Catatan Editor: Ketika AI mulai menulis kode, menangani tiket layanan pelanggan, meninjau dokumen hukum, sebuah masalah yang lebih mendasar muncul: Apa yang sebenarnya dibeli perusahaan, apakah token, jam GPU, atau pekerjaan yang diselesaikan?
Artikel ini mengajukan kerangka kerja yang patut diperhatikan: Komersialisasi AI seharusnya tidak hanya dipahami sebagai 'pasar daya komputasi' atau 'pasar pemanggilan model', melainkan sedang menuju ke 'pasar tenaga kerja mesin' yang baru. Di pasar ini, token hanyalah unit pengukuran, GPU adalah input, model adalah alat produksi, dan objek yang benar-benar diberi harga dan diperdagangkan adalah kerja ekonomi yang diselesaikan langsung oleh perangkat lunak.
Penilaian inti artikel ini terletak pada mekanisme penetapan harga AI yang akan mengalami evolusi dari token mentah, kemampuan model standar, tenaga kerja yang terspesialisasi per industri, hingga pasar hasil yang dapat diprogram. Dengan kata lain, di masa depan perusahaan mungkin tidak lagi peduli tugas mana yang diselesaikan oleh model atau GPU mana, melainkan apakah tugas itu memberikan hasil yang sesuai dengan standar dalam rentang latensi, akurasi, keandalan, dan biaya yang ditentukan.
Ini juga berarti bahwa dampak AI terhadap pasar tenaga kerja manusia belum tentu hanya berupa penggantian sederhana. Seiring mesin menangani lebih banyak pekerjaan yang dapat distandarisasi dan diverifikasi, peran manusia mungkin beralih ke peninjauan ulang, penanggung jawab, pengelolaan konteks, dan keputusan akhir. Dalam beberapa skenario, keputusan manusia terakhir 1% justru akan menjadi lebih berharga, karena dapat melepaskan 99% otomatisasi berskala besar.
Dari sudut pandang ini, persaingan tahap berikutnya di pasar AI mungkin bukan lagi sekadar persaingan kemampuan model, atau perang harga daya komputasi belaka, melainkan siapa yang dapat lebih dulu menstandarisasi, memverifikasi, dan memberi harga pada 'pekerjaan', dan akhirnya membuat tenaga kerja mesin menjadi faktor produksi baru yang dapat dibeli, diselesaikan, dan diperdagangkan.
Berikut adalah teks asli:
Gelombang produktivitas di masa lalu selalu datang dari pembuatan alat dan perangkat lunak untuk manusia, untuk mengoptimalkan cara pekerjaan diselesaikan. Spreadsheet membantu akuntan dan analis, ban berjalan meningkatkan throughput, palu memperbesar leverage manusia. Tetapi kerja yang sebenarnya selalu berasal dari manusia.
Sekarang, AI sedang menghasilkan hasil kerja secara end-to-end, menjalankan kerja itu sendiri secara langsung. AI dapat menulis kode, menangani tiket layanan pelanggan, meninjau dokumen hukum. Bagian akhir dari seluruh tumpukan teknologi sedang mengalami kompresi: Tumpukan teknologi lama mendukung kerja, tumpukan teknologi baru mulai memproduksi kerja.
Jika Anda baru-baru ini mendengar diskusi tentang finansialisasi AI, Anda mungkin mendengar Jensen dan lainnya mengatakan bahwa token LLM dan/atau jam GPU sedang menjadi komoditas baru. Intuisi ini dapat dipahami, karena token dapat diukur, dapat ditagih, dan mudah digambarkan dalam grafik; di balik jam GPU juga ada aliran dana miliaran dolar. Tetapi token masih hanya meteran pengukuran, jam GPU hanyalah input, tidak ada yang membelinya untuk memiliki mereka sendiri. Yang benar-benar diinginkan orang adalah menyelesaikan pekerjaan. AI sedang mengubah tumpukan teknologi itu sendiri menjadi sumber tenaga kerja.
Tenaga Kerja Mesin: Pekerjaan yang dieksekusi oleh perangkat lunak, memiliki tujuan ekonomi, dan dijual ke dalam proses produksi.
Pasar sudah bergerak ke arah ini. Sarah Tavel dari Benchmark cenderung memahami peluang ini melalui pasar tenaga kerja outsourcing, bukan kategori perangkat lunak. Jika suatu tugas berulang yang dapat diulang sebelumnya diselesaikan oleh tim lepas pantai atau perusahaan layanan profesional khusus, maka itu sering kali juga merupakan pekerjaan yang cocok untuk disampaikan oleh AI. Alex Rampell dari a16z menyebutnya 'perangkat lunak melahap tenaga kerja': Adegan berikutnya dari perangkat lunak adalah menyelesaikan pekerjaan sendiri. Julien Bek dari Sequoia menggambarkan perubahan yang sama dari sudut lain: Layanan sedang berubah menjadi perangkat lunak, copilot menjual alat, sedangkan autopilot menjual pekerjaan.
