Ini adalah era kecerdasan buatan, penuh dengan paradoks — paradoks prediksi, paradoks kuantifikasi pekerjaan, paradoks produktivitas, paradoks nilai data, paradoks revolusi industri... Kita bergerak maju di tengah paradoks.
Paradoks Prediksi
Masa depan kecerdasan buatan tampaknya selalu sulit diprediksi secara akurat, baik oleh peraih Penghargaan Turing, peraih Nobel, maupun pengusaha dan wirausahawan. Mereka sering membuat penilaian yang tidak realistis atau terlalu konservatif. Inilah paradoks prediksi kecerdasan buatan.
Dalam sejarah, para pelopor seperti Marvin Minsky, Allen Newell, Herbert Simon pernah membuat prediksi yang mengejutkan. Misalnya, Marvin Minsky pada 1970 menyatakan: "Dalam tiga hingga delapan tahun, kita akan memiliki mesin dengan kecerdasan rata-rata manusia." Hingga kini kita masih berusaha mencapainya.
Geoffrey Hinton adalah tokoh paling berpengaruh saat ini, dijuluki "Bapak AI". Pada 2016 ia memprediksi: "Pelatihan ahli radiologi harus segera dihentikan. Sudah jelas, dalam lima tahun, pembelajaran mendalam akan melampaui kinerja ahli radiologi." Prediksi itu tidak terwujud, kenyataannya justru berkembang ke arah sebaliknya, jumlah dan pendapatan ahli radiologi di AS meningkat pesat dalam dekade terakhir.
Posisi Demis Hassabis setara dengan Hinton, dia menyatakan (2025): "Dalam sekitar sepuluh tahun ke depan, AI mungkin membantu menyembuhkan semua penyakit." Sebagai pengusaha AI paling sukses, Amodei (2025) percaya AI dapat menggandakan umur manusia dalam 5-10 tahun. Untuk prediksi jangka pendek ini, mari kita lihat.
Itulah prediksi dari 6 tokoh paling terkenal. Dari segi topik, AGI adalah yang paling diminati saat ini. Penilaian kelompok pengusaha dan akademisi mengenai waktu tercapainya AGI menunjukkan perbedaan yang jelas. Pengusaha sangat optimis, bahkan mengira akan segera terwujud. Ada 4 kategori utama: 1 sudah datang (berada di dalamnya tanpa sadar), 2 akan datang segera (satu dua tahun), 3 akan datang dalam jangka pendek (tiga lima tahun), 4 akan datang dalam jangka panjang (lima hingga sepuluh tahun, bahkan lebih lama). Beberapa penilaian ini sudah terbukti salah, beberapa masih perlu diuji oleh waktu. Seperti tabel di bawah ini. Penilaian akademisi umumnya pesimis, bahkan menganggap AGI adalah topik palsu, tidak akan pernah datang. Misalnya, Iris van Rooij menyatakan (2024): "Menciptakan AGI dengan kemampuan kognitif setara manusia adalah hal yang mustahil."
Tabel Prediksi CEO Perusahaan AI Terkenal tentang Waktu Kedatangan AGI Sumber: Diolah Tencent Research Institute, Mei 2026
Orang suka memprediksi. Ada yang untuk promosi, menyemangati diri sendiri, ada yang untuk makalah dan proyek, ada pula sekadar perdebatan. Faktanya, tidak ada yang tahu seperti apa masa depan. Masa depan tidak mengikuti naskah yang sudah ditetapkan, ia ditentukan oleh pilihan dan tindakan banyak orang, dibentuk oleh pemutusan total dengan masa lalu, penuh kebetulan dan paradoks. Seperti seekor babi yang hidup tenang, tak bisa memprediksi angsa hitam Tahun Baru Imlek.
