Pekerjaan Entry-Level di Era AI: Dari Mana Datangnya Para Ahli?

Ilustrasi pekerjaan entry-level dan regenerasi tenaga ahli di era AI. Dibuat dengan AI ChatGPT/DALL·E, 2026.

Banyak pekerjaan yang dahulu diberikan kepada pegawai baru kini dapat diselesaikan lebih cepat dengan bantuan kecerdasan buatan (AI). Menyusun laporan, memeriksa dokumen, mengolah data, membuat ringkasan, hingga menyiapkan analisis awal tidak lagi selalu membutuhkan proses manual yang panjang. Bagi perusahaan, kemampuan ini membuka peluang untuk menekan biaya, mempercepat pekerjaan, dan meningkatkan produktivitas tim. Sebagian pekerjaan bahkan mungkin dapat diselesaikan oleh lebih sedikit orang dibandingkan sebelumnya.

Namun perubahan pada pekerjaan entry-level di era AI menyimpan persoalan yang tidak selalu terlihat dalam perhitungan efisiensi. Perusahaan tetap membutuhkan analis berpengalaman, manajer yang memahami operasional, dan tenaga ahli yang mampu menghadapi persoalan kompleks. Mereka menginginkan orang yang memiliki jam terbang, mampu mengambil keputusan, dan memahami situasi yang tidak selalu dapat dijelaskan dalam prosedur. Pertanyaannya, dari mana orang-orang berpengalaman itu akan muncul jika pekerjaan yang selama ini menjadi tempat belajar justru semakin sedikit tersedia?

Persoalannya bukan sekadar kemungkinan berkurangnya lowongan pekerjaan bagi lulusan baru. Ada risiko yang lebih panjang ketika perusahaan mengurangi kebutuhan pekerja pemula tanpa memikirkan bagaimana kemampuan profesional akan dibentuk. Pengalaman tidak muncul secara otomatis ketika seseorang telah bekerja selama lima atau sepuluh tahun. Ia berkembang melalui keterlibatan dalam persoalan nyata, kesalahan yang diperbaiki, keputusan yang diuji, dan pemahaman yang terbentuk secara bertahap.

Pekerjaan Entry-Level Bukan Sekadar Pekerjaan Sederhana

Pekerjaan entry-level merupakan posisi awal karier yang umumnya memberikan kesempatan bagi seseorang untuk memahami dasar-dasar profesinya. Tugas yang diberikan sering terlihat administratif, berulang, dan tidak terlalu kompleks. Pegawai baru diminta menyiapkan data, memeriksa dokumen, membuat rekap, melakukan pencocokan, atau membantu pekerjaan senior. Dari sisi produktivitas, sebagian aktivitas tersebut memang menjadi kandidat yang masuk akal untuk otomatisasi karena memiliki pola yang relatif jelas.

Namun pekerjaan awal sebenarnya memiliki dua fungsi sekaligus. Bagi perusahaan, pekerjaan tersebut menghasilkan output yang dibutuhkan untuk menjalankan bisnis. Bagi pekerja baru, pekerjaan yang sama menjadi kesempatan memahami bagaimana organisasi bekerja. Ketika seseorang menelusuri transaksi, ia mulai mengenali alur pencatatan dan sumber kesalahan. Ketika membantu menangani pelanggan, ia belajar memahami persoalan yang tidak selalu muncul dalam materi pelatihan.

Pengalaman tersebut mungkin terlihat kecil jika dinilai dari hasil pekerjaannya saja. Menyiapkan bahan rapat, misalnya, bukan aktivitas yang terdengar strategis. Namun melalui proses tersebut seseorang mulai mengetahui informasi apa yang dianggap penting, mengapa beberapa angka dipertanyakan, dan bagaimana manajemen menggunakan laporan untuk mengambil keputusan. Pengetahuan seperti ini sering terbentuk secara bertahap tanpa pernah menjadi bagian eksplisit dari deskripsi pekerjaan.

