Ada ironi yang terlalu rapi untuk dilewatkan: perusahaan-perusahaan teknologi global memangkas puluhan ribu posisi kerja dengan dalih kecerdasan buatan, sementara AI yang sama belum benar-benar menggantikan satu pun fungsi produksi secara utuh. Dalam istilah infrastruktur, ini adalah overprovisioning dalam bentuk yang paling manusiawi — mengalokasikan sumber daya berdasarkan proyeksi beban yang belum pernah terverifikasi di production environment.
Menurut laporan Challenger, Gray & Christmas yang dikutip CNBC pada awal Juni 2026, total PHK yang diatribusikan pada AI dalam lima bulan pertama tahun ini mencapai 87.714 — naik dari 54.836 sepanjang tahun 2025. AI kini menjadi alasan utama perusahaan memberhentikan karyawan, mengalahkan restrukturisasi konvensional, kondisi pasar, atau efisiensi biaya operasional. Angka ini naik secara monoton: 7 persen dari total PHK di Januari, 10 persen di Februari, 25 persen di Maret, 26 persen di April, dan nyaris 40 persen di Mei.
Namun riset Harvard Business Review yang terbit pada Januari 2026 oleh Thomas H. Davenport dan Laks Srinivasan menawarkan perspektif yang lebih tidak nyaman: perusahaan memecat pekerja berdasarkan potensi AI — bukan kinerjanya. Survei terhadap lebih dari seribu perusahaan global menunjukkan bahwa keputusan PHK lebih sering didorong oleh proyeksi ke depan tentang apa yang mungkin bisa dilakukan AI, bukan oleh penggantian fungsional yang sudah terverifikasi. Dalam bahasa sistem: resource allocation dilakukan berdasarkan forecast yang belum divalidasi oleh load test.
Arsitektur Antisipasi: Ketika Forecast Menggantikan Metrics
Dalam dunia infrastructure engineering, overprovisioning adalah strategi yang sah — Anda alokasikan 150 persen kapasitas untuk mengantisipasi lonjakan lalu lintas yang mungkin tidak pernah terjadi. Biaya tambahan adalah premi asuransi terhadap downtime. Namun dalam alokasi tenaga kerja, overprovisioning bekerja terbalik: perusahaan justru mengurangi kapasitas (memecat manusia) berdasarkan antisipasi peningkatan kapasitas (AI) yang belum beroperasi di production scale.
Daniel Zhao, ekonom kepala Glassdoor, menyebut fenomena ini dengan istilah yang lebih diplomatis: perusahaan mungkin menggunakan AI sebagai “kambing hitam” untuk PHK yang sebenarnya didorong oleh faktor lain. Fabian Stephany dari Oxford Internet Institute bahkan lebih blak-blakan kepada CNBC — “Saya sangat skeptis apakah PHK yang kita lihat sekarang benar-benar karena efisiensi. Ini lebih merupakan proyeksi ke AI: ‘Kami bisa menggunakan AI sebagai alasan yang bagus.’”
Dalam arsitektur sistem, ini adalah failure mode yang dikenal sebagai premature optimization — mengoptimalkan beban yang belum terukur, dengan risiko cascading failure ketika asumsi terbukti keliru. Dari lokalitas terbatas, pola ini mengingatkan pada startup yang membangun infrastruktur server untuk melayani sepuluh juta pengguna sebelum produknya digunakan oleh seribu orang.
Signal-to-Noise Ratio PHK: Antara 87.714 dan 53 Persen
Stanford HAI merilis AI Index 2026 yang mencatat adopsi generative AI mencapai 53 persen populasi dalam tiga tahun — lebih cepat dari PC atau internet. Namun adopsi bukanlah substitusi. Seseorang bisa menggunakan ChatGPT dan tetap membutuhkan rekan kerja manusia untuk menegosiasikan kontrak, menulis ulang kode yang bermasalah, atau memahami konteks organisasi yang tidak terdokumentasikan.
Laporan yang sama mencatat bahwa biaya inferensi turun drastis — DeepSeek V4, misalnya, meluncurkan peak/off-peak pricing yang membuat token semakin murah. Namun harga inferensi yang murah tidak secara otomatis berarti AI bisa mengambil alih workflow yang kompleks. Dalam arsitektur sistem, ada perbedaan fundamental antara cost of compute dan cost of integration. Anda bisa membeli GPU murah, tapi middleware yang menghubungkan output model ke proses bisnis yang sah — itu mahal, dan sering kali tidak ada.
MarketWatch dan Bloomberg mencatat bahwa saham perusahaan AI dan penyedia infrastruktur cloud justru naik 20-40 persen di paruh pertama 2026, sementara sektor jasa profesional dan administrasi mengalami kontraksi. Ini adalah divergence klasik antaracapital expenditure dan operational expenditure — modal mengalir ke infrastruktur, sementara beban operasional dipindahkan ke entitas yang tidak hadir secara fisik.
Separation of Concerns di Pasar Tenaga Kerja Indonesia
Di Indonesia, dinamika ini hadir dengan latency yang khas. Komisi I DPR telah menyuarakan perlunya regulasi AI untuk melindungi kedaulatan digital, sementara Komdigi memilih jalur Perpres daripada UU — sebuah keputusan arsitektur yang menarik: peraturan lebih cepat di-deploy, namun dengan surface area kepatuhan yang lebih terbatas.