Paradoks Kuantifikasi Pekerjaan
Dampak teknologi terhadap pekerjaan adalah ilmu yang nyata, sekaligus ilmu yang misterius. Ini topik lama, seperti hantu, berkeliaran selama ratusan tahun. Semua orang mengetahuinya, cendekiawan bisa membicarakannya dengan santai, orang awam juga bisa ikut serta. Batas bawahnya sangat rendah, batas atasnya sangat tinggi, orang-orang berdebat tak henti, pendapat beragam. Beberapa tahun terakhir, para akademisi dan lembaga beralih ke "berbicara dengan data", mencoba membuktikan keunggulan mereka dengan metode yang tampak ilmiah, ketat, dan canggih. Organisasi internasional seperti OECD, IMF, Forum Ekonomi Dunia, UNCTAD, ILO, Bank Dunia, serta konsultan seperti Goldman Sachs, McKinsey, Pew Research Center, semuanya merilis laporan perkiraan dampak AI terhadap pekerjaan. Seperti tabel di bawah ini.
Tabel Sebagian Hasil Perhitungan Kuantitatif Dampak AI terhadap Pekerjaan
Masing-masing laporan cukup berbobot, bahkan dianggap sebagai pedoman. Namun bila laporan-laporan ini dilihat bersama, ditemukan hasil perhitungannya sangat berbeda, umumnya berada di kisaran 0,4%-67%, hampir tidak dapat dibandingkan. Membuat orang terbebas dari pesona.
Prasyarat perhitungan kuantitatif pekerjaan adalah kemampuan memahami denyut nadi perkembangan teknologi dengan tepat. Seperti disebutkan sebelumnya, para tokoh teknologi besar pun belum bisa memprediksi perkembangan teknologi AI secara akurat, bagaimana ekonom bisa mengukur dampak AI terhadap pekerjaan? Hanya bisa berasumsi teknologi diam atau berkembang dengan kecepatan yang ditetapkan, namun kenyataannya tidak seperti itu. Di sisi lain, AI bukanlah faktor pengaruh independen, siklus ekonomi, ekonomi industri, perkembangan teknologi, struktur populasi, preferensi pekerjaan, kebijakan ketenagakerjaan, globalisasi, peristiwa tak terduga, dan banyak faktor lain bersama-sama mempengaruhi pekerjaan. Mereka saling terkait, berinteraksi, memisahkan AI dengan sempurna darinya adalah hal yang mustahil. Dalam arti ini, mengukur dampak AI terhadap pekerjaan adalah sebuah paradoks.
Paradoks Produktivitas
Kecerdasan buatan adalah teknologi tujuan umum baru, dengan karakteristik aplikasi universal, perbaikan berkelanjutan, dan memicu inovasi, menjadi mesin pertumbuhan ekonomi masa depan. Istilah kecerdasan buatan telah diajukan 70 tahun lalu, revolusi pembelajaran mesin telah berlangsung 14 tahun, gelombang AI saat ini semakin membara, dari model bahasa besar, multimodal, ke model dunia, agen, AI fisik, silih berganti, tak henti-hentinya. Namun, laju pertumbuhan produktivitas tidak meningkat signifikan, bahkan menghadapi krisis produktivitas (Rogers,2024).
Sejak ChatGPT dirilis, laju pertumbuhan produktivitas per jam di EU berfluktuasi di sekitar 0%, triwulan pertama tahun ini tumbuh 0,1%. Dalam 14 triwulan dari triwulan empat 2022 hingga triwulan satu 2026, hanya 3 triwulan yang laju pertumbuhan produktivitasnya melebihi rata-rata jangka panjang sejak 1999 (1,0%). Seperti gambar di bawah ini. Pertumbuhan AS kuat, dari triwulan empat 2022 hingga triwulan dua 2026, produktivitas tenaga kerja sektor usaha non-pertanian tumbuh rata-rata 2,2% per tahun, menjadi satu-satunya yang menonjol di antara negara-negara Barat, namun ini hanya setara dengan rata-rata jangka panjang sejak 1948 (Sumber: Biro Statistik Tenaga Kerja AS).