Pasar yang Hilang di Balik Penetapan Harga Berbasis Hasil
Penetapan harga kursi mengenakan biaya berdasarkan akses, penetapan harga token mengenakan biaya berdasarkan penggunaan. Penetapan harga berbasis hasil mengenakan biaya saat pekerjaan selesai. Penetapan harga berbasis hasil membawa kita selangkah lebih maju, tetapi tetap belum menjawab satu pertanyaan: Siapa yang menentukan harga?
Jika tenaga kerja mesin dapat dibeli langsung, harganya seharusnya berasal dari persaingan antar pemasok. Pemasok-pemasok ini harus mampu memenuhi standar penyelesaian tugas atau pekerjaan yang sama kelasnya, dan ini membutuhkan standardisasi di dalam berbagai industri dan tugas yang berbeda.
Praktik saat ini adalah menggunakan token LLM, tetapi token mentah hanyalah yang paling dasar. Setiap barel minyak hanyalah unit pengukuran, yang benar-benar diperdagangkan adalah barel minyak dengan grade tertentu, dengan kualitas, ketentuan pengiriman, dan harga pasar yang jelas. Satu barel minyak Brent dan satu barel minyak berat berminyak sulfur tinggi bukanlah komoditas yang sama. Begitu juga dengan token LLM. Token hanyalah unit pengukuran, yang benar-benar penting adalah kecerdasan di baliknya: kualitas model, batas bawah pengujian patokan, latensi, jendela konteks, keandalan, dan jaminan pengiriman. 1 juta token dari model kode mutakhir, dan 1 juta token dari model umum murah, bukanlah komoditas yang sama. Pasar membutuhkan grade inferensi yang terstandar, seperti pasar energi membutuhkan grade minyak yang terstandar.
Anjali Shriva secara langsung menunjuk hal ini: Token bukanlah unit biaya tetap. Ekonomi token akan bervariasi seiring panjang konteks, struktur tugas, rasio input/output, jumlah percobaan ulang, panggilan alat, dan alur kerja Agent. Satu token dalam petunjuk singkat, dan satu token yang terkubur dalam siklus panjang Agent, bukanlah objek ekonomi yang sama.
Kami sudah melakukan ini di pasar tenaga kerja manusia. Tidak ada yang menyewa ahli radiologi sebagai 'jam manusia' yang digeneralisasi. Orang akan melihat latar belakang pelatihan, sertifikasi lisensi, spesialisasi, pengalaman praktik, ketersediaan, reputasi, tanggung jawab, dll. Spesifikasi kontrak manusia yang berbeda, sesuai dengan standar minimum dan ekspektasi grade yang berbeda.
Pasar tenaga kerja manusia pada dasarnya berjalan dengan spesifikasi ini, hanya saja spesifikasi ini sering kali tercampur, kualitatif, dan dipenuhi berbagai metrik proxy. Tenaga kerja mesin akan membuat spesifikasi ini menjadi lebih eksplisit, dan lebih dapat diukur.
Untuk LLM atau Agent, metrik seperti keterampilan, pengalaman, kecepatan, dan keandalan, semuanya dapat langsung ditulis ke dalam kontrak: skor pengujian patokan, latensi, throughput, jendela konteks, panjang output maksimum, akurasi penggunaan alat, waktu aktif, tingkat kesalahan. Kami dapat membeli tenaga kerja berdasarkan ekspektasi dan hasil yang dapat diukur.
Spesifikasi kontrak TheGrid.ai, pada dasarnya adalah penyaring kualifikasi, ditambah persaingan harga untuk output LLM. Pemasok hanya perlu memenuhi spesifikasi, lalu dapat memasuki persaingan:
Pengujian Patokan Kecerdasan ≥ Batas bawah
Latensi ≤ Batas atas
Throughput ≥ Batas bawah
Waktu Aktif ≥ Batas bawah
Tingkat Kesalahan ≤ Batas atas
Setelah semua pemasok mencapai ambang batas minimum yang sama, mereka mulai bersaing dalam harga. Pertanyaan pembeli adalah: Pemasok mana yang dapat menyampaikan tenaga kerja yang dibutuhkan dengan harga terbaik?
Perekrutan ahli radiologi, dalam konteks LLM, berubah menjadi masalah yang dapat diukur: LLM mana yang dapat membaca sinar-X dengan kemahiran tinggi, dan menyelesaikan tugas dalam latensi, jendela konteks, dan spesifikasi kontrak berbasis hasil lainnya yang jelas.
