Mengapa Perempuan Lebih Berisiko Kehilangan Pekerjaan — dan Bagaimana Perancangan Ulang Peran Dapat Membuka Jalur Baru

Industri teknologi sudah bertahun-tahun mengkhawatirkan kekurangan talenta. Jumlah insinyur AI, ilmuwan data, dan arsitek AI tidak mencukupi kebutuhan. Perusahaan bersaing ketat memperebutkan kelompok spesialis yang sama dan terbatas, yang sebagian besar anggotanya laki-laki.

Ketika perebutan talenta AI mendominasi pemberitaan, krisis yang lebih senyap berkembang di sisi lain pasar tenaga kerja. Jutaan pekerja, dengan proporsi perempuan yang tidak seimbang besarnya, berada dalam pekerjaan yang sudah diubah oleh AI. Mereka tidak memperoleh akses yang sama terhadap pelatihan, alat, atau peran baru yang dapat membantu mereka beralih.

Hasilnya adalah dilema ganda. Industri tidak dapat menemukan cukup talenta berketerampilan AI, sementara perempuan tetap menjadi cadangan talenta terbesar yang belum dimanfaatkan secara optimal dalam angkatan kerja. Kesenjangan antara mereka yang kehilangan pekerjaan dan mereka yang mendapatkannya bukanlah kebetulan. Kesenjangan ini mengikuti pola dalam data ketenagakerjaan di hampir setiap perekonomian besar. Jika tidak ditangani, pola itu akan menentukan dinamika gender dalam dunia kerja selama dekade mendatang.

Mengapa perempuan lebih berisiko kehilangan pekerjaan

Angka utama dari Organisasi Perburuhan Internasional (ILO) sangat mencolok: pekerjaan yang didominasi perempuan hampir dua kali lebih mungkin terdampak AI generatif dibandingkan pekerjaan yang didominasi laki-laki, yakni 29% berbanding 16%. Pada kelompok berisiko tertinggi, kesenjangannya lebih besar lagi. Enam belas persen peran yang didominasi perempuan masuk kategori paling rentan terhadap otomatisasi. Untuk peran yang didominasi laki-laki, angkanya 3%.

Laporan ILO, AI Generatif, Segregasi Pekerjaan, dan Kesetaraan Gender dalam Dunia Kerja, mengidentifikasi tiga faktor pendorongnya. Perempuan menempati peran yang paling mungkin diotomatisasi. Mereka tidak hadir dalam bidang sains, teknologi, teknik, dan matematika (STEM) yang mengembangkan alat-alat ini. Model AI juga kerap mencerminkan bias gender yang sudah tertanam dalam masyarakat.

Ini bukan kebetulan. Secara historis, perempuan terkonsentrasi dalam pekerjaan perkantoran, dukungan administrasi, entri data, dan layanan pelanggan. Inilah fungsi yang paling baik ditangani AI: rutin, dapat dijabarkan menjadi aturan, dan dikerjakan dalam volume besar. Penelitian ILO mencakup 88% negara yang dianalisisnya, dan di hampir semuanya perempuan menghadapi paparan lebih besar daripada laki-laki.

Risiko paparan baru separuh masalahnya. Peran yang diciptakan AI terkonsentrasi dalam fungsi teknis dan strategis yang secara historis memiliki keterwakilan perempuan rendah. Menurut studi tahun 2024 oleh Interface EU, perempuan hanya mencakup 22% tenaga kerja AI di seluruh dunia. Laporan Forum Ekonomi Dunia tentang Kesetaraan Gender tahun 2025 menemukan penurunan signifikan jumlah perempuan pada tahun pertama karier STEM, serta keterwakilan mereka yang tetap rendah dalam rekayasa AI dan kepemimpinan sepanjang karier.

Perempuan terkonsentrasi secara tidak proporsional dalam peran yang hilang, tetapi kurang terwakili dalam peran yang diciptakan. Ini bukan satu masalah, melainkan dua masalah yang saling memperparah.