Grafik Laju Pertumbuhan Produktivitas Tenaga Kerja EU dalam Beberapa Tahun Terakhir (Sumber: Eurostat)
Kondisi "inovasi teknologi melesat cepat dan pertumbuhan produktivitas mengecewakan" yang ada bersamaan ini adalah paradoks produktivitas. Ini bukan pertama kalinya muncul. Peraih Nobel Ekonomi Robert Solow pada 1987 menulis: "You can see the computer age everywhere but in the productivity statistics (Era komputer terlihat di mana-mana, kecuali dalam statistik produktivitas)." Ini dianggap sebagai ekspresi paling klasik dari "paradoks produktivitas" atau "paradoks Solow".
Untuk paradoks produktivitas, ada tiga penjelasan utama: ekspektasi salah, kesalahan pengukuran, dan kelambatan waktu. Brynjolfsson berpendapat (2017), penjelasan kelambatan waktu paling meyakinkan, merupakan penyebab utama paradoks produktivitas, dan merangkum efek tertunda teknologi tujuan umum terhadap produktivitas sebagai "kurva-J". Teknologi tujuan umum perlu melalui berulang kali inovasi sekunder, inovasi komplementer, dan perubahan organisasi, baru dapat berdampak nyata pada produktivitas. Dari sudut pandang sejarah, mesin uap, generator listrik, dan komputer masing-masing mulai jelas mendorong peningkatan produktivitas 118, 91, dan 49 tahun setelah penemuan, dan 54, 40, dan 21 tahun setelah komersialisasi. Oleh karena itu, dalam jangka panjang, paradoks produktivitas bukanlah suatu paradoks. AI masih membutuhkan waktu untuk mendorong peningkatan produktivitas yang signifikan.
Paradoks Nilai Data
Data adalah makanan AI, harus banyak dan berkualitas, banyaknya sampai tak berujung, kualitasnya "sampah masuk, sampah keluar (GIGO)", atau bisa dikatakan data ada yang "mulia" dan "hina". Data menentukan batas atas kemampuan AI, sering dipuji sebagai "minyak baru" (Clive Humby,2006) dan "sumber daya paling berharga di dunia" (The Economist,2017), "sama pentingnya dengan sumber daya energi dan material" (Dokumen Kantor Pusat dan Dewan Negara 2004). Nilai guna data sangat besar, namun tidak seperti barang biasa yang memiliki nilai tukar, nilai moneter. Seperti kata Li Guojie (2025): "Nilai data hanya dapat ditentukan saat digunakan."
OECD (2024) menyusun dokumen kebijakan data 46 negara, menemukan konteks kebijakan tempat "data" muncul dari tinggi ke rendah adalah inovasi, kepercayaan, sosial, keterbukaan pasar, pemanfaatan, pekerjaan, dan akses, mereka tidak fokus pada "perdagangan". Chen Changsheng (2023) pernah menyatakan: "Bursa data bermunculan di mana-mana, namun 'perdagangan' di bursa data tidak berkembang dengan baik" "Di tengah gelombang pembangunan pasar data di berbagai tempat, perlu diwaspadai pembentukan orientasi perilaku 'hanya data yang diperdagangkanlah yang bisa digunakan'."
Kepadatan nilai data rendah, sulit dimonetisasi, proporsinya dalam neraca sangat kecil, hampir dapat diabaikan. Menurut data terbaru Shanghai Advanced Institute of Finance (SAIF) Universitas Jiaotong Shanghai, 136 perusahaan publik di Tiongkok mengungkapkan hal terkait pencatatan sumber daya data, total nilai pencatatannya 3,786 miliar yuan. Berdasarkan perhitungan, yang pertama hanya 2,5% dari jumlah perusahaan publik A-shares, yang terakhir hanya setara 0,3% dari skala inti industri kecerdasan buatan Tiongkok.
Tiga operator telekomunikasi besar mendominasi skala pencatatan, total nilai pencatatan 2025 adalah 2,1 miliar yuan, menyumbang 55,46% dari total nilai pencatatan perusahaan publik. Namun sumber daya data ini hanya sekitar 0,06% dari total aset perusahaan, tidak signifikan. Seperti tabel di bawah ini.
