Jurusan yang Terekspos AI: Ilmu Komputer Bukan Perisai, Analisis

Kesepakatan lama di kampus dulu sederhana: pilih ilmu komputer, belajar coding, dan kamu akan lebih aman daripada anak humaniora di ruang kuliah sebelah. Kini, kesepakatan itu tidak lagi terlihat sesederhana itu. Sebuah working paper dari Biro Sensus AS tidak mengatakan bahwa gelar teknis tidak berguna. Paper itu mengatakan bahwa pasar kerja level pemula dapat “menghukum” jurusan yang tugas-tugas awalnya paling mudah ditiru, dipercepat, atau dipadatkan dengan AI generatif.

Itulah pelajaran yang agak berlawanan dengan asumsi umum bagi mahasiswa dan lulusan baru: gelar masih menjadi sinyal, tetapi gelar saja tidak lagi cukup kuat sebagai sinyal. Pemberi kerja tidak hanya bertanya apakah kamu tahu Python, SQL, atau API model. Mereka bertanya apakah kamu bisa menerapkan alat-alat itu pada pekerjaan yang berantakan, menjelaskan tradeoff, dan menunjukkan sesuatu yang tetap berguna ketika berhadapan dengan pengguna, dataset, klien, atau regulator sungguhan.

Mitos jurusan yang lebih aman mulai runtuh

Inside Higher Ed melaporkan pada 22 September 2026 bahwa working paper yang berafiliasi dengan Sensus, Graduating into Disruption: Labor Market Outcomes for AI-Exposed College Majors, menggunakan catatan administratif lulusan perguruan tinggi untuk membandingkan hasil sejak large language model mulai tersedia luas sekitar empat tahun lalu. Menurut Inside Higher Ed, para peneliti mengelompokkan jurusan ke dalam 10 kategori, dari yang paling terekspos AI hingga yang paling sedikit terekspos.

Detail terpenting untuk perencanaan karier bukanlah label terekspos AI. Yang penting adalah paper tersebut menempatkan ilmu komputer bersama bidang seperti akuntansi dan jurnalisme, yang seharusnya membuat mahasiswa lebih kritis terhadap cerita sederhana bahwa teknis sama dengan aman. Inside Higher Ed menggambarkan pasar untuk sebagian lulusan ini seperti resesi, terutama bagi mereka di ilmu komputer dan bidang terkait.

Itu tidak berarti setiap lulusan CS terhalang, atau semua orang harus meninggalkan studi teknis. Artinya, anak tangga pertama menuju pekerjaan menjadi lebih sempit ketika pekerjaannya terlihat seperti kode boilerplate, analisis rutin, draf tulisan pertama, atau akuntansi berbasis checklist. Saringan perekrutan bergeser dari apakah orang ini bisa melakukan sebuah tugas menjadi apakah orang ini bisa memperbaiki sebuah alur kerja.

Yang kemungkinan akan disaring manajer perekrutan sekarang

NPR membingkai ketidakpastian yang lebih luas dengan baik, dengan melaporkan bahwa banyak lulusan baru mengatakan AI membuat pencarian kerja lebih sulit, sementara para ekonom belum yakin AI saja menjelaskan masalah tersebut. NPR juga mencatat bahwa tingkat pengangguran orang dewasa muda dengan gelar baru lebih tinggi daripada tingkat pengangguran seluruh pekerja, menurut New York Fed. Bagi lulusan baru, penyebabnya mungkin rumit, tetapi pengalaman mencari kerjanya tidak: lebih banyak lamaran, lebih sedikit pintu masuk yang jelas, dan tekanan lebih besar untuk membuktikan penilaian sejak awal.

Fortune melaporkan bahwa sebagian lulusan yang tersisih dari jurusan terekspos AI justru bekerja di ritel dan layanan makanan. Itulah bagian yang paling dulu dirasakan keluarga, karena setengah menganggur bukanlah grafik abstrak ketika uang sewa jatuh tempo. Namun, hal itu juga memperjelas langkah karier yang perlu diambil.

Resume yang menuliskan AI Engineer bisa berarti pembuat model, generalis otomasi, pembenah pipeline data, pembungkus chatbot, atau analis dukungan produk dengan jabatan yang lebih bagus. Portofolio perlu menghapus ambiguitas itu. Bagi lulusan ilmu komputer, sinyal terkuat bukanlah satu lagi aplikasi tiruan generik. Sinyal terkuat adalah proyek yang menghubungkan kode dengan sebuah domain: memilah tiket dukungan untuk kantor kampus, mengaudit anomali faktur untuk dataset bisnis kecil, membangun sistem retrieval untuk nonprofit lokal, atau mendokumentasikan bagaimana sebuah model gagal pada kasus-kasus batas.

