Permintaan talenta AI meningkat, tapi ketersediaannya masih terbatas

Ledakan adopsi teknologi AI di berbagai sektor membuat satu hal menjadi jelas: transformasi digital tidak lagi sekadar proyek inovasi, melainkan kebutuhan operasional. Di Asia Pasifik, para eksekutif menempatkan AI sebagai prioritas strategis, dan Indonesia ikut melaju—dari layanan pelanggan hingga pengambilan keputusan bisnis. Riset global pada 2025 menunjukkan pemakaian AI melonjak, dan survei pemimpin bisnis di Indonesia juga menggambarkan keyakinan kuat bahwa AI mampu memberi keuntungan operasional. Namun di balik optimisme itu, tersimpan ironi yang kian terasa di 2026: permintaan talenta AI naik cepat, sementara ketersediaan AI di pasar tenaga kerja tidak bergerak seirama. Banyak perusahaan sudah punya anggaran dan use case, tetapi belum punya orang yang bisa mengeksekusi dengan aman, etis, dan terukur.

Kesenjangan itu terlihat di ruang rapat dan lantai operasional. Tim bisnis ingin personalisasi layanan dalam hitungan minggu, tim operasional mengejar efisiensi, sementara tim TI menghadapi tantangan infrastruktur, keamanan siber, dan tata kelola data. Di sinilah “pekerjaan AI” berubah dari sekadar membangun model menjadi pekerjaan lintas fungsi: menyusun data, menjaga privasi, memastikan kepatuhan, dan mengukur dampak. Pelatihan dan reskilling menjadi penentu—bukan hanya untuk engineer, tetapi juga untuk HR, legal, auditor, hingga pimpinan produk. Pertanyaannya bukan “apakah AI akan dipakai?”, melainkan “siapa yang mampu mengelolanya tanpa membuat organisasi tersandung?”.

• Adopsi AI di perusahaan meningkat tajam dibanding dua tahun sebelumnya, mendorong kebutuhan keterampilan baru lintas divisi.
• Indonesia menunjukkan kesiapan bisnis: banyak pimpinan mengaku sudah merasakan keuntungan operasional dari AI, tetapi hambatan SDM tetap dominan.
• Tantangan utama: ketimpangan infrastruktur TI, keamanan siber, minimnya keahlian AI, dan gap keterampilan keamanan.
• Peran yang paling dicari meluas: dari arsitek data dan data scientist hingga spesialis etika dan tata kelola AI.
• Pelatihan AI dan reskilling terbukti menurunkan ketergantungan pada “ahli langka”, mempercepat kesiapan tim, dan memperkecil risiko implementasi.

Permintaan talenta AI meningkat: peta adopsi industri dan dampaknya ke produktivitas

Dalam dua tahun terakhir, AI berubah dari eksperimen menjadi mesin produktivitas. Riset McKinsey yang dirilis Maret 2025 mencatat 78% responden perusahaan yang disurvei sudah menggunakan AI—naik dari 55% pada 2023. Perubahan ini terasa hingga 2026 karena perusahaan yang sudah “mencicipi” hasilnya cenderung memperluas cakupan: AI tidak hanya dipasang di satu kanal, tetapi merembet ke layanan pelanggan, operasi, dan pengambilan keputusan. Ketika pelanggan terbiasa dengan respons cepat dan personal, standar layanan pun naik, dan perusahaan yang lambat mengejar akan terlihat usang.

Gambaran serupa muncul dari survei IBM 2025 terhadap 502 pemimpin bisnis senior di sektor swasta dan BUMN. Sekitar 85% responden mengaku memperoleh keuntungan operasional dari AI, dan 93% yakin dapat menerapkannya di korporasi. Angka ini menjelaskan mengapa permintaan talenta AI melejit: begitu manajemen melihat efisiensi nyata—misalnya waktu tanggap layanan turun, kesalahan input berkurang, atau keputusan stok menjadi lebih presisi—mereka ingin menggandakan dampak itu ke proses lain.

