Ada ironi yang terlalu rapi untuk menjadi sekadar anomali statistik: perusahaan memecat karyawannya atas nama efisiensi AI, lalu enam hingga dua belas bulan kemudian merekrut mereka kembali dengan premi 20 hingga 35 persen. Dalam istilah infrastruktur, ini bukanlah optimasi — ini adalah rollback yang terlambat setelah buffer overflow pada ekspektasi produktivitas mesin.
Sebuah studi oleh Robert Half, firma rekrutmen global, mencatat bahwa 29 persen perusahaan yang melakukan PHK berbasis adopsi AI pada akhirnya merekrut kembali sebagian dari tenaga kerja yang mereka lepas. Forbes dan Washington Times mengonfirmasi temuan ini pada pertengahan 2026: dari perusahaan yang melakukan AI layoff reversal, 35,6 persen merekrut kembali lebih dari setengah posisi yang dipangkas. Bukan kegagalan AI secara fundamental — melainkan kegagalan dalam memperhitungkan biaya cost of inference yang tersembunyi di luar token usage dashboard.
Siklus PHK dan Biaya Rollback Manusia
Setiap siklus PHK berbasis AI mengikuti pola yang dapat dipetakan dalam diagram alur yang nyaris membosankan. Fase pertama: overprovisioning harapan — tim eksekutif membaca laporan McKinsey atau Gartner yang memproyeksikan penggantian 40 persen tenaga kerja oleh agen otonom, lalu menarik tuas resource allocation dengan keyakinan yang tidak didukung data produksi. Fase kedua: implementasi agen AI pada pipeline yang ternyata memiliki surface area lebih luas dari yang diperkirakan — edge cases, exception handling, escalation path yang sebelumnya ditangani oleh pengalaman tacit selama bertahun-tahun. Fase ketiga: penurunan signal-to-noise ratio — agen memproses 80 persen workload standar dengan baik, tetapi 20 persen sisanya membutuhkan intervensi manusia yang kini tidak lagi tersedia karena telah dipangkas.
Dalam arsitektur sistem, ini adalah cascading failure yang dipicu oleh satu keputusan alokasi yang keliru. Perusahaan menemukan bahwa cost of inference untuk menangani edge cases — dalam bentuk token usage, rate limiting, retry logic, dan human-in-the-loop middleware — jauh melampaui biaya gaji karyawan yang sebelumnya dianggap “tidak efisien.”
Data Robert Half menunjukkan bahwa perusahaan yang merekrut kembali stafnya membayar 20 hingga 35 persen lebih tinggi dari gaji sebelumnya. Dalam istilah ekonomi infrastruktur: biaya rollback selalu lebih mahal daripada biaya provisioning awal. Prinsip yang sudah puluhan tahun dipahami dalam cloud infrastructure — lebih murah scale up bertahap daripada overprovision lalu deprovision — tiba-tiba dilupakan ketika diterapkan pada tenaga kerja manusia.
Ekonomi Unit Inferensi vs Gaji Karyawan
Mari kita lakukan perhitungan sederhana yang seharusnya dilakukan sebelum PHK, bukan sesudahnya. Seorang customer support agent junior di Jakarta — dengan gaji sekitar 6 hingga 8 juta rupiah per bulan — menangani sekitar 300 hingga 400 interaksi per hari. Sebuah agen AI, dengan model bahasa besar komoditas, membutuhkan biaya inferensi sekitar 0,003 hingga 0,01 dolar per interaksi untuk kasus standar. Untuk edge cases — yang merupakan 20 persen dari total interaksi — biaya bisa melonjak 5 hingga 10 kali lipat karena kebutuhan multi-step reasoning, tool calling, dan fallback escalation yang tidak bisa dihindari.
Dalam arsitektur sistem, pertanyaan awalnya bukan “berapa banyak yang bisa dihemat dengan agen AI,” melainkan “berapa TCO (Total Cost of Ownership) dari pipeline baru ini dibandingkan legacy system yang sudah berjalan.” Forbes melaporkan bahwa banyak perusahaan menemukan agen AI mereka membutuhkan human middleware — operator manusia yang memverifikasi, mengoreksi, dan escalate output agen sebelum sampai ke pelanggan. Fungsi yang sebelumnya tidak ada dalam struktur organisasi kini menjadi pos baru: AI output verifier. Sebuah lapisan middleware yang justru menambah latency alih-alih menguranginya.
Dari lokalitas terbatas — Indonesia, dengan struktur upah yang masih jauh dari rata-rata global — paradoks ini bahkan lebih tajam. Gaji pekerja terampil di sektor business process outsourcing (BPO) dan customer experience masih berada dalam rentang yang kompetitif dengan biaya inferensi agen AI, terutama ketika memperhitungkan biaya training, fine-tuning, dan infrastructure overhead GPU yang terus meningkat seiring chip shortage global. IDC memproyeksikan pasar semikonduktor global mencapai 1,29 triliun dolar pada 2026, dengan 50 persen pendapatan berasal dari AI chips yang hanya 0,2 persen dari total unit produksi. Angka ini bukan sinyal efisiensi — ini adalah indikasi supply constraint yang mendorong biaya inference tetap tinggi untuk jangka waktu yang tidak dapat diprediksi.
