Ada ironi yang hampir terlalu on the nose bahkan untuk standar distopia korporat yang paling sinis sekalipun. Di kuartal pertama 2026, perusahaan teknologi di AS mengumumkan 85.411 PHK — melampaui angka 100.000 pada pertengahan Mei — dengan alasan utama: restrukturisasi untuk adopsi kecerdasan buatan. Pada saat yang sama, survei enterprise dari Writer (2026) mencatat bahwa hanya 29% organisasi melaporkan ROI signifikan dari generative AI, dan angka itu turun ke 23% untuk agen AI. Dalam istilah infrastruktur, ini adalah skenario di mana Anda membeli server blade baru, mematikan server lama yang masih berfungsi, lalu menemukan bahwa server baru itu hanya menjalankan idle loop pada 30% kapasitas. Manajemen puncak menyebutnya transformasi. Log sistem menyebutnya resource misallocation.
Arsitektur Kepanikan Fiskal
Keputusan PHK massal atas nama AI bukanlah hasil dari kalkulasi rasional — melainkan panic routing korporat yang dipicu oleh tekanan pasar saham. Laporan CFO Dive dan Yahoo Finance pada Mei 2026 mendokumentasikan bahwa perusahaan seperti Cloudflare, Upwork, dan Coinbase memotong ribuan posisi dalam waktu yang sama — sebuah fork bomb sumber daya manusia yang dieksekusi tanpa synchronization primitive antar departemen. Meta sendiri, menurut laporan Intellizence, merelokasi 7.000 pekerja ke peran terkait AI — bukan mem-PHK mereka — namun narasi publik tetap sama: AI adalah dalih untuk efisiensi. Dalam arsitektur sistem, ini analog dengan load balancer yang mematikan setengah node karena monitoring menunjukkan CPU idle, tanpa menyadari bahwa idle itu disebabkan oleh queue yang macet di middleware. Data lapangan menunjukkan 69% perusahaan yang merencanakan PHK justru melaporkan hasil AI yang mengecewakan — sebuah negative feedback loop yang tidak diantisipasi oleh perencana strategis di lantai C-suite.
Pipeline Overhead Manajerial dan Biaya Transaksi Transisi
Yang jarang dihitung dalam spreadsheet efisiensi adalah overhead transisi dari tenaga manusia ke agen AI. Setiap PHK menghasilkan knowledge drain — buffer cache organisasi yang terhapus tanpa snapshot. Perusahaan kemudian membayar biaya onboarding agen AI yang perlu dilatih, dikonfigurasi, dan diawasi — sebuah pipeline yang memiliki latency lebih panjang dari yang diiklankan dalam deck presentasi. Laporan Kore.ai (2026) mencatat bahwa adopsi agen AI di enterprise tahun ini gagal mencapai produksi karena tiga alasan utama: integrasi buruk, kepemilikan tidak jelas, dan kurangnya desain production-grade. Dari lokalitas terbatas, kita bisa melihat pola yang sama: perusahaan startup di Indonesia yang tergesa-gesa mengadopsi AI sebagai cost center pengganti SDM, tanpa membangun middleware organisasi yang memadai. Hasilnya adalah cascading failure — agen AI yang salah kasih jawaban, data yang bocor karena separation of concerns yang buruk, dan akhirnya tim yang tersisa harus memperbaiki output AI alih-alih mengerjakan tugas produktif. Biaya context switching ini tidak pernah masuk ke perhitungan ROI awal.
Cost of Inference dan Ekonomi Unit yang Tidak Pernah Cocok
Argumen utama PHK berbasis AI adalah unit economics: gaji manusia lebih mahal daripada biaya inferensi model. Namun perhitungan ini mengabaikan total cost of ownership dari infrastruktur AI itu sendiri. Setiap permintaan ke model bahasa besar memerlukan compute yang tidak gratis — baik secara fiskal maupun karbon. Laporan Futurum Group (2026) memproyeksikan bahwa technology friction — gesekan antara infrastruktur AI yang kompleks dan kebutuhan bisnis yang sederhana — akan menggerus margin efisiensi yang dijanjikan. Metafora yang lebih tepat bukanlah membandingkan gaji dengan biaya inference, melainkan membandingkan vertical pod autoscaling dengan overprovisioning klasik. Manusia adalah ephemeral instance yang fleksibel — bisa dialihkan tugas tanpa cold start latency. Model AI, sebaliknya, adalah container yang perlu di-orchestrate, dimonitor, dan di-debug. Dalam arsitektur sistem, menukar satu general-purpose node dengan sepuluh specialized containers yang masing-masing perlu maintenance terpisah bukanlah efisiensi — itu technical debt yang ditangguhkan.
Fragmentasi Tujuan dan Signal-to-Noise Ratio Organisasional
Ada dimensi yang lebih abstrak namun tidak kalah penting: signal-to-noise ratio dari komunikasi organisasi. Manusia, dengan segala kekurangannya, mampu memahami konteks implisit, membaca keheningan, dan menavigasi politik organisasi tanpa prompt engineering. Agen AI, dengan context window yang terbatas dan alignment yang di-fine-tune secara artifisial, menghasilkan output yang tepat secara literal namun sering salah secara pragmatis. Dalam istilah infrastruktur, manusia adalah protocol yang toleran terhadap packet loss dan latency tinggi — adaptif, walau lambat. Agen AI adalah protocol kaku yang menuntut low latency dan zero packet loss — efisien hanya dalam kondisi ideal. Ketika perusahaan mem-PHK manusia untuk menggantinya dengan agen, mereka sebenarnya menurunkan noise floor sistem — tetapi juga memotong signal bandwidth yang memungkinkan organisasi beradaptasi terhadap perubahan pasar. Harvard Business Review edisi April 2026 mencatat bahwa perusahaan dengan PHK berbasis AI paling agresif justru mengalami penurunan agility dalam merespons market shift — sebuah temuan yang seharusnya tidak mengejutkan bagi siapa pun yang pernah membaca literatur tentang resilience engineering.
Logika Infrastruktur di Balik Lapisan Presentasi
Yang paling menarik dari paradoks ini bukanlah angka PHK atau persentase ROI — melainkan framing yang digunakan para eksekutif untuk membenarkan keputusan mereka. Dalam earnings call, AI disebut sebagai “investasi transformasional” dan PHK sebagai “restrukturisasi untuk pertumbuhan.” Dalam istilah infrastruktur, ini adalah error message yang dibungkus custom middleware agar terlihat seperti feature. Data lapangan menunjukkan bahwa 45 CEO perusahaan teknologi telah secara eksplisit menyebut AI sebagai alasan PHK (Programs.com, 2026), namun studi akademis dari Fortune dan universitas mitra pada April 2026 memperingatkan bahwa PHK berbasis AI justru dapat merusak perusahaan dalam jangka panjang — output yang salah, safety yang terabaikan, dan innovation yang mandek karena tidak ada lagi manusia yang punya cukup konteks untuk debug sistem. Ini adalah dependency injection yang salah sasaran: Anda mengganti runtime yang sudah stabil dengan beta software, lalu menyalahkan kernel saat sistem crash.
Log berakhir di sini. Server yang kehilangan setengah node-nya demi menghemat biaya operasional mungkin akan berjalan lebih cepat pada metrik pertama — namun cache yang kosong tidak akan pernah bisa melayani permintaan yang tidak pernah di-predict oleh model. Scaling bukanlah soal mematikan instance, melainkan soal mendistribusikan beban secara merata — dan PHK adalah load shedding yang dilakukan tanpa membaca traffic pattern.