Bagi lulusan akuntansi dan jurnalisme, aturan yang sama berlaku dari arah sebaliknya. Pertahankan kredibilitas domain, lalu tunjukkan bagaimana AI membantumu merekonsiliasi, memverifikasi, merangkum, menyelidiki, atau menandai pengecualian tanpa menyerahkan penilaianmu kepada mesin.

Literasi AI menjadi dasar, bukan lencana

St. John's University, mengutip laporan Stanford 2025 AI Index, menulis bahwa 78 persen organisasi menggunakan AI setidaknya di satu bagian pekerjaan mereka, naik dari 55 persen dalam satu tahun. Itu adalah peringatan berguna terhadap “teater kredensial”. Sertifikat murah yang membuktikan kamu menonton video tentang ChatGPT, Gemini, dan Claude tidak sama dengan bukti bahwa kamu bisa menggunakan alat-alat ini di dalam alur kerja yang memiliki batasan.

Standar praktisnya sedang berubah dari sekadar familier dengan alat menjadi keterampilan augmentasi. Bisakah kamu menggunakan sistem AI untuk menyusun test case, lalu mengidentifikasi kasus yang terlewat? Bisakah kamu meminta model membuat ringkasan keuangan, lalu menelusuri jawabannya kembali ke dokumen sumber? Bisakah kamu menggunakan AI untuk mempercepat pelaporan, lalu memverifikasi nama, tanggal, dan klaim sebelum publikasi? Itu adalah kebiasaan yang bernilai kerja karena menggabungkan kecepatan mesin dengan akuntabilitas manusia.

Di sinilah keahlian domain juga lebih penting daripada yang sering diakui influencer karier. Jurusan akuntansi yang memahami kontrol dan bisa menggunakan AI untuk menemukan pengecualian mungkin lebih berguna daripada pengumpul prompt generalis. Lulusan jurnalisme yang bisa menggunakan AI untuk merapikan transkrip sambil menjaga disiplin verifikasi memiliki jalur yang lebih jelas daripada seseorang yang hanya mengklaim otomasi konten. Lulusan CS yang bisa berbicara tentang alur kerja layanan kesehatan, logistik, pendidikan, keuangan, atau sektor publik punya cerita yang lebih kuat daripada orang yang hanya mencantumkan library.

Langkah untuk lulusan baru adalah bukti, bukan panik

Working paper Biro Sensus memberi pelajar pertanyaan yang lebih tajam sebelum membeli kursus lain: setelah ini, apa yang akan bisa saya bangun, jelaskan, atau tunjukkan? Jika jawabannya hanya lencana, berhentilah dulu. Jika jawabannya adalah artefak konkret yang terkait dengan alur kerja nyata, seperti analisis terdokumentasi, alat internal yang sudah diterapkan, otomasi yang sudah diuji, atau peta proses sebelum dan sesudah, investasinya lebih dapat dipertanggungjawabkan.

Bagi mahasiswa yang masih kuliah, lindung nilai terbaik adalah memasangkan kefasihan teknis dengan konteks kedua. Itu bisa berupa akuntansi plus validasi data, jurnalisme plus alat verifikasi, ilmu komputer plus dataset industri, atau operasi bisnis plus desain otomasi. Bagi lulusan baru, lamaran berikutnya tidak seharusnya hanya mengatakan keterampilan AI. Lamaran itu harus menunjukkan tugasnya, alatnya, batasannya, hasilnya, dan apa yang kamu cek secara manual.

Siklus perekrutan berikutnya akan menghargai orang yang bisa membuat AI berguna tanpa berpura-pura bahwa AI itu sihir. Perhatikan bahwa pemberi kerja akan terus merentangkan jabatan seperti AI Engineer, AI Analyst, dan Automation Specialist ke berbagai pekerjaan yang sangat berbeda. Pertahananmu adalah spesifisitas: sebutkan alur kerjanya, tunjukkan proyeknya, jelaskan penilaiannya.

Jurusan mungkin membuka pintu, tetapi bukti pekerjaan terapanlah yang membuat percakapan terus berlanjut.