Analisis OpenAI terhadap lebih dari 800.000 kueri ChatGPT terkait pekerjaan menunjukkan bahwa 43,5% permintaan tingkat spesialis ditangani oleh pengguna di luar peran pekerjaan utama mereka, sebuah tren yang disebut perusahaan sebagai “task crossover”. Temuan ini penting karena menandakan perubahan cepat dalam cara bisnis menempatkan tenaga ahli dan cara individu mendefinisikan kemampuan profesional mereka.

Data di balik “task crossover”

OpenAI memetakan setiap kueri ke pekerjaan standar menggunakan database pekerjaan AS, O*NET. Setelah mengesampingkan aktivitas umum seperti penyusunan email atau penjadwalan, studi ini berfokus pada kompetensi tingkat tinggi yang biasanya memerlukan pelatihan khusus domain. Dari kueri yang tersisa, hampir setengahnya meminta ChatGPT untuk melakukan tugas yang termasuk dalam kategori profesional yang berbeda dari kategori pengguna itu sendiri.

Di mana pergeseran ini terjadi

Persilangan ini melonjak di bidang pemasaran dan teknik.

  • Profesional pemasaran beralih ke ChatGPT untuk pemecahan masalah teknis dan analisis data—tugas yang biasanya ditangani oleh insinyur atau ilmuwan data.
  • Insinyur meminta model tersebut untuk meninjau kontrak dan mengatasi masalah situs web, peran yang secara tradisional diisi oleh tim hukum atau tim front-end.

Bisnis kecil memperkuat pola ini. Dengan anggaran yang terbatas untuk tenaga ahli, seorang karyawan dapat menggunakan ChatGPT sebagai “force multiplier”, menangani berbagai fungsi yang jika tidak ada AI, akan memerlukan beberapa karyawan baru.

Mengapa persilangan ini penting bagi pekerjaan dan AI

Data tersebut menunjukkan adanya pergeseran dari “spesialis” menjadi “generalis yang diperkuat AI” (augmented generalist). Seiring dengan berkembangnya pembuatan prompt (prompt-crafting) menjadi keahlian tersendiri, pengetahuan yang terkotak-kotak secara mendalam mungkin akan digantikan oleh fleksibilitas yang diperkuat AI. Para pendiri dan pengembang kini merasa tertekan untuk mendorong model bahasa besar (LLM) melampaui sekadar pembuatan teks sederhana dan memberikan penalaran dengan akurasi tinggi dalam bidang hukum, keuangan, atau teknik. Menurunkan hambatan pada tugas-tugas teknis dapat membentuk kembali proses perekrutan, pelatihan, dan bahkan jabatan pekerjaan.

Risiko dan argumen penentang

Tidak semua orang menyambut baik pergeseran ini. Para kritikus memperingatkan bahwa mendelegasikan pekerjaan spesialis kepada AI dapat mengikis keahlian, menimbulkan kesalahan tersembunyi, dan mengekspos organisasi pada risiko kepatuhan. Studi ini tidak melacak seberapa sering hasil buatan AI divalidasi, juga tidak mengukur potensi biaya dari kesalahan di domain berisiko tinggi seperti hukum kontrak atau desain teknik. Kekhawatiran tersebut menunjukkan bahwa meskipun AI dapat memperluas kemampuan, ia juga dapat menciptakan rasa kompetensi yang semu.

Apa yang perlu diperhatikan selanjutnya

  • Pengembangan alat: Pembaruan LLM di masa depan harus meningkatkan penalaran khusus domain dan pemeriksaan kesalahan untuk memenuhi tuntutan task crossover.
  • Kebijakan organisasi: Perusahaan mungkin akan menyusun pedoman internal baru untuk pekerjaan berbantuan AI, terutama di sektor-sektor yang diatur secara ketat.
  • Sinyal pasar tenaga kerja: Perekrut mungkin mulai mencantumkan “AI-augmented generalist” sebagai kompetensi, dan program pelatihan mungkin akan beralih ke keterampilan prompt-engineering.

Poin Penting

  • Task crossover mencakup 43,5% dari kueri spesialis, yang menunjukkan tumpang tindih fungsi profesional yang substansial.
  • Pemasaran dan teknik memimpin pergeseran ini, menggunakan AI untuk tugas-tugas yang secara tradisional milik spesialisasi lain.
  • Bisnis kecil mengandalkan AI untuk mengisi celah talenta, secara efektif mengubah satu karyawan menjadi operator multidisiplin.
  • Tren ini menghadirkan peluang sekaligus risiko, yang memicu seruan untuk validasi AI yang lebih kuat dan norma tempat kerja yang baru.