Baiklah, jujur saja - pertanyaan ini muncul di mana-mana. Di pertemuan komunitas teknologi, saat istirahat minum kopi di kantor, dan ya, bahkan di utas LinkedIn yang panjang lebar yang tak seorang pun akui membacanya. Kekhawatiran ini cukup lugas: jika AI dapat menangani begitu banyak otomatisasi, apakah itu membuat ilmu data menjadi... mudah dibuang? Jawaban singkat: tidak. Jawaban yang lebih panjang? Ini rumit, berantakan, dan jauh lebih menarik daripada sekadar "ya" atau "tidak."
Artikel-artikel yang mungkin ingin Anda baca setelah ini:
🔗 Ilmu data dan kecerdasan buatan: Masa depan inovasi
Menjelajahi bagaimana AI dan ilmu data membentuk lanskap inovasi masa depan.
🔗 Akankah AI menggantikan analis data: Pembahasan jujur
Memahami dampak AI terhadap peran analis data dan kebutuhan industri.
🔗 Manajemen data untuk alat AI yang perlu Anda perhatikan
Praktik-praktik manajemen data utama untuk memaksimalkan potensi alat AI.
Apa Sebenarnya yang Membuat Ilmu Data Berharga 🎯
Intinya begini - ilmu data bukan hanya matematika ditambah model. Yang membuatnya ampuh adalah perpaduan unik antara ketelitian statistik, konteks bisnis, dan sedikit sentuhan pemecahan masalah yang kreatif . AI memang dapat menghitung sepuluh ribu probabilitas dalam sekejap mata. Tetapi, dapatkah AI memutuskan mana yang penting bagi keuntungan perusahaan? Atau menjelaskan bagaimana masalah tersebut terkait dengan strategi dan perilaku pelanggan? Di situlah peran manusia masuk.
Pada intinya, ilmu data itu seperti penerjemah. Ilmu data mengambil data mentah yang berantakan - spreadsheet yang jelek, log, survei yang tidak masuk akal - dan mengubahnya menjadi keputusan yang dapat ditindaklanjuti oleh orang biasa. Hilangkan lapisan penerjemahan itu dan AI seringkali mengeluarkan omong kosong yang penuh percaya diri. HBR telah mengatakan ini selama bertahun-tahun: kunci suksesnya bukanlah metrik akurasi, melainkan persuasi dan konteks [2].
Pengecekan realitas: studi menunjukkan bahwa AI dapat mengotomatiskan banyak tugas dalam suatu pekerjaan - terkadang lebih dari setengahnya . Tetapi menentukan ruang lingkup pekerjaan, membuat keputusan, dan menyelaraskan dengan hal yang rumit yang disebut “organisasi”? Masih merupakan wilayah manusia [1].
Perbandingan Singkat: Ilmu Data vs. AI
Tabel ini memang tidak sempurna, tetapi tabel ini menyoroti berbagai peran yang mereka mainkan:
| Fitur / Sudut | Ilmu Data 👩🔬 | Kecerdasan Buatan 🤖 | Mengapa Ini Penting |
|---|---|---|---|
| Fokus Utama | Wawasan & pengambilan keputusan | Otomatisasi & prediksi | Ilmu data membingkai "apa" dan "mengapa" |
| Pengguna Umum | Analis, ahli strategi, tim bisnis | Insinyur, tim operasional, aplikasi perangkat lunak | Audiens yang berbeda, kebutuhan yang saling tumpang tindih |
| Faktor Biaya 💸 | Gaji & peralatan (dapat diprediksi) | Komputasi awan (variabel dalam skala besar) | AI mungkin terlihat lebih murah sampai penggunaannya melonjak |
| Kekuatan | Konteks + bercerita | Kecepatan + skalabilitas | Bersama-sama, mereka bersifat simbiosis |
| Kelemahan | Lambat untuk tugas berulang | Perjuangan dengan ambiguitas | Justru mengapa yang satu tidak akan membunuh yang lain |
Mitos “Penggantian Penuh” 🚫
Membayangkan AI melahap setiap pekerjaan data terdengar menarik, tetapi itu dibangun di atas asumsi yang salah - bahwa seluruh nilai ilmu data bersifat teknis. Sebagian besar sebenarnya bersifat interpretatif, politis, dan komunikatif .
-
Tidak ada eksekutif yang mengatakan, “Tolong beri saya model dengan akurasi 94%.”
-
Mereka berkata, “Haruskah kita berekspansi ke pasar baru ini, ya atau tidak?”
AI dapat menghasilkan perkiraan. Yang tidak akan diperhitungkannya: masalah regulasi, nuansa budaya, atau selera risiko CEO. Analisis yang berubah menjadi tindakan masih merupakan permainan manusia , penuh dengan pertimbangan dan persuasi [2].
Di mana AI Sudah Mengubah Segalanya 💥
Jujur saja, sebagian dari ilmu data sudah mulai terkikis oleh AI:
-
Pembersihan & persiapan data → Pemeriksaan otomatis mendeteksi nilai yang hilang, anomali, dan penyimpangan lebih cepat daripada manusia yang bersusah payah menelusuri Excel.
-
Pemilihan dan penyetelan model → AutoML mempersempit pilihan algoritma dan menangani hyperparameter, menghemat waktu berminggu-minggu untuk melakukan penyesuaian [5].
-
Visualisasi & pelaporan → Kini, alat ini dapat membuat draf dasbor atau ringkasan teks dari satu perintah.
