Pemerintah menilai peluang ekonomi AI untuk menciptakan jutaan pekerjaan baru menjelang 2026

Menjelang 2026, perdebatan tentang AI cenderung terjebak pada dua kubu: yang melihatnya sebagai “pemangkas” tenaga kerja dan yang menganggapnya sebagai mesin pertumbuhan. Namun arah pembicaraan mulai bergeser ketika pemerintah menempatkan AI bukan semata teknologi, melainkan infrastruktur produktivitas—sejenis listrik baru bagi ekonomi digital. Narasi ini menguat setelah Menteri Komunikasi dan Digital Meutya Hafid menekankan bahwa otomatisasi memang berpotensi menggeser sebagian peran, tetapi pada saat yang sama dapat membuka skala peluang yang lebih besar. Di tingkat global, proyeksi yang kerap dibahas menyebut puluhan juta pekerjaan bisa berubah atau hilang, sementara jenis kerja yang lahir juga tak kalah besar. Bagi Indonesia, kuncinya bukan memilih “takut atau tidak”, melainkan menyiapkan jalur transisi agar jutaan orang dapat pindah ke kompetensi yang lebih relevan, dari pekerja rutin menjadi pengawas kualitas, analis data, perancang layanan, hingga operator sistem cerdas.

Di lapangan, pembahasan AI juga tidak bisa dilepaskan dari isu pemerataan akses. Internet murah, data center, listrik andal, literasi keamanan siber, dan etika penggunaan algoritma menjadi prasyarat agar keuntungan tidak hanya dirasakan kota besar. Ketika negara menyiapkan Peta Jalan Nasional AI yang ditargetkan menjadi pedoman lintas sektor, dunia usaha dan kampus ditantang membangun kemitraan yang lebih pragmatis: kurikulum yang cepat diperbarui, program magang berbasis proyek, dan sertifikasi mikro. Pertanyaannya sederhana: jika AI bisa mempercepat proses, siapa yang memastikan percepatan itu menghasilkan kerja bernilai tambah, bukan sekadar menekan biaya? Jawabannya ada pada kebijakan, kesiapan talenta, dan keberanian mengarahkan AI untuk kebutuhan lokal.

En bref

• Pemerintah memosisikan AI sebagai pengungkit ekonomi dan produktivitas, bukan sekadar ancaman bagi tenaga kerja.
• Proyeksi global sering menyebut sekitar 85 juta peran kerja berpotensi tergeser, sementara 90 juta peran baru dapat muncul—tantangannya adalah transisi keterampilan.
• Peta Jalan Nasional AI ditargetkan menjadi rujukan lintas sektor dan diharapkan terbit melalui Peraturan Presiden pada awal 2026.
• Pemerataan akses digital, termasuk pemanfaatan spektrum 1,4 GHz untuk internet lebih terjangkau, dipandang krusial agar manfaat AI inklusif.
• Fokus kebijakan bergeser ke ekosistem: talenta, data, energi, etika, keamanan, dan pembiayaan inovasi yang bisa menciptakan jutaan pekerjaan baru.

Pemerintah melihat peluang ekonomi AI untuk menciptakan jutaan pekerjaan baru menjelang 2026

Dalam pembacaan kebijakan terbaru, pemerintah menilai perubahan yang dibawa AI mirip gelombang besar digitalisasi: menggeser pekerjaan tertentu, tetapi juga memperluas ruang profesi yang sebelumnya tidak dikenal. Pernyataan Menkomdigi Meutya Hafid—yang menekankan bahwa AI perlu diwaspadai namun tidak ditakuti—menggambarkan pendekatan yang lebih dewasa: fokus pada desain transisi, bukan panik pada disrupsi. Secara global, angka yang sering dikutip menyebut sekitar 85 juta pekerjaan berpotensi tergantikan oleh otomatisasi, sementara sekitar 90 juta pekerjaan baru bisa terbentuk. Dalam konteks kebijakan Indonesia, angka ini dibaca sebagai sinyal bahwa yang “hilang” bukan semata lapangan kerja, melainkan tugas-tugas repetitif; sementara yang “lahir” biasanya gabungan tugas yang memerlukan penilaian, kreativitas, layanan, dan pengawasan sistem.

