AI melaju kencang dan dampaknya paling terasa di pekerjaan yang rutin, berbasis aturan, dan sangat bergantung pada software. Di artikel ini, kita bongkar peran spesifik di HR dan IT yang diprediksi paling cepat tergantikan AI, alasannya secara teknis, dampak ke tim, plus strategi adaptasi agar tetap relevan dan naik value. Bahasa santai, tapi akurat dan bisa langsung dipakai buat edukasi/presentasi.
Kenapa peran tertentu rawan tergantikan AI?
Ada pola umum: tugas yang repetitif, rule-based, dan data-first cenderung mudah diotomasi. Jika output bisa dinilai dengan metrik objektif (akurasi, coverage, SLA, waktu respon), mesin makin unggul. Saat prosesnya sudah terdokumentasi rapi dan alat-alatnya standar, otomatisasi jadi murah dan cepat. Di sisi lain, pekerjaan yang perlu judgment kontekstual, empati, negosiasi, dan kreativitas lintas domain—itu yang paling tahan lama.
HR: Penulis Resume
Tugas utama penulis resume adalah merapikan informasi kandidat, memilih kata kunci, dan menyesuaikan format agar lolos screening. Dengan model bahasa, pekerjaan ini bisa diotomasi: ekstraksi pengalaman, penataan struktur, pemilihan keywords ATS, bahkan penyesuaian gaya untuk tiap lowongan. Kualitasnya makin konsisten, cepat, dan murah dibanding proses manual.
- Sifat kerja:
Repetitif, sangat berbasis aturan format dan kata kunci.
- Otomatisasi:
Template adaptif + model bahasa untuk segmentasi pengalaman dan penulisan ringkas.
- Risiko:
Homogenisasi konten, bias kata kunci, kurang menonjolkan keunikan kandidat.
- Nilai tambah manusia:
Kurasi narasi personal, kejujuran capaian, dan penyesuaian strategi karier.
HR: Spesialis Sistem Pelacakan Aplikasi (ATS)
Peran ini fokus pada konfigurasi ATS, mengelola pipeline kandidat, menyaring sesuai filter, dan menjaga kepatuhan proses. AI dapat mengotomasi scoring kandidat, penjadwalan, follow-up, serta pelaporan. Bahkan anomaly detection bisa memantau ketidakwajaran data rekrutmen secara real-time.
- Sifat kerja:
Software-centric, banyak langkah standar dan SLA.
- Otomatisasi:
Ranking kandidat otomatis, smart scheduling, template komunikasi, analitik.
- Risiko:
Bias algoritmik, false negative untuk kandidat non-standar.
- Nilai tambah manusia:
Audit bias, kebijakan inklusi, dan penilaian budaya tim.
IT: Penguji Perangkat Lunak (Software Tester)
Banyak pengujian bersifat berulang: regresi, API contract, dan UI path. Dengan AI + tooling, kita bisa hasilkan test cases, data sintetis, dan self-healing untuk test flakiness. Integrasi ke CI/CD membuat cakupan tinggi dengan waktu eksekusi pendek dan laporan otomatis.
- Sifat kerja:
Rule-based, checklist-driven, metrik jelas (coverage, fail/pass).
- Otomatisasi:
Generative tests, visual regression, prioritization berbasis risiko.
- Risiko:
Blind spot pada skenario real-life yang tidak terdokumentasi.
- Nilai tambah manusia:
Exploratory testing, penilaian UX, dan interpretasi kejadian edge-case.
IT: Spesialis Dukungan Teknis (Technical Support)
Dukungan level 1 sering berurusan dengan pertanyaan standar dan prosedur yang berulang. Chatbot dan asisten AI bisa menjawab cepat, mengarahkan ke artikel, dan mengumpulkan log untuk eskalasi. Manusia tetap penting untuk kasus sensitif, multi-lapis, atau yang butuh empati dan negosiasi.
- Sifat kerja:
Rule-based, berbasis knowledge base dan SOP.
- Otomatisasi:
Chatbot, auto-triage, analisis tiket, dan saran perbaikan instan.
- Risiko:
Pengalaman kurang personal, salah interpretasi konteks emosional.
- Nilai tambah manusia:
Resolusi kompleks, komunikasi empatik, dan koordinasi lintas tim.
Dampak ke organisasi dan tenaga kerja
Perubahan ini biasanya memicu pergeseran peran bukan sekadar pengurangan jumlah orang. Pekerjaan bergeser ke arah ops automation, pengawasan kualitas, kebijakan, dan pengalaman pengguna. Tim akan mengejar metrik outcome (kepuasan kandidat/pengguna, waktu penyelesaian, biaya per kasus) alih-alih sekadar jumlah tugas yang diselesaikan. Komunikasi lintas fungsi (HR, IT, Legal, Security) jadi krusial.
Strategi adaptasi: tetap relevan dan naik value
Upskilling teknis
- Automasi alur kerja:
Belajar CI/CD, scripting, dan integrasi API untuk memangkas pekerjaan manual.
- Data & metrik:
Pahami logging, observability, dan interpretasi laporan agar keputusan berbasis bukti.
- Tooling modern:
Eksplor ATS modern, test frameworks, dan chatbot platform dengan kontrol kualitas.
Skill manusia yang tahan lama
- Empati & komunikasi:
Mampu merespons konteks emosional, menjelaskan keputusan, dan membangun kepercayaan.
- Problem framing:
Merumuskan masalah yang tepat agar solusi teknis benar-benar relevan dan etis.
- Kebijakan & etika:
Mencegah bias, menjaga inklusi, dan memastikan kepatuhan regulasi.
Checklist human-in-the-loop
- Definisikan batas AI:
Tugas apa yang boleh diotomasi, dan kapan manusia harus mengambil alih.
- Audit kualitas rutin:
Sampling hasil, pengukuran akurasi, dan evaluasi bias setiap siklus.
- Escalation path jelas:
Rute cepat untuk kasus kompleks, sensitif, atau berisiko tinggi.
- Transparansi ke pengguna:
Beritahu kapan mereka berinteraksi dengan AI, dan bagaimana mengakses bantuan manusia.
Rencana belajar 4 minggu
Minggu 1: Dasar otomatisasi
Target: pahami prinsip otomasi, pilih satu alat (ATS/test framework/chatbot), dan buat proof of concept sederhana.
Minggu 2: Data & pelaporan
Target: set log & metrik, bangun laporan berkala, dan lakukan review hasil untuk perbaikan berkelanjutan.
Minggu 3: Etika & kebijakan
Target: susun kebijakan bias dan privasi, tetapkan SOP eskalasi, dan buat panduan komunikasi ke pengguna.
Minggu 4: Integrasi & scale
Target: integrasikan ke proses tim, latih rekan kerja, dan dokumentasikan playbook end-to-end.
Penutup: realistis, manusiawi, dan berdaya
AI bukan akhir dari profesi, tapi akhir dari cara lama mengerjakan pekerjaan yang bisa distandarkan. Fokuslah pada area yang menuntut empati, kejelasan, dan perspektif lintas konteks. Dengan strategi yang tepat, kita bukan hanya bertahan—kita naik kelas, memberi nilai yang lebih besar untuk tim dan pengguna.