Tentu tidak semua aktivitas manual harus dipertahankan. Memindahkan angka dari satu spreadsheet ke spreadsheet lain selama berjam-jam bukan syarat mutlak untuk menjadi analis yang baik. Akan tetapi, ketika seluruh rangkaian pekerjaan langsung diserahkan kepada AI, perusahaan perlu memastikan bahwa pengalaman belajar yang terkandung di dalamnya tidak ikut menghilang. Menghapus aktivitas mekanis dapat meningkatkan efisiensi, tetapi menghapus seluruh kesempatan memahami proses dapat menimbulkan persoalan yang berbeda.

Menjadi Ahli Tidak Cukup Hanya dengan Mengetahui Jawaban

Ada perbedaan antara memahami bagaimana sebuah pekerjaan seharusnya dilakukan dan mampu melakukannya ketika menghadapi situasi yang tidak ideal. Seseorang dapat mempelajari analisis keuangan melalui buku, video, atau bantuan AI. Ia mungkin mengetahui rumus, memahami definisi, dan mampu menyusun laporan yang terlihat profesional. Namun pengetahuan tersebut belum tentu membuatnya mampu mengenali masalah ketika data tidak lengkap, informasi saling bertentangan, atau kondisi bisnis berbeda dari contoh yang pernah dipelajari.

Dalam pekerjaan keuangan, misalnya, seorang analis pemula dapat memahami bahwa kenaikan biaya perlu diperiksa. Setelah terlibat dalam beberapa pembahasan kinerja, ia mulai mengetahui bahwa biaya yang meningkat tidak selalu berarti pemborosan. Kenaikan dapat berasal dari pertumbuhan volume bisnis, perubahan harga, penambahan kapasitas, atau proses yang memang tidak efisien. Kemampuan membedakan berbagai penyebab tersebut semakin matang ketika ia berhadapan langsung dengan data, keputusan, dan orang-orang yang menjalankan operasional perusahaan.

Pengalaman semacam ini membentuk pengetahuan praktis yang tidak seluruhnya mudah dituangkan dalam instruksi tertulis. Seorang profesional berpengalaman terkadang mampu mengenali sesuatu yang janggal sebelum mengetahui penyebab pastinya. Kepekaan tersebut bukan kemampuan misterius, melainkan hasil dari berbagai persoalan yang pernah dihadapi. Ia telah melihat bagaimana dugaan awal dapat keliru, bagaimana informasi baru mengubah kesimpulan, dan bagaimana keputusan yang tampak masuk akal di atas kertas menghasilkan konsekuensi berbeda dalam praktik.

Karena itu, keahlian tidak cukup dinilai dari lamanya seseorang bekerja atau banyaknya pengetahuan yang dimiliki. Yang lebih menentukan adalah jenis persoalan yang pernah dihadapi, keputusan yang pernah dipertimbangkan, dan seberapa jauh seseorang memahami konsekuensi pekerjaannya. AI dapat mempercepat akses terhadap pengetahuan, tetapi pengalaman profesional juga membutuhkan kesempatan untuk menerapkan pengetahuan tersebut dalam situasi nyata. Kemampuan menghasilkan jawaban yang baik belum tentu sama dengan kemampuan mempertanggungjawabkan jawaban tersebut.

Ketika Semua Perusahaan Hanya Menginginkan Tenaga Berpengalaman

Dari sudut pandang satu perusahaan, mengurangi perekrutan pekerja junior dapat terlihat sebagai keputusan yang rasional. Jika sebagian pekerjaan dasar sudah dapat ditangani AI dan beberapa pegawai senior, kebutuhan menambah tenaga kerja baru mungkin menjadi lebih kecil. Perusahaan dapat menghemat biaya rekrutmen, pelatihan, supervisi, dan waktu untuk memperbaiki kesalahan. Manfaat tersebut relatif lebih mudah terlihat dibandingkan nilai pengalaman yang mungkin baru dibutuhkan beberapa tahun kemudian.