Tabel Nilai Pencatatan Sumber Daya Data Tiga Operator Besar dan Proporsinya (31 Des 2025) Sumber Data: Diolah berdasarkan neraca konsolidasian dalam laporan keuangan.
Paradoks Revolusi Industri
Setiap kali gelombang teknologi muncul, selalu ada yang membandingkannya dengan mesin uap, listrik, atau komputer, dan berseru bersemangat: "Ini akan memicu Revolusi Industri Keempat!" Fenomena ini berlangsung setidaknya setengah abad, awal seperti mikroelektronika (1984), komputer (1988), nanoteknologi (1994), internet (2000), energi alternatif (2010), sistem siber-fisik (2014). Sepuluh tahun terakhir semakin menjadi, big data (2016), kecerdasan buatan (2016), internet of things (2016), internet industri (2017), blockchain (2017), komputasi kuantum (2018), dan manufaktur cerdas (2021), semuanya pernah diberi misi Revolusi Industri Keempat. Seperti gambar di bawah ini.
Grafik Distribusi Jumlah Artikel di CNKI dengan Judul "Revolusi Industri Keempat", dll. Catatan: Standar pemilihan adalah artikel dengan judul yang mencakup "Revolusi Industri Ketiga", "Revolusi Industri Ketiga", "Revolusi Industri Keempat", dan "Revolusi Industri Keempat". Untuk revolusi saat ini, ada yang menganggap ketiga, ada yang menganggap keempat; dan revolusi industri dan revolusi industri dalam bahasa Inggris adalah frasa yang sama "Industrial Revolution". Oleh karena itu, artikel ini tidak membedakan secara ketat.
Kita hampir selalu mengalami Revolusi Industri Keempat di media. Teknologi yang memicu revolusi ini selalu "daun baru di hutan musim semi menggeser daun lama, gelombang sebelumnya di sungai memberi jalan pada gelombang berikutnya", setidaknya ada lebih dari 20 teknologi. Setiap muncul teknologi baru dan diberi makna penting Revolusi Industri Keempat, sepertinya berarti sebelumnya semua salah. Saat ini, orang umumnya menganggap AI adalah Revolusi Industri Keempat. Demis Hassabis (2026) bahkan menyatakan: "Skala dan kecepatan AGI mungkin 10 kali lipat Revolusi Industri." Di dalam negeri juga ada pengusaha yang menganggap AI sebagai revolusi teknologi terakhir umat manusia. AI membuktikan masa lalu, bagaimana AI sendiri membuktikan?
Kita tidak bisa berdebat, tekankan dua poin. Pertama, revolusi industri dan krisis ekonomi tidak mungkin terjadi bersamaan. Kedua, setiap revolusi industri bukanlah antisipasi, melainkan narasi setelahnya, orang-orang yang berada di dalamnya tidak tahu mereka sedang berada dalam revolusi industri. Revolusi Industri Pertama (1760-an—1840-an) berakhir 40 tahun kemudian, istilah "Industrial Revolution" baru dikenal publik setelah dipopulerkan oleh Arnold Toynbee. Revolusi Industri Kedua (1870-an—1914) berakhir 40 tahun kemudian, para ekonom baru mulai menggunakan "Revolusi Industri Kedua", berakhir 55 tahun kemudian David Landes "The Unbound Prometheus" (1969) baru menstandarkan definisi akademisnya. Revolusi Industri Ketiga belum ada kesepakatan umum, Jeremy Rifkin (2011) berpendapat temanya adalah integrasi internet dan energi terbarukan; The Economist (2012) menganggapnya digitalisasi manufaktur; Erik Brynjolfsson dan Andrew McAfee (2011) menganggap Revolusi Industri Ketiga didorong oleh komputer dan jaringan. Mari kita harapkan kali ini berbeda.
Artikel ini dari Akun Resmi WeChat "Tencent Research Institute" (ID:cyberlawrc), penulis: Yan Deli