Agar tidak terasa abstrak, bayangkan perusahaan distribusi bernama “NusantaraLog”. Pada 2026, mereka mencoba AI untuk memprediksi permintaan di kota-kota tier 2 dan tier 3, menyesuaikan rute, serta menyarankan penempatan stok. Hasilnya: keterlambatan turun dan biaya bahan bakar lebih terkendali. Namun setelah pilot sukses, kebutuhan berikutnya muncul: siapa yang memastikan data penjualan ritel bersih? Siapa yang merancang pipeline data? Siapa yang menyusun kebijakan akses agar data pelanggan tidak bocor? Di titik ini, AI menjadi proyek organisasi, bukan proyek tim kecil.

Kenaikan adopsi juga dipengaruhi ekosistem: cloud, 5G, dan perangkat edge makin terjangkau, membuat implementasi AI lebih realistis untuk bisnis menengah. Perbincangan tentang kapasitas komputasi, biaya inferensi, dan strategi cloud makin sering masuk agenda manajemen, sejalan dengan topik “Indonesia sebagai pasar cloud dan AI” yang dibahas di laporan mengenai pasar cloud AI di Indonesia. Ketika akses komputasi membaik, hambatan terbesar bergeser ke manusia: siapa yang mampu mengelola model, data, dan risiko.

Perubahan ini menggeser definisi pekerjaan. Jika dahulu perusahaan mencari “data scientist serbabisa”, kini mereka memburu peran yang lebih spesifik: arsitek data, engineer ML, analis risiko model, hingga spesialis etika. Di startup, tren rekrutmen semakin tajam: AI engineer, prompter, dan scientist menjadi investasi agar produk lebih intuitif dan efisien. Kondisi ini sejalan dengan cerita ketangguhan sektor AI di tengah pasar kerja yang menantang—ketika beberapa sektor melakukan efisiensi, kebutuhan AI justru menanjak.

Adopsi yang meluas juga membuat perusahaan menyadari bahwa keterampilan AI bukan milik departemen TI saja. Tim customer service perlu memahami cara memeriksa jawaban asisten virtual, tim legal perlu paham risiko hak cipta dan privasi, sementara HR harus menata perubahan peran dan evaluasi kinerja. Maka, lonjakan AI menciptakan efek domino: standar kerja baru, proses baru, dan kebutuhan SDM baru. Insight akhirnya sederhana: ketika AI menjadi “listrik” bagi operasi, pasar kerja AI akan bergerak mengikuti, dan organisasi yang tidak menyiapkan manusia akan tertinggal walau teknologinya tersedia.

Ketersediaan AI masih tertinggal: mengapa talenta AI terbatas di Indonesia

Walau adopsi meningkat, ketersediaan AI di Indonesia masih belum cukup untuk mengejar kebutuhan. Di berbagai forum, pemerintah mengakui adanya gap besar talenta digital, bahkan disebut kekurangan jutaan talenta per tahun. Kesenjangan ini bukan sekadar soal jumlah lulusan; ia menyangkut kesiapan praktik, pengalaman industri, dan kemampuan bekerja lintas fungsi. Banyak kandidat mampu menjalankan notebook dan membangun model sederhana, tetapi belum terbiasa dengan data perusahaan yang berantakan, standar keamanan, dan kebutuhan audit.

Survei IBM 2025 membantu menjelaskan akar masalah dari sudut pandang korporasi. Tantangan yang diakui responden mencakup ketimpangan infrastruktur TI (84%), keamanan siber (55%), kurangnya talenta digital (45%), dan minimnya keterampilan keamanan siber (63%). Angka-angka ini menunjukkan rantai yang saling terkait: organisasi yang infrastrukturnya timpang cenderung kesulitan menyiapkan lingkungan data yang sehat; ketika data tidak tertata, talenta pun sulit berkembang; dan saat keamanan lemah, ruang eksperimen AI menjadi terbatas karena risiko kebocoran.

Ada pula faktor permintaan yang berubah bentuk. Perusahaan tidak lagi cukup mempekerjakan satu “spesialis AI” untuk semua. Mereka membutuhkan tim yang dapat memikirkan arsitektur data, operasi model (MLOps), evaluasi bias, serta kebijakan penggunaan GenAI di internal. McKinsey menandai peran seperti arsitek data, ahli data AI, dan spesialis etika AI sebagai peran yang makin dicari. Ini membuat talenta AI terbatas terasa semakin langka karena definisi “siap kerja” menjadi lebih tinggi.