Boomerang sebagai Pola Kegagalan Arsitektural
Jika kita membaca pola ini bukan sebagai kesalahan manajemen semata, melainkan sebagai kegagalan arsitektural dalam organizational design, maka boomerang rehiring adalah exception yang menjadi pattern. Bukan anomali — ini expected behavior dari sistem yang dirancang tanpa graceful degradation.
Perusahaan yang melakukan PHK berbasis AI umumnya tidak memiliki metrik observability yang memadai untuk mengukur dampak pengurangan tenaga kerja. Mereka melihat metrik permukaan: jumlah ticket terselesaikan per agen AI, response time, cost per interaction. Namun mereka tidak mengukur escalation rate, customer satisfaction score pasca-escalation, rework rate, atau — yang paling penting — hidden cost dari setiap interaksi yang gagal ditangani oleh agen dan terpaksa di-escalate ke manusia yang jumlahnya sudah dipangkas.
Dalam istilah infrastruktur, ini seperti mengukur uptime sebuah layanan tanpa memonitor latency di balik load balancer. Permukaan terlihat baik; kenyataan di bawah threshold tidak terdeteksi hingga timeout terjadi.
Business Insider mengutip survei terpisah yang menemukan bahwa perusahaan yang merekrut kembali stafnya tidak hanya membayar lebih tinggi, tetapi juga harus menginvestasikan ulang waktu untuk onboarding dan knowledge transfer — pengetahuan yang hilang ketika karyawan lama pergi dan belum sepenuhnya tertransfer ke agen AI. Dalam arsitektur sistem, ini adalah data loss akibat cache invalidation yang tidak disertai backup strategy. Pengetahuan organisasi yang terakumulasi dalam interaksi manusia — tacit knowledge yang tidak pernah didokumentasikan karena dianggap “terlalu sepele” — hilang dan harus dibangun ulang dari awal.
Overprovisioning Tenaga Kerja, Underutilization Inferensi
Paradoks paling menarik dari siklus ini adalah arah overprovisioning yang justru berbalik. Awalnya perusahaan overprovision dalam hal headcount reduction — memangkas terlalu banyak terlalu cepat. Kemudian mereka overprovision dalam hal kapasitas inferensi — menyewa compute GPU yang mahal untuk menjalankan agen AI yang ternyata tidak mampu menangani workload yang diharapkan. Ketika akhirnya mereka merekrut kembali manusia, mereka membayar premium untuk tenaga kerja yang sebenarnya masih tersedia dengan harga lebih rendah beberapa bulan sebelumnya.
Dalam arsitektur sistem, fenomena ini analog dengan vertical pod autoscaling yang salah konfigurasi: sistem menambah sumber daya komputasi ke pod yang sebenarnya membutuhkan code refactoring, bukan CPU tambahan. Solusi yang dipilih adalah menambah resource tanpa memperbaiki bottleneck fundamental.
Proyeksi AI spending mencapai 2,5 triliun dolar pada 2026 menurut laporan Aequifin — peningkatan 44 persen dari tahun sebelumnya. Sementara itu, Wikipedia telah mencatat entri untuk “AI bubble” sebagai theorised stock market bubble yang tumbuh sejak 2025. Ketika bubble theory masuk sebagai kategori leksikal yang diakui publik, market correction biasanya sudah berjalan setengah siklus. Boomerang rehiring adalah sinyal awal bahwa koreksi telah dimulai — bukan pada valuasi saham, melainkan pada valuasi tenaga kerja.
Mengapa Siklus Ini Akan Berulang (dan Apa yang Tidak Berubah)
Tidak ada alasan untuk percaya bahwa siklus ini akan berhenti dalam waktu dekat. Struktur insentif eksekutif masih menghargai tindakan dramatis — PHK massal yang dibingkai sebagai “transformasi digital” lebih menarik bagi board of directors dan media coverage daripada optimasi bertahap yang membosankan. Cost of inference akan terus menurun dalam jangka panjang, tetapi chip supply constraint dan power infrastructure limitation — terutama di negara dengan grid yang belum siap menampung data center skala hiperskala — akan menjaga biaya tetap tinggi di pasar berkembang seperti Indonesia.
Yang juga tidak berubah adalah kecenderungan untuk mengabaikan tacit knowledge sebagai aset organisasi. Agensi AI tidak memiliki akses ke historical context percakapan, hubungan interpersonal dengan pelanggan setia, atau intuisi tentang kapan sebuah protokol harus dilanggar demi kepuasan pengguna. Pengetahuan ini tidak dapat diekstrak ke dalam training data karena ia tidak pernah ditulis — ia hidup dalam interaksi yang tidak pernah direkam.
Di ruang operasional yang terbatas, boomerang rehiring bukanlah kegagalan teknologi AI. Ia adalah kegagalan capacity planning — kegagalan untuk memahami bahwa efisiensi tidak dapat dicapai melalui pengurangan sumber daya semata, melainkan melalui perbaikan arsitektur yang memungkinkan setiap komponen — manusia maupun mesin — bekerja pada utilization rate yang berkelanjutan.
Log ditutup di sini. Rollback selesai, tetapi root cause tidak pernah diperbaiki — hanya di-workaround dengan biaya yang lebih tinggi.