Yang penting adalah bagaimana narasi tersebut diterjemahkan menjadi agenda praktis. Satu contoh: perusahaan ritel yang dulu mempekerjakan staf untuk entri data stok kini beralih ke sistem prediksi permintaan berbasis AI. Apakah berarti tenaga lama habis? Tidak selalu. Banyak yang bisa dialihkan menjadi pengawas kualitas data, koordinator pemenuhan pesanan, atau petugas layanan pelanggan yang didukung chatbot. Dalam skenario ini, AI bukan menggantikan manusia, melainkan memindahkan titik berat ke pekerjaan yang menuntut empati, keputusan cepat, dan penanganan kasus unik—hal-hal yang sulit diselesaikan sepenuhnya oleh model algoritmik.

Optimisme publik Indonesia juga disebut relatif tinggi dalam berbagai survei penerimaan teknologi. Sikap “tidak takut berlebihan” bisa menjadi modal sosial, tetapi juga memiliki risiko: adopsi yang terlalu cepat tanpa literasi dapat memicu masalah keamanan data atau bias keputusan. Karena itu, arah kebijakan yang menekankan “AI sebagai alat bantu yang memperkuat manusia” menjadi penting. Jika AI dipakai untuk mempercepat proses rekrutmen misalnya, maka harus ada audit fairness agar kandidat dari daerah, perempuan, atau penyandang disabilitas tidak tersisih oleh data historis yang timpang.

Menariknya, pembahasan ekonomi AI juga bersinggungan dengan dinamika global: pasokan chip, ketegangan geopolitik, serta stabilitas rantai pasok energi. Situasi konflik dan negosiasi internasional dapat memengaruhi biaya impor teknologi dan harga energi, yang akhirnya berdampak pada biaya komputasi AI. Dalam konteks itu, pembaca bisa melihat bagaimana isu global beresonansi pada kebijakan domestik lewat ulasan seperti dampak perundingan konflik Ukraina pada ekonomi, yang mengingatkan bahwa strategi AI perlu tangguh menghadapi volatilitas.

Untuk menjaga konsistensi arah, Peta Jalan Nasional AI yang ditargetkan terbit awal 2026 diposisikan sebagai kompas lintas sektor—kesehatan, pendidikan, pertanian, manufaktur, layanan publik. Dengan pedoman tersebut, setiap kementerian/lembaga dapat punya definisi yang sama tentang prioritas: data yang aman, tata kelola model, standar interoperabilitas, dan target peningkatan produktivitas. Insight penutupnya jelas: AI tidak otomatis menciptakan kesejahteraan; kesejahteraan muncul ketika kebijakan membuat transisi kerja menjadi mungkin dan terukur.

Studi kasus naratif: “Sari” dan bengkel UMKM yang naik kelas lewat AI

Bayangkan Sari, pemilik bengkel jahit kecil di pinggiran kota yang menerima pesanan seragam sekolah. Dulu, ia sering rugi karena salah memperkirakan kain dan waktu pengerjaan. Setelah bergabung dengan program pelatihan digital lokal, Sari memakai aplikasi sederhana yang memprediksi kebutuhan bahan, mengatur antrian kerja, dan menawarkan template desain. Ia tidak memecat penjahit; ia justru menambah satu peran baru: admin pesanan online yang mengelola katalog, foto, dan ulasan pelanggan. Sari juga menunjuk satu pekerja senior sebagai pemeriksa kualitas akhir, karena produksi meningkat dan kontrol mutu jadi krusial.

