Ketika Algoritma Pun Tertular Bias: Kesenjangan Upah pada Asisten AI

Bayangkan Anda mempekerjakan dua asisten virtual yang kemampuannya benar-benar identik. Keduanya menjawab pertanyaan dengan kecepatan sama, akurasi sama, dan keramahan yang sama. Namun, ketika Anda melihat tagihan layanan, asisten dengan suara dan persona perempuan ternyata lebih murah sekitar sepersepuluh dibanding rekannya yang berpersona laki-laki. Inilah temuan terbaru dari sebuah penelitian yang mengguncang cara kita memandang kecerdasan buatan (AI/artificial intelligence) sebagai teknologi netral.

Fenomena ini penting bagi siapa pun yang menggunakan layanan AI sehari-hari, mulai dari chatbot layanan pelanggan hingga asisten penulisan di tempat kerja. Sebab, jika harga layanan AI saja sudah membedakan gender, bukan tidak mungkin nilai yang tertanam dalam algoritma juga mewarisi prasangka yang sama. Ibarat seperti cermin yang memantulkan wajah lama dunia kerja: kesenjangan upah antara laki-laki dan perempuan, yang kini menular ke ranah mesin.

Angka yang Bicara: Selisih 10,25 Persen

Penelitian tersebut mengungkap bahwa asisten AI berpersona perempuan dihargai 10,25 persen lebih rendah dibandingkan asisten AI berpersona laki-laki, meskipun performa teknis keduanya dinilai setara. Angka ini bukan sekadar anomali statistik. Ia muncul dari pola penetapan harga platform digital yang, sadar atau tidak, mengaitkan nilai ekonomi dengan stereotip gender yang sudah berakar di masyarakat.

Dalam dunia kecerdasan buatan, persona adalah lapisan antarmuka yang dirancang agar pengguna merasa nyaman. Nama, suara, gaya bahasa, hingga foto profil semua dikurasi. Ketika pengembang memberi persona perempuan, mereka sering kali menargetkannya untuk peran administratif atau layanan emosional, sementara persona laki-laki diasosiasikan dengan pengambilan keputusan strategis atau analisis teknis. Peran yang dianggap "lebih tinggi" itulah yang kemudian dibanderol lebih mahal.

Mengapa Bias Manusia Bisa Menyusup ke Algoritma?

Para peneliti menyebut fenomena ini sebagai bias algoritmik yang bersumber dari data pelatihan dan keputusan desain manusia. Machine learning (pembelajaran mesin) bekerja dengan meniru pola dari data masa lalu. Jika data historis menunjukkan bahwa pekerja perempuan dibayar lebih rendah, model AI yang dilatih di atasnya akan menganggap pola itu wajar dan mereplikasinya dalam bentuk penetapan harga.

Yang menarik, bias ini tidak muncul karena AI memahami gender seperti manusia. AI hanya membaca korelasi. Ketika pasar lebih terbiasa membayar mahal untuk layanan berlabel maskulin, platform pun menyesuaikan harga. Efeknya, kesenjangan yang seharusnya bisa dihapus oleh teknologi justru terabadikan dalam kode.

Dampak Nyata pada Ekosistem Digital

Konsekuensi dari temuan ini jauh lebih luas dari sekadar label harga. Pertama, perusahaan yang menggunakan asisten AI perempuan sebagai tulang punggung layanan bisa jadi menilai kontribusi mereka secara sistematis lebih rendah. Kedua, persepsi publik terhadap nilai kerja perempuan semakin diperkuat oleh apa yang mereka lihat di layar.

Ketiga, ini menciptakan disrupsi pada pasar tenaga kerja manusia. Jika versi digital dari pekerjaan perempuan dihargai murah, maka pekerjaan manusia yang serupa berisiko mengalami tekanan harga yang sama. Efisiensi teknologi yang seharusnya membebaskan manusia justru bisa memperlebar ketimpangan.

Langkah Korektif yang Bisa Diambil

Para ahli menyarankan sejumlah implementasi untuk memutus rantai bias ini. Pertama, audit algoritma secara berkala untuk memastikan penetapan harga tidak berkorelasi dengan persona gender. Kedua, transparansi dalam pengembangan platform, agar pengguna tahu apa yang mereka bayar dan mengapa.

Ketiga, diversifikasi tim pengembang. Semakin beragam latar belakang orang yang merancang AI, semakin kecil kemungkinan bias tunggal mendominasi keputusan desain. Keempat, regulasi yang mewajibkan evaluasi dampak sosial sebelum produk AI diluncurkan ke pasar.

Temuan ini menjadi pengingat bahwa inovasi tidak pernah benar-benar netral. Setiap algoritma membawa jejak nilai manusia yang membuatnya. Jika kita ingin teknologi menjadi kekuatan pemerataan, bukan penguat ketimpangan, maka kesadaran akan bias harus dimulai dari meja perancang, bukan dari ruang sidang. Pertanyaannya kini bukan lagi apakah AI bisa adil, melainkan apakah kita cukup peduli untuk membuatnya begitu.