Namun kebutuhan perusahaan hari ini tidak selalu sama dengan kebutuhan masa depan. Pegawai senior dapat berpindah, pensiun, atau memperoleh tanggung jawab yang lebih besar. Bisnis juga dapat berkembang dan menghadapi persoalan baru yang membutuhkan kemampuan lebih kompleks. Pada saat itulah perusahaan membutuhkan orang yang sudah memiliki pengalaman menghadapi berbagai kondisi operasional, bukan sekadar mampu mengikuti prosedur.

Sekarang pertimbangkan jika semakin banyak perusahaan mengambil keputusan yang sama. Mereka mengurangi kesempatan kerja pemula karena AI dapat menangani tugas dasar, kemudian memilih merekrut orang yang sudah memiliki pengalaman. Dalam jangka pendek, pilihan tersebut mungkin tetap berjalan karena tenaga profesional berpengalaman masih tersedia di pasar kerja. Namun jika kesempatan memperoleh pengalaman awal terus menyempit, siapa yang akan membentuk generasi tenaga ahli berikutnya?

Di sinilah muncul persoalan regenerasi keahlian. Setiap perusahaan ingin mendapatkan tenaga berpengalaman, tetapi tidak semua perusahaan memiliki insentif yang cukup besar untuk menanggung biaya pembentukannya. Satu perusahaan mungkin merasa lebih efisien dengan merekrut tenaga ahli yang telah dilatih perusahaan lain. Namun jika semakin banyak organisasi memilih strategi serupa, kesempatan bagi pekerja baru untuk memperoleh pengalaman dapat menjadi semakin terbatas. Keputusan yang masuk akal bagi satu perusahaan belum tentu menghasilkan kondisi yang sehat bagi pasar tenaga kerja secara keseluruhan.

Risiko tersebut tidak berarti AI pasti akan menyebabkan kekurangan tenaga ahli. Teknologi juga dapat menciptakan pekerjaan baru dan membantu pekerja pemula mengembangkan kemampuan lebih cepat. Namun kemungkinan itu tidak menghapus kebutuhan untuk merancang jalur pengembangan kompetensi. Perusahaan tetap perlu memikirkan bagaimana seseorang dapat bergerak dari tingkat pemula menuju tingkat profesional ketika bentuk pekerjaan awal terus berubah.

AI Seharusnya Mengubah Cara Pekerja Pemula Belajar

Perubahan pada pekerjaan entry-level tidak harus dijawab dengan mempertahankan seluruh tugas lama. Justru kemajuan AI membuka kesempatan untuk merancang pengalaman belajar yang lebih baik. Pegawai baru dapat menggunakan AI untuk memahami konsep, membandingkan pendekatan, memperoleh umpan balik awal, dan berlatih menghadapi berbagai contoh persoalan. Waktu yang dahulu habis untuk pekerjaan mekanis dapat dialihkan ke aktivitas yang membantu mereka memahami masalah secara lebih mendalam.

Namun menggunakan AI sebagai alat belajar berbeda dengan menjadikannya pengganti seluruh proses belajar. Ketika AI langsung memberikan kesimpulan, pekerja baru mungkin tidak mengetahui mengapa alternatif lain ditolak. Ketika sistem otomatis menemukan kesalahan, ia mungkin tidak memahami bagaimana kesalahan tersebut muncul. Jika semua jawaban sudah disediakan, kesempatan untuk membangun pertanyaan dan menguji dugaan sendiri juga dapat berkurang.

Karena itu, perusahaan perlu mendesain ulang pekerjaan awal berdasarkan kemampuan yang ingin dibentuk, bukan hanya berdasarkan tugas yang masih belum dapat diotomatisasi. Jika rekonsiliasi rutin sudah berjalan otomatis, pegawai baru dapat dilibatkan dalam investigasi transaksi yang tidak cocok. Jika AI membantu menyusun laporan kinerja, mereka dapat diminta menelusuri perubahan yang paling material, menguji penjelasannya, dan berdiskusi dengan unit operasional. Jika sistem membantu merangkum keluhan pelanggan, pegawai baru tetap dapat mempelajari alasan pelanggan tidak puas serta bagaimana penyelesaiannya memengaruhi kualitas layanan.

