Mengapa Wanita Menghadapi Risiko Pemutusan yang Lebih Tinggi — dan Bagaimana Desain Ulang Peran Dapat Membuka Jalur Baru

Industri teknologi telah menghabiskan tahun-tahun untuk khawatir tentang kekurangan bakat. Tidak cukup insinyur AI, ilmuwan data, atau arsitek AI untuk memenuhi kebutuhan. Perusahaan bersaing keras untuk memperebutkan bakat yang sama, dan sebagian besar dari mereka adalah pria.

Sementara perang untuk bakat AI mendominasi judul-judul utama, krisis yang lebih sunyi sedang berkembang di sisi lain pasar tenaga kerja. Jutaan pekerja, terutama wanita, berada dalam pekerjaan yang sudah diubah oleh AI. Mereka tidak mendapatkan akses yang sama untuk pelatihan, alat, atau peran baru yang akan membantu mereka melakukan transisi tersebut.

Hasilnya adalah ikatan ganda. Industri tidak dapat menemukan cukup bakat yang terampil dalam AI, sementara wanita tetap menjadi sumber bakat yang tidak termanfaatkan terbesar di pasar kerja. Celah antara siapa yang kehilangan pekerjaan dan siapa yang mendapatkannya tidaklah acak. Ini mengikuti pola yang muncul dalam data tenaga kerja di hampir semua ekonomi utama, dan jika tidak diatasi, akan menentukan dinamika gender di pasar kerja selama dekade berikutnya.

Mengapa wanita menghadapi risiko pemutusan yang lebih tinggi

Angka utama dari Organisasi Buruh Internasional (ILO) sangat mencolok: pekerjaan yang didominasi oleh wanita hampir dua kali lebih mungkin terkena dampak AI generatif daripada pekerjaan yang didominasi oleh pria, yaitu 29% versus 16%. Pada tingkat risiko tertinggi, celahnya bahkan lebih lebar. Enam belas persen dari peran yang didominasi oleh wanita jatuh ke dalam kategori automatisasi yang paling rentan. Untuk peran yang didominasi oleh pria, angka tersebut adalah 3%.

Laporan ILO, Gen AI, Occupational Segregation and Gender Equality in the World of Work, mengidentifikasi tiga kekuatan yang mendorong hal ini. Wanita memegang peran yang paling mungkin diotomatisasi. Mereka tidak hadir dalam bidang STEM yang membangun alat-alat ini. Dan model AI sering memantulkan bias gender yang sudah ada dalam masyarakat.

Ini bukanlah kebetulan. Wanita telah terkonsentrasi dalam peran administratif, dukungan, entri data, dan layanan pelanggan. Ini adalah fungsi yang AI tangani dengan baik: rutin, dapat dikodekan, dan volume tinggi. Penelitian ILO mencakup 88% dari negara-negara yang dianalisis, dan hampir semua dari mereka, wanita menghadapi risiko yang lebih besar daripada pria.

Risiko paparan hanya setengah dari masalah. Peran yang dibuat oleh AI terkonsentrasi dalam fungsi teknis dan strategis di mana wanita telah secara historis underrepresented. Menurut sebuah studi 2024 oleh Interface EU, secara global, wanita hanya membentuk 22% dari tenaga kerja AI. Laporan Global Gender Gap 2025 dari Forum Ekonomi Dunia menemukan bahwa wanita mengalami penurunan signifikan pada tahun pertama karir STEM dan tetap underrepresented dalam rekayasa AI dan kepemimpinan sepanjang waktu.

Wanita terkonsentrasi dalam peran yang sedang dihapus, dan underrepresented dalam peran yang sedang dibuat. Ini bukan satu masalah. Ini adalah dua masalah yang saling memperburuk.