Namun PHK karena AI — atau dengan dalih AI — belum menjadi berita utama di media nasional. Bukan karena tidak terjadi, tetapi karena signal-to-noise ratio-nya masih rendah. Perusahaan teknologi di Indonesia lebih sering mencantumkan “efisiensi operasional” atau “transformasi digital” dalam press release PHK mereka, istilah yang lebih aman secara PR daripada menyebut AI secara eksplisit. Toh, dalilnya tetap sama: pekerja digantikan oleh proses yang tidak memerlukan gaji, BPJS, atau THR.
Dalam istilah infrastruktur, Indonesia menghadapi fork bomb regulasi — upaya pengaturan yang bercabang ke banyak arah (keamanan data, etika AI, royalti digital di WIPO, pajak transaksi elektronik) tanpa root process yang jelas. DPR menyusun regulasi AI, DJKI membahas hak cipta untuk konten buatan AI, dan Komdigi menyiapkan aturan teknis — semuanya berjalan paralel, tanpa orchestration layer yang memadai. Hasilnya: resource contention pada legislative pipeline yang sudah macet.
Sementara itu, 87.714 PHK yang diatribusikan pada AI di Amerika Serikat adalah awal dari gelombang yang akan tiba di sini dengan latency beberapa kuartal. Startup AI lokal yang baru mendapatkan pendanaan Seri A — dengan valuasi yang ditopang oleh narrative bukan revenue — akan segera menghadapi tekanan yang sama dari investor: “buktikan bahwa model Anda bisa mengurangi headcount klien.” Dan ketika tekanan itu datang, PHK berbasis potensi, bukan kinerja, akan menjadi standar operasional.
Ephemeral Instance Manusia dalam Pipeline Produksi
Yang paling menarik dari fenomena ini adalah bagaimana PHK berbasis potensi AI menciptakan kelas baru transient worker — karyawan yang dianggap sebagai ephemeral instance dalam production pipeline, siap di-terminate ketika “versi yang lebih efisien” dirilis. Dalam arsitektur komputasi awan, ephemeral instance masuk akal: Anda spin up server, server mengerjakan tugas, selesai, server di-terminate. Tidak ada biaya tetap, tidak ada komitmen jangka panjang.
Namun manusia bukan container yang bisa di-orchestrate dengan horizontal pod autoscaler. Manusia memiliki kurva pembelajaran, institutional knowledge yang tidak terdokumentasi, dan hubungan sosial yang memengaruhi produktivitas tim — variabel yang tidak muncul dalam benchmark model AI manapun. Ketika perusahaan mem-PHK 40 persen tenaga kerja kontennya dengan alasan AI generative bisa menulis artikel, mereka mengabaikan cost of context switching: biaya yang dikeluarkan ketika pengetahuan organisasi menguap bersama karyawan yang pergi.
Bloomberg mencatat bahwa beberapa perusahaan yang paling agresif dalam PHK berbasis AI — termasuk perusahaan teknologi besar yang namanya sudah tidak perlu disebutkan — mulai merekrut kembali karyawan kontrak di kuartal kedua 2026. Bukan karena strategi AI mereka gagal, tetapi karena inference quality model tidak cukup konsisten untuk production workload yang sesungguhnya. Rollback terjadi, namun infrastructure (manusia) yang sudah di-deprovision tidak bisa langsung di-provision ulang.
Deprovisioning dan Biaya Reprovisioning yang Tidak Terhitung
Di sinilah letak buffer overflow yang sesungguhnya. Perusahaan mengalokasikan terlalu banyak headroom untuk potensi AI dan terlalu sedikit untuk kontinuitas operasional. Saat potensi itu tidak terwujud dalam jangka waktu yang diharapkan — atau terwujud tetapi tidak dalam bentuk yang bisa langsung diintegrasikan ke production — yang tersisa adalah organisasi dengan resource allocation yang timpang: infrastruktur AI yang terang-terangan tidak digunakan secara maksimal dan tenaga kerja yang sudah terlalu mahal untuk direkrut kembali.
Laporan HBR menyebut fenomena ini sebagai “PHK berdasarkan proyeksi, bukan bukti.” Dalam arsitektur sistem, istilahnya adalah premature deallocation: Anda melepas sumber daya sebelum migration plan selesai diuji. Akibatnya tidak selalu fatal — perusahaan bisa bertahan — tetapi organisasi memasuki mode degraded service di mana produktivitas yang hilang lebih besar daripada efisiensi yang dihemat.
Dari lokalitas terbatas, ironi ini terasa lebih absurd. Kita membangun data center raksasa di Jawa Barat, menyambut kedatangan Starlink sebagai solusi konektivitas, dan menyusun peta jalan AI nasional — sementara di level mikro, keputusan PHK dibuat berdasarkan hype curve yang sama yang mendorong kenaikan saham Nvidia. Tidak ada yang salah dengan optimisme, selama provisioning dilakukan berdasarkan capacity planning yang realistis.
Log berakhir di sini. Forecast tetap menjadi forecast, dan manusia tetap menjadi satu-satunya production instance yang tidak bisa di-restart dari snapshot terakhir.