Kerja AI sederhana makin ramai—pendapatan tugasnya justru turun 28%

Tugas eksekusi AI di Upwork makin ramai, tetapi pendapatannya secara keseluruhan turun 28% dibandingkan setahun sebelumnya. Bagi freelancer, layanan yang masih bernilai bukan sekadar menghasilkan teks, gambar, video, atau rangkuman, melainkan pekerjaan yang menambahkan keahlian bidang, penilaian manusia, desain alur kerja, dan tanggung jawab atas hasil.

Ini bukan berarti semua pekerjaan AI atau pendapatan seluruh freelancer menurun. Tekanan terjadi pada keluaran generatif yang mudah diproduksi dan dibandingkan berdasarkan harga, sedangkan pekerjaan AI yang lebih kompleks justru mencatat kenaikan pendapatan.

Apa yang sebenarnya turun 28%

Future Workforce Index 2026 dari Upwork, terbit 14 Juli 2026, mencatat bahwa pendapatan tugas eksekusi berbasis AI turun 28% secara tahunan. Di dalam kelompok produksi generatif dan kreatif, jumlah kontrak baru tumbuh 90%, tetapi pendapatan per kontrak turun 13%. Sebaliknya, jasa profesional berbantuan AI tumbuh 72% dengan kenaikan pendapatan 22%, sementara pendapatan freelancer yang menangani pekerjaan AI lebih kompleks naik 45% pada kuartal pertama 2026 dibandingkan periode yang sama tahun sebelumnya.

Angka-angka itu menunjukkan pemisahan nilai, bukan penolakan pasar terhadap AI. Produksi keluaran diskret menjadi lebih mudah ditawarkan oleh banyak penyedia, sedangkan penentuan keluaran yang tepat, pemeriksaan mutu, penanganan kegagalan, dan penerapannya dalam operasi klien tetap membutuhkan tanggung jawab yang lebih sulit dipertukarkan.

Batas datanya juga penting. Temuan pendapatan berasal dari Upwork Marketplace dan membandingkan kuartal pertama 2026 dengan kuartal pertama 2025; laporan tersebut juga memakai survei terhadap 2.400 pekerja pengetahuan terampil di Amerika Serikat. Pekerjaan terkait AI dipetakan dengan sistem berbasis model bahasa, lalu divalidasi melalui analisis konten, dan penyusunnya mengakui kemungkinan kesalahan pengukuran. Karena itu, hasilnya merupakan indikator arah pasar bagi freelancer Indonesia, bukan proyeksi tarif lokal.

Matriks layanan: dari keluaran ke hasil bisnis

Audit portofolio dapat dimulai dengan menempatkan setiap layanan pada empat tingkat. Posisi yang lebih tinggi tidak ditentukan oleh banyaknya alat AI yang digunakan, tetapi oleh besarnya konteks, keputusan, risiko, dan dampak yang menjadi tanggung jawab freelancer.

• Tingkat 1 — eksekusi sederhana: membuat sejumlah caption, menghasilkan ilustrasi dari brief lengkap, mentranskripsikan rekaman, atau merangkum dokumen. Spesifikasi dan keluaran mudah distandardisasi sehingga penyedia juga mudah diganti.
• Tingkat 2 — produksi dengan konteks: menyusun materi berdasarkan karakter pelanggan, pedoman merek, data produk, dan kanal distribusi. Tanggung jawab mencakup konsistensi serta relevansi, bukan hanya volume.
• Tingkat 3 — sistem dan verifikasi: merancang alur dari data masukan hingga penyerahan, menetapkan pemeriksaan fakta dan kriteria penerimaan, menangani pengecualian, serta mendokumentasikan titik persetujuan manusia.
• Tingkat 4 — hasil bisnis: merumuskan masalah, menentukan bagian yang layak diotomatisasi, menghubungkan proses dengan operasi klien, dan mengukur dampak seperti waktu respons, tingkat kesalahan, konversi, atau biaya per kasus.

Pemisahan serupa terlihat di pasar tenaga kerja yang lebih luas. Setelah menganalisis lebih dari satu miliar iklan lowongan di 27 negara dan wilayah, Global AI Jobs Barometer 2026 dari PwC menemukan bahwa peran yang memakai AI untuk memperkuat keahlian manusia mengalami pertumbuhan lowongan dua kali lebih tinggi dan pertumbuhan gaji 42% lebih cepat daripada peran yang menjadi lebih mudah dimasuki oleh nonahli. Temuan ini tidak mengukur pasar freelance Indonesia, tetapi memperkuat arah yang sama: penilaian dan keahlian tetap membedakan nilai pekerjaan.