Untuk membantu pembaca memahami kompleksitasnya, berikut ringkasan hubungan antara kebutuhan bisnis dan kendala SDM yang sering muncul di 2026:

Keterbatasan talenta juga dipengaruhi dinamika global. Persaingan merebut tenaga ahli makin keras karena perusahaan multinasional dan remote-first membuka peluang lintas negara. Di sisi lain, ketegangan geopolitik dan ketidakpastian rantai pasok teknologi mendorong beberapa perusahaan memperketat kebijakan data dan vendor. Isu seperti perdagangan dan keamanan antara negara besar memengaruhi strategi teknologi, sebagaimana sering dibahas dalam konteks perdagangan dan keamanan AS–Tiongkok. Dampaknya ke SDM: organisasi ingin membangun kapabilitas internal, namun prosesnya butuh waktu.

Ketika industri AI berkembang, keterbatasan ini terasa makin nyata di luar kota besar. Banyak talenta berkumpul di pusat ekonomi, sementara kebutuhan mulai muncul di pabrik, tambang, dan kantor cabang. Inisiatif pemerataan kemampuan digital untuk UMKM dan kota kecil menjadi relevan, misalnya pembahasan tentang UMKM digital di pasar kota kecil yang menunjukkan bahwa digitalisasi tidak bisa tersentralisasi terus-menerus. Insight akhirnya: masalah talenta bukan hanya “kurang orang”, melainkan “kurang ekosistem pembelajaran dan praktik” yang membuat kemampuan AI tumbuh merata.

Peralihan ke solusi nyata menuntun kita pada topik berikutnya: jika pasokan talenta tidak bisa diciptakan instan, mekanisme apa yang paling cepat menaikkan kapasitas organisasi?

Pelatihan AI sebagai jawaban: reskilling, AI Training Center, dan kompetensi “beyond AI”

Ketika perusahaan menyadari tidak mungkin merekrut semua kebutuhan sekaligus, pelatihan AI menjadi strategi yang paling masuk akal. Logikanya sederhana: lebih cepat meng-upgrade kemampuan tim yang sudah paham proses bisnis ketimbang membangun tim baru dari nol. Rektor UMN Andrey Andoko pernah menekankan bahwa gap antara kebutuhan industri dan ketersediaan talenta membuat perusahaan menuntut karyawan mampu memakai AI. Di titik ini, pelatihan bukan sekadar kelas teknis, tetapi strategi ketahanan organisasi.

Contoh yang sering dijadikan rujukan adalah pembukaan AI Training Center yang dikembangkan DQLab di bawah naungan UMN dan Xeratic. Pusat pelatihan semacam ini penting karena menyediakan jalur belajar terstruktur dari dasar data hingga penerapan model, dengan konteks kasus nyata. Dalam praktiknya, pelatihan yang efektif tidak berhenti pada “cara memakai tools”, melainkan mengajarkan cara berpikir: bagaimana menilai kualitas data, bagaimana membuat eksperimen yang bisa diuji, dan bagaimana menyusun dokumentasi agar model bisa diaudit.

Satu poin yang menarik: mengutip riset McKinsey yang dibahas dalam forum tersebut, pelatihan disebut menurunkan ketergantungan perusahaan pada “ahli data AI” dari sekitar 90% (2022) menjadi sekitar 70% (2024). Dalam konteks 2026, implikasinya jelas: organisasi yang serius membangun kurikulum internal akan lebih tahan terhadap perang talenta. Mereka tetap membutuhkan spesialis, tetapi kapasitas dasar menyebar ke banyak peran sehingga pekerjaan tidak menumpuk pada satu-dua orang.