Lapisan ketiga membuatnya lebih buruk. Laporan Understanding Talent Scarcity: AI and Equity dari Randstad menunjukkan celah 42 poin persentase dalam keterampilan AI antara pria dan wanita, yaitu 71% versus 29%. Pria lebih mungkin ditawari pelatihan AI oleh pemberi kerja (35% versus 27%) dan lebih mungkin memiliki alat AI yang disediakan di tempat kerja (41% versus 35%). UC Berkeley mensintesis 18 studi yang mencakup 143.000 pekerja di seluruh dunia dan menemukan bahwa wanita sekitar 20% kurang mungkin menggunakan alat AI generatif secara profesional daripada pria. Celah tersebut bertahan terlepas dari tingkat pendidikan atau pendapatan negara.

Pengaturan pekerjaan yang terkonsentrasi pada wanita dalam peran yang dapat diotomatisasi. Underrepresentasi dalam bidang STEM menguncinya dari peran yang dibuat oleh AI. Celah akses dan pelatihan mencegah transisi antara keduanya. Setiap lapisan memperkuat yang lain.

Desain ulang peran: apa yang sebenarnya dimaksud, dan mengapa sebagian besar perusahaan salah

Ketika organisasi berbicara tentang mempersiapkan tenaga kerja mereka untuk AI, mereka biasanya mengartikan salah satu dari dua hal: melatih kembali karyawan yang ada pada alat baru, atau menggantikan peran yang dihapus dengan posisi teknis yang baru dibuat. Kedua pendekatan tersebut melewatkan titik utama.

Melatih kembali diperlukan tetapi tidak cukup. Memberikan kursus tentang teknik promt kepada seorang petugas entri data tidak menciptakan jalur. Ini memberinya keterampilan. Apa yang dia butuhkan adalah tujuan: peran spesifik, dengan tanggung jawab yang didefinisikan, yang ada dalam organisasi dan yang dapat dia masuki dengan kredibel.

Menggantikan peran yang dihapus dengan posisi teknis sering memperdalam masalah. Insinyur AI, ilmuwan data, dan spesialis pembelajaran mesin memerlukan kualifikasi dan pengalaman yang sedikit dari pekerja yang dihapus. Mereka juga cenderung menarik kandidat dari bakat yang homogen yang sudah mendominasi sektor teknologi. Pemutusan mengenai wanita. Peran penggantian tidak.

Desain ulang peran yang sebenarnya dimulai dengan pertanyaan yang berbeda. Bukan apa pekerjaan yang dapat AI lakukan, tetapi apa yang terlihat seperti kontribusi manusia dalam dunia di mana AI menangani rutinitas?

Jawabannya adalah bahwa pekerjaan yang khas manusia adalah relasional, kontekstual, dan etis. Ini adalah menavigasi ketidakjelasan. Membangun kepercayaan dengan klien dan rekan kerja. Membuat keputusan penilaian dalam situasi tanpa template. Memahami apa yang sebenarnya dibutuhkan oleh pemangku kepentingan, bukan hanya apa yang mereka katakan mereka inginkan.

Peran baru yang muncul di persimpangan ini membawa nama yang berbeda tergantung pada sektor: Koordinator Implementasi AI, Pemimpin Adopsi Teknologi, Perantara Manusia-AI, Petugas Etika Digital, Spesialis Manajemen Perubahan. Apa yang mereka bagikan adalah kebutuhan akan orang-orang yang dapat bekerja di mana teknologi dan kompleksitas manusia bertemu.

Peran ini memerlukan penilaian, komunikasi, dan pemahaman yang mendalam tentang bagaimana organisasi bekerja. Mereka, dengan kata lain, adalah evolusi langsung dari keterampilan yang wanita dalam peran yang berisiko saat ini telah membangun selama bertahun-tahun.

Perusahaan yang melakukan ini dengan benar adalah memetakan keterampilan yang tertanam dalam peran yang berisiko, bukan judul pekerjaan tetapi kemampuan sebenarnya yang dimiliki orang tersebut, dan mengidentifikasi mana dari keterampilan tersebut yang sesuai dengan peran yang dibuat oleh AI.

Ini adalah masalah bakat, bukan hanya masalah kesetaraan

Kekurangan bakat AI adalah nyata dan semakin parah. Peran yang dibuat oleh adopsi AI memerlukan kombinasi dari literasi teknis dan penilaian manusia yang benar-benar langka. Perusahaan bersaing keras untuk memperebutkan bakat yang terbatas.