Lapisan ketiga memperburuk keadaan. Laporan Randstad, Memahami Kelangkaan Talenta: AI dan Keadilan , menunjukkan kesenjangan keterampilan AI sebesar 42 poin persentase antara laki-laki dan perempuan: 71% berbanding 29%. Laki-laki lebih mungkin ditawari pelatihan AI oleh pemberi kerja (35% berbanding 27%) dan disediakan alat AI di tempat kerja (41% berbanding 35%). UC Berkeley merangkum 18 studi yang mencakup 143.000 pekerja di seluruh dunia dan menemukan bahwa kemungkinan perempuan menggunakan alat AI generatif secara profesional sekitar 20% lebih rendah daripada laki-laki. Kesenjangan itu tetap ada terlepas dari tingkat pendidikan atau tingkat pendapatan negara.

Segregasi pekerjaan menempatkan perempuan dalam peran yang dapat diotomatisasi. Rendahnya keterwakilan dalam STEM menutup akses mereka ke peran yang kini diciptakan AI. Kesenjangan akses dan pelatihan menghalangi perpindahan antara keduanya. Setiap lapisan memperkuat lapisan lain.

Perancangan ulang peran: apa maknanya dan mengapa sebagian besar perusahaan salah menerapkannya

Ketika organisasi berbicara tentang menyiapkan tenaga kerjanya menghadapi AI, biasanya yang dimaksud adalah salah satu dari dua hal: melatih ulang karyawan yang ada untuk menggunakan alat baru, atau mengganti peran yang hilang dengan posisi teknis baru. Kedua pendekatan itu melewatkan inti persoalan.

Pelatihan ulang diperlukan, tetapi tidak cukup. Memberikan kursus penyusunan prompt AI kepada seorang petugas perempuan yang melakukan entri data tidak serta-merta menciptakan jalur karier. Itu memberinya seperangkat keterampilan. Yang ia perlukan adalah tujuan: peran tertentu dengan tanggung jawab jelas, yang tersedia dalam organisasi dan secara realistis dapat ia masuki.

Mengganti peran yang hilang dengan posisi teknis sering memperdalam masalah. Posisi insinyur AI, ilmuwan data, dan spesialis pembelajaran mesin memerlukan kualifikasi serta pengalaman yang hanya dimiliki sedikit pekerja yang kehilangan pekerjaan. Posisi-posisi itu juga cenderung menarik kandidat dari kelompok talenta homogen yang sama yang sudah mendominasi sektor teknologi. Perempuan terdampak kehilangan pekerjaan, tetapi tidak mendapatkan peran penggantinya.

Perancangan ulang peran yang sesungguhnya dimulai dengan pertanyaan berbeda. Bukan pekerjaan apa yang dapat dilakukan AI, melainkan seperti apa kontribusi manusia ketika AI menangani tugas rutin.

Jawabannya, pekerjaan yang khas manusia berlandaskan hubungan, konteks, dan etika. Ini berarti menghadapi ambiguitas, membangun kepercayaan dengan klien serta rekan kerja, menggunakan pertimbangan dalam situasi tanpa pola baku, dan memahami kebutuhan nyata pemangku kepentingan, bukan sekadar keinginan yang mereka ungkapkan.

Peran baru pada persimpangan ini memiliki nama berbeda menurut sektor: Koordinator Implementasi AI, Pemimpin Adopsi Teknologi, Penghubung Manusia-AI, Penanggung Jawab Etika Digital, dan Spesialis Manajemen Perubahan. Kesamaannya adalah kebutuhan akan orang yang dapat bekerja di titik pertemuan teknologi dan kompleksitas manusia.

Peran-peran ini membutuhkan pertimbangan yang baik, komunikasi, dan pemahaman mendalam tentang cara organisasi bekerja. Dengan kata lain, ini merupakan perkembangan langsung dari keterampilan yang telah dibangun selama bertahun-tahun oleh perempuan dalam peran yang kini terancam.

Perusahaan yang melakukannya dengan benar memetakan keterampilan dalam peran yang terancam. Mereka melihat kemampuan nyata yang telah dikembangkan seseorang, bukan nama jabatannya, lalu mengidentifikasi kemampuan yang sesuai dengan peran yang diciptakan AI.

