivitas pekerja, pembentukan pekerjaan baru, atau pengurangan pegawai yang sebenarnya dipicu perlambatan ekonomi dan restrukturisasi lain. Karena itu, data adopsi perlu dibandingkan dengan perubahan tugas, jumlah pekerja, lowongan, jam kerja, upah, dan perpindahan pekerja sepanjang waktu.

Hubungan waktu juga harus jelas. Jika penggunaan AI meningkat setelah perusahaan mengurangi pegawai, datanya bercerita berbeda dibandingkan apabila penggunaan meningkat lebih dahulu dan kemudian diikuti perubahan pada tugas atau perekrutan. Nota kesepahaman saja belum menjawab persoalan urutan dan sebab-akibat tersebut.

Data perusahaan mengisi celah, bukan menggantikan statistik BLS

Keterbatasan pengukuran teknologi telah lama diketahui. kajian yang ditugaskan BLS menyimpulkan bahwa belum ada lembaga atau sistem statistik di Amerika Serikat maupun negara lain yang memiliki pendekatan komprehensif untuk mengumpulkan seluruh ukuran yang diperlukan guna menilai dampak AI, otomatisasi, dan digitalisasi terhadap hasil pasar tenaga kerja.

Kajian tersebut mengidentifikasi kesenjangan pada pengukuran penyebaran teknologi, keterampilan, permintaan tenaga kerja, serta pembagian tugas antara manusia dan teknologi. Survei resmi tetap penting karena memakai definisi yang relatif konsisten, mencakup perekonomian secara luas, dan menghasilkan deret waktu. Kelemahannya, teknologi dapat berubah lebih cepat daripada kuesioner dan klasifikasi statistik.

Data perusahaan berpotensi menambah rincian yang tidak terlihat dalam survei, tetapi tidak dapat menggantikannya. Statistik penggunaan dari satu pemasok hanya menggambarkan pelanggan dan produk pemasok tersebut. Agar berguna bagi BLS, data itu perlu dipetakan ke klasifikasi industri, ukuran perusahaan, pekerjaan, tugas, dan wilayah yang dapat dibandingkan dengan statistik resmi.

Proyeksi pekerjaan juga harus dibaca terpisah dari pengukuran perubahan yang sudah terjadi. Proyeksi menggambarkan kemungkinan arah permintaan tenaga kerja pada masa mendatang, sedangkan data adopsi merekam perilaku perusahaan pada periode tertentu. Keduanya menjadi lebih informatif apabila diuji terhadap perubahan aktual dalam perekrutan, pemutusan kerja, upah, jam kerja, dan isi pekerjaan.

Ketergantungan pada pemasok besar dapat membentuk hasil

Perusahaan teknologi besar memiliki data yang tidak tersedia bagi pemerintah, tetapi basis pelanggan mereka bukan sampel netral dari seluruh perekonomian. Pelanggan bisa lebih besar, lebih siap secara digital, atau terkonsentrasi pada sektor tertentu. Usaha kecil, organisasi yang menggunakan model sumber terbuka, dan tempat kerja yang mengadopsi AI melalui penyedia lain berisiko kurang terwakili.

Definisi perusahaan juga mungkin tidak seragam. Pembelian lisensi, pengguna aktif bulanan, frekuensi penggunaan, dan tugas yang benar-benar diselesaikan dengan AI mengukur hal yang berbeda. Jika angka dari beberapa pemasok digabungkan tanpa definisi, validasi, dan pembobotan yang sama, peningkatan adopsi dapat terlihat lebih pasti daripada keadaan sebenarnya.

Ada pula pertukaran antara kedalaman analisis dan kerahasiaan. Data yang terlalu agregat menyulitkan BLS menghubungkan penggunaan AI dengan hasil pekerjaan pada perusahaan yang sama. Data yang sangat rinci, sebaliknya, membawa persoalan privasi pekerja dan kerahasiaan bisnis sehingga memerlukan perlindungan serta aturan akses yang jelas.

Metodologi publik akan menentukan kredibilitas temuan

Nilai kerja sama ini akhirnya bergantung pada metode, bukan pada banyaknya nama perusahaan terkenal. Ketika temuan pertama diterbitkan, pemerintah perlu menjelaskan setidaknya pertanyaan berikut:

• Jenis data apa yang diberikan setiap perusahaan, dan apakah definisinya diseragamkan?
• Apakah adopsi dihitung dari lisensi, pengguna aktif, frekuensi penggunaan, atau tugas yang diselesaikan dengan AI?
• Industri, wilayah, ukuran perusahaan, dan kelompok pekerjaan mana yang tercakup atau tidak tercakup?
• Bagaimana data produk dipadankan dengan perekrutan, upah, jam kerja, perubahan tugas, dan pemutusan hubungan kerja?
• Bagaimana analisis memisahkan pengaruh AI dari kondisi ekonomi dan keputusan restrukturisasi lain?
• Sejauh mana peneliti independen dapat memeriksa definisi, validasi, pembobotan, dan ketidakpastian tanpa mengakses data rahasia?

Untuk saat ini, Departemen Tenaga Kerja AS telah memperoleh jalur tambahan menuju data adopsi yang lebih cepat, tetapi belum menghasilkan ukuran resmi mengenai jumlah pekerjaan yang hilang, tercipta, atau berubah karena AI. Perkembangan berikutnya yang perlu ditunggu adalah publikasi data dan metodologi yang menunjukkan apakah informasi perusahaan dapat dibandingkan dengan statistik BLS tanpa diperlakukan sebagai bukti kausal dengan sendirinya.