Ada ironi yang terlalu rapi bahkan untuk standar parodi distopia ringan: perusahaan-perusahaan teknologi melakukan PHK massal dengan alasan efisiensi — kemudian menghabiskan lebih banyak uang untuk menjalankan model AI daripada yang pernah mereka keluarkan untuk gaji karyawan yang dipecat. Pada April 2026, Axios melaporkan bahwa anggaran IT perusahaan mulai membengkak karena belanja AI melampaui biaya tenaga kerja manusia. “Untuk tim saya, biaya komputasi jauh melampaui biaya karyawan,” kata Bryan Catanzaro, VP applied deep learning Nvidia. Ini bukan kutipan dari pengamat eksternal — ini dari orang yang perusahaannya menjual sekop di demam emas AI.
Dalam istilah infrastruktur, kita sedang menyaksikan sebuah resource allocation failure yang spektakuler — keputusan untuk mengganti komponen sistem yang relatif murah dan battle-tested (manusia) dengan komponen baru yang mahal dan belum matang secara operasional, hanya karena komponen baru tersebut menawarkan janji throughput tak terbatas. Seperti mengganti mesin diesel yang reliable dengan roket karena roket bisa mencapai kecepatan lebih tinggi — lalu menyadari biaya bahan bakarnya sepuluh kali lipat gaji sopir.
Arsitektur PHK sebagai Cost Center
Gartner memproyeksikan belanja IT global mencapai USD 6,31 triliun pada 2026 — naik 13,5% dari 2025. Lonjakan ini didorong oleh apa yang mereka sebut “sustained momentum” di infrastruktur AI, software, dan layanan cloud. Di saat yang sama, laporan Challenger, Gray & Christmas mencatat hampir 102.000 PHK sepanjang 2026 terkait langsung dengan AI. GitLab memangkas 14% stafnya — sekitar 350 orang — untuk mendanai investasi infrastruktur AI. Meta melakukan PHK berulang sepanjang tahun untuk mengimbangi pengeluaran infrastruktur AI yang bersejarah. IBM memangkas 5.800 hingga 8.000 karyawan.
Polanya konsisten: PHK dilakukan bukan karena perusahaan bangkrut, melainkan karena perusahaan perlu mengalokasikan ulang dana ke inference budget. Dalam arsitektur sistem, ini setara dengan mematikan cache yang berfungsi baik untuk membeli RAM baru yang lebih mahal — hanya karena RAM baru konon bisa memproses data seratus kali lebih cepat, meskipun cache lama belum pernah mencapai saturation di workload aktual.
Dari lokalitas terbatas, absurditas ini terlihat lebih gamblang. Di Indonesia, di mana UMK di Jabodetabek berkisar antara 4,5 hingga 5,6 juta per bulan, cost of inference per agen AI — dengan asumsi BPU hosting GPU H100 di cloud regional sekitar USD 2-3 per jam, ditambah API call ke model besar — bisa melampaui gaji karyawan entry-level dalam hitungan minggu. Seorang customer service agent AI yang beroperasi 24/7 dengan model frontier bisa menghabiskan USD 1.500-2.000 per bulan hanya untuk token cost. Setara dengan tiga karyawan manusia dengan gaji UMK. Untuk performa yang — jika diukur dari metrik customer satisfaction — masih kalah dari manusia yang terlatih baik.
Total Cost of Ownership dan Ekonomi Unit
Perhitungan unit economics agen AI seringkali hanya mencakup inference cost per query. Angka ini memang impresif: beberapa studi menunjukkan AI 15-300× lebih murah daripada manusia untuk tugas dokumen dan data bervolume tinggi. Namun total cost of ownership — seperti biasa dalam pengalaman kami — tidak pernah sesederhana cost per transaction.
Biaya tersembunyi meliputi: fine-tuning dan prompt engineering berulang saat task berubah, observability dan monitoring untuk mendeteksi hallucination, human-in-the-loop untuk escalation dan validasi, retraining saat model upstream berubah, dan compliance cost untuk memastikan agen tidak melanggar regulasi yang berlaku. Ditambah fakta bahwa 95% proyek AI — menurut riset Gartner yang dikutip oleh berbagai sumber — menghasilkan return nol. Ini bukan angka yang membangkitkan keyakinan di ruang board meeting, terlepas dari retorika “AI-first transformation” yang menggelegar di panggung konferensi.