Siapa yang paling merasakannya? Orang-orang yang pekerjaannya berputar di sekitar pembuatan grafik berulang atau pemodelan dasar. Solusinya? Naiklah ke posisi yang lebih tinggi dalam rantai nilai: ajukan pertanyaan yang lebih tajam, ceritakan kisah yang lebih jelas, dan rumuskan rekomendasi yang lebih baik.
Contoh kasus singkat: sebuah perusahaan ritel menguji AutoML untuk memprediksi pelanggan yang akan berhenti berlangganan. Hasilnya berupa model dasar yang solid. Namun, kemenangan besar datang ketika ilmuwan data mengubah kerangka tugas: alih-alih "Siapa yang akan berhenti berlangganan?", pertanyaannya menjadi "Intervensi mana yang benar-benar meningkatkan margin laba bersih per segmen?" Pergeseran ini - ditambah dengan kerja sama dengan bagian keuangan untuk menetapkan batasan - adalah yang mendorong terciptanya nilai. Otomatisasi mempercepat proses, tetapi pembingkaian tugaslah yang membuka potensi hasil yang sebenarnya.
Peran Ilmuwan Data Terus Berkembang 🔄
Alih-alih menghilang, pekerjaan ini justru bermetamorfosis menjadi bentuk-bentuk baru:
-
Penerjemah AI - membuat hasil teknis mudah dipahami bagi para pemimpin yang peduli dengan uang dan risiko merek.
-
Tata kelola & etika memimpin - menyiapkan pengujian bias, pemantauan, dan kontrol yang selaras dengan standar seperti AI RMF NIST [3].
-
Ahli strategi produk - memadukan data dan AI ke dalam pengalaman pelanggan dan peta jalan produk.
Ironisnya, seiring AI mengambil alih lebih banyak pekerjaan teknis yang membosankan, keterampilan manusia —bercerita, menilai bidang, berpikir kritis—menjadi bagian yang tidak mudah digantikan.
Apa Kata Para Pakar & Data 🗣️
-
Otomatisasi itu nyata, tetapi parsial : AI saat ini dapat mengotomatisasi banyak tugas dalam banyak pekerjaan, tetapi hal itu biasanya membebaskan manusia untuk beralih ke pekerjaan yang bernilai lebih tinggi [1].
-
Pengambilan keputusan membutuhkan manusia : HBR menunjukkan bahwa organisasi tidak bergerak karena angka mentah - mereka bergerak karena cerita dan narasi membuat para pemimpin bertindak [2].
-
Dampak pekerjaan ≠ PHK massal : Data WEF menunjukkan perusahaan mengharapkan AI mengubah peran dan mengurangi staf di mana tugas-tugas sangat dapat diotomatisasi, tetapi mereka juga meningkatkan keterampilan [4]. Polanya lebih terlihat seperti desain ulang daripada penggantian.
Mengapa Rasa Takut Itu Tetap Ada 😟
Judul berita media berkembang pesat dengan berita-berita yang menakutkan. “AI menggantikan pekerjaan!” laku dijual. Namun, studi-studi serius secara konsisten menunjukkan nuansanya: otomatisasi tugas, desain ulang alur kerja, dan penciptaan peran baru [1][4]. Analogi kalkulator cocok: tidak ada lagi yang melakukan pembagian panjang secara manual, tetapi Anda tetap perlu memahami aljabar untuk mengetahui kapan harus menggunakan kalkulator.
Tetap Relevan: Panduan Praktis 🧰
-
Mulailah dengan keputusan. Fokuskan pekerjaan Anda pada pertanyaan bisnis dan biaya yang harus ditanggung jika salah.
-
Biarkan AI membuat draf, Anda memperhalus. Perlakukan outputnya sebagai titik awal - Anda memberikan penilaian dan konteks.
-
Integrasikan tata kelola ke dalam alur kerja Anda. Pemeriksaan bias yang ringan, pemantauan, dan dokumentasi yang terkait dengan kerangka kerja seperti NIST [3].
-
Beralihlah ke strategi & komunikasi. Semakin sedikit Anda terikat pada "menekan tombol," semakin sulit untuk diotomatisasi.
-
Kenali AutoML Anda. Anggap saja seperti seorang pekerja magang yang brilian namun ceroboh: cepat, tak kenal lelah, terkadang sangat keliru. Anda menyediakan pembatas [5].
Jadi… Akankah AI Menggantikan Ilmu Data? ✅❌
Jawaban lugasnya: Tidak, tetapi akan mengubahnya . AI sedang menulis ulang perangkat kerja – mengurangi pekerjaan kasar, meningkatkan skala, dan menggeser keterampilan mana yang paling penting. Yang tidak dihilangkan adalah kebutuhan akan interpretasi, kreativitas, dan penilaian manusia . Malahan, ilmuwan data yang baik menjadi lebih berharga sebagai penafsir dari hasil yang semakin kompleks.
Intinya: AI menggantikan tugas, bukan profesi [1][2][4].
Referensi
[1] McKinsey & Company - Potensi ekonomi AI generatif: Batas produktivitas berikutnya (Juni 2023).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] Harvard Business Review - Ilmu Data dan Seni Persuasi (Scott Berinato, Jan–Feb 2019).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST - Kerangka Kerja Manajemen Risiko Kecerdasan Buatan (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] Forum Ekonomi Dunia - Apakah AI menutup pintu peluang kerja tingkat pemula? (30 April 2025) - wawasan dari Future of Jobs 2025.
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] He, X. et al. - AutoML: Survei tentang Keadaan Terkini (arXiv, 2019).
https://arxiv.org/abs/1908.00709