Pendekatan tersebut memungkinkan pekerjaan mekanis berkurang tanpa menghilangkan seluruh pengalaman yang membangun pemahaman. Akan tetapi, perubahan ini juga membutuhkan keterlibatan pegawai senior dan manajer. Ketika AI sudah mampu menyediakan jawaban awal, pembimbing perlu mengajarkan bagaimana jawaban tersebut diperiksa, mengapa suatu kesimpulan dianggap masuk akal, dan kapan sebuah rekomendasi sebaiknya tidak diikuti. Pekerja baru perlu diberi ruang untuk mengajukan dugaan, menemukan kesalahan, menerima koreksi, dan memahami konsekuensi keputusan.

Cara perusahaan menilai perkembangan pekerja juga perlu berubah. Kecepatan menyelesaikan tugas dan jumlah laporan yang dihasilkan tetap berguna, tetapi tidak cukup menunjukkan kematangan profesional. Perusahaan perlu melihat apakah seseorang mampu menjelaskan penyebab masalah, mengenali informasi yang tidak konsisten, mempertimbangkan alternatif, dan menghadapi situasi baru. Kemampuan menghasilkan analisis yang terlihat matang dengan bantuan AI tidak selalu sama dengan kemampuan mempertanggungjawabkan logika di balik analisis tersebut.

Efisiensi Hari Ini Tidak Boleh Mengorbankan Tenaga Ahli Masa Depan

Perkembangan AI akan terus mengubah pekerjaan awal karier. Sebagian tugas administratif mungkin semakin sedikit membutuhkan manusia, sementara bentuk pekerjaan lain dapat muncul mengikuti perubahan teknologi dan kebutuhan bisnis. Tidak ada alasan untuk mempertahankan seluruh proses manual hanya agar pegawai baru tetap memiliki sesuatu untuk dikerjakan. Namun perusahaan juga tidak seharusnya menganggap bahwa hilangnya pekerjaan dasar otomatis akan diikuti oleh munculnya kemampuan yang lebih tinggi.

Tenaga kerja bukan hanya kapasitas untuk menghasilkan output hari ini. Di dalamnya terdapat kemampuan yang sedang berkembang dan akan menentukan kualitas organisasi beberapa tahun mendatang. Ketika keputusan otomatisasi hanya dinilai dari penghematan biaya dan peningkatan produktivitas jangka pendek, manfaat pembelajaran mudah terabaikan karena belum terlihat dalam laporan keuangan. Padahal kebutuhan tenaga ahli masa depan bergantung pada kesempatan yang tersedia bagi seseorang untuk membangun pengalaman hari ini.

Karena itu, persoalan utama pekerjaan entry-level di era AI bukan sekadar berapa banyak pekerjaan pemula yang akan digantikan teknologi. Pertanyaan yang lebih penting adalah bagaimana organisasi tetap menyediakan jalur pembelajaran yang memungkinkan pekerja baru berkembang menjadi tenaga profesional. Sebagian aktivitas dapat diotomatisasi, tetapi pengalaman menghadapi persoalan nyata, menerima umpan balik, dan membangun penilaian profesional perlu tetap dirancang dengan sengaja.

Perusahaan tentu ingin memiliki analis, manajer, dan tenaga ahli yang mampu menyelesaikan masalah kompleks. Namun kemampuan tersebut tidak muncul begitu saja ketika sebuah posisi senior harus diisi. Ada proses panjang yang membuat seseorang berkembang dari memahami aturan menjadi mampu menghadapi situasi yang tidak selalu mengikuti aturan. Jika AI mengubah pekerjaan yang selama ini menjadi pintu masuk menuju keahlian, perusahaan juga harus mengubah cara membangun keahlian tersebut.

Sebab jika semua organisasi hanya menginginkan orang yang sudah berpengalaman, pada suatu saat kita perlu menjawab pertanyaan yang lebih mendasar:

Siapa yang masih bersedia memberi mereka kesempatan untuk memperoleh pengalaman?