Untuk menggambarkan efeknya, kembali ke kisah “NusantaraLog”. Setelah pilot AI berhasil, mereka memilih melatih supervisor gudang dan analis rute agar mampu membaca rekomendasi model, memeriksa anomali, dan memberi umpan balik. Hasilnya, kualitas data meningkat karena orang lapangan paham mengapa input yang rapi memengaruhi prediksi. Tim legal juga ikut pelatihan untuk menyusun kebijakan penggunaan GenAI pada dokumen internal. Apakah semua menjadi engineer? Tidak. Tetapi mereka memiliki keterampilan AI yang relevan dengan tugasnya.

Kurikulum yang realistis: dari data, gambar, hingga video

Tren reskilling tiga tahun ke depan banyak menekankan kemampuan mengolah dan memproses data, gambar, sampai video. Ini selaras dengan kebutuhan industri modern—misalnya retail yang menganalisis rak, manufaktur yang memeriksa cacat produk, atau keamanan kerja yang memantau kepatuhan APD. Di Indonesia, kapabilitas analitik video juga berkembang lewat pemain lokal; pembaca bisa menelusuri contoh penerapan pada analitik video AI Nodeflux untuk memahami bagaimana computer vision masuk ke proses bisnis.

Dalam pelatihan, materi semacam ini perlu diikat dengan tata kelola: bagaimana menyimpan data video, siapa yang boleh mengakses, berapa lama retensi data, dan bagaimana memastikan penggunaan sesuai regulasi. Tanpa itu, kemampuan teknis justru berisiko menjadi sumber masalah.

“Beyond AI”: kompetensi manusia yang tidak bisa disubstitusi

Pernyataan “agar tidak digantikan AI, kita harus melampaui AI” terdengar seperti slogan, tetapi ia punya isi yang konkret. “Beyond AI” berarti kemampuan merumuskan masalah, memahami konteks pelanggan, menimbang risiko, bernegosiasi lintas kepentingan, dan membuat keputusan berbasis nilai. AI dapat menyarankan, tetapi manusia menetapkan arah. Di organisasi yang matang, orang yang paling berharga adalah yang mampu menjembatani model dengan realitas bisnis.

Di sisi lain, pelatihan juga harus menyentuh dimensi keamanan. Kekhawatiran menyerahkan data perusahaan ke chatbot eksternal adalah nyata, sehingga banyak perusahaan ingin membangun asisten berbasis data internal. Ini membutuhkan keahlian dalam data governance, kontrol akses, dan evaluasi jawaban. Dari sini terlihat bahwa pengembangan AI yang aman justru memperluas kebutuhan kompetensi, bukan menyempitkannya.

Ekosistem pelatihan juga bertaut dengan kewirausahaan teknologi. Program penguatan wirausaha berbasis teknologi, kolaborasi kampus, dan akses modal dapat membantu mencetak talenta yang tidak hanya mencari kerja, tetapi juga menciptakan lapangan kerja. Untuk konteks tersebut, relevan membaca tentang pelatihan wirausaha teknologi dan bagaimana praktik pembinaan membentuk pola pikir problem-solving. Insight akhirnya: pelatihan AI yang berhasil bukan yang paling canggih materinya, melainkan yang paling dekat dengan problem harian dan paling disiplin dalam praktik.

Setelah kapasitas orang meningkat, tantangan berikutnya muncul secara alami: industri mana yang paling “haus” talenta, dan kompetensi apa yang memberi dampak tercepat?

Industri AI yang paling agresif: perbankan, pertambangan, distribusi, hingga startup

Kebutuhan AI di Indonesia tidak tumbuh merata; ia meledak lebih dulu di sektor yang punya data besar, biaya operasional tinggi, dan tekanan kompetitif kuat. Feris Thia dari Xeratic pernah menggambarkan bahwa hampir tiap minggu ada perusahaan menanyakan pelatihan AI. Spektrum industrinya lebar: perbankan, distribusi dan perdagangan, hingga pertambangan. Ini penting karena menunjukkan AI bukan tren “kantoran”, melainkan masuk ke sektor yang menyerap tenaga kerja besar dan berdampak langsung ke ekonomi riil.