Kasus seperti ini menggambarkan pergeseran kerja yang lebih realistis ketimbang narasi “robot mengambil semua pekerjaan”. AI meningkatkan kapasitas produksi, lalu memunculkan pekerjaan pendukung: pengelola konten, kurator desain, operator marketplace, hingga koordinator logistik. Jika pola ini direplikasi di ribuan UMKM, maka target menciptakan jutaan peluang kerja tidak lagi terdengar utopis—tetapi bergantung pada akses pelatihan, perangkat, dan koneksi.

Di titik inilah kebijakan akses digital menjadi faktor penentu. Ketika spektrum 1,4 GHz dilelang untuk memperluas internet yang lebih murah dan merata, tujuan akhirnya bukan sekadar “sinyal kuat”, melainkan biaya transaksi yang turun bagi pelaku usaha kecil. Poin akhirnya: produktivitas yang naik akan selalu menuntut pekerjaan yang lebih baik—asal transisi keterampilan dipersiapkan sejak awal.

Peta Jalan Nasional AI dan regulasi: dari visi pemerintah ke tata kelola yang bisa dieksekusi

Dokumen peta jalan sering dianggap normatif, tetapi untuk AI ia harus operasional. Mengapa? Karena AI tidak hanya “produk”, melainkan rangkaian proses: pengumpulan data, pelabelan, pelatihan model, deployment, pemantauan, dan perbaikan berkelanjutan. Tanpa standar, organisasi bisa terjebak pada penggunaan yang cepat namun rapuh—misalnya model yang bagus saat uji coba, tetapi bermasalah ketika dipakai untuk memutuskan kelayakan kredit atau prioritas layanan kesehatan.

Karena itu, Peta Jalan Nasional AI yang disiapkan untuk menjadi pedoman lintas sektor perlu memuat beberapa lapisan: prinsip etika, tata kelola data, standar keamanan, dan mekanisme akuntabilitas. Dalam praktik, “akuntabilitas” berarti ada pihak yang bertanggung jawab ketika sistem salah. Misalnya, jika sebuah pemerintah daerah memakai AI untuk memetakan bantuan sosial, maka harus ada kanal banding yang jelas bagi warga yang merasa dirugikan, serta audit berkala terhadap kualitas data.

Penting juga membedakan jenis penggunaan AI. Ada AI “low risk” seperti rekomendasi artikel atau otomatisasi ringkas dokumen internal. Ada pula AI “high risk” seperti diagnosis medis, penentuan skor kredit, atau seleksi penerimaan sekolah. Peta jalan yang matang akan mendorong pendekatan berbasis risiko: semakin besar dampaknya pada hak warga, semakin ketat kewajiban transparansi, uji bias, dan pelaporan insiden.

Topik kebijakan AI juga bertemu dengan lanskap makro: pertumbuhan, investasi, dan agenda pembangunan. Saat indikator pertumbuhan dibahas dalam forum global, kebijakan AI sering dikaitkan dengan produktivitas nasional dan daya saing. Pembaca dapat mengaitkan proyeksi ekonomi yang lebih luas melalui rujukan seperti proyeksi pertumbuhan Indonesia menurut OECD, karena adopsi teknologi biasanya dipakai sebagai salah satu motor produktivitas jangka menengah.

Selain itu, regulasi tidak boleh mematikan inovasi. Cara menyeimbangkan: memberi “ruang uji” (sandbox) untuk startup dan instansi, dengan syarat kepatuhan minimum, pelaporan, serta perlindungan data. Misalnya, startup agritech boleh menguji model prediksi panen di satu kabupaten dengan data yang dianonimkan dan persetujuan petani, sambil dievaluasi dampaknya terhadap pendapatan. Pelajaran akhirnya: regulasi yang baik tidak memperlambat, melainkan membuat adopsi lebih aman dan dipercaya.