Hasil, adalah cara pembeli mengukur keberhasilan; tenaga kerja, adalah aktivitas ekonomi yang dipasok; token, adalah bahan bakar yang dikonsumsi mesin dalam proses menyelesaikan pekerjaan.
The Grid adalah pasar tenaga kerja mesin.
Dari Token ke Pasar Tenaga Kerja Mesin
Pasar dapat memberi harga pada input tumpukan teknologi, tetapi jika ingin memberi harga pada output, dibutuhkan pasar tenaga kerja mesin. Pembeli tidak peduli jam GPU. Titik akhir model itu sendiri tidak stabil: mereka dapat berganti nama, ditinggalkan, dibungkus, atau langsung dipensiunkan.
Pengguna dan likuiditas membenci perubahan yang sering. GPU dan model akan terus berevolusi, tetapi unit yang stabil adalah pekerjaan itu sendiri.
Saya percaya, pasar akan berevolusi sepanjang jalur berikut. Semakin naik ke setiap lapisan, hal yang dibeli menjadi lebih abstrak, lebih berharga, tetapi juga lebih sulit diverifikasi. The Grid seharusnya secara bertahap naik melalui tangga ini:
Token mentah → Pasar kemampuan LLM terkomoditisasi → Pasar tenaga kerja terkomoditisasi → Pasar hasil yang dapat diprogram
Tahap 1: Token Mentah
Claude 4.7, GPT 5.5, Kimi 2.6, DeepSeek V4, GLM 5, dll.
Hari ini, pembeli membeli output model mentah dari pemasok inferensi. Mereka mengirim petunjuk mereka sendiri, menerima hasil inferensi, dan membayar berdasarkan penggunaan. Ini mudah diverifikasi, tetapi masih hanya bahan mentah. Yang benar-benar diinginkan pembeli bukanlah token, melainkan mendapatkan kecerdasan yang berguna dengan harga terbaik.
Tahap 2: Pasar Kemampuan LLM Terkomoditisasi
Misalnya text/usd, code/usd, agent/usd, dll.
Pembeli tidak lagi memilih satu model tertentu, melainkan memilih kategori kecerdasan yang mereka butuhkan. Pembeli masih menguasai alur kerja, petunjuk, data, dan logika aplikasi. The Grid hanya merutekan setiap permintaan ke model yang memenuhi spesifikasi kontrak, dan dengan harga terendah.
Catatan: Ini adalah lapisan abstraksi pertama yang benar-benar di atas token mentah, dan juga posisi TheGrid.ai saat ini.
Tahap 3: Pasar Tenaga Kerja Terkomoditisasi
Misalnya accounting/usd, support_agent/usd, legal/usd, healthcare/usd, radiology/usd, dll.
Seiring model menjadi lebih terspesialisasi, pasar kemampuan dapat berevolusi lebih jauh menjadi pasar khusus industri. Ini mirip dengan pembagian kerja spesialisasi manusia di pasar tenaga kerja yang berbeda.
Di lapisan ini, kami menjual kemampuan inferensi yang cocok untuk alur kerja bidang vertikal tenaga kerja tertentu. Seiring model industri khusus menjadi semakin umum, pasar jenis ini akan berkembang dengan cepat. Contoh terkait termasuk Composer dari Cursor, Harvey untuk pekerjaan hukum, dan EvidenceOpen untuk kesehatan.
Tahap 4: RFQ yang Dapat Diprogram & Pasar Hasil untuk Agent
Misalnya support_ticket_resolved/usd, pr_merged/usd, claim_processed/usd, dll.
Lapisan terakhir, adalah tempat The Grid berpindah dari pasar inferensi ke pasar tenaga kerja mesin.
Lapisan ini membutuhkan mekanisme RFQ (Permintaan Penawaran), akun terkelola, penyelesaian tertunda, konfirmasi pembeli, reputasi pemasok, mekanisme penahanan dana, penyelesaian sengketa, dll. Kemungkinan besar akan dimulai dengan RFQ, bukan langsung menggunakan buku pesanan. Pembeli mendefinisikan pekerjaan, batasan, kriteria penerimaan, dan syarat penyelesaian, dan Agent menawar untuk menyelesaikan tugas. The Grid membantu merutekan, memberi harga, memverifikasi, dan menyelesaikan pekerjaan ini.
Ini adalah lapisan yang paling berharga, tetapi juga yang paling sulit diverifikasi, karena hasilnya mungkin tertunda, subjektif, dan mudah dimanipulasi. Sebuah tiket layanan pelanggan mungkin dibuka kembali; sebuah PR mungkin lulus pengujian, tetapi tetap menghasilkan arsitektur yang buruk.