Wanita adalah sumber bakat yang tidak termanfaatkan terbesar di tenaga kerja profesional. Keterampilan yang tertanam dalam peran yang berisiko, termasuk manajemen hubungan, koordinasi operasional, penalaran etis, dan komunikasi pemangku kepentingan, adalah apa yang dibutuhkan oleh peran era AI. Koneksi antara dua fakta tersebut seharusnya jelas.

Perekrutan berbasis keterampilan adalah mekanisme yang membuat koneksi tersebut memungkinkan. Alih-alih menyaring berdasarkan kualifikasi dan jalur karir linier, ini mengevaluasi apa yang dapat dilakukan seseorang. Ini membuka peran untuk orang-orang yang kemampuan mereka berkembang melalui tahun-tahun dalam fungsi administratif dan layanan, tepat peran yang AI saat ini otomatisasi. Ketika dirancang dengan baik, ini tidak hanya memperluas bakat, tetapi juga mengungkapkan pengalaman spesifik yang organisasi butuhkan paling dalam lingkungan yang ditingkatkan oleh AI.

Apa yang terlihat ketika organisasi melakukan ini dengan benar

Tidak ada model tunggal. Tetapi organisasi yang membuat kemajuan yang berarti berbagi serangkaian perilaku yang dapat dikenali.

Mereka memulai dengan keterampilan, bukan judul pekerjaan. Sebelum peran diotomatisasi, mereka memetakan apa yang dapat dilakukan oleh orang dalam peran tersebut, dan mereka memetakan itu melawan keterampilan yang organisasi akan butuhkan ke depan. Pertanyaannya bukan apakah pekerjaan dapat diotomatisasi. Ini adalah apa yang diketahui oleh orang yang melakukan pekerjaan itu, dan di mana pengetahuan itu sesuai dengan apa yang sedang dibangun.

Organisasi terkemuka bergerak melampaui janji yang samar tentang pengembangan keterampilan untuk membangun jalur yang jelas, spesifik, dan dapat diambil. Alih-alih harapan umum untuk peluang di masa depan, mereka menyediakan garis lurus dari peran saat ini ke peran yang didefinisikan di masa depan, dengan langkah-langkah, timeline, dan struktur dukungan yang diuraikan. Mereka merancang pelatihan untuk seluruh tenaga kerja, bukan karyawan rata-rata. Program yang berjalan setelah jam kerja atau memerlukan pembelajaran mandiri akan secara sistematis mengecualikan orang-orang dengan tanggung jawab perawatan. Desain inklusif berarti moduler, dapat dijadwalkan, tersedia selama jam kerja, dengan keamanan psikologis untuk bereksperimen dan gagal tanpa mempengaruhi tinjauan kinerja.

Pendekatan ini selaras dengan pergeseran mendasar dalam tenaga kerja: Randstad Workmonitor 2026 mengkonfirmasi bahwa “tangga karir” tradisional gagal, dengan 72% dari pemberi kerja setuju bahwa jalur karir linier sudah ketinggalan zaman. Sebagai respons, bakat mengurangi risiko dengan membangun “karir portofolio”. Model baru ini memprioritaskan keragaman, keagenan individu, dan keamanan melalui berbagai pengalaman daripada masa jabatan panjang dalam satu peran.

24 bulan berikutnya akan berpengaruh untuk waktu yang lama

Transisi tenaga kerja tidak dapat dengan mudah dibalik. Pola yang terbentuk sekarang cenderung bertahandalam tahun-tahun.

Organisasi yang bertindak dengan niat dapat menggunakan momen ini untuk membangun tenaga kerja yang lebih mampu dan lebih beragam daripada yang mereka miliki saat ini. Mereka yang mengobati transformasi AI sebagai proyek teknis dengan catatan kaki orang akan kemungkinan muncul dari itu dengan basis bakat yang lebih sempit dan masalah perekrutan yang lebih sulit.