Audit penawaran tanpa mengandalkan label AI

Periksa dahulu satuan yang sebenarnya dibeli klien. Jika deskripsi layanan hanya menyebut jumlah artikel, gambar, video, prompt, atau jam produksi, penawaran tersebut masih berpusat pada keluaran. Empat pertanyaan berikut membantu menemukan tanggung jawab yang belum terlihat:

1. Informasi bisnis apa yang harus dipahami sebelum produksi dimulai?
2. Keputusan apa yang tidak aman jika diserahkan sepenuhnya kepada model?
3. Bagaimana hasil akan masuk ke proses kerja klien setelah diserahkan?
4. Ukuran apa yang menunjukkan bahwa pekerjaan berhasil?

Jika semua jawabannya “tidak ada”, layanan itu mudah dikomoditaskan. Jika jawabannya hanya tersimpan di kepala freelancer, calon klien juga sulit melihat nilainya. Jadikan pengetahuan tersebut bagian eksplisit dari cakupan, misalnya diagnosis kebutuhan, kriteria penerimaan, daftar risiko, prosedur verifikasi, dokumentasi alur, atau evaluasi hasil.

Sebagai contoh bersyarat, paket “20 artikel berbantuan AI” masih berada pada tingkat eksekusi. Penawarannya berubah ketika mencakup pemetaan pertanyaan pelanggan, sumber yang disetujui, pemeriksaan klaim, alur persetujuan, penempatan dalam kalender publikasi, dan evaluasi berdasarkan prospek berkualitas. AI tetap membantu produksi, tetapi yang dibeli klien adalah sistem keputusan dan mutu.

Empat lapisan yang menambah nilai

Konteks bisnis menentukan apa yang perlu dibuat, untuk siapa, dan dalam batas apa. Memahami karakter pengguna, pedoman merek, data yang boleh dipakai, tujuan proses, serta konsekuensi kesalahan mengubah brief yang kabur menjadi spesifikasi yang dapat diuji.

Verifikasi memisahkan keluaran yang tampak meyakinkan dari hasil yang layak digunakan. Cakupannya dapat berupa sumber rujukan, sampel pengujian, aturan eskalasi, dan pemeriksaan manusia atas klaim, angka, hak penggunaan, keamanan, atau kepatuhan. Janji “bebas kesalahan” sebaiknya diganti dengan penjelasan konkret tentang jenis kesalahan yang diperiksa dan pihak yang menyetujui hasil akhir.

Integrasi alur kerja mencegah keluaran berhenti sebagai berkas. Nilai bertambah ketika masukan, alat AI, basis pengetahuan, persetujuan manusia, dan sistem tujuan dihubungkan dalam proses yang terdokumentasi, termasuk kondisi gagal serta cara pemulihannya.

Ukuran hasil mengalihkan percakapan dari volume menuju dampak. Gunakan metrik yang masih berada dalam jangkauan proyek, seperti waktu penyelesaian, persentase keluaran yang lolos tinjauan pertama, jumlah kasus yang dieskalasikan, atau biaya operasi per unit. Jangan menjanjikan pertumbuhan pendapatan apabila hasil itu juga ditentukan oleh produk, anggaran, distribusi, dan keputusan klien.

Portofolio perlu memperlihatkan keputusan

Contoh kerja bernilai tinggi tidak hanya menampilkan hasil akhir. Portofolio perlu memperlihatkan masalah awal, batasan, pembagian tugas antara manusia dan AI, metode pengujian, perubahan setelah kegagalan, dan hasil yang dapat diukur. Informasi rahasia dapat disamarkan tanpa menghilangkan logika kerja.

Penilaian keluaran memang menjadi pembeda penting. Dalam survei terhadap 20.000 pengguna AI di sepuluh negara, Work Trend Index 2026 dari Microsoft mencatat bahwa 50% responden memilih pengendalian mutu keluaran AI sebagai keterampilan manusia yang semakin penting dan 46% memilih berpikir kritis; sebanyak 86% memperlakukan keluaran AI sebagai titik awal, bukan jawaban akhir.

Proposal karena itu dapat memisahkan biaya produksi dari diagnosis, desain sistem, integrasi, pengujian, dan evaluasi. Efisiensi dari AI tidak perlu disembunyikan, tetapi tanggung jawab manusia harus terlihat jelas. Ketika alat produksi tersedia bagi semakin banyak orang, nilai yang lebih tahan lama berada pada kemampuan memilih masalah, membangun proses yang dapat dipercaya, dan membuktikan dampaknya.

Baca juga:

• Wipro siapkan 1.500 FDE saat agen AI masuk ke alur kerja inti
• Pendapatan NVIDIA menembus US$96,2 miliar—panduan berikutnya lebih tinggi
• Levanta meraih US$22 juta, komisi kreator makin terhubung ke marketplace