Analisis magang AI: jumlah lamaran lima kali lebih banyak

Poster pusat karier kini menampilkan layar terbagi yang terasa familiar: satu magang bertuliskan pemasaran, kebijakan, operasional, atau riset, dan yang berikutnya bertuliskan hal yang sama dengan AI ditempelkan pada judulnya. Mahasiswa memperhatikan. Begitu juga pemberi kerja. Bagian yang sulit adalah mengetahui kapan label AI menunjuk pada pekerjaan nyata, dan kapan itu hanya lapisan cat terbaru pada peran tingkat pemula.

Apa arti sebenarnya dari lonjakan lamaran

Inside Higher Ed melaporkan pada 19 Agustus 2026 bahwa laporan baru dari Handshake menemukan bahwa lowongan magang berjudul AI menerima hampir lima kali lebih banyak lamaran dibandingkan lowongan yang tidak menyebut AI. Laporan tersebut, yang bernama Class of What’s Next, menganalisis 12,4 juta profil kandidat AS dari mahasiswa aktif dan lulusan baru di angkatan 2024 hingga 2030. Menurut Inside Higher Ed, analisis tersebut diukur per Juni 2026 dan melihat bagaimana mahasiswa memperoleh pengalaman AI sambil menavigasi pasar kerja awal karier.

Jebakan pertama adalah membaca statistik itu sebagai bukti bahwa setiap mahasiswa perlu menjadi insinyur machine learning. Statistik itu mengatakan sesuatu yang lebih sempit dan lebih berguna: AI telah menjadi sinyal karier lintas jurusan, bukan hanya kredensial ilmu komputer. Data Handshake, seperti yang diliput oleh Inside Higher Ed, menunjukkan mahasiswa dari berbagai jurusan membangun pengalaman terkait AI. Hal itu seharusnya membuat mahasiswa non-IK lebih ambisius, tetapi juga lebih spesifik.

Spesifik itu penting karena pelebaran judul sudah terjadi. Magang AI bisa berarti pembersihan data, pengujian chatbot, otomatisasi alur kerja, evaluasi model, dukungan riset, atau pekerjaan spreadsheet biasa dengan kata sifat baru. Baris di résumé yang berbunyi proyek AI, tanpa pengguna, data, alur kerja, risiko, atau keputusan, hanyalah sebuah label. Sinyal yang lebih kuat adalah bukti bahwa kamu menggunakan AI untuk memperbaiki proses nyata dan memahami di mana alat itu bisa keliru.

Pasar kerja yang lebih luas tidak merata, bukan terbuka untuk semua

Pembaruan pasar tenaga kerja AS Indeed Hiring Lab pada 22 Januari 2026 menambahkan catatan penting yang berguna. Cory Stahle menulis bahwa aktivitas perekrutan tetap lesu, dengan lowongan kerja datar atau menurun di banyak pekerjaan, sementara pekerjaan yang menyebut AI tumbuh di banyak pekerjaan berbasis pengetahuan. Indeed juga melaporkan bahwa AI Tracker-nya mencapai titik tertinggi 4,2 persen pada Desember 2025.

Itu bukan lampu hijau untuk mengejar setiap lowongan bertanda AI. Data Indeed menunjukkan sinyalnya terkonsentrasi secara berbeda menurut bidang: hampir 45 persen lowongan data dan analitik memuat istilah terkait AI, dibandingkan dengan sekitar 15 persen di pemasaran dan 9 persen di sumber daya manusia. Bagi mahasiswa non-IK, perbedaan itu penting. Strategi yang tepat bukan berpura-pura bahwa jurusanmu tidak relevan, melainkan menunjukkan bagaimana AI mengubah pekerjaan di jalur bidangmu.

Mahasiswa yang mengincar pemasaran, misalnya, sebaiknya tidak memulai dengan mengumpulkan nama alat. Mulailah dengan alur kerja riset kampanye, jelaskan bagaimana AI membantu mengelompokkan umpan balik atau menyusun variasi draf, lalu tunjukkan langkah peninjauan manusia. Mahasiswa yang tertarik pada sumber daya manusia dapat mendokumentasikan bagaimana mereka menguji peninjauan deskripsi pekerjaan berbantuan AI untuk kejelasan dan bias, sambil mencatat hal apa yang akan mereka eskalasikan kepada peninjau terlatih. Intinya bukan membesar-besarkan judul. Intinya adalah membuat pekerjaan dapat diperiksa.

Seperti apa pengalaman

AI yang kredibel sebelum lulus Liputan Inside Higher Ed tentang Handshake berguna karena membingkai pengalaman AI sebagai sesuatu yang sudah dibangun mahasiswa lintas jurusan, bukan sebagai lencana yang hanya diperuntukkan bagi departemen ilmu komputer. Versi yang kredibel biasanya memiliki bentuk sederhana: masalah, alur kerja, artefak, dan refleksi tentang batasan. Itu bisa berasal dari tugas kuliah, pekerjaan kampus, proyek klub, peran asisten riset, atau magang, selama hasilnya terlihat.

Untuk penyaringan perekrutan, portofolio lebih kuat daripada baris sertifikat yang samar. Studi kasus singkat dapat menunjukkan tugas awal, alur kerja berbantuan AI, apa yang kamu periksa secara manual, apa yang berubah, dan apa yang tidak akan kamu otomatisasi. Jika kamu menggunakan model untuk merangkum wawancara, jelaskan bagaimana kamu melindungi materi sensitif dan memvalidasi tema. Jika kamu membuat prototipe tanpa kode, jelaskan siapa yang mengujinya dan apa yang rusak.

Sertifikat tetap bisa membantu, tetapi hanya ketika sertifikat itu memaksamu membangun sesuatu yang bisa kamu jelaskan. Lencana penyelesaian yang mengajarkan kosakata lebih lemah daripada proyek yang menunjukkan pertimbangan. Mahasiswa non-IK sebaiknya memprioritaskan literasi AI, pengelolaan data dasar, iterasi prompt, kebiasaan evaluasi, dan konteks domain. Itulah bagian-bagian yang dapat dipetakan manajer perekrutan ke pekerjaan tanpa mengasumsikan kamu adalah insinyur machine learning.

Keunggulan berikutnya adalah penerjemahan

LinkedIn Economic Graph mengatakan AI sedang membentuk dunia kerja dan menciptakan permintaan untuk pekerjaan serta keterampilan baru. Itu terdengar luas, karena memang begitu. Pelajaran praktisnya adalah kandidat awal karier perlu menerjemahkan antara masalah domain dan alur kerja yang didukung AI.

Penerjemahan adalah keterampilan, bukan slogan. Untuk jurusan non-IK, peluangnya adalah menjadi orang yang bisa mengatakan apa yang seharusnya dilakukan alat tersebut, bukti apa yang akan menunjukkan bahwa alat itu membantu, dan di mana manusia masih perlu mengambil keputusan. Perhatikan apakah lowongan magang mulai meminta penggunaan AI dalam fungsi-fungsi biasa, bukan hanya peran berjudul AI. Jika pergeseran itu berlanjut, mahasiswa dengan contoh paling jelas akan memiliki keunggulan. Bukan karena mereka mengumpulkan paling banyak kata tren, melainkan karena mereka bisa menunjukkan pekerjaan mereka.