Sementara itu, di sisi supply chain, data center diperkirakan akan mengonsumsi 70% dari total produksi memory chip global pada 2026. Analis industri proyeksikan 30-50% dari data center yang direncanakan tidak akan jadi dibangun karena kekurangan listrik, tembaga, dan gas kritis. Shortage ini merembet ke sektor otomotif dan smartphone — IDC meramalkan kontraksi 13% pasar ponsel akibat krisis chip. Dalam istilah infrastruktur, ini adalah cascading failure klasik: alokasi sumber daya yang berlebihan ke satu modul menyebabkan kelaparan di modul lain.
Signal-to-Noise Ratio dan Ilusi Produktivitas
Argumen utama para pendukung PHK-demi-AI adalah bahwa agen AI meningkatkan produktivitas secara dramatis. CEO Swan AI, Amos Bar-Joseph, dengan bangga memposting tagihan Anthropic di LinkedIn — “Kami membangun bisnis otonom pertama — scaling with intelligence, not headcount.” Ini adalah retorika yang memikat, tetapi analisis yang lebih dingin mempertanyakan: apakah yang diskalakan benar-benar intelligence, atau sekadar compute?
Mari kita terapkan kerangka signal-to-noise ratio. Produktivitas sejati adalah signal — output bernilai yang dihasilkan per unit waktu. Compute yang digunakan untuk menghasilkan output itu memiliki biaya — noise. Ketika biaya komputasi untuk menghasilkan signal melampaui biaya tenaga kerja untuk menghasilkan signal yang sama, ratio-nya negatif. Perusahaan membayar lebih untuk mendapatkan lebih sedikit. Uber’s CTO sudah membuktikan ini: anggaran AI 2026-nya jebol karena token cost. CFO akan mulai bertanya mengapa agen AI yang kabarnya “menggantikan 10 orang” invoice-nya lebih besar daripada gaji gabungan 10 orang tersebut.
Dari lokalitas terbatas, pertanyaan ini menjadi lebih tajam. Di perusahaan teknologi Indonesia, gross margin produk digital seringkali tipis — ekosistem venture capital belum sekaya SV, dan path to profitability lebih pendek. Mengalokasikan 30-40% revenue ke inference cost untuk agen AI yang menggantikan karyawan dengan gaji 5-7 juta per bulan bukanlah efficiency play — itu adalah premium pricing untuk novelty. Dalam arsitektur sistem lokal, ini seperti mengganti satu microservice ringan dengan monolith yang membutuhkan 4GB RAM dan 2 vCPU untuk fungsi yang sama — hanya karena monolith punya fitur autoscaling yang keren.
Vertical Pod Autoscaling untuk Pasar Tenaga Kerja
Konsep vertical pod autoscaling dalam container orchestration — menambah sumber daya ke pod yang sudah ada alih-alih menambah jumlah pod — memiliki analogi yang tidak mengenakkan di pasar tenaga kerja. Perusahaan menambah compute power ke agen AI (lebih banyak GPU, lebih banyak memory bandwidth) alih-alih menambah jumlah karyawan. Ini masuk akal jika scaling up lebih murah daripada scaling out — tetapi datanya menunjukkan sebaliknya.
Goldman Sachs Research memperkirakan permintaan token global bisa naik 24× pada 2030 dibandingkan level 2026. Ini berarti inference cost akan terus meningkat secara eksponensial, sementara gaji karyawan — setidaknya di pasar Asia Tenggara — tumbuh secara linear, jika tidak stag. Unit economics yang sekarang tampak masuk akal untuk agen AI akan memburuk seiring waktu, bukan membaik, kecuali ada terobosan efisiensi inference yang radikal.
Dari sudut pandang separation of concerns, ada juga masalah mendasar: agen AI dan manusia bukanlah komponen yang sepenuhnya interchangeable. Manusia membawa konteks, intuisi institusional, dan institutional memory yang tidak bisa direplikasi oleh vector database manapun — setidaknya belum. Menghapus layer manusia dari sistem operasional berarti menciptakan single point of failure pada pipeline inference: jika model downstream berubah, jika API pricing naik, jika ada regulasi baru yang melarang otomatisasi tertentu di sektor tertentu — sistem tidak memiliki fallback selain cold start yang mahal.
Log berakhir di sini. Inference berjalan, namun efficiency delta yang dijanjikan masih menjadi stretch goal yang terpampang di papan roadmap — sementara tim yang tersisa bertanya-tanya mengapa server farm baru lebih bising dari ruang kerja yang kosong.