Benarkah algoritma bisa mendeteksi kerja paksa, atau kita hanya mengotomatisasi titik buta kita?

Rantai pasok yang bertanggung jawab kini bukan lagi sekadar “nilai tambah”. Ia makin menjadi tuntutan kepatuhan. Corporate Sustainability Due Diligence Directive (CSDDD) dari Uni Eropa dan Uyghur Forced Labour Prevention Act (UFLPA) dari Amerika Serikat telah mendorong banyak pemasok dan merek di kawasan Asia Pasifik untuk membuktikan bahwa rantai pasok mereka bebas dari kerja paksa.

Dalam tekanan seperti itu, AI sering dipasarkan sebagai jawabannya.

Banyak platform kini menjanjikan bisa memindai jaringan pemasok yang sangat luas dalam hitungan menit, lalu menandai risiko kerja paksa sebelum kasusnya muncul ke permukaan. Bagi tim kepatuhan yang sehari-hari berkutat dengan spreadsheet tanpa ujung, ini terdengar seperti angin segar. Namun satu pertanyaan tetap mengganggu: apakah mesin benar-benar mampu menangkap realitas perbudakan modern yang ruwet, tersembunyi, dan kerap sengaja ditutup-tutupi?

Janji: cepat dan berskala besar

AI memang unggul untuk mengolah data dalam jumlah besar. Jika Anda berada di Singapura dan mengawasi pemasok di Vietnam, Bangladesh, dan Indonesia, arus informasi bisa dengan mudah membebani tim mana pun.

Saat ini, alat-alat AI umumnya paling kuat di dua area.

Mereka membantu pemetaan rantai pasok. Dengan menarik data bill of lading, registri perusahaan, dan catatan perdagangan, mereka dapat mengungkap entitas Tier 2 dan Tier 3 yang sebelumnya tidak diketahui oleh sebuah merek.

Mereka membantu memantau sinyal publik. Alat “social listening” menyisir berita lokal, media sosial, dan laporan LSM dalam berbagai bahasa, lalu menandai pemogokan, tuduhan, atau pemberitaan negatif dengan cepat.

Jika tujuannya merapikan informasi, AI bisa menjadi peningkatan yang nyata. Namun jika tujuannya mendeteksi pelanggaran hak asasi manusia, gambarnya jauh lebih tidak nyaman.

Kenyataan: kerja paksa jarang meninggalkan jejak

AI bergantung pada pola dalam data. Kerja paksa sering terjadi justru saat data tidak ada, atau datanya sudah “dipoles” sehingga menyesatkan.

1) Kekeliruan “data yang bersih”

Sebagian risiko terburuk di Asia Pasifik ada pada kerja informal, subkontrak tanpa izin, atau broker tenaga kerja yang beroperasi di luar pencatatan resmi. Aktor-aktor ini tidak menerbitkan laporan. Mereka tidak muncul dalam dataset yang rapi. Di catatan perdagangan pun, mereka bisa tampil tanpa informasi yang memberi gambaran kondisi kerja.

Jika sebuah pabrik menyita paspor pekerja migran, bentuk paksaan itu bisa tidak meninggalkan jejak publik sama sekali. Model yang membaca arus perdagangan dan dokumen korporasi bisa melihat lokasi yang tampak “stabil”. Ia bisa melewatkan pelanggaran karena pelanggaran itu tidak pernah menjadi data.

2) Kesenjangan konteks

Risiko ketenagakerjaan bukan persoalan kata kunci semata. AI sering kesulitan menangkap nuansa.

Sebuah alat bisa menandai “gejolak buruh” di India sebagai indikator risiko. Seorang spesialis manusia bisa membaca sinyal yang sama sebagai bukti bahwa pekerja mampu berorganisasi, bersuara, dan berunding. Sebaliknya, media yang sunyi juga bisa berarti intimidasi, sensor, atau rasa takut.

False positive juga menciptakan beban kerja nyata. Banyak tim kini menghadapi banjir peringatan yang dipicu istilah samar. Waktu habis untuk menyaring “noise”, bukan memeriksa kerugian yang sesungguhnya.

3) Risiko hukum dari “kotak hitam”

Aturan uji tuntas yang baru menuntut keputusan bisa dijelaskan. Dalam rezim seperti Undang-Undang Rantai Pasok Jerman (LkSG), perusahaan mungkin perlu menunjukkan bagaimana mereka menilai risiko dan mengapa mereka bertindak.

Jika Anda memutus hubungan pemasok karena “algoritma menandainya”, Anda bisa kesulitan membenarkan langkah itu. Jika Anda mempertahankan pemasok karena sistem memberi skor “risiko rendah”, lalu pelanggaran berat terungkap, “model bilang aman” bukan pembelaan.

Ironinya: AI juga punya rantai pasok

Ada lapisan lain yang terasa janggal. Banyak sistem AI bergantung pada “ghost work” seperti pelabelan data dan moderasi konten. Pekerjaan ini sering dialihdayakan kepada pekerja berupah rendah di Global South. Kondisinya bisa rapuh. Itu membuat pesan pemasaran terasa canggung: alat yang dijual sebagai penegakan etis bisa berdiri di atas model kerja yang juga memunculkan pertanyaan soal kesejahteraan pekerja.

Jalan yang lebih baik: augmented intelligence

AI dapat membantu, tetapi sebaiknya tidak mengambil alih kemudi. Ia paling tepat menjadi “copilot”.

Pendekatan hibrida biasanya memberi hasil yang lebih kuat.

AI dapat mendukung triase. Ia bisa menangani pemetaan pemasok, mengelompokkan risiko menurut sektor dan geografi, serta mengarahkan tim ke area yang patut ditelusuri.

Manusia harus menangani verifikasi. Wawancara pekerja di luar lokasi, kunjungan tanpa pemberitahuan, dan mitra lokal yang tepercaya tetap menjadi cara untuk mendeteksi jerat utang (debt bondage), pelecehan seksual, intimidasi, dan paksaan psikologis. Hal-hal ini jarang muncul di dashboard.

Teknologi dapat memperbaiki keterlacakan. Namun ia tidak dapat menggantikan tanggung jawab.

Anda bisa mengotomatisasi urusan administrasi. Anda tidak bisa mengotomatisasi kepercayaan.