Perbankan dan fintech: AI untuk risiko, layanan, dan kepatuhan

Di perbankan, AI sering dipakai untuk deteksi fraud, segmentasi nasabah, dan peningkatan layanan melalui asisten virtual. Namun, sektor ini juga paling sensitif terhadap kepatuhan dan keamanan. Banyak organisasi tidak bisa sekadar memakai chatbot publik karena risiko data dan audit. Karena itu, kebutuhan keahlian AI di bank mencakup kemampuan membangun model yang dapat dijelaskan (explainable), menyiapkan dokumentasi, dan mengatur akses data. Pembahasan mengenai regulasi fintech dan kebutuhan tata kelola bisa dilihat melalui konteks regulasi layanan fintech, yang menggambarkan mengapa kepatuhan menjadi bagian dari desain sistem.

Jika pemerintah menyusun peta jalan AI, sektor keuangan biasanya menjadi prioritas karena dampak sistemiknya besar. Untuk pembaca yang ingin memahami arah kebijakan, rujukan terkait peta jalan AI untuk fintech memberi gambaran bagaimana AI, risiko, dan inovasi saling tarik-menarik.

Pertambangan: prediksi cuaca, efisiensi alat, dan integrasi data lapangan

Contoh yang paling “membumi” datang dari pertambangan. Ada kebutuhan memprediksi cuaca agar operasi alat berat tidak terhenti oleh hujan. Sekilas terdengar sederhana, tetapi nilai ekonominya besar: jam sewa alat, biaya pekerja, dan target produksi bergantung pada keputusan harian. Ketua Indonesia Mining Association juga menyoroti bahwa AI bisa membuat operasi lebih efisien sekaligus produktif, namun tantangannya tidak ringan: integrasi data dari berbagai sistem, kesiapan infrastruktur digital, dan adopsi oleh tim lapangan.

Di sinilah permintaan talenta menjadi unik. Perusahaan tambang tidak hanya butuh data scientist; mereka butuh “penerjemah lapangan”—orang yang memahami konteks operasi, sensor, dan keselamatan kerja. Pelatihan yang efektif harus menyertakan studi kasus: bagaimana menggabungkan data cuaca, jadwal perawatan alat, dan catatan produksi; lalu bagaimana mengukur dampaknya pada downtime.

Distribusi, perdagangan, dan social commerce: AI untuk permintaan dan pengalaman pelanggan

Sektor distribusi dan perdagangan mengejar AI untuk memprediksi permintaan, mengoptimalkan rute, serta membuat promosi yang lebih relevan. Ketika social commerce dan kanal digital makin dominan, perusahaan harus menyatukan data dari marketplace, media sosial, dan toko fisik. Pembaca bisa mengaitkan fenomena ini dengan dinamika platform social commerce di Indonesia yang mengubah cara brand berinteraksi dengan konsumen. Dampaknya ke SDM jelas: dibutuhkan analis yang paham data perilaku konsumen, bukan hanya data transaksi.

Startup: AI sebagai mesin inovasi produk dan perekrutan yang selektif

Di ekosistem startup, AI menjadi katalis inovasi, bukan sekadar otomatisasi. Karena itu, perekrutan untuk posisi AI engineer, prompter, dan scientist meningkat. Tren gaji juga memperlihatkan premium untuk peran teknologi; rata-rata kompensasi tech disebut lebih tinggi dibanding non-tech, dan posisi strategis seperti VP Engineering memiliki nilai tinggi karena memengaruhi arah produk. Namun, startup yang matang biasanya tidak mencari “gelar”, melainkan portofolio: kemampuan membangun MVP berbasis AI, memahami metrik, dan menjaga biaya komputasi agar tetap sehat.

Ekosistem startup di Jakarta bergerak cepat, dan diskusi mengenai percepatan ini dapat dilihat lewat cerita perkembangan startup AI di Jakarta. Insight akhirnya: setiap industri punya bentuk permintaan berbeda, tetapi semuanya bertemu pada satu titik—mereka butuh orang yang mampu mengubah data menjadi keputusan yang aman dan menguntungkan.