Harga total = Biaya menyelesaikan pekerjaan + Biaya menanggung risiko
Sebuah alur kerja tidak akan secara otomatis menjadi pasar hanya karena kecerdasan memiliki pasar, atau kecerdasan menjadi lebih murah. Beberapa pekerjaan sangat bergantung pada konteks privat, seperti riwayat pelanggan atau kebijakan internal. Semakin suatu pekerjaan bergantung pada konteks, semakin kecil kemungkinannya untuk dapat dilikuidasi dengan bersih di pasar terbuka. [@hypersoren https://hypersoren.xyz/posts/cybernetic-arbitrage/]
Pasar perlu mengungkap kategori tenaga kerja mana yang akan berkembang, dan mana yang akan menyusut.
'Tenaga Kerja Mesin vs Tenaga Kerja Manusia', atau 'Tenaga Kerja Mesin & Tenaga Kerja Manusia'
Anjali Shriva dalam draf desain mekanismenya mencatat bahwa narasi AI terlalu sering digambarkan sebagai penggantian. Namun sebenarnya, ini lebih seperti masalah koordinasi: Bagaimana pekerjaan, atribusi, insentif, dan nilai akan diatur ulang ketika manusia dan mesin sama-sama terlibat dalam produksi.
Hari ini, banyak penggunaan AI di dalam perusahaan masih terperangkap, karena karyawan menggunakan AI secara pribadi, alur kerja masih terkunci pada individu, perusahaan tidak dapat memberi harga peningkatan produktivitas ini, atau menskalakan keuntungan ini.
Sebagian besar pekerjaan yang dapat diautomasi mungkin akan dialihkan ke mesin. Sebagian pekerjaan akan berubah menjadi peninjauan ulang manusia, penanggung jawab, pelatihan, dan pengelolaan konteks. Dalam beberapa kasus, keputusan manusia terakhir 1% akan menjadi lebih berharga, karena dapat membuka kunci 99% pekerjaan otomatisasi dalam skala besar.
Rachel Su Park dalam 'Brave New World of AI Markets' mencatat, TAM AI tidak boleh dimodelkan secara sederhana sebagai penggantian pengeluaran tenaga kerja manusia yang ada, karena secara bersamaan mengubah harga dan kuantitas. Seiring biaya pekerjaan menurun, harga per unit mungkin turun, tetapi kuantitas konsumsi mungkin bertambah, karena pekerjaan yang ada akan dikonsumsi lebih sering, dan pekerjaan baru yang sebelumnya tidak ekonomis menjadi layak. Artikel ini merangkumnya sebagai:
P × Q: Ukuran pasar = Harga unit pekerjaan × Kuantitas pekerjaan yang dikonsumsi
Jika AI membuat interaksi layanan pelanggan menjadi lebih murah, perusahaan dapat menyediakan kemampuan layanan 24/7. Pasar ini tidak akan hanya menjadi versi murah dari pasar tenaga kerja layanan pelanggan lama, melainkan mungkin menjadi pasar interaksi pelanggan yang lebih besar.
AI adalah pasar ekspansif, karena ketika biaya pekerjaan turun, permintaan tidak tetap sama.
Lapisan Tenaga Kerja
Pasar tenaga kerja mesin harus dimulai dari pekerjaan yang spesifikasinya dapat didefinisikan dengan jelas. Jam GPU mengandung terlalu banyak informasi input, hanya memberi tahu Anda apa yang mendukung pekerjaan; sedangkan memberi harga pada hasil lengkap terlalu kompleks, terlalu bergantung pada konteks. Seiring verifikasi, reputasi, dan penetapan harga risiko/asurasi secara bertahap diambil alih oleh mesin, pasar akan terus menuju lapisan hasil murni.
Tenaga kerja mesin dapat menjadi dapat diperdagangkan, karena pembeli akan semakin tidak peduli model atau GPU mana yang memproduksi pekerjaan, dan lebih peduli apakah pekerjaan itu sendiri mencapai standar minimum dan grade dalam spesifikasi kontrak dengan harga yang benar. Agent bahkan akan lebih tidak peduli dengan sumber dasar ini.
Mesin sekarang sudah dapat langsung mengeksekusi pekerjaan yang memiliki tujuan ekonomi, dan pekerjaan ini dapat didefinisikan, diukur, diberi harga, dibeli, dan akhirnya diperdagangkan. Listrik, daya komputasi, model, dan token tentu saja masih penting, tetapi mereka semua masih berada di hulu.
Di hilir adalah tempat pekerjaan benar-benar selesai, dan pasar sedang menuju objek yang lebih sederhana: tenaga kerja mesin.