Kerangka implementasi: indikator, lembaga, dan pembiayaan yang nyambung

Agar peta jalan tidak berhenti sebagai dokumen, ia perlu indikator yang bisa diukur. Contoh indikator: jumlah talenta bersertifikat AI per provinsi, persentase UMKM yang memakai alat analitik dasar, waktu rata-rata layanan publik yang dipangkas lewat otomasi, atau jumlah insiden keamanan data yang berhasil dicegah. Indikator semacam ini membuat janji “AI untuk kesejahteraan” dapat dievaluasi tiap semester.

Dari sisi kelembagaan, koordinasi lintas sektor menjadi kunci. Kementerian yang mengurusi pendidikan fokus pada kurikulum dan pelatihan; yang mengurusi industri fokus pada adopsi manufaktur; yang mengurusi kesehatan pada standar klinis; sementara otoritas perlindungan data dan keamanan siber mengawasi kepatuhan. Tanpa pembagian peran, program pelatihan bisa tidak nyambung dengan kebutuhan industri, atau layanan publik memakai alat yang tidak sesuai standar keamanan.

Pembiayaan juga perlu realistis. Banyak program AI gagal bukan karena idenya buruk, tetapi karena biaya data dan komputasi tidak dihitung. Bahkan aspek fiskal seperti pajak dan insentif dapat memengaruhi investasi teknologi. Dalam konteks 2026, diskusi tentang arah penerimaan negara dan komoditas—misalnya lewat kebijakan pajak ekspor emas—dapat menjadi cermin bahwa kebijakan ekonomi memiliki efek berantai terhadap ruang fiskal untuk mendukung pelatihan dan infrastruktur digital.

Insight penutup bagian ini: peta jalan yang berhasil adalah yang mampu mengubah istilah teknis menjadi daftar kerja lintas lembaga—siapa melakukan apa, kapan, dengan ukuran keberhasilan yang jelas.

Pemerataan akses digital dan infrastruktur: syarat agar peluang pekerjaan baru tidak terkunci di kota besar

Jika AI dipandang sebagai mesin pertumbuhan, maka akses internet dan komputasi adalah “bahan bakar”. Karena itu, agenda pemerataan akses digital menjadi lebih dari sekadar program telekomunikasi; ia adalah kebijakan tenaga kerja. Tanpa koneksi yang stabil dan terjangkau, pelatihan daring sulit diikuti, pekerjaan jarak jauh tidak mungkin, dan UMKM tidak bisa memanfaatkan alat AI untuk pemasaran atau manajemen stok. Pernyataan pemerintah tentang pelelangan spektrum 1,4 GHz untuk mendorong internet yang lebih murah dan merata menunjukkan bahwa kebijakan spektrum dapat diterjemahkan sebagai kebijakan inklusi ekonomi.

Namun koneksi saja tidak cukup. AI butuh ekosistem: perangkat, pusat data, keamanan, dan terutama pasokan energi yang andal. Di sejumlah wilayah, tantangan listrik masih menjadi cerita harian, khususnya ketika bisnis mulai bergantung pada layanan cloud. Ini membuat pembahasan AI terkait erat dengan strategi energi. Gambaran hubungan ini bisa dilihat dari isu seperti AI dan pasokan listrik di Kalimantan, yang menegaskan bahwa transformasi digital tidak berdiri sendiri; ia menempel pada realitas infrastruktur.

Di sinilah muncul kesempatan kerja yang sering luput dibicarakan. Ketika jaringan diperluas, bukan hanya programmer yang dibutuhkan, tetapi juga teknisi jaringan, installer perangkat, operator data center, analis keamanan, serta pelatih literasi digital di tingkat komunitas. Banyak peran ini dapat menyerap tenaga kerja lulusan SMK dan diploma, asalkan ada standar sertifikasi dan jalur karier yang jelas.

Agar dampak AI menyentuh daerah, pemerintah daerah dapat berperan sebagai “penggerak permintaan” lewat pengadaan yang cerdas: membeli layanan yang meningkatkan produktivitas pegawai dan kualitas layanan warga. Misalnya, sistem klasifikasi surat otomatis untuk kantor kecamatan, atau analitik keluhan untuk layanan air minum. Ketika pengadaan dilakukan dengan standar yang benar, startup lokal mendapat pasar, dan pekerjaan lokal bertambah.