Ini masalah talenta, bukan hanya masalah kesetaraan

Kekurangan talenta AI benar-benar terjadi dan semakin parah. Peran yang tercipta melalui adopsi AI memerlukan kombinasi pemahaman teknis dan pertimbangan manusia yang sungguh langka. Perusahaan bersaing keras memperebutkan kelompok orang yang terbatas.

Perempuan adalah cadangan talenta terbesar yang belum dimanfaatkan secara optimal dalam tenaga kerja profesional. Keterampilan dalam peran yang terancam, termasuk pengelolaan hubungan, koordinasi operasional, penalaran etis, dan komunikasi dengan pemangku kepentingan, persis sesuai dengan kebutuhan peran baru pada era AI. Hubungan antara kedua fakta itu seharusnya jelas.

Perekrutan berbasis keterampilan memungkinkan hubungan itu terwujud. Alih-alih menyaring berdasarkan kualifikasi formal dan jalur karier linier, pendekatan ini menilai apa yang benar-benar dapat dilakukan seseorang. Ini membuka peran bagi orang yang mengembangkan kemampuan melalui pengalaman bertahun-tahun dalam fungsi administrasi dan layanan, justru peran yang kini diotomatisasi AI. Jika dirancang dengan baik, pendekatan ini tidak hanya memperluas kelompok talenta, tetapi juga mengungkap jenis pengalaman spesifik yang paling dibutuhkan organisasi dalam lingkungan yang didukung AI.

Seperti apa penerapan yang berhasil dalam organisasi

Tidak ada satu model tunggal. Namun, organisasi yang mencapai kemajuan berarti memiliki serangkaian perilaku yang dapat dikenali.

Mereka mulai dari keterampilan, bukan nama jabatan. Sebelum suatu peran diotomatisasi, mereka memetakan apa yang benar-benar mampu dilakukan orang yang menjalankannya, lalu membandingkannya dengan kemampuan yang akan dibutuhkan organisasi. Pertanyaannya bukan apakah sebuah pekerjaan dapat diotomatisasi, melainkan apa yang diketahui orang yang melakukannya dan di mana pengetahuan itu cocok dalam hal yang sedang dibangun.

Organisasi terkemuka melampaui janji samar pengembangan keterampilan dan membangun jalur yang terlihat, spesifik, serta dapat dijalankan. Alih-alih sekadar harapan umum akan peluang masa depan, mereka menyediakan jalur jelas dari peran saat ini ke peran masa depan yang ditetapkan, lengkap dengan langkah, jadwal, dan struktur dukungan. Pelatihan dirancang untuk seluruh tenaga kerja, bukan untuk karyawan tipikal. Program di luar jam kerja atau yang mewajibkan pembelajaran mandiri akan secara sistematis mengecualikan orang dengan tanggung jawab merawat orang lain. Desain inklusif berarti menyediakan modul yang dapat dijadwalkan dan diikuti selama jam kerja, dengan rasa aman secara psikologis untuk bereksperimen dan gagal tanpa memengaruhi penilaian kinerja.

Pendekatan ini selaras dengan perubahan mendasar dalam dunia kerja: Randstad Workmonitor 2026 menegaskan bahwa «tangga karier» tradisional tidak lagi berfungsi, dan 72% pemberi kerja kini sepakat bahwa jalur karier linier sudah usang. Sebagai tanggapan, para pekerja mengurangi risiko dengan membangun «karier portofolio». Model baru ini mengutamakan variasi, kendali individu atas pilihan kariernya, dan keamanan melalui beragam pengalaman, bukan bertahan lama dalam satu peran.

Dua puluh empat bulan ke depan akan berdampak panjang

Transisi tenaga kerja tidak mudah dibalik. Pola yang terbentuk sekarang cenderung bertahan selama bertahun-tahun.

Organisasi yang bertindak secara terarah dapat menggunakan momen ini untuk membangun tenaga kerja yang lebih mampu dan beragam daripada saat ini. Organisasi yang memperlakukan transformasi AI sebagai proyek teknis dengan urusan manusia sekadar catatan kaki kemungkinan akan keluar dengan basis talenta lebih sempit dan masalah perekrutan yang lebih sulit.