Strategi menutup gap pasar kerja AI: kolaborasi, keamanan data, dan desain karier yang masuk akal

Menutup kesenjangan pasar kerja AI tidak bisa mengandalkan satu pihak. Pemerintah menyusun peta jalan dan regulasi, kampus memperbarui kurikulum, perusahaan membangun akademi internal, dan komunitas memperluas akses belajar. Tantangannya adalah menyelaraskan kecepatan: industri bergerak dalam kuartal, sementara pendidikan formal sering bergerak dalam tahun akademik. Karena itu, mekanisme “kolaborasi cepat” menjadi kunci, misalnya magang berbasis proyek, micro-credential, dan kelas praktisi.

Kolaborasi kampus dan industri juga berkaitan dengan akses modal dan inkubasi. Ketika mahasiswa dan profesional muda punya jalur untuk menguji ide, mereka belajar dari problem nyata, bukan simulasi. Model semacam ini dibahas dalam konteks kolaborasi kampus dan akses modal, yang relevan karena proyek AI sering membutuhkan komputasi dan data—dua hal yang tidak murah bagi pemula.

Keamanan data sebagai faktor penentu pengembangan AI

Dalam banyak organisasi, kekhawatiran terbesar bukan “apakah AI bisa bekerja”, melainkan “apakah AI aman untuk data kami”. Feris Thia mencontohkan keraguan menyerahkan data sepenuhnya ke chatbot GenAI eksternal. Kekhawatiran ini masuk akal: data perusahaan bisa mengandung informasi pelanggan, strategi harga, hingga rahasia dagang. Karena itu, kebutuhan pengembangan AI yang aman mendorong perusahaan membangun asisten internal berbasis data privat, menerapkan kontrol akses ketat, serta memisahkan data sensitif dari data umum.

Di sinilah peran baru muncul: pengelola data, spesialis keamanan untuk AI, hingga tim governance yang menetapkan aturan penggunaan. Tanpa peran-peran ini, AI mungkin cepat diadopsi, tetapi cepat pula menimbulkan insiden yang merusak kepercayaan. Dengan kata lain, keamanan bukan “biaya tambahan”, melainkan fondasi agar AI bisa diskalakan.

Desain jalur karier: dari pengguna AI menjadi penggerak transformasi

Karier AI tidak harus dimulai dari coding berat. Banyak organisasi sukses mengangkat “AI champions” dari tim bisnis: orang yang paham proses, lalu belajar merumuskan use case, menguji dampak, dan memimpin perubahan. Jalur ini realistis untuk memperbesar basis talenta. Setelah itu, mereka bisa memilih spesialisasi: analitik, MLOps, governance, atau product.

Agar konkret, berikut langkah yang sering dipakai perusahaan untuk memperluas kapasitas AI secara bertahap:

1. Audit proses: pilih 3–5 proses yang dampaknya jelas (biaya tinggi, error tinggi, waktu lama).
2. Rapikan data minimum: tentukan definisi data, pemilik data, dan standar kualitas.
3. Pelatihan peran-spesifik: modul berbeda untuk bisnis, TI, legal, dan keamanan.
4. Pilot dengan metrik: ukur dampak (waktu, biaya, NPS, downtime), bukan sekadar “model akurat”.
5. Skalakan dengan governance: dokumentasi, monitoring, dan aturan penggunaan yang konsisten.

Keterkaitan AI dengan ekonomi digital juga tak bisa diabaikan. Ketika kanal digital tumbuh, kebutuhan talenta yang mampu mengolah data konsumen dan mengotomasi proses meningkat. Gambaran besarnya dapat dilihat pada pembahasan ekonomi digital Indonesia, yang menegaskan bahwa AI adalah percepatan, bukan pengganti fondasi digital.

Pada akhirnya, solusi bukan hanya “menambah kelas”, tetapi membangun ekosistem: perusahaan menyediakan proyek nyata, kampus memberi dasar ilmiah, pemerintah menata regulasi, dan platform pelatihan mempercepat reskilling. Ketika semua terhubung, permintaan talenta AI tidak lagi menjadi ancaman, melainkan sinyal bahwa Indonesia sedang bertarung untuk naik kelas dalam kompetisi produktivitas—dan pemenangnya adalah mereka yang menggabungkan kemampuan manusia, data, dan tata kelola secara disiplin.