Pemerataan juga menyangkut budaya kerja. Banyak inovasi paling cepat lahir dari komunitas yang terbiasa gotong royong—bukan sekadar individu berbakat. Rujukan tentang komunitas gotong royong di Yogyakarta memperlihatkan bagaimana ekosistem sosial dapat menjadi “infrastruktur lunak” bagi adopsi teknologi: orang saling mengajari, berbagi perangkat, dan membangun proyek bersama. Insight akhirnya: akses digital yang merata mengubah AI dari teknologi elitis menjadi alat produktivitas massal.

Contoh program daerah: pusat belajar AI berbasis perpustakaan dan balai desa

Model yang semakin relevan adalah membuat perpustakaan daerah dan balai desa menjadi titik belajar. Skenarionya sederhana: pemerintah menyediakan koneksi stabil, perangkat bersama, dan modul pelatihan pendek. Warga belajar dari hal paling praktis: menulis deskripsi produk yang jujur, membuat katalog, mengelola keuangan sederhana, dan memahami keamanan akun. Dari situ, barulah masuk ke alat yang lebih canggih seperti analitik penjualan, pembuatan materi visual, atau otomasi layanan pelanggan.

Efek ekonomi dari program seperti ini biasanya berlapis. Pertama, UMKM meningkatkan penjualan. Kedua, muncul kebutuhan tenaga “pendamping digital” lokal yang mengajar dan memecahkan masalah teknis harian. Ketiga, anak muda yang tadinya ingin merantau bisa mendapat pekerjaan jasa digital di wilayahnya sendiri. Kalimat kuncinya: pemerataan digital bukan amal teknologi; ia strategi untuk memperluas basis pekerjaan baru secara nasional.

Profesi baru yang lahir dari AI: peta keterampilan, pergeseran tugas, dan strategi reskilling

Pembicaraan tentang pekerjaan sering macet karena orang membayangkan profesi hilang sepenuhnya. Yang lebih sering terjadi adalah “pecah tugas”: bagian rutin diotomasi, bagian kompleks tetap dikerjakan manusia, dan bagian baru muncul untuk mengelola sistem. Dalam dunia layanan pelanggan, misalnya, chatbot menangani pertanyaan berulang, sementara staf manusia fokus pada kasus sensitif: pengembalian dana yang rumit, komplain bernada emosional, atau negosiasi solusi. Perubahan ini menuntut keterampilan komunikasi yang lebih tinggi, bukan lebih rendah.

Agar transisi berjalan halus, pelatihan harus memetakan keterampilan yang bisa dipindahkan. Seorang admin gudang sudah terbiasa teliti, paham alur barang, dan disiplin. Dengan pelatihan tambahan, ia dapat menjadi operator sistem manajemen inventori berbasis AI, memeriksa anomali prediksi, atau mengatur parameter reorder point. Demikian pula staf HR yang terbiasa menyaring CV dapat menjadi auditor sistem rekrutmen untuk memastikan rekomendasi model tidak diskriminatif.

Berikut daftar peran yang realistis muncul atau meningkat kebutuhannya ketika adopsi AI meluas—bukan hanya “data scientist”, tetapi pekerjaan yang lebih dekat dengan operasional:

• AI operations specialist: memastikan model berjalan stabil, memantau drift data, dan melakukan perbaikan rutin.
• Analis kualitas data: memeriksa konsistensi data, mengurangi duplikasi, dan membuat aturan validasi.
• Prompt designer & content supervisor: menyusun instruksi kerja untuk alat generatif dan memeriksa hasil agar sesuai kebijakan.
• Petugas keamanan siber untuk sistem AI: mengawasi akses, mencegah kebocoran, dan menilai risiko serangan.
• Trainer literasi AI komunitas: mengajar penggunaan alat secara aman untuk UMKM, sekolah, dan organisasi warga.
• Penguji bias & kepatuhan: melakukan audit fairness pada model yang dipakai di sektor sensitif.

Peran-peran ini dapat menciptakan tangga karier baru bagi lulusan SMA/SMK hingga sarjana, asalkan ada jalur sertifikasi. Di sinilah peta jalan dan kebijakan pendidikan bertemu: modul singkat berbasis proyek, portofolio nyata, dan pengakuan industri. Misalnya, program 8 minggu untuk “analis kualitas data” yang berakhir dengan proyek membersihkan dataset UMKM lokal, bukan ujian teori semata.

Tabel ringkas: sektor, contoh pemakaian AI, dan peluang kerja baru

Kerangka ini membantu melihat bahwa target jutaan kerja baru bukan hanya soal industri teknologi, melainkan peningkatan kapasitas lintas sektor. Insight penutupnya: strategi reskilling yang berhasil selalu mengikat pelatihan pada tugas nyata dan kebutuhan pasar lokal.

AI, budaya kerja, dan ekonomi daerah: menghubungkan inovasi dengan identitas lokal

Transformasi AI yang berkelanjutan harus selaras dengan konteks sosial-budaya. Indonesia bukan hanya pasar besar, tetapi juga mosaik nilai lokal: adat, bahasa, cara berdagang, sampai pola gotong royong. Ketika alat AI dipakai untuk layanan publik atau bisnis, ia perlu “mengerti” variasi ini—bukan secara mistis, melainkan lewat desain data dan pengalaman pengguna. Misalnya, aplikasi layanan pertanian yang memakai istilah teknis berbahasa Indonesia baku bisa gagal di wilayah yang lebih nyaman dengan istilah lokal. Solusinya bukan sekadar menerjemahkan, melainkan melibatkan komunitas dalam pelabelan data, uji coba, dan penyusunan panduan.

Di daerah yang dekat dengan kawasan hutan adat atau komunitas budaya, AI juga bisa dipakai untuk pelestarian sekaligus ekonomi. Contohnya: pemetaan partisipatif untuk mencegah kebakaran, dokumentasi bahasa dan cerita rakyat, atau sistem pemantauan ekowisata yang mengontrol jumlah pengunjung agar tidak merusak kawasan. Referensi seperti kisah hutan adat dan budaya di Sulawesi relevan untuk melihat bahwa pembangunan tidak selalu berarti industrialisasi agresif; AI dapat menjadi alat tata kelola yang membantu menjaga sumber daya, sekaligus membuka pendapatan baru bagi pemandu lokal, kurator budaya, dan pengelola data komunitas.

Di sisi dunia usaha, perusahaan yang ingin memperluas pasar ke daerah perlu memahami bahwa kepercayaan adalah mata uang utama. Penggunaan AI dalam pemasaran harus transparan, tidak memanipulasi, dan menghormati privasi. Ketika warga merasa aman, mereka lebih bersedia berbagi data yang diperlukan untuk layanan yang lebih baik—misalnya data pola penyakit untuk puskesmas atau data produksi untuk koperasi. Ini menunjukkan bahwa etika bukan penghambat, melainkan fondasi pertumbuhan.

Akhirnya, diskusi AI juga terkait dengan strategi ekonomi daerah yang lebih luas: hilirisasi, perdagangan, dan daya saing komoditas. Ketika kebijakan ekspor dan nilai tambah dibahas, teknologi analitik dan otomasi dapat membantu pelaku usaha mematuhi standar kualitas dan traceability. Dengan demikian, AI berkontribusi pada peningkatan nilai tambah, bukan sekadar efisiensi internal. Insight pamungkas bagian ini: AI yang paling berdampak adalah yang menempel pada kebutuhan lokal—menjaga budaya, memperkuat layanan, dan membuka rantai nilai yang menyerap tenaga kerja setempat.