Ada ironi yang terlalu rapi untuk distopia mana pun: sistem yang dibangun menggantikan manusia ternyata tidak bisa berfungsi tanpa lebih banyak manusia. Infrastruktur AI — dari large language model hingga agentic pipeline — bergantung pada lapisan yang jarang disebut dalam laporan keuangan SoftBank atau deck Y Combinator: manusia di negara berkembang yang melabeli, memverifikasi, dan menambal output model dengan upah di bawah US$5 per jam.
Dalam istilah infrastruktur, ini adalah outsourced compute yang tidak tercatat di neraca.
Arsitektur Abstraksi Biaya Tenaga Kerja
Setiap kali perusahaan AI mengklaim human-level performance atau fully autonomous agentic workflow, ada kemungkinan besar bahwa di Pulau Jawa, seorang pekerja ghost sedang memverifikasi bahwa model tidak berhalusinasi soal prosedur klaim BPJS. Laporan Bloomberg dari awal 2026 mencatat setidaknya 60% perusahaan AI tier-2 masih mengandalkan human-in-the-loop secara operasional untuk menjaga accuracy. Bukan di San Francisco — melainkan di Bandung, Yogyakarta, Surabaya, dan Makassar.
Model bisnisnya sederhana: perusahaan rintisan AI di Silicon Valley mengeluarkan jutaan dolar untuk compute training, namun mendelegasikan inference verification ke agen outsourcing di Indonesia dengan biaya operasional yang hampir tidak masuk akal. Dalam arsitektur sistem, ini adalah asymmetric cost distribution — biaya pelatihan yang capital-intensive diturunkan melalui margin compression pada lapisan tenaga kerja paling bawah. Ekonomi unit startup AI bergantung pada seberapa efisien mereka bisa menekan biaya verifikasi manusia. Dan Indonesia — dengan infrastruktur digital yang cukup baik, penetrasi internet yang tinggi, tapi prevailing wage yang jauh di bawah standar global — menjadi sweet spot sempurna.
Cost of Inference yang Tidak Pernah Dihitung
Pertanyaan yang jarang muncul dalam diskusi cost of inference: berapa biaya upah pekerja ghost untuk setiap satu juta output token yang diverifikasi? Forbes, dalam analisis Maret 2026 tentang hidden labor cost AI, menyebutkan bahwa biaya tenaga kerja tersembunyi bisa mencapai 30-40% dari total cost of operation perusahaan AI pada fase production deployment — angka yang dihilangkan dalam hampir semua unit economics yang dipresentasikan ke VC.
Dalam istilah infrastruktur, ini seperti memiliki server rack yang listriknya tidak pernah dihitung dalam TCO. Anda bisa mengklaim gross margin 80% selama fase demo, tapi saat production scale dimulai — dengan ribuan edge case, regression failure, dan domain shift — biaya laten ini muncul di sisi lain laporan arus kas. Pekan lalu TechCrunch melaporkan bahwa ClickUp memangkas 22% tenaga kerja mereka dan menggantinya dengan AI agent, tapi tidak ada yang melaporkan berapa banyak kontraktor ghost di Asia Tenggara yang sebenarnya menjalankan fallback logic ketika agen tersebut gagal menentukan prioritas tugas. Ini bukan kegagalan teknik — ini adalah externality yang sengaja diabstraksi dari balance sheet.
Middleware Manusia: Dari Prompt Engineering ke Fallback Orchestration
Agentic AI — sistem otonom yang disebut-sebut sebagai fase berikutnya dari gelombang AI — membawa ironi tambahan. Semakin “otonom” sebuah agen diklaim, semakin kompleks human middleware yang dibutuhkan di belakangnya. Untuk setiap agen yang diklaim bisa melakukan multi-step reasoning secara mandiri, terdapat tim kecil di India, Filipina, dan Indonesia yang secara manual mengoreksi reasoning path ketika model menghasilkan fork logika yang tidak terduga.
Harvard Business Review, dalam edisi April 2026, menerbitkan studi kasus tentang perusahaan SaaS yang mengimplementasikan AI agent untuk customer support. Temuannya: agen berhasil menyelesaikan 73% interaksi secara mandiri — tetapi 27% sisanya memerlukan intervensi manusia yang response time-nya tidak boleh melebihi 30 detik. Artinya, ada lapisan on-call yang harus standby 24/7, memahami konteks percakapan dalam bahasa campuran Inggris-Indonesia, dan mengambil alih saat agen mengalami cascading failure. Dalam arsitektur sistem, ini bukan redundancy — ini adalah manual failover pada skala industri.
Vertical Pod Autoscaling Sosial: Ketika Upah Naik
Tanda paling jelas bahwa pasar ini mulai bergeser adalah meningkatnya biaya perekrutan tenaga kerja ghost di Indonesia. Ketika laporan SoftBank Mei 2026 mencatat penambahan kapitalisasi pasar lebih dari $61 miliar dalam dua hari, ironinya adalah bahwa sebagian dari kenaikan itu didorong oleh ekspektasi cost reduction dari AI deployment — sementara di sisi lain tanah, perusahaan outsourcing di Jakarta mulai mengeluh bahwa rate per jam pekerja verifikasi naik 15% dalam enam bulan terakhir.
Dalam istilah infrastruktur, supply tenaga kerja ghost tidak bersifat elastic tanpa batas. Resource pool pekerja dengan literasi digital yang memadai, penguasaan bahasa Inggris pasif, dan kesediaan bekerja shift malam adalah terbatas. Ketika permintaan dari puluhan startup AI global membanjiri pool yang sama, harga naik. Vertical Pod Autoscaling di Kubernetes bekerja dengan prinsip yang sama — resource contention menaikkan cost, yang kemudian diteruskan ke konsumen. Bedanya, dalam komputasi awan Anda bisa scale horizontally dengan menambah node. Dalam pasar tenaga kerja, horizontal scaling membutuhkan waktu bertahun-tahun untuk membangun kapasitas.
Gelembung yang Mengempis dan Autonomy Laundering
Jika gelembung AI benar-benar mulai mengempis — dan penjualan saham Nvidia oleh SoftBank senilai $5,83 miliar pada akhir Mei 2026 bisa dibaca sebagai sinyal awal — pertanyaan yang tersisa adalah apa yang terjadi pada lapisan ghost infrastructure di Indonesia. Perusahaan AI akan memangkas biaya dari human verifier terlebih dahulu. Tapi tanpa human verifier, akurasi model turun, customer churn naik — siklus negative feedback dimulai.
Ini adalah dependency hell dalam bentuk organisasi. Sistem dengan tight coupling ke manual fallback tidak bisa menghilangkan lapisan tersebut tanpa merombak arsitektur secara fundamental. Dan perombakan itu membutuhkan waktu dan modal — dua hal yang mulai langka ketika venture capital menarik diri. CNBC melaporkan pada 22 Mei bahwa indeks AI hype mulai berkorelasi negatif dengan earnings beat. Dari lokalitas terbatas, ini artinya lapangan kerja ghost akan bertahan lebih lama dari prediksi analis Wall Street — bukan karena etis, melainkan karena ketergantungan arsitektural.
Bloomberg menyebut fenomena ini sebagai “autonomy laundering” — praktik di mana intervensi manusia disembunyikan dari metrik produk untuk mempertahankan ilusi full automation. Ini tidak ilegal dan tidak melanggar disclosure requirements mana pun, karena belum ada regulasi yang mewajibkan perusahaan AI mengungkap rasio human-in-the-loop. Yang dilaporkan adalah kisah sukses agen otonom — bukan 27% interaksi yang escalate ke manusia. Yang dipublikasikan adalah cost saving — bukan cost shifting ke lapisan tenaga kerja yang tidak tercantum dalam org chart.
Overprovisioning Tenaga Kerja, Underutilisasi Manusia
Kondisi akhir yang paling menarik dari dinamika ini adalah overprovisioning tenaga kerja ghost untuk mengantisipasi spike permintaan yang mungkin tidak pernah terjadi. Startup AI yang menerima pendanaan seri A cenderung over-hire verifikasi manusia sebagai jaring pengaman, padahal model mereka — dalam kondisi ideal — seharusnya bisa berjalan tanpa intervensi sama sekali. Kementerian Komunikasi dan Digital Indonesia, dalam laporan awal 2026, mencatat bahwa sektor digital workforce outsourcing telah tumbuh 34% year-over-year — dengan sebagian besar pertumbuhan datang dari AI-related data annotation, content moderation, dan output verification.
Tidak ada angka pasti berapa banyak dari pekerjaan ini yang akan bertahan jika gelembung AI benar-benar pecah. Tapi dalam arsitektur sistem yang dirancang dengan adapter pattern ke tenaga kerja murah, pelepasan dependency tidak akan terjadi secara instan.
Log berakhir di sini. Layar terminal tetap menampilkan inference progress bar yang tidak pernah mencapai 100% — bukan karena keterbatasan model, melainkan karena ada human handover yang tidak pernah